基于SEONS算法的表面肌电信号分解方法研究

目的 探讨表面肌电信号(sEMG)的分解问题,以检测神经肌肉系统的运动单位发放的信息.方法 采用二阶非平稳源分离(SEONS)算法以及FastICA方法对肌肉轻度收缩情况(10% MVC)的sEMG进行分解研究,并对分离信号中的运动单位动作电位波形进行检测判断. 结果两种方法均能较有效地提取隐含在sEMG信号中的运动单位发放信息,但由于sEMG信号是一种复杂的非平稳信号,两种方法的分离结果存在一定的差异性. 结论 SEONS算法从非平稳性的角度来考虑信号的盲源分离问题,较符合sEMG信号的非平稳特征,因而可应用于sEMG信号的分解研究.     

基于匹配实测表面肌电信号的模型参数辨识

目的 通过对仿真与真实表面肌电信号(sEMG)的波形匹配以及肌疲劳现象的分析,研究sEMG信号的模型参数辨识问题. 方法 在运动单位仿真的基础上,引入神经激励对运动单位的募集和发放控制特性,建立了一个较为完善的sEMG信号生理学模型.利用调整模型相关生理参数使仿真与真实sEMG信号的运动单位动作电位(MUAP)波形相匹配的方法,实现对模型参数进行估计,通过调节肌纤维传导速度(MFCV)使仿真与真实sEMG信号的平均频率(MNF)及中值频率(MDF)拟合直线趋势相似的方法,研究肌肉的疲劳现象及其机理. 结果 适当调节sEMG信号模型参数可使仿真信号波形逼近真实sEMG信号波形,各个肌纤维的MFCV在模拟恒力持续收缩过程中减小时,仿真信号的MNF和MDF拟合直线呈下降趋势. 结论 采用模型方法能够实现仿真与真实sEMG信号波形的良好匹配,并能够有效地表达肌肉的疲劳过程,可应用于肌电信号相关领域的研究.     

基于FastICA和通道间相关的表面肌电信号分解研究

目的为了对神经肌肉疾病进行相关的研究和临床上诊断治疗,探索新的和有效的表面肌电(surface EMG,sEMG)信号分解方法。方法首先用FastICA求解混矩阵,然后对测量信号矩阵进行变换,再用通道间相关性分解s EMG信号。结果经过仿真和真实信号进行测试,分解信噪比为0 d B的第一组信号时,以平均95.6%的准确率分解出20个运动单元(motor unit,MU);分解信噪比为20 d B,且参与发放的MU更多,发放频率更高的第二组信号时,以平均98.4%的准确率分解出29个MU;分解真实信号时,得到的平均MU个数为14.2,并用"二源法"进行评测,两组中分解出相同MU的比例为80%,且相同MU发放时刻的平均重合率为95.1%。结论这种结合Fast ICA和通道间相关的方法能以较高的准确率实现s EMG信号的有效分解。     

基于生理层肌电模型的表面肌电信号仿真方法

目的 根据SEMG的生理和检测过程的实际情况,研究表面肌电信号分解测试信号的仿真方法.方法 从生理层肌电模型出发,以模拟电极随机抖动的方法仿真MUAP波形的随机变异,以改变传导速度的方法模拟MUAP的趋势变异,采用调整MU发放时刻表的方法模拟出特定叠加程度的SEMG信号.结果 同一MU中的不同发放时刻的MUAP波形的随机变异以及MUAP波形的趋势变异都可以通过该方法定量模拟.结论 该方法模拟出的SEMG信号更能逼近真实表面肌电信号的特征,可用于验证SEMG分解算法.     

最大随意收缩诱发肌肉疲劳的表面肌电信号变化

目的 研究最大随意收缩（MVC）诱发肌肉疲劳的表面肌电（sEMG）信号的变化规律。方法 10名青年志愿者完成肱二头肌非疲劳性持重负荷试验和疲劳性最大随意收缩试验。采用线性和非线性信号处理方法,分析MVC下降到80％、70％、60％和50％时刻的sEMG信号特征变化并与非疲劳性活动时相同肌肉活动水平的sEMG信号进行比较。结果 疲劳状态下的平均肌电值（AEMG）和确定性线段百分比（％DET）显著高于非疲劳状态,而平均功率谱（MPF）和Lempel—Ziv复杂度[C（n）]显著低于非疲劳状态。随着肌肉疲劳的发展,MPF和C（n）显著递减,而AEMG和％DET无显著变化。AEMG、MPF和C（n）在疲劳状态和负荷水平间存在显著的交互作用。结论最大随意收缩诱发肱二头肌疲劳过程中,sEMG信号的MPF和C（n）单调递减;疲劳和非疲劳状态的sEMG信号特征存在显著差异。     

上臂表面肌电信号与肘关节角度的相关性研究

目的 根据检测的上臂肱二头肌和肱三头肌表面肌电信号,研究表面肌电信号和肘关节角度之间的相关性.方法 在手握恒定目标力量时提取表面肌电信号,并分别从时域采用均方根和积分肌电值方法提取肌电信号的特征值.结果 实验结果表明肱二头肌和肱三头肌上的肌电信号幅度的均方根和积分肌电值的变化规律是不同的,前者的肌电信号幅度的均方根和积分肌电值都是随着肘关节角度的增加而增大,而后者的2种值都在肘关节弯曲90°时最大,在45°和135°时的值非常接近.结论 肱二头肌和肱三头肌的表面肌电信号,可以反映肘关节角度.     

基于时频分布的表面肌电信号瞬时中值频率的研究

目的 采用时频分析法分析表面肌电信号瞬时中值频率。方法 采用平滑伪-魏格纳分布、乔伊-威廉姆斯分布、谱图和尺度图等方法,估计模拟和真实表面肌电信号的瞬时中值频率,讨论这些分布在估计肌电信号瞬时中值频率时的性能,并与条件平均频率进行比较。结果 模拟实验表明瞬时中值频率曲线比条件平均频率曲线光滑,相对误差较小。真实肌电信号实验显示,在肌肉收缩过程中,瞬时中值频率比条件平均频率的波动更明显。结论 肌电信号瞬时中值频率比条件平均频率更能真实和敏感地反映表面肌电信号频率成分的变化。     

基于表面肌电信号对中国手语识别的探索与动作规范

目的探索基于表面肌电信号(surface electromyography,SEMG)中国手语手势识别的可行性,尽量减少用户执行手势动作主观用力差异对SEMG分类的不利影响。方法以中国手语30个字母手势动作为研究对象,通过分析手势动作过程,提出一套基于SEMG的中国手语手势动作规范方案。在实验室搭建的识别系统上,15名受试者参加了特定用户和与用户无关的规范前后识别实验。结果经过规范学习后,30种手语手势的动作识别率得到了显著提高,平均提升值为37%。结论手势动作规范可使不同动作的SEMG具有更高的可分性,此研究结果为实现基于SEMG大词汇量的中国手语手势识别提供了一种可行的方案。     

一种基于波束形成理论的盲源分离方法

目的为更加有效地处理强弱信号混合这一特殊盲源分离问题。方法根据阵列信号处理模型与盲源分离模型之间的一致性,以最小输出能量为准则推导了相应的约束条件,并求得线形约束最小方差下的解,即对真实信源的估计;实验中采用强背景噪声EEG与诱发脑电(EP)作为源信号,利用本文方法对其混合信号进行处理。结果该方法能够有效地从强背景噪声EEG中将弱信号EP提取出来,具有很好的有效性和鲁棒性。结论与独立分量分析等经典的盲源分离方法相比,该算法不需要求解解混矩阵,计算量小,在低信噪比情况下能够准确地估计出信源。     

表面肌电信号指标评价低负荷等长收缩诱发屈肘肌疲劳的敏感性和稳定性分析

目的:分析表面肌电(sEMG)信号指标评定低负荷等长收缩诱发运动性肌肉疲劳的敏感性和稳定性,为疲劳评价提供参考。方法:以15名男性青年志愿者为研究对象,先测试受试者屈肘关节最大自主收缩力矩(Maximal Voluntary Contration,MVC),令受试者右臂腕部拉住可在肘关节处产生20%MVC的重物,记录右侧肱桡肌和肱二头肌sEMG,至不能坚持负荷时结束实验。计算时域指标均方根振幅(RMS),基于傅里叶变换计算中值频率(MF)和平均功率频率(MPF),基于小波包分析计算中值频率(MDF)和平均功率频率(MNF),基于非线性分析计算Lempel-Ziv复杂度C(n)。评定上述指标在低负荷等长收缩诱发屈肘肌疲劳方面的敏感性和稳定性。结果:肱二头肌与肱桡肌sEMG的RMS随负荷实验持续时间延长表现出逐渐增加的趋势,而MF、MPF、MDF、MNF、C(n)则表现出逐渐减小的趋势。MF、MPF、MDF、MNF、C(n)与负荷运动持续时间之间具有显著负相关,RMS与负荷运动持续时间之间具有显著的正相关。肱二头肌与肱桡肌RMS反映疲劳的敏感性和稳定性优于其他指标。结论:由于低负荷收缩诱发疲劳引起募集运动单位数量增加等因素作用,RMS表现出较显著的增加趋势,是评定由低负荷等长收缩诱发屈肘肌疲劳的较好指标。     

基于表面肌电信号变化的慢性下背痛诊断和运动疗效评价

目的 分析研究慢性非特异性下背痛（LBP）患者腰部肌肉活动的sEMG信号特征及其主动运动治疗效应。方法 19名正常人对照组和19名非特异性LBP患者分别于主动运动治疗前、后在等惯性力腰部肌肉测试与训练系统上依次完成“等长-动态-等长”运动负荷试验,采集双测L5-S1部位的sEMG信号,计算并比较不同被试者平均肌电值（AEMG）、平均功率频率（MPF）、复杂度[C（n）]和确定性线段百分比（％DET）均值和斜率变化。结果 动态运动负荷过程中LBP患者的C（n）下降率明显快于正常人,MPF和C（n）均值明显低于正常人,而％DET均值明显高于正常人;主动运动治疗后．患者MPF和C（n）均值提高,而％DET均值下降。结论 运动负荷试验过程中LBP患者腰部肌肉sEMG有多种不同于正常人的信号特征,这些信号特征有望成为LBP诊断和疗效评价的有效指标。