基于臨床診斷肌電信號的自動分解算法及研究.pdf

1、針電極肌電信號是以針電極和肌電儀為檢測手段，獲取肌肉收縮時被激活的所有運動單元所發(fā)放的動作電位序列，以及檢測儀器噪聲和周圍環(huán)境產(chǎn)生的噪聲迭加后所產(chǎn)生的信號。它包括電極檢測范圍內(nèi)的運動單元動作電位(MUAP)、遠離電極的運動單元產(chǎn)生的動作電位，以及儀器產(chǎn)生的隨機干擾和工頻干擾等。肌電信號分解是對檢測信號中的噪聲進行抑制、提取有意義的MUAP、按照發(fā)放它們的運動單元的不同對其識別和分類的過程。 肌電信號分解包括四個必要步驟，即：去除

2、噪聲和提取有用的MUAP、選擇和提取MUAP波形的特征、對MUAP聚類，以及對已分類MUAP進行有監(jiān)督分類。本文針對這些步驟，在對目前已有肌電信號分解方法進行分析的基礎之上，基于對現(xiàn)有先進的模式分類和信號處理技術的改進方法，提出了一些自動的肌電信號分解系統(tǒng)改進方案。 第一，在數(shù)據(jù)的預處理過程中，本文首先采用對數(shù)據(jù)歸一化、再利用小波閾值估計技術抑制隨機噪聲、然后利用小波濾波技術濾除背景噪聲、最后采用幅度濾波法提取MUAP波形的方法

3、。不僅克服了以往方法中信號對閾值敏感所帶來的閾值計算方法難以確定的不足，而且跟以往研究方法相比，濾波過程運行時間縮短、濾除噪聲效果更好。其次，針對肌電信號中偶爾混入的工頻干擾，采用基于獨立成分分析方法和小波濾波技術相結合的方法，可以把工頻成分有效濾除，并克服了以往方法中引入時移和總是需要輸入一個可能與實際工頻信號不完全吻合的參考輸入信號的缺陷。 第二，在對MUAP波形進行特征提取過程中，本文提出了基于原始數(shù)據(jù)和形態(tài)特征參數(shù)相結合

4、的方法、小波系數(shù)和形態(tài)特征參數(shù)相結合的方法，以及基于線性判別分析和模糊集合的面向分類目的的最優(yōu)小波包系數(shù)特征提取方法。跟現(xiàn)有基于原始信號數(shù)據(jù)特征方法、波形形態(tài)特征方法、小波系數(shù)特征方法相比，在保持了其良好的分解效果和運行速度的情況下，小波包系數(shù)特征方法明顯具有占用內(nèi)存小的特點。 第三，在MUAP波形的分類過程中，本文在借鑒了傳統(tǒng)多次運用單鏈聚類技術和最小分類器對MUAP波形進行聚類和有監(jiān)督分類方法結果的可靠性和可檢驗性，采用了基

5、于模式對所有類別隸屬度的模糊C均值聚類技術，對波形聚類和有監(jiān)督分類方法進行了優(yōu)化。結果表明，比現(xiàn)有沒有進行分類優(yōu)化的肌電信號分類方法具有更好的分類效果，有效提高了識別正確率。 第四，在對肌電信號分解結果的定量檢驗過程中，本文按照符合肌電信號的生理特點的大小原理和發(fā)放模式等規(guī)則的信號模擬方法來分配發(fā)放模式，與現(xiàn)有的隨機分配各個MU的發(fā)放模式相比，使得模擬的信號更加符合肌電信號的生理特性。其次，采用先進的模式識別和信號處理技術，設計

6、開發(fā)了一種新的手工分解肌電信號新方法，克服了傳統(tǒng)的利用目測和手工測量的方法中客觀性不好、準確度不高的缺點，得到更為理想的分解結果，并將此結果作為本文肌電信號自動分解結果的檢驗標準。 雖然本論文基于肌電信號分解基本步驟，提出并實現(xiàn)了一系列改進措施，對模擬和真實肌電信號進行了分解，獲得了較好的肌電信號分解結果，但是，通過分析本文分解結果發(fā)現(xiàn)，分解方法還存在不完善和不完整之處，需進一步改進和完善，對此在本論文最后一章的展望部分提出了一