基于ANN和SVM的sEMG信號(hào)分解.pdf

1、肌電(Electromyography,EMG)信號(hào)是由多個(gè)運(yùn)動(dòng)單位(Motro Unit，MU)興奮發(fā)放的運(yùn)動(dòng)單位動(dòng)作電位序列(Motor Unit Action Potential Train，MUAPT)沿肌纖維傳播在檢測(cè)電極處的時(shí)間、空間疊加合成結(jié)果，是與肌肉收縮緊密相關(guān)的神經(jīng)肌肉活動(dòng)電特性的表現(xiàn)。肌電信號(hào)的分解則是其形成的求逆過程，即根據(jù)EMG的產(chǎn)生機(jī)理，還原出構(gòu)成它的主體運(yùn)動(dòng)單位動(dòng)作電位序列，進(jìn)而可以獲得運(yùn)動(dòng)單位動(dòng)作電位(M

2、otor Unit Action Potential，MUAP)的波形信息和運(yùn)動(dòng)單位的募集發(fā)放信息。肌電信號(hào)的分解對(duì)于神經(jīng)肌肉控制的基礎(chǔ)研究和神經(jīng)肌肉疾病的臨床診斷具有重要的理論意義和應(yīng)用價(jià)值。
　　 與插入式肌電信號(hào)(indwelling electromyography,iEMG)相比，表面肌電信號(hào)(Surface Electromyography,sEMG)檢測(cè)具有無創(chuàng)性的優(yōu)點(diǎn)，應(yīng)用場(chǎng)合和范圍更加廣泛。但由于sEMG信號(hào)

3、信噪比低，不同運(yùn)動(dòng)單位的動(dòng)作電位波形相似性比較高，且包含較多的疊加波形，造成分解工作比較困難。國(guó)際上sEMG信號(hào)分解的研究狀況，大多數(shù)僅限于對(duì)肌肉輕度收縮力水平(＜10％MVC)下的信號(hào)的分解，且對(duì)sEMG信號(hào)中疊加波形的分解問題很少涉及。
　　 本文重點(diǎn)研究了sEMG信號(hào)的降噪預(yù)處理技術(shù)和基于模式識(shí)別技術(shù)的sEMG信號(hào)分解算法，主要研究的工作和成果如下：
　　 (1)針對(duì)sEMG信號(hào)的噪聲特點(diǎn)，提出基于經(jīng)驗(yàn)?zāi)B(tài)分解(

4、Empirical ModeDecomposition，EMD)的三級(jí)濾波器方法對(duì)sEMG信號(hào)進(jìn)行預(yù)處理，即采用頻譜插值法去除工頻干擾，采用形態(tài)學(xué)運(yùn)算去除基線漂移，采用經(jīng)驗(yàn)?zāi)B(tài)分解去除白噪聲。實(shí)驗(yàn)結(jié)果表明，所提出的方法不僅能夠提高sEMG信號(hào)的信噪比，也能有效的保留MUAP波形信息，這將有利于對(duì)MUAP波形的識(shí)別從而提高對(duì)sEMG信號(hào)的分解準(zhǔn)確率。
　　 (2)sEMG信號(hào)分解算法的研究。在對(duì)分解算法廣泛調(diào)研和深入分析的基礎(chǔ)上

5、，采用自組織特征映射(Self Self-Organizing Feature Map，SOFM)與學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)混合網(wǎng)絡(luò)對(duì)MUAP波形聚類分析，再利用支持向量機(jī)完成對(duì)MUAP的分類，最后采用基于遞歸的模板對(duì)準(zhǔn)技術(shù)分解疊加波形。實(shí)驗(yàn)結(jié)果表明，該分解算法能夠獲得較高的分解準(zhǔn)確率，尤其是對(duì)中低收縮力下的sEMG信號(hào)分解。
　　 (3)搭建分解系統(tǒng)平臺(tái)。在Matlab