基于經(jīng)驗?zāi)０宓谋砻婕‰娺\動單元動作電位序列分解方法研究.pdf

1、表面肌電信號(sEMG)是肌肉活動時所有募集運動單元(MU)產(chǎn)生的運動單元動作電位(MUAP)在表面電極處時空綜合疊加的結(jié)果,包涵了大量的MU募集和MUAP發(fā)放信息。sEMG信號分解就是從sEMG信號中提取主體運動單位動作電位序列(MUAPTs)的過程,分解得到的MUAP發(fā)放信息有助于深入研究神經(jīng)-肌肉控制系統(tǒng)的調(diào)控機理,在臨床醫(yī)學(xué)、假肢控制、康復(fù)醫(yī)學(xué)、運動醫(yī)學(xué)等領(lǐng)域具有良好的應(yīng)用前景。
　　目前,sEMG信號分解技術(shù)可以大致分為

2、兩種類型:一類是盲源分離算法或系統(tǒng)辨識法,另一種是MUAP形態(tài)學(xué)方法。由于第一類算法應(yīng)用于sEMG信號的基本假設(shè)條件并不一定滿足,且目前的分解效果并不理想,因此本文基于MUAP形態(tài)特征設(shè)計了一種的sEMG信號分解算法。
　　在分析總結(jié)相關(guān)文獻的基礎(chǔ)上,本文結(jié)合MUAP波形常見為雙相或三相波形特點,利用Hermite-Rodriguez函數(shù)擬合了4種時間、幅度可伸縮的MUAP波形模板;為了減小沿時間軸順序分割sEMG信號可能對MUA

3、P疊加波形識別所帶來的影響,本文依據(jù)MU募集的“大小原則”,從整段sEMG信號中,按照從大到小的順序逐個剝離出相應(yīng)的MUAP波形。值得注意的是,本文在MUAP波形的識別過程未增加MUAP發(fā)放規(guī)律的假設(shè),僅限定了MUAP發(fā)放頻率的范圍。此外,本文所設(shè)計的sEMG分解算法可對單通道sEMG信號進行獨立分解,克服了對其他通道信息的依賴。
　　為了滿足sEMG分解對信號高信噪比的要求,本文分別采用了分3個步驟對原始sEMG信號進行了預(yù)處理

4、。首先,本文采用了橢圓帶通數(shù)字濾波器來消除sEMG信號主頻帶(20~500Hz)以外的部分低頻和高頻噪聲。其次,基于快速獨立分量分析算法(FastICA)設(shè)計算法實現(xiàn)了工頻干擾的分離。最后,采用具有雙正交、緊支撐性、近似對稱性等優(yōu)點的coif2母小波對sEMG信號進行小波包去噪。實測sEMG信號的分解結(jié)果顯示,本文所提sEMG信號預(yù)處理算法不僅有效地濾除工頻噪聲等噪聲,而且較好地保留了MUAP波形的銳度。
　　由于缺乏sEMG信號

5、中主體MUAPTs的先驗知識,通常需要專門設(shè)計相應(yīng)的算法準確性驗證方案。因此,本文構(gòu)建了簡單的sEMG信號模型來對本文所提算法的準確性進行驗證。本文分別對不同信噪比(5dB、10dB、15dB和20dB)不同疊加程度(0％、10％、20％和30％)情況下的5s長的仿真sEMG信號(采樣率為2kHz)進行了分解,每種情況進行20組。仿真sEMG信號分解的結(jié)果顯示,該算法在噪聲水平較高(SNR=20dB)、MUAP疊加程度較輕時(10％),

6、分解的準確性較高(90.94％1.27％);
　　為進一步驗證利用本文算法提取出來的主體MUAPTs與相應(yīng)的神經(jīng)肌肉活動是否具有相關(guān)性,本文還將該算法應(yīng)用于8名受試者(3組/人)不同手指活動模式下的指淺屈肌多通道(12通道)sEMG信號分解;單通道分解結(jié)果顯示,高力量水平下sEMG信號中的主體MUAPt能夠被有效檢測和分類;統(tǒng)計結(jié)果證實,隨著力量水平的增加,MUAP的數(shù)目增加;不同大小MUAP的比重的變化與活動手指和力量水平具有顯