一种静态表面肌电信号分解方法技术

本发明专利技术公开了一种静态表面肌电信号(sEMG)分解方法。针对传统的基于盲源分离的sEMG分解方法无法提取小运动单元(MU)的问题，本发明专利技术采用多种策略结合的方式分解MU。本发明专利技术首先采用肌电采集设备采集受试者肱二头肌的电信号，进行预处理以及信道扩展；再通过循环CKC来准确分解大MU，并将改进的循环CKC方法与严格的迭代策略(Post

【技术实现步骤摘要】
一种静态表面肌电信号分解方法


[0001]本专利技术涉及静态表面肌电信号分解方法，具体是一种通过分解静态表面肌电信号得到肌肉神经元放电信息的方法。

技术介绍

[0002]在过去的几十年里，表面肌电图(sEMG)由于其非侵入性、运动单元(MU)的高产量和对肌肉力高收缩水平的应用而受到广泛关注。通过sEMG信号采集和处理方面的重大进展，这项技术在了解神经肌肉系统的神经生理学以及运动神经疾病和神经肌肉疾病的诊断方面发挥了关键作用。sEMG信号是活跃的运动单元动作电位(MUAPs)的总和。sEMG分解是一种能够将sEMG信号分解为各个MUAPs的技术，对于MU放电信息和MUAP波形的研究是必不可少的。
[0003]研究人员已经做出了巨大的努力，并提出了各种分解算法。以前，模式识别是最常采用的sEMG信号分解技术之一。通过结合小波变换和ART网络分类，Gazzoni等人在2004年提出了一种用于MUAP波形检测和识别的自动分解算法。De Luca等人将其基于知识的人工智能框架扩展到sEMG信号，该框架最初是为肌内肌电信号分解开发的，但只限于低收缩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种静态表面肌电信号分解方法，其特征在于，包括以下步骤：步骤1.使用设备采集静态表面肌电信号；步骤2.对信号进行预处理；步骤3.对预处理好后的信号进行循环CKC分解，得到初步的MU的放电序列，并且根据指标将MU的放电序列分为好序列以及差序列；步骤4.对好序列使用尖峰检测，对坏序列使用Post
‑
Processor得到尖峰序列；步骤5.利用峰值触发平均技术估计MUAP波形，并且从静态表面肌电信号中删除；步骤6.重复步骤1
‑
5，直到没有新的MU生成。2.根据权利要求1所述的一种静态表面肌电信号分解方法，其特征在于，所述的步骤3具体包括以下子步骤:子步骤3
‑
1，计算静态表面肌电信号的协方差矩阵及其逆矩阵及其逆矩阵其中是预处理好的静态表面肌电信号，E()代表期望，T代表转置运算，
‑
1代表逆运算；子步骤3
‑
2，计算γ(n)，得到γ(n)中的最大值对应的时刻n0：再通过n0计算第j个MU放电序列再通过n0计算第j个MU放电序列子步骤3
‑
3，得到放电序列中前2个最大值对应的时刻加入Ψ
j
，根据以下公式更新MU放电序列电序列电序列其中card(Ψ
j
)代表Ψ
j
中的元素个数；重复直到card(Ψ
j
)＝r1；子步骤3
‑
4，将Ψ
j
置空，通过得到其中的前2个最大值对应的时刻加入Ψ
j
，并且去除邻近的时刻，重复此步骤直到card(Ψ
j
)＝r2，得到MU初始放...

【专利技术属性】
技术研发人员：郑赟，马玉良，汪婷，席旭刚，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：