一种基于多元经验模式分解的肌电信号同步处理方法技术

本发明专利技术公开了一种基于多元经验模式分解的肌电信号同步处理方法，该方法同步采集多块不同肌肉群在肢体发生运动时运动神经在肌肉群处所产生的激励生物电信号，获得一个多通道肌电信号(MEMG)，然后采用多元经验模式分解(MEMD)，将采集的MEMG信号进行同步处理。MEMD方法通过低差异的哈默斯利序列将采集得到的MEMG数据映射到多维向量空间中，进而在多变量条件下基于经验模式分解自适应的分解成若干个固有模态函数(IMFs)。目前，在MEMG处理上，本发明专利技术所公开方法能有效的利用机体不同位置肌肉群在受到运动激励收缩时所产生的生物电信号的时、空间信息。与传统方法相比较，本发明专利技术能确保MEMG分解后通道间IMFs阶数的一致性，同时也能实现分解后通道间对应各IMF信息具有较强的相关性。

【技术实现步骤摘要】

本专利技术属于多通道(或多变量)非平稳非线性信号同步分析的
，涉及一种基于多元经验模式分解的多通道肌电信号同步处理方法。技术背景肌电信号(Electromyography，EMG)是肌肉收缩过程中人体神经肌肉系统的生理活动在机体皮肤表面产生的表征，是一种复杂的非线性非平稳生理电信号。由于SEMG是机体神经肌肉系统的直接表征形式，因此挖掘SEMG信号的生理机制可在一定程度上揭示机体神经肌肉系统的功能特性，在生理学上可为研究人体神经肌肉系统的生理反馈机制提供理论依据；在临床医用上也可为诊断与治疗神经肌肉系统功能性疾病(如运动神经元疾病和肌萎缩等肌肉疾病等)提供有效帮助；在康复工程上，包括人体运动康复、肌能评价等方面也能提供指导性意见。现有的SEMG信号分析与处理方法主要是针对单一通道下信号进行分析，主要包括以下五种方法。(1)小波分析，该方法借助小波基函数，通过连续微分，使得被分解信号分量的时频特征有较好的独立性，在实时处理SEMG信号上具有优势，但由于小波分解具有交叉项，并不能完整的描述多成分、非平稳SEMG信号的自然属性，更不能合理解释运动神经元特征规律。(2)高阶统计量，该方法根据线性时不变模型对SEMG信号进行建模，能较好评估肌肉恒力收缩(静态)SEMG信号的非线性、非平稳性和非高斯性程度，但缺点是该方法不能对动态负荷或肌肉力作用下的SEMG特性进行分析。(3)人工神经网络，该方法虽然能较好地描述SEMG信号，但也存在一定的局限性，例如人工神经网络的训练过程往往需要大量的先验数据。(4)独立成分分析，该方法假设噪声信息和运动神经元信息属于不同的源信号，通过构造信号混合模型进行反解运算，从复杂信号中提取信号模式，能处理非高斯性的信号，但是该方法处理后得到的成分模式存在丢失，往往无法逆向重构原始信号。(5)标准经验模式分解和集合经验模式分解，上述两种方法都是基于希尔伯特-黄变换，不同于以传统的傅立叶变换为基础的线性和稳态频谱分析方法的是，这些方法是基于信号序列时间尺度局部特性的分解方法，能够直接的、后验的和自适应的处理SEMG信号。目前，标准经验模式分解或集合经验模式分解方法在非线性信号分析中已得到广泛认可。然而，上述方法由于仅利用了SEMG信号在时间维度上的特性进行分析，并未考虑多通道表面肌电(Multi-channelElectromyography,MEMG)信号的空间信息，在处理MEMG信号时忽略了机体不同位置的肌肉群之间的信息。目前，多种生理参数监护与分析和复杂生物反馈系统的建模更能较为合理的揭示机体运动生理反应的机制问题，已逐步成为前沿研究热点。因此，传统的基于单一通道的SEMG信号分析由于缺乏在空间尺度上生理信息的分析，严重制约了上述技术的发展。针对这一问题，本专利公开了一种基于多元经验模式分解的多通道肌电信号同步处理方法，该方法将采集的MEMG信号通过低差异的哈默斯利序列将数据映射到多维向量空间中，进而在多变量条件下基于经验模式分解自适应的分解成若干个固有模态函数(IntrinsicModeFunctions,IMF)，有效的利用了所包含的MEMG时空间信息。本专利技术能确保MEMG分解后通道间IMFs阶数的一致性，同时也能实现分解后通道间对应各IMF信息具有较强的相关性。
技术实现思路
本专利技术主要目的在于克服现有技术的不足，提供一种基于多元经验模式分解的多通道肌电信号同步处理方法，利用MEMG信号所包含的时空间信息，将采集的MEMG信号通过低差异的哈默斯利序列将数据映射到多维向量空间中，进而在多变量条件下基于经验模式分解自适应的分解成若干个固有模态分量，有效确保了每一通道IMFs阶数一致性，其次与标准经验模式分解或集合经验模式分解方法相比，多元经验模式分解(MEMD)得到的通道间IMFs信息具有较好的相关性。为了实现以上目的，本专利技术的技术方案是一种基于多元经验模式分解的肌电信号同步处理方法，主要包括以下步骤：步骤1：通过p,p≥3个通道肌电信号采集仪器同步拾取人体在特定运动动作条件下典型肌肉群处的肌电信号，获取肌电信号样本数据，构成一个p维原始信号s(t)，s(t)＝｛s1(t),s2(t),…,sp(t)｝，其中t是时刻值；步骤2：通过低差异的哈默斯利序列，将步骤1所获取的s(t)映射到一个p-1维球体上形成新的数据点集up＝{u1,u2,…,up本文档来自技高网...

【技术保护点】
一种基于多元经验模式分解的肌电信号同步处理方法，主要包括以下步骤：步骤1：通过p,p≥3个通道肌电信号采集仪器同步拾取人体在特定运动动作条件下典型肌肉群处的肌电信号，获取肌电信号样本数据，构成一个p维原始信号s(t)，s(t)＝{s1(t),s2(t),…,sp(t)}，其中t是时刻值；步骤2：通过低差异的哈默斯利序列，将步骤1所获取的s(t)映射到一个p‑1维球体上形成新的数据点集up＝{u1,u2,…,up}；步骤3：将步骤2得到的点集，沿着方向向量集其中，p‑1维球体上角度点集θv＝{θv1,θv2,…,θp‑1|θv∈Rp}，方向向量v＝1,2,…,V分别进行投影并得到一组投影集步骤4：计算步骤3得到的投影集的极值及对应的时刻步骤5：将步骤4得到的极值矩阵插值，得到包络曲线集步骤6：将步骤5得到的包络曲线集求平均，得到平均包络曲线，步骤7：通过公式(5)提取成分d(t)：d(t)=s(t)-a‾(t)---(5)]]>此时，若d(t)满足停止条件，则将d(t)被定义为固有模态分量c(t)，同时将s(t)‑d(t)视为s(t)，重复以上步骤1至7；若d(t)不满足停止条件，则将d(t)视为s(t)，重复以上步骤1至7得到残余分量r(t)，停止循环计算；通过以上步骤重复筛选后，原始信号s(t)将被分解为N个固有模态分量，{cN(t)},N＝1,2,…,N和残余分量r(t)之和，如公式(6)所示：s(t)=Σ1NcN(t)+r(t)---(6)]]>其中，筛选停止条件是其中是平均包络曲线的变化值，a(t)是包络平均曲线的幅值，而σ是调节参数，其值根据实际情况决定且σ∈(0,1)。...

【技术特征摘要】
1.一种基于多元经验模式分解的肌电信号同步处理方法，主要包括以下步骤：步骤1：通过p,p≥3个通道肌电信号采集仪器同步拾取人体在特定运动...

【专利技术属性】
技术研发人员：张羿，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51