阵列式sEMG信号自动分解方法
【技术领域】
[0001] 本发明涉及一种阵列式sEMG信号自动分解方法。
【背景技术】
[0002] 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。sEMG的起源是MUAP，活动电位由 给定肌肉收缩过程中所激活的每一个运动单位所释放。在任何一个给定的募集模式，众多 的运动单位以非同步的模式被激活，这些运动单位活动的总和构成了肌电信号的强度。阵 列式sEMG信号实质上是多个运动单位活动电位的总和，其波幅典型地在l~5000uv之间，频 率范围为10~400Hz。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。
[0003] 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，提取出运 动单元各电位序列。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 方法。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MUAPT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，该方法在波形叠加严重 时效果仍然不理想。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。很多研究者将插入式肌电信号的分解方法做一些 修改应用到表面肌电信号的分解研究中，但是都不能达到插入式肌电信号的分解效果。总 的来看，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。
【发明内容】
[0004] 鉴于上述问题，本发明的目的在于提供一种阵列式SEMG信号自动分解方法。
[0005] 为实现上述目的，针对阵列式表面电极肌电信号，提出基于最小距离器的聚类方 法，对发放波形进行分类，并且在这个过程中，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，实现阵列式sEMG的分解。由于该方法同时考虑发放波形和发 放时刻，相对于其它方法，该方法具有sEMG分解精度高的优点。
[0006] 本发明公开了一种阵列式sEMG信号自动分解方法。其包括以下步骤： 步骤一：阵列式sEMG信号预处理：对sEMG信号滤波，剔除干扰； 步骤二：计算初始发放序列向量：利用阵列sEMG信号各通道信号的相关性，计算初始 发放序列向量，作为提取初值； 步骤三：确定运动单元个数：利用时域减法，从sEMG中获得运动单元个数，作为聚类个 数； 步骤四：对阵列式sEMG波形聚类：根据所述聚类个数，利用最小距离分类器，对阵列式 sEMG波形聚类； 步骤五：计算新的运动单元发放序列向量：根据所述波形聚类结果，取含最多时刻的 类，计算该类时刻波形均值，计算新的发放序列向量； 步骤六：对所有发放序列归类整理：重复步骤二--步骤五，剔除重复的以及不合理 的发放序列向量，优化结果。
[0007] 优化的技术措施包括： 上述SEMG信号的互相关矩阵表示为：
其中r是采样时刻，龙O是第歡个采样时刻的阵列信号，抑是第歡个采样时刻的阵列 信号转置，_；)是数序期望。
[0008] 运动单元发放序列表示为：
其中C-1阵列信号互相关矩阵的逆矩阵。
[0009] 上述欧氏距离公式表示为：
其中·是某个时刻对应的阵列sEMG的值，是K个时刻对应的阵列sEMG值的平均 值。
[0010] 新的运动单元发放序列的计算公式表示为：
其中:_f是N个波形平均值转置。
[0011]与现有技术相比，本发明的一种阵列式sEMG信号自动分解方法，在计算初始发放 序列时，由于最大峰值往往是由于干扰造成的，导致其值畸高，所以本发明采用的是次大峰 值所对应的时刻，得到更为准确的发放序列初值；本发明利用时域减法获得相减次数M，该 次数M作为分类个数，实际上提供了运动单元数目，为后续的最小距离器分类提供先验知 识，提高了分解准确性；本发明利用欧氏距离作为分类依据，实现方便、简单；由于本发明 分类针对的是波形，而互相关矩阵计算的是发放时刻，所以分解过程同时考虑了发放时刻 和发放波形，大大提高了分解的准确性；本发明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。本分解方法运行过程不需要人工干预， 使用方便。
【附图说明】
[0012] 图1是本发明流程图。
【具体实施方式】
[0013] 以下结合附图实例对本发明作进一步详细描述，本领域技术人员可由本说明书所 揭露的内容轻易地实现。
[0014] 如图1所示为本发明的流程图。
[0015] 步骤一：阵列式sEMG信号预处理：对sEMG信号滤波，剔除干扰。由于sEMG信号中 包含各种干扰信号，预处理首先需要采用带通滤波器，保留1〇Ηζ--500Ηζ频段信号，然后采 用陷波滤波器，滤除50Hz工频干扰。
[0016] 步骤二：计算初始发放序列向量：利用阵列sEMG信号各通道信号的相关性，计算 初始发放序列向量，作为提取初值。具体过程为：首先计算阵列sEMG信号互相关矩阵以及 互相关矩阵逆矩阵，互相关矩阵表示为：
其中，是采样时刻，是第f个采样时刻的阵列信号，是第f个采样时刻的阵列 信号转置，攻）是数序期望。计算互相关矩阵的逆矩阵老赛，即
然后采样时刻，取sEMG信号能量的中值，能量按照下式计算：
取能量中值所对应的时刻％。最后利用如下公式计算得到运动单元发放序列向量的初 值
步骤三：确定运动单元个数：利用时域减法，从sEMG中获得运动单元个数，作为聚类个 数。具体过程为：首先从运动单元发放序列向量的初值咖)> 中，找到次大峰值，记该次大峰 值所对应时刻为:你，其次计算:邮时刻发放序列，计算公式如下：
然后发放序列中找到κ个最大峰值所对应的时刻，一般取_€_0$||。取K个时刻 所对应的阵列SEMG值，相加并除以K，得到K个时刻的均值。最后在时域上，用阵列sEMG信 号逐次减K个时刻波形平均值，直到结果为负数停止，记录相减次数M，该M值即运动单元个 数。
[0017] 步骤四：对阵列式SEMG波形聚类：根据所述聚类个数M，利用最小距离分类器，对 阵列式sEMG波形聚类。
[0018] 最小距离分类器中采用欧氏距离，欧氏距离公式表示为：
其中欺是某个时刻对应的阵列sEMG的值，巧:是K个时刻对应的阵列sEMG值的平均 值。
[0019] 步骤五：计算新的运动单元发放序列向量：根据上述波形聚类结果，取含最多时 刻的类，计算该类时刻波形均值，计算新的发放序列向量。
[0020] 新的运动单元发放序列的计算公式表示为：
其中jfii是N个波形平均值转置。
[0021] 步骤六：对所有发放序列归类整理：重复步骤二一步骤五，直到初始发放时刻不 能提取，sEMG提取完成。剔除重复的以及不合理的发放序列向量，优化结果。不合理的发 放序列指发放时刻小于15毫秒的序列，需剔除。
【主权项】
1. 一种阵列式sEMG信号自动分解方法，其特征是包括以下步骤： 步骤一：阵列式sEMG信号预处理：对sEMG信号滤波，剔除干扰； 步骤二：计算初始发放序列向量：利用阵列sEMG信号各通道信号的相关性，计算次大 峰值的初始发放序列向量，作为提取初值； 步骤三：确定运动单元个数：利用时域减法，从sEMG中减去K个最大峰值所对应波形 的平均值，获得运动单元个数，作为聚类个数； 步骤四：对阵列式sEMG波形聚类：根据所述聚类个数，利用最小距离分类器，对阵列式 sEMG波形聚类； 步骤五：计算新的运动单元发放序列向量：根据所述波形聚类结果，取含最多时刻的 类，计算该类时刻波形均值，计算新的发放序列向量； 步骤六：对所有发放序列归类整理：重复步骤二--步骤五，剔除重复以及不合理的 发放序列向量，优化结果。2. 根据权利2要求所述的一种阵列式sEMG信号自动分解方法，其特征是：采用次大峰 值所对应时刻的发放序列作为初值向量。3. 根据权利2要求所述的一种阵列式sEMG信号自动分解方法，其特征是：利用K个时 刻波形平均值，通过时域减法确定聚类个数。4. 根据权利3要求所述的一种阵列式sEMG信号自动分解方法，其特征是：在最小距离 分类器中，采用欧氏距离，以sEMG波形作为分类目标，提高分解可靠性。
【专利摘要】本发明提供一种阵列式sEMG信号自动分解方法，首先对阵列式sEMG信号预处理，并且计算初始发放序列向量；其次利用时域减法确定运动单元个数，即聚类个数；然后根据聚类个数，利用最小距离分类器对阵列式sEMG波形聚类；最后重新计算新的运动单元发放序列向量，循环执行程序直至分解完成，并对所有发放序列归类整理，优化结果。该分解方法准确性高，计算快速、实现简单。
【IPC分类】A61B5/0488
【公开号】CN104997508
【申请号】CN201510512579
【发明人】何金保, 骆再飞, 易新华, 廖远江
【申请人】宁波工程学院
【公开日】2015年10月28日
【申请日】2015年8月19日