基于先验模板的表面肌电信号渐进分解算法研究
发布时间：2019-07-21 06:53
【摘要】：本研究通过将表面肌电信号(sEMG)分解为运动单元动作电位序列(MUAPTs),来研究神经-肌肉系统中运动单元(MU)的募集与发放模式。针对高收缩力情况下MUAP叠加问题,首先采用FastICA算法和小波包去噪算法对信号进行预处理;然后基于先验知识构建了4种形态的可伸缩MUAP模板;最后,采用"先大后小"的渐进识别方式,逐个对MUAP进行自动提取。在此基础上,还将该算法应用于8名受试者(3组/人)不同手指活动模式下的指浅屈肌多通道(12通道)sEMG分解;单通道分解结果显示,高力量水平下sEMG中的主体MUAPTs能够被有效检测和分类;统计结果证实,随着力量水平的增加,MUAP的数目增加;不同大小MUAP比重的变化与活动手指和力量水平具有显著的相关性。本文的实验结果,初步验证了利用先验模板从sEMG中渐进提取MUAP的可行性,为sEMG分解和进一步研究MU发放规律提供于一种新的思路。
【图文】：
知识，设计了一种渐进式sEMG分解算法:通过模板拟合和逐次迭代提取MUAP信息，以提高MUAP识别效率;并通过不同手指活动模式下采集的指浅屈肌sEMG，对算法的有效性进行了初步验证。1渐进分解算法设计1.1模板建立MUAP波形被证实大多呈现双相或三相结构［1，8，10，12］，MU遵循“大小原则”进行募集，后募集的MU具有更大的激活阈值且产生尺寸更大的MUAP。为了使所建立的模板波形更具有代表性，提取出更多MU所发放的MUAP信息，依据现有报道的结果［1，8，10，12］，构建了如图1所示的4种基本形态的模板波形(Tp1～Tp4)，且每种形态的模板波形，通过幅度和时间伸缩以代表不同激活阈值MU发放的MUAP。图1模板波形示意图Fig．1AnexampleofMUAPtemplates为了计算方便，将Hermite-Ｒodriguez函数进行归一化和变形来表示每种形态MUAP的波形，上述4种模板的近似数学表达式为Tp1(t)=2Ate－t2/λ21;Tp2(t)=－2Ate－t2/λ22;Tp3(t)=A1－2t2λ()23e－t2/λ23;t∈［－2.5，2.5］Tp4(t)=A2t2λ24－()1)e－t2/λ24;(1)式中，Tpi(t)表示第i个MUAP模板为了更好地逼近模板波形，变量t的取值范围取:［－2.5，2.5］，A为MUAP的幅度伸缩因子，采用式(2)所示一个比值为1/2的等比数列来代表不同大小MUAP的幅值A0可通过MVC力量水平下采集到的sEMG由式(3)进行估计，N的大小则取决于式(6)中Thrmin的大小;λ1，λ2，λ3，λ4为与MUAP幅值有关的时间伸缩因子，幅值越大，时长相对越长。参考相关文献［1，8］，，其总变化范围设为
中国生物医学工程学报33卷图2渐进分解算法流程图(左侧为主程序，右侧为MUAP识别与提取的子程序)Fig．2TheflowchartofthescaledsEMGdecompositionalgorithm(theleftpartisthemainprocedure，therightpartisthesubprogramofMUAPdetectionandextraction)到左右两边比例也不同(如图1所示)。因此，采取移动的可变窗长截取索引点附近的待分析信号段。除此之外，为了方便进行参数计算，将不同窗长截取的MUAP波形都进行了3次样条插值，使其与模板波形具有相同的点数。待分析信号段与模板波形的匹配程度，主要采用相关系数与残差比进行判定，两个参数分别由式(4)和式(5)进行计算。C(i，j)=cov(Tpi(t)，xj(t))D(Tpi(ti
本文编号：2516990
【图文】：
知识，设计了一种渐进式sEMG分解算法:通过模板拟合和逐次迭代提取MUAP信息，以提高MUAP识别效率;并通过不同手指活动模式下采集的指浅屈肌sEMG，对算法的有效性进行了初步验证。1渐进分解算法设计1.1模板建立MUAP波形被证实大多呈现双相或三相结构［1，8，10，12］，MU遵循“大小原则”进行募集，后募集的MU具有更大的激活阈值且产生尺寸更大的MUAP。为了使所建立的模板波形更具有代表性，提取出更多MU所发放的MUAP信息，依据现有报道的结果［1，8，10，12］，构建了如图1所示的4种基本形态的模板波形(Tp1～Tp4)，且每种形态的模板波形，通过幅度和时间伸缩以代表不同激活阈值MU发放的MUAP。图1模板波形示意图Fig．1AnexampleofMUAPtemplates为了计算方便，将Hermite-Ｒodriguez函数进行归一化和变形来表示每种形态MUAP的波形，上述4种模板的近似数学表达式为Tp1(t)=2Ate－t2/λ21;Tp2(t)=－2Ate－t2/λ22;Tp3(t)=A1－2t2λ()23e－t2/λ23;t∈［－2.5，2.5］Tp4(t)=A2t2λ24－()1)e－t2/λ24;(1)式中，Tpi(t)表示第i个MUAP模板为了更好地逼近模板波形，变量t的取值范围取:［－2.5，2.5］，A为MUAP的幅度伸缩因子，采用式(2)所示一个比值为1/2的等比数列来代表不同大小MUAP的幅值A0可通过MVC力量水平下采集到的sEMG由式(3)进行估计，N的大小则取决于式(6)中Thrmin的大小;λ1，λ2，λ3，λ4为与MUAP幅值有关的时间伸缩因子，幅值越大，时长相对越长。参考相关文献［1，8］，，其总变化范围设为
中国生物医学工程学报33卷图2渐进分解算法流程图(左侧为主程序，右侧为MUAP识别与提取的子程序)Fig．2TheflowchartofthescaledsEMGdecompositionalgorithm(theleftpartisthemainprocedure，therightpartisthesubprogramofMUAPdetectionandextraction)到左右两边比例也不同(如图1所示)。因此，采取移动的可变窗长截取索引点附近的待分析信号段。除此之外，为了方便进行参数计算，将不同窗长截取的MUAP波形都进行了3次样条插值，使其与模板波形具有相同的点数。待分析信号段与模板波形的匹配程度，主要采用相关系数与残差比进行判定，两个参数分别由式(4)和式(5)进行计算。C(i，j)=cov(Tpi(t)，xj(t))D(Tpi(ti
本文编号：2516990
本文链接：https://www.wllwen.com/yixuelunwen/swyx/2516990.html
