【技术实现步骤摘要】
一种基于表面肌电信号的肌肉协同分析方法
[0001]本专利技术涉及生物信号处理
,具体指一种基于表面肌电信号的肌肉协同分析方法
。
技术介绍
[0002]肌肉协同理论解释了中枢神经系统对肌肉骨骼系统的控制机制
。
一个肌肉协同由多块不同激活强度的肌肉组成,一个肌肉可在多个协同中激活
。
人体复杂的肢体动作可以通过少数几个肌肉协同在时域上叠加表示
。
因此,肌肉协同分析对于定量分析人体肌肉
、
神经等运动功能至关重要
。
一般而言,进行肌肉协同分析首先需要通过肌电传感器获取相关肌肉的肌电信号
。
经过对原始肌电信号的处理,运用矩阵分解算法可以得到各个协同的结构和募集模式
。
[0003]目前,肌肉协同主要依赖矩阵分解算法来分析多通道肌电数据,例如独立成分分析
、
主成分分析以及非负矩阵分解等方法
。
通过对表面肌电信号进行分析提取特征,实现肌肉协同的解耦
。
为了增强分解后的稀疏性,一些基于稀疏编码的方法被采用,以获得稀疏的肌肉激活模式
。
研究者们也提出了基于压缩感知的方法
。
压缩感知理论认为,只要信号具有稀疏性,就可以通过比奈奎斯特采样率小得多的采样率进行采样,然后重构出原信号
。
然而,这些方法在重构精度上存在一些问题,因为它们常常需要在稀疏程度和重构精度之间进行权衡
。
因此
【技术保护点】
【技术特征摘要】
1.
一种基于表面肌电信号的肌肉协同分析方法,其特征在于,包括如下步骤:
S1、
采集多通道表面肌电信号;
S2、
通过解释方差作为肌肉协同数目的标准进而确定肌肉协同数目,解释方差表达式如下:其中
Z
i
×
r
为包络线信号矩阵,
H
i
×
n
为协同结构矩阵,
Y
n
×
r
为激活系数矩阵,
H
i
×
n
Y
n
×
r
矩阵分解后的重构矩阵,
n
为肌肉协同数目,
i
表示肌肉的数目,
r
表示数据的长度;
S3、
提取肌肉协同特征根据包络线信号矩阵
Z
i
×
r
与肌肉协同数目
n
,对包络线信号矩阵
Z
i
×
r
进行非负矩阵分解,并在分解过程中引入稀疏约束,将提取肌肉协同特征过程转化成优化问题如下:其中,
||Z
i
×
r
‑
H
i
×
n
Y
n
×
r
||
F2
表示包络线信号矩阵与重构矩阵差的
F
范数,为控制稀疏程度的参数;
S4、
根据步骤
S3
的优化问题得到分解后的重构矩阵
HY
res
,即分解结果;
S5、
对分解结果中的协同结构矩阵
H
res
进行归一化处理,得到不同肌肉协同模块下的肌肉激活状态,根据不同肌肉协同模块下的肌肉激活状态进行分析,得到该运动过程中肌肉的协同模式,并计算重构精度与稀疏程度
。2.
根据权利要求1所述的一种基于表面肌电信号的肌肉协同分析方法,其特征在于,所述步骤
S1
的具体方法为:在人体运动过程中采集表面肌电数据,采集完毕后对表面肌电信号进行消噪处理,采用最大值归一化方法得到运动过程中的包络线信号矩阵
Z
i
×
r
。3.
根据权利要求1所述的一种基于表面肌电信号的肌肉协同分析方法,其特征在于,所述步骤
S2
中确定肌肉协同数目
n
的具体方法为:
S2
‑
1、
设定初始肌肉协同数目
n
=1,计算
n
的解释方差;
S2
‑
2、n:
=
n+1
,计算此时
n
的解释方差;
S2
‑
3、
当
VAF(n)
>
0.95,
且
VAF(n+1)
‑
VAF(n)
<
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。