基于阵列式表面肌电信号平滑的分解方法技术

本发明专利技术提供一种基于阵列式表面肌电信号平滑的分解方法，首先对阵列式表面肌电信号采用自适应时长平滑方法预处理，增强信号特征；其次利用卷积核补偿算法提取运动单元发放序列，并且根据发放规律修正该序列；最后整理优化所有得到的发放序列，删除重复序列。由于该分解方法在分解之前通过自适应时长平滑方法增强了信号特征，所以能取得较为理想的效果，尤其是对较大干扰的表面肌电信号。同时，该方法具有实现简单的优点。

【技术实现步骤摘要】

本专利技术涉及一种基于阵列式表面肌电信号平滑的分解方法。
技术介绍
表面肌电信号(surface EMG,sEMG)是利用表面电极从人体体表检测肌电信号，与针电极肌电信号(Needle EMG,NEMG)相比，它具有无创性、易于患者接受的特点，因此应用前景广阔。实验表明，利用阵列式sEMG能够提高运动单元(MU)的检测率，特别是提高小幅值运动单元活动电位(MUAP)的检出和识别效果。在临床上，通过阵列式sEMG可以较全面地了解神经肌肉的功能状态，鉴别神经源性和肌源性疾病，判断神经损伤的部位、程度及恢复状况，并且阵列式sEMG信号的检测分析对康复医学及运动医学也有具有重要意义。阵列式sEMG分解实质上是对sEMG包含的运动单元发放序列进行分类，目前，sEMG分类方法主要有：K均值聚类算法、模板匹配法、人工神经网络(ANN)算法、实时线性混叠盲信号分离算法、独立成分分折(ICA)、卷积核补偿算法等。K-均值聚类算法需要指定聚类的类别数，而在肌电信号缺少运动单元发放的先验知识，难以对类别进行精确的指定。模板匹配法由于模板获取困难，应用受限。ANN可以解决含更多迭加波形情形和在低信噪比时更好地消除绝对误差，然而，ANN方法一旦训练后，网络就固定不变，当模板的形状发生变化时，神经网络还需重新训练，所以强健性不好。ICA是一种盲信号分解技术,它假设构成肌电信号的各运动单元发放序列相互独立，然后把信号分解成若干相互独立的成分。卷积核补偿算法方法是一种盲信号分解方法，该方法已被验证效果较理想。阵列式sEMG的信噪比较低，MUAP波形的变异性强且相互间的叠加程度较大，这是导致其分解困难的主要原因。总的来看，阵列式表面肌电信号分解研究还处于探索阶段，是肌电研究领域的难点之一。
技术实现思路
鉴于上述问题，本专利技术的目的在于提供一种基于阵列式表面肌电信号平滑的分解方法。为实现上述目的，针对阵列式表面肌电信号，提出先将原始信号预处理，改善信号质量，再采用卷积核补偿算法分解。在这个过程中，不求解矩阵，通过卷积核补偿方法得到肌肉运动单元的数目和发放序列。由于该方法对原始信号进行了预处理，增强了信号特征，相对于其它方法，该方法具有sEMG分解精度高的优点。本专利技术公开了一种基于阵列式表面肌电信号平滑的分解方法，其特征是包括以下步骤：步骤一：对阵列式表面肌电信号滤波，削弱干扰；步骤二：采用自适应时长平滑方法对滤波后的表面肌电信号预处理，对每个通道信号平
滑增强信号特征，得到信号S，方法如下：1)将表面肌电信号分割成时间长度为Tf长度的信号，得到k段信号，根据运动单元发放特性，可取20ms≤Tf≤60ms；2)对第k段信号Sk(k为1,2,3,...)，找到最小值Sk_min和最大值Sk_max，计算最值之间的差值Vk＝Sk_max-Sk_min；3)这样K段得K个差值V1，V2，Λ，Vk，得到第i段自适应时长的滑动窗时间长度Ti： T i = L b + m a x ( V 1 , V 2 , ... , V k ) V i L e ]]>其中Lb，Le是设计的常数，max(V1,V2,...,Vk)表示K个差值中的最大值。4)对每一段采用滑动窗平均的方法，计算每段表面肌电信号，并且记录每段信号的起始点和最终点值，假设第i段信号的起始点和最终点记为Yis和Yie；5)比较第i-1段信号的最终点Y(i-1)e第i段信号的起始点Yis，如果|Y(i-1)e-Yis|≤N(N是设定的常数)，则两点直接相连；否则在两点上用长度5ms的滑动窗平均，实现两点平滑连接，最终得到平滑后表面肌电信号S。步骤三：采用卷积核补偿算法对表面肌电信号S提取发放时刻；步骤四：对发放时刻进行修正，补充和删除错误的发放时刻，得到一个发放时刻序列；步骤五：重复步骤三-----步骤四，设置循环次数，提取多个发放时刻序列；步骤六：对所有发放序列归类整理，删除重复的发放序列向量，优化结果。优化的技术措施还包括：上述卷积核补偿算法是利用sEMG信号的相关性提取发放时刻，互相关矩阵表示为：C＝E(S(n)ST(n))其中n是采样时刻，S(n)是第n个采样时刻的阵列信号，ST(n)是第n个采样时刻的阵列信号转置，E(·)是数序期望。某个时刻n'运动单元发放序列表示为：ξ(n')＝ST(n')C-1S(n')其中C-1阵列信号互相关矩阵的逆矩阵。与现有技术相比，本专利技术的一种基于阵列式表面肌电信号平滑的分解方法，由于干扰较
大的sEMG信号波形畸变严重，为了保证信号特征及提升信号质量，本专利技术采用自适应时长平滑sEMG信号，并且分段时间长度可调，时间越短，效果越好，但计算时间越长，具体时间长度根据实际情况确定。本专利技术采用的卷积核补偿算法不需要计算运动单元发放序列和阵列sEMG信号间混合矩阵，大大减少计算时间，提高了效率，使用方便。附图说明图1是本专利技术流程图。具体实施方式以下结合附图1对本专利技术作进一步详细描述，本领域技术人员可由本说明书所揭露的内容轻易地实现。本专利技术公开了一种基于阵列式表面肌电信号平滑的分解方法，包括以下步骤：步骤一：对阵列式表面肌电信号滤波，削弱干扰；步骤二：采用自适应时长平滑方法对滤波后的表面肌电信号预处理，对每个通道信号平滑增强信号特征，得到信号S，方法如下：1)将表面肌电信号分割成时间长度为Tf长度的信号，得到k段信号，根据运动单元发放特性，通常运动单元发放频率在10Hz-50Hz范围内，所以可取Tf＝30ms，最后一段信号长度允许小于30ms；2)对第k段信号Sk(k为1,2,3,...)，找到最小值Sk_min和最大值Sk_max，计算最值之间的差值Vk＝Sk_max-Sk_min；3)这样K段得K个差值V1，V2，Λ，Vk，得到第i段自适应时长的滑动窗时间长度Ti： T i = L b + m a x ( V 1 , V 2 , ... , V本文档来自技高网...

【技术保护点】
一种基于阵列式表面肌电信号平滑的分解方法，其特征是包括以下步骤：步骤一：对阵列式表面肌电信号滤波，削弱干扰；步骤二：采用自适应时长平滑方法对滤波后的表面肌电信号预处理，对每个通道信号平滑增强信号特征，得到信号S，方法如下：1)将表面肌电信号分割成时间长度为Tf长度的信号，得到k段信号，根据运动单元发放特性，可取20ms≤Tf≤60ms；2)对第k段信号Sk(k为1,2,3,...)，找到最小值Sk_min和最大值Sk_max，计算最值之间的差值Vk＝Sk_max‑Sk_min；3)这样K段得K个差值V1，V2，Λ，Vk，得到第i段自适应时长的滑动窗时间长度Ti：Ti=Lb+max(V1,V2,...,Vk)ViLe]]>其中Lb，Le是设计的常数，max(V1,V2,...,Vk)表示K个差值中的最大值；4)对每一段采用滑动窗平均的方法，计算每段表面肌电信号，并且记录每段信号的起始点和最终点值，假设第i段信号的起始点和最终点记为Yis和Yie；5)比较第i‑1段信号的最终点Y(i‑1)e第i段信号的起始点Yis，如果|Y(i‑1)e‑Yis|≤N(N是设定的常数)，则两点直接相连；否则在两点上用长度5ms的滑动窗平均，实现两点平滑连接，最终得到平滑后表面肌电信号S；步骤三：采用卷积核补偿算法对表面肌电信号S提取发放时刻；步骤四：对发放时刻进行修正，补充和删除错误的发放时刻，得到一个发放时刻序列；步骤五：然后重复步骤三‑‑‑‑‑步骤四，设置循环次数，提取多个发放时刻序列；步骤六：对所有发放序列归类整理，删除重复的发放序列向量，优化结果。...

【技术特征摘要】
1.一种基于阵列式表面肌电信号平滑的分解方法，其特征是包括以下步骤：步骤一：对阵列式表面肌电信号滤波，削弱干扰；步骤二：采用自适应时长平滑方法对滤波后的表面肌电信号预处理，对每个通道信号平滑增强信号特征，得到信号S，方法如下：1)将表面肌电信号分割成时间长度为Tf长度的信号，得到k段信号，根据运动单元发放特性，可取20ms≤Tf≤60ms；2)对第k段信号Sk(k为1,2,3,...)，找到最小值Sk_min和最大值Sk_max，计算最值之间的差值Vk＝Sk_max-Sk_min；3)这样K段得K个差值V1，V2，Λ，Vk，得到第i段自适应时长的滑动窗时间长度Ti： T i = L b + m a x ( V 1 , V 2 , ...

【专利技术属性】
技术研发人员：何金保，骆再飞，李国君，
申请(专利权)人：宁波工程学院，
类型：发明
国别省市：浙江;33