基于ANN和SVM的sEMG信號分解.pdf

1、肌電(Electromyography,EMG)信號是由多個運動單位(Motro Unit，MU)興奮發(fā)放的運動單位動作電位序列(Motor Unit Action Potential Train，MUAPT)沿肌纖維傳播在檢測電極處的時間、空間疊加合成結果，是與肌肉收縮緊密相關的神經肌肉活動電特性的表現(xiàn)。肌電信號的分解則是其形成的求逆過程，即根據EMG的產生機理，還原出構成它的主體運動單位動作電位序列，進而可以獲得運動單位動作電位(M

2、otor Unit Action Potential，MUAP)的波形信息和運動單位的募集發(fā)放信息。肌電信號的分解對于神經肌肉控制的基礎研究和神經肌肉疾病的臨床診斷具有重要的理論意義和應用價值。
　　 與插入式肌電信號(indwelling electromyography,iEMG)相比，表面肌電信號(Surface Electromyography,sEMG)檢測具有無創(chuàng)性的優(yōu)點，應用場合和范圍更加廣泛。但由于sEMG信號

3、信噪比低，不同運動單位的動作電位波形相似性比較高，且包含較多的疊加波形，造成分解工作比較困難。國際上sEMG信號分解的研究狀況，大多數(shù)僅限于對肌肉輕度收縮力水平(＜10％MVC)下的信號的分解，且對sEMG信號中疊加波形的分解問題很少涉及。
　　 本文重點研究了sEMG信號的降噪預處理技術和基于模式識別技術的sEMG信號分解算法，主要研究的工作和成果如下：
　　 (1)針對sEMG信號的噪聲特點，提出基于經驗模態(tài)分解(

4、Empirical ModeDecomposition，EMD)的三級濾波器方法對sEMG信號進行預處理，即采用頻譜插值法去除工頻干擾，采用形態(tài)學運算去除基線漂移，采用經驗模態(tài)分解去除白噪聲。實驗結果表明，所提出的方法不僅能夠提高sEMG信號的信噪比，也能有效的保留MUAP波形信息，這將有利于對MUAP波形的識別從而提高對sEMG信號的分解準確率。
　　 (2)sEMG信號分解算法的研究。在對分解算法廣泛調研和深入分析的基礎上

5、，采用自組織特征映射(Self Self-Organizing Feature Map，SOFM)與學習向量量化(Learning Vector Quantization，LVQ)混合網絡對MUAP波形聚類分析，再利用支持向量機完成對MUAP的分類，最后采用基于遞歸的模板對準技術分解疊加波形。實驗結果表明，該分解算法能夠獲得較高的分解準確率，尤其是對中低收縮力下的sEMG信號分解。
　　 (3)搭建分解系統(tǒng)平臺。在Matlab