基于经验模板的表面肌电运动单元动作电位序列分解方法研究

发布时间：2017-08-13 21:51

  本文关键词：基于经验模板的表面肌电运动单元动作电位序列分解方法研究

  更多相关文章： 表面肌电信号（sEMG） 分解 先验模板 运动单元动作电位

【摘要】：表面肌电信号（sEMG）是肌肉活动时所有募集运动单元（MU）产生的运动单元动作电位（MUAP）在表面电极处时空综合叠加的结果，包涵了大量的MU募集和MUAP发放信息。sEMG信号分解就是从sEMG信号中提取主体运动单位动作电位序列（MUAPTs）的过程，分解得到的MUAP发放信息有助于深入研究神经-肌肉控制系统的调控机理，在临床医学、假肢控制、康复医学、运动医学等领域具有良好的应用前景。 目前，sEMG信号分解技术可以大致分为两种类型：一类是盲源分离算法或系统辨识法，另一种是MUAP形态学方法。由于第一类算法应用于sEMG信号的基本假设条件并不一定满足，且目前的分解效果并不理想，因此本文基于MUAP形态特征设计了一种的sEMG信号分解算法。 在分析总结相关文献的基础上，本文结合MUAP波形常见为双相或三相波形特点，利用Hermite-Rodriguez函数拟合了4种时间、幅度可伸缩的MUAP波形模板；为了减小沿时间轴顺序分割sEMG信号可能对MUAP叠加波形识别所带来的影响，本文依据MU募集的“大小原则”，从整段sEMG信号中，，按照从大到小的顺序逐个剥离出相应的MUAP波形。值得注意的是，本文在MUAP波形的识别过程未增加MUAP发放规律的假设，仅限定了MUAP发放频率的范围。此外，本文所设计的sEMG分解算法可对单通道sEMG信号进行独立分解，克服了对其他通道信息的依赖。 为了满足sEMG分解对信号高信噪比的要求，本文分别采用了分3个步骤对原始sEMG信号进行了预处理。首先，本文采用了椭圆带通数字滤波器来消除sEMG信号主频带（20~500Hz）以外的部分低频和高频噪声。其次，基于快速独立分量分析算法（FastICA）设计算法实现了工频干扰的分离。最后，采用具有双正交、紧支撑性、近似对称性等优点的coif2母小波对sEMG信号进行小波包去噪。实测sEMG信号的分解结果显示，本文所提sEMG信号预处理算法不仅有效地滤除工频噪声等噪声，而且较好地保留了MUAP波形的锐度。 由于缺乏sEMG信号中主体MUAPTs的先验知识，通常需要专门设计相应的算法准确性验证方案。因此，本文构建了简单的sEMG信号模型来对本文所提算法的准确性进行验证。本文分别对不同信噪比（5dB、10dB、15dB和20dB）不同叠加程度（0%、10%、20%和30%）情况下的5s长的仿真sEMG信号（采样率为2kHz）进行了分解，每种情况进行20组。仿真sEMG信号分解的结果显示，该算法在噪声水平较高（SNR=20dB）、MUAP叠加程度较轻时(10%)，分解的准确性较高（90.94%　1.27%）； 为进一步验证利用本文算法提取出来的主体MUAPTs与相应的神经肌肉活动是否具有相关性，本文还将该算法应用于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信号分解；单通道分解结果显示，高力量水平下sEMG信号中的主体MUAPt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的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发放规律提供一种新的思路。
【关键词】：表面肌电信号（sEMG） 分解 先验模板 运动单元动作电位
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R318.04
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 1 绪论9-16
• 1.1 课题背景及意义9
• 1.2 肌电信号的研究现状9-14
• 1.2.1 肌内肌电信号的研究现状9-11
• 1.2.2 表面肌电信号的研究现状11-14
• 1.3 研究目的及内容14-15
• 1.4 本文内容安排15-16
• 2 表面肌电信号运动单元动作电位检测16-28
• 2.1 肌电信号的形成机制及检测方法16-19
• 2.1.1 单纤维动作电位16-17
• 2.1.2 运动单元动作电位17-18
• 2.1.3 运动单元动作电位序列18
• 2.1.4 肌电信号检测18-19
• 2.2 MUAP 的特征与检测分析19-20
• 2.3 基于 sEMG 信号的 MUAP 提取与分析20-26
• 2.3.1 sEMG 信号分解算法20-25
• 2.3.2 分解算法有效性评价25-26
• 2.4 本章小节26-28
• 3 基于经验模板的 sEMG 渐进分解算法设计28-46
• 3.1 表面肌电信号预处理29-37
• 3.1.1 带通数字滤波29-30
• 3.1.2 FastICA 去工频干扰30-34
• 3.1.3 小波包去噪34-37
• 3.2 基于经验模板的 sEMG 渐进分解算法设计37-40
• 3.2.1 模板建立37-38
• 3.2.2 渐进分解38-40
• 3.3 算法的仿真信号测试40-43
• 3.3.1 仿真 sEMG 信号构建40-41
• 3.3.2 仿真信号分解结果41-43
• 3.4 实测表面肌电信号分解43-44
• 3.5 本章小结44-46
• 4 手指活动模式对 MUAP 发放的影响46-56
• 4.1 实验数据采集47-49
• 4.2 基于 sEMG 分解的 MUAP 序列提取49-50
• 4.3 手指活动模式对 MUAP 发放数目的影响50-55
• 4.3.1 MUAP 发放总数随力量水平的变化趋势50-52
• 4.3.2 不同手指活动模式下不同大小 MUAP 发放比重变化52-55
• 4.4 本章小结55-56
• 5 总结与展望56-59
• 5.1 总结56-57
• 5.2 展望57-59
• 致谢59-60
• 参考文献60-65
• 附录65
• A. 作者在攻读学位期间发表的论文65
• B. 作者在攻读学位期间参与的科研项目65

【参考文献】

中国期刊全文数据库 前10条

1 李强;杨基海;褚雪忠;陈香;张旭;;基于运动神经元激励的表面肌电信号仿真研究[J];北京生物医学工程;2007年04期

2 滕召胜;罗志坤;孙传奇;高云鹏;唐求;;基于小波包分解与重构算法的谐波电能计量[J];电工技术学报;2010年08期

3 齐敏;黄世震;;基于Matlab的小波去噪算法研究[J];电子器件;2012年01期

4 席旭刚;朱海港;罗志增;;基于EEMD和二代小波变换的表面肌电信号消噪方法[J];传感技术学报;2012年11期

5 侯文生;万莎;吴小鹰;万小萍;蔡全;郑小林;陈海燕;;手指运动姿态检测及假肢手指动作实时控制[J];重庆大学学报;2013年04期

6 何为;杨基海;梁政;陈香;;基于生理层肌电模型的表面肌电信号仿真方法[J];航天医学与医学工程;2005年06期

7 孙承奎;叶明;梅品高;;基于最优小波包分析的肌电信号消噪[J];机电工程;2008年08期

8 王静;范毅方;;基于小波阈值的sEMG信号消噪方法研究[J];计算机仿真;2010年02期

9 熊安斌;赵新刚;韩建达;刘光军;;基于混沌理论的面瘫患者表面肌电信号分析[J];科学通报;2013年S2期

10 马泓,吴健,孙素莲,何洛文,寿成超;CD154 cDNA克隆、单克隆抗体制备及特异性鉴定[J];上海免疫学杂志;2001年03期

中国博士学位论文全文数据库 前2条

1 李强;表面肌电信号的运动单位动作电位检测[D];中国科学技术大学;2008年

2 姚博;表面肌电信号分解算法及其在小儿脑瘫评诂中的应用[D];中国科学技术大学;2012年

本文编号：669143