一种用于人体下肢表面肌电信号的辨识方法技术

本发明专利技术涉及一种用于人体下肢表面肌电信号的辨识方法。本发明专利技术主要步骤为：实时采集对应肌肉块在活动动作刺激下的表面EMG信号；对采集的EMG信号进行预处理，获得消除伪迹信号后的EMG信号；使用离散小波变换方法对获得的EMG信号进行分解，分解后获得低频系数向量和高频系数列；采用时、频域结合的滤波方法，将获得的小波分量进行奇异值分解，并将分解得到的奇异值构成特征矩阵；采用支持向量机对特征样本进行训练，并生成支持向量机分类器用于对盲样本进行分类识别。本发明专利技术的有益效果为，相对于传统技术，本发明专利技术提出了一种新的下肢EMG信号预处理方法。

【技术实现步骤摘要】

本专利技术设计用于人体下肢的生物电信号中的表面肌电信号(ElectromyographicSignal,EMG)的伪迹消除、特征提取与辨识

技术介绍
据统计数据显示，我国在21世纪初已正式迈入老龄化社会，且老龄化进程超过其他国家，预计2020年我国老年人口会达到2.48亿，2050年将达到4亿。老年人及肢体残疾人在人口结构中正在迅速扩大，上述人群的显著特点是其日常行为活动均需提供辅助帮助。瘫痪是导致上述人群丧失运动能力的最常见原因之一，尤其是下身瘫痪，它涉及到肢体、躯干的部分的或完全的功能丧失。目前临床专家普遍认为，肢体运动康复被认为是一个有效的解决方案，其要求受影响的下肢肢体主动地参与积极锻炼。然而，对于肢体功能存在障碍的人群，通常难以顺利完成例如站立、下蹲、行走等下肢肢体运动。因此，通过EMG信号的研究能够帮助探索运动神经与肌肉组织的生物反馈机制，预测与感知肢体运动态势，评估老年人、残疾人、以及亚健康人群的肌肉活动能力，为发展适用于老龄人和肢体残疾人士的康复下肢运动辅助设备提供理论依据与应用基础。表面EMG信号是一种分析人体与日常生活活动相关的下肢肢体运动动作的生理信息来源，该信号是通过电极引导、放大而从肌肉表面记录下来的神经肌肉系统活动时的非平稳一维时间序列生物电信号，它能够反映肌肉强度和人的运动特征。人的运动意图通常通过神经兴奋刺激肌肉细胞的收缩与舒张实现，由于不同的肢体运动中肌肉收缩的模式不同，导致相应的表面肌电信号的特征也具有差异，在人的意图控制下产生的表面EMG信号能较好地反映出肢体运动或动作特征，评估人体运动意图。人体运动意图的实现主要通过肢体完成，由于下肢EMG信号相对于上肢更为复杂，同时受到更大的噪声干扰，因此对人体运动的研究主要集中在上肢EMG信号，而对下肢EMG信号及其识别的研究需要进一步完善。目前在EMG信号的识别中，常用的方法都是基于传统的分类或聚类算法，如支持向量机、神经网络(NeuralNetworkAlgorithm，简称“NNA”)、线性鉴别分析(LinearDiscriminantAnalysis，简称“LDA”)等。其中，LDA算法即可以识别单一的某种动作，也可以将多个动作加上标签作为特殊的一类进行识别。在下肢EMG信号的研究上，2016年，JohnA.Spanias等人使用LDA算法，研究了只用EMG信号进行分类、以及将EMG信号和器械传感器返回的其他类型的数据一起进行分类的方法；2014年，AJYoung等人使用SensorTimeHistory的方法对EMG信号进行分类，但该方法仅考虑了整个过程中信号的时间跨度。
技术实现思路
本专利技术的目的，就是针对上述问题，提供一种用于人体下肢表面肌电信号的辨识方法。通过实验分析，发现下肢EMG信号尺度通常非常微弱，同时由于硬件局限性和肢体移动等原因，也十分容易受到工频、基线漂移和高斯白噪声干扰，因此实验所采集到的下肢EMG信号伪迹严重，基于原始数据直接进行特征提取和分类识别是不现实的。传统伪迹消除方法是对原始信号进行带通滤波处理(下肢EMG信号的主要成分集中分布在20～500Hz频段上)。本专利技术中分别对工频干扰、基线漂移进行陷波滤波与低通滤波，根据本专利技术提出的工频干扰噪声因子和基线漂移噪声因子分别对下肢EMG信号进行评估，当噪声的能量超出阈值时，采用陷波和低通滤波，否则采用滤波前信号。而对于高斯白噪声，首先计算下肢EMG信号的过零点数，通过过零点数对下肢EMG时域信号进行区间划分，再通过高斯白噪声因子逐次对每一区间的噪声进行评估，当噪声的能量超出阈值时，采用滤波结果，否则采用滤波前的信号。在表面EMG信号具有非平稳性、非线性特点的前提下，本专利技术将离散小波变换(DiscreteWaveletTransform，DWT)应用到下肢EMG信号的特征提取中，它是将时域、频域分析相结合对表面EMG信号的时间和频率所包含的信息进行分析。而传统的伪迹消除(如带通滤波器)、特征提取(如傅立叶变换、时域和频域分析)方法仅仅独立地在时域或者频域中分析数据，并将EMG信号视为平稳或者短时平稳信号进行处理，因此传统的方法并不能准确地获取人体下肢肢体运动动作的EMG生理反应特征。奇异值分解(SingularValueDecomposition，SVD)是一种有效的代数特征提取方法，由于奇异值特征在描述信号数值上比较稳定，且具有转置不变性、旋转不变形、位移不变性等重要性质，因此奇异值特征可以作为信号的一种有效的代数特征描述。最后，本专利技术将离散小波变换(DWT)和奇异值分解(SVD)相结合，基于新的下肢EMG信号预处理方法，进一步提出时、频域结合的滤波方法，根据上述得到的特征矩阵，采用支持向量机(SupportVectorMachine，SVM)的方法对信号进行分类识别。本专利技术的技术方案为：一种用于人体下肢表面肌电信号的辨识方法，其特征在于，包括以下步骤：a.将一次性肌电电极粘放至下肢肌肉组织表皮上，实时采集对应肌肉块在活动动作刺激下的表面EMG信号；b.对步骤a中采集的EMG信号进行预处理，获得消除伪迹信号后的EMG信号；所述预处理方法包括工频干扰滤波、基线漂移滤波和高斯白噪声滤波；本步骤中，工频干扰滤波、基线漂移滤波和高斯白噪声滤波的顺序可以进行任意排列；c.使用离散小波变换方法对步骤b获得的EMG信号进行分解，分解后获得低频系数向量cA1和高频系数向量cD1；使用离散小波变换的方法对低频系数向量cA1进行分解，获得低频系数向量cA2和高频系数cD2；继续重复使用离散小波变换的方法对低频系数向量进行分解，直至获得低频系数向量cA5和5个高频系数列cD1，cD2，cD3，cD4，cD5为止；d.采用时、频域结合的滤波方法，将步骤c中获得的小波分量进行奇异值分解，并将分解得到的奇异值构成特征矩阵；e.以步骤d中获得的特征矩阵为样本，采用支持向量机对特征样本进行训练，并生成支持向量机分类器用于对盲样本进行分类识别。2、根据权利要求1所述的一种用于人体下肢表面肌电信号的辨识方法，其特征在于，步骤b中所述预处理的具体方法包括：b1.工频干扰滤波；具体方法为：将步骤a中采集得到的EMG信号c(t)作为原始输入信号CPLI(t)进行陷波滤波，得到滤波结果为a(t)，定义工频干扰因子εPLI，则εPLI可通过如下公式1计算：其中，var是信号方差算子，用于计算时间序列的方差，通过工频干扰因子εPLI对滤波结果进行修正如下公式2所示：其中，sPLI(t)是滤除工频干扰噪声的最终结果，公式2表明如果工频干扰噪声的能量占比超过原始信号能量的10％，则采用陷波滤波器的滤波结果；b2.基线漂移滤波；具体方法为：将步骤b1获得的信号sPLI(t)作为原始输入信号cBW(t)进行低通滤波，滤波结果为d(t)，定义基线漂移因子为εBW，则εBW可通过如下公式3计算：根据基线漂移因子εBW对滤波得到的基线漂移噪声d(t)进行修正得到b(t)，其表达式如公式4所示：最后，得到去除基线漂移噪声后的信号sBW(t)如下公式5所示：sBW(t)＝cBW(t)-b(t)(公式5)；b3.高斯白噪声滤波；具体方法为：将步骤b2得到的信号sBW(t)作为原始输入信号cWGN本文档来自技高网...

【技术保护点】
一种用于人体下肢表面肌电信号的辨识方法，其特征在于，包括以下步骤：a.将一次性肌电电极粘放至下肢肌肉组织表皮上，实时采集对应肌肉块在活动动作刺激下的表面EMG信号；b.对步骤a中采集的EMG信号进行预处理，获得消除伪迹信号后的EMG信号；所述预处理方法包括工频干扰滤波、基线漂移滤波和高斯白噪声滤波；c.使用离散小波变换方法对步骤b获得的EMG信号进行分解，分解后获得低频系数向量cA1和高频系数向量cD1；使用离散小波变换的方法对低频系数向量cA1进行分解，获得低频系数向量cA2和高频系数cD2；继续重复使用离散小波变换的方法对低频系数向量进行分解，直至获得低频系数向量cA5和5个高频系数列cD1，cD2，cD3，cD4，cD5为止；d.采用时、频域结合的滤波方法，将步骤c中获得的小波分量进行奇异值分解，并将分解得到的奇异值构成特征矩阵；e.以步骤d中获得的特征矩阵为样本，采用支持向量机对特征样本进行训练，并生成支持向量机分类器用于对盲样本进行分类识别。

【技术特征摘要】
1.一种用于人体下肢表面肌电信号的辨识方法，其特征在于，包括以下步骤：a.将一次性肌电电极粘放至下肢肌肉组织表皮上，实时采集对应肌肉块在活动动作刺激下的表面EMG信号；b.对步骤a中采集的EMG信号进行预处理，获得消除伪迹信号后的EMG信号；所述预处理方法包括工频干扰滤波、基线漂移滤波和高斯白噪声滤波；c.使用离散小波变换方法对步骤b获得的EMG信号进行分解，分解后获得低频系数向量cA1和高频系数向量cD1；使用离散小波变换的方法对低频系数向量cA1进行分解，获得低频系数向量cA2和高频系数cD2；继续重复使用离散小波变换的方法对低频系数向量进行分解，直至获得低频系数向量cA5和5个高频系数列cD1，cD2，cD3，cD4，cD5为止；d.采用时、频域结合的滤波方法，将步骤c中获得的小波分量进行奇异值分解，并将分解得到的奇异值构成特征矩阵；e.以步骤d中获得的特征矩阵为样本，采用支持向量机对特征样本进行训练，并生成支持向量机分类器用于对盲样本进行分类识别。2.根据权利要求1所述的一种用于人体下肢表面肌电信号的辨识方法，其特征在于，步骤b中所述预处理的具体方法包括：b1.工频干扰滤波；具体方法为：将步骤a中采集得到的EMG信号c(t)作为原始输入信号CPLI(t)进行陷波滤波，得到滤波结果为a(t)，定义工频干扰因子εPLI，则εPLI可通过如下公式1计算：其中，var是信号方差算子，用于计算时间序列的方差，通过工频干...

【专利技术属性】
技术研发人员：张羿，温悦欣，张向刚，秦开宇，
申请(专利权)人：成都奥特为科技有限公司，
类型：发明
国别省市：四川;51