当前位置: 首页 > >

A0095上肢表面肌电信号的处理与运动模式辨识方法研究

发布时间:

欢迎阅读本文

文章最后也列出了与此文相关的 一些电子书与技术资料下载地址,可 根据兴趣、需要下载!

分类号
UDC

密级

学位论文
上肢表面肌电信号的处理与运动模式辨识方法研究

作者姓名:崔建国

指导教师:王旭教授 东北大学信息科学与工程学院 申请学位级别:博士 学科专业名称: 学科类别:工学

检测技术与自动化装置 论文答辩日期:2006年2月18目 答辩委员会主席:徐心和

论文提交日期:2006年1月5日 学位授予日期: 年
月 日

评阅人:徐怯和

珊值孑海娥柴枫唐鳓

桶醒践桶俊疚季一、收

东北大学

2006年1月

东北大学博士学位论文

摘要

上肢表面肌电信号的处理与运动模式辨识方法研究





表面肌电(SEMG)信号是一种复杂的人体表皮下肌肉电活动在皮肤表面处时间和 空问上的综合结果,是从人体骨髂肌表面通过非侵入方式记录下来的神经肌肉活动时发 放的生物电信号,它能在非损伤状态下实时反映神经和肌肉的功能状态。本文主要研究 上肢表面肌电信号的处理与运动模式的辨识方法,其研究内容主要涉及神经一肌肉学科 中的神经肌电信号、信号处理和模式识别等方面,属于典型的学*徊嫜芯糠冻搿 *年来,随着计算机等技术的发展,国内外学者对表面肌电的研究也逐渐深入,使 得表面肌电信号不仅在临床医学、运动医学及康复医学等领域被广泛应用,而且还成为 人工假肢的理想控制信号。肌电信号的模式识别是肌电应用的基础,为此,本文深入探 讨了如何由采集的表面肌电信号来识别上肢不同的运动模式。其目的是根据表面肌电信 号的非*稳及随机特性,运用现代信号处理方法寻求其内在的本质特征,并深入研究及 运用现代模式识别理论设计模式分类器,使其能够对上肢不同运动模式的本征值进行有 效识别,为揭示动作表面肌电信号的本质与多自由度肌电控制假肢的实用化提供理论依 据。主要工作及创新之处如下: 1_运用小波变换的多分辨分析技术,结合人工神经网络与多类支持向量机分类器 对前臂八种运动模式的辨识进行了研究。 针对肌电信号非常微弱、易受干扰的非*稳随机特性,在经过理论分析与大量实验 比较的基础上,根据小波变换的多分辨分析思想,本文提出利用离散小波变换对原始肌 电信号进行多尺度分解,分别提取一定尺度上db4小波变换肌电信号的最大值、dmey

小波分解系数的特征值、bior3.1小波变换肌电信号的奇异值作为原始肌电信号的特征, 并由BP神经网络、Elman神经网络与运用统计学*理论设计的多类支持向量机分类器
对其进行模式识别,得到了较好的识别结果。 提出采用磁场刺激技术对掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌进行处理,并采 用coif5小波和bior3.1小波对磁场刺激后的原始肌电信号进行多尺度分解,提取一定尺 度上分解系数绝对值的*均值作为原始肌电信号的特征,识别效果良好。 2.提出基于小波包能量与最大奇异值肌电信号的特征提取方法。 为了更加全面、系统地从肌电信号的非*稳随机特性中获取有价值的信息,经过理

论分析与实验验证,在特征提取方面,本文提出采用coif3小波包变换肌电信号的能量 与db4小波包变换肌电信号的最大奇异值作为原始肌电信号的特征,并与支持向量机分
一lI—

东北大学博士学位论文

摘要

类器相结合,有效地实现了对前臂八种动作模式的辨识。实验结果表明,采用小波包变 换比小波分析对不同运动模式的辨识更为有效。 3.采用参数模型法对肌电信号的特征提取进行了探讨,并运用聚类分析技术与 Bayes分类方法对肌电信号的模式识别进行了研究。 通过对肌电信号的分析,对其建立AR参数模型,并运用U-C算法列肌电信号AR 参数模型进行参数估计,在确定AR模型阶数的基础上,实现了肌电信号的特征提取。 提出采用相似性测度的Mahalanobis距离与Bayes分类方法对肌电信号的AR参数特征值 进行分类,得到了较好的识别效果。 提出采用动态聚类中心的设计思想对Bayes分类方法进行改进,并利用改进的Bayes 分类器对从前臂八种运动模式中提取的的AR模型特征值进行辨识,实验结果表明,改 进的Bayes分类器比Bayes分类方法更能有效地实现对前臂八种运动的模式识别。 4.对表面肌电信号的复杂性测度进行了研究,提出采用支持向量机与模糊识别技 术对表面肌电信号的复杂性测度及AR特征值进行模式分类。 根据肌电信号复杂度的定义,确定了对其提取的方法,并运用此方法对前臂八种运 动模式采集的原始表面肌电信号进行分析与处理,实现了对表面肌电信号复杂度的提 取。并以此作为肌电信号的特征值,提出采用支持向量机、C一均值聚类算法、模糊C一 均值聚类算法及模糊Kohonen聚类网络对肌电信号复杂性测度的模式分类进行了深入 探讨,取得了很好的分类效果。 此外,尚采用以上方法对表面肌电信号的AR特征值进行了模式分类研究。 5.采用混沌与分形理论对表面肌电信号的非线性动力学特征进行了研究,并通过 提取肌电信号的分形维数进行模式辨识。 (1)运用非线性时间序列分析,采用延时坐标法,对肌电信号进行相空间重构,并 采用Wolf算法对表面肌电信号进行处理,结果表明,SEMG信号具有正的最大Lyapunov 指数,呈现出某些混沌特征。 (2)采用改变粗视化程度的方法提取表面肌电信号的分形维数,对上肢八种动作在 相关肌肉上分形维数的聚类分布进行了研究,很好地刻画了表面肌电信号的分形维数与 运动模式之间的关系。提出采用支持向量机与Bayes分类方法对肌电信号的分形维数进 行模式辨识。

本课题研究得到国家自然科学基金(No.50477015)资助。

关键词:表面肌电信号;小波变换:小波包分析;模式识别;人工神经网络;混沌;分形

..III..

东北大学博士学位论文

Study

on

Upper Limb Surface

Processing and

EMG Signal Movement Pattern Methods

Recognition

Abstract
The surface

electromyography(SEMG)signal
with

is



kind of comprehensive result

on

the

time and the space of the muscle electromyography.It is the electrical manifestation of the neuromuscular activation associated


contracting muscle.This and movement

dissertation mainly pattern

studies upper limb surface EMG signals processing methods.It belongs to the

recognition

cross—subject

research of neuro—electromyographic signal of

neuromuscular science.signal processing and pattern recognition,etc. In recent years.with the technical development of the computer,the SEMG has been studied by more and more scholars.It has been not only widely applied to the clinical medical science,sports medical science and healing medical science,but also suggested
an

and

utilized

as

effective method

to

provide

control

commands

for

artificial

limbs and functional

neuromuscular stimulations. This dissertation studies the problem of how to identify the different movement pattern of upper limb by the SEMG signal because SEMG signal application bases
on

its pattem

recognition.The purpose is to suggest the theory basis for the application of multi—free EMG controlling artificial limb features

and

uncover

SEMG

essence

by picking up its effective signal

and

to design

pattem classifier according to the nonstationary and randomness of the

SEMG signals and modem
theory.The main work

signal

processing methods
as

aS

well

as

modem pattern recognition

and conclusions are

follows:

1.The dissertation studies eight movements pattern

recognition of upper limb
as

by wavelet

transform multi—resolution analysis and the artificial neural network
machine. To SEMG

well

as

support vector

signal

nonstationary and stochastic character,the wavelet decomposition

coefficients with the maximum absolute value from db4 wavelet,with the eigenvalue from dmey wavelet,with the singular value from bior3.1 wavelet are respectively extracted by multi—resolution decompositions with wavelet
as

transform

technique to odginal SEMG

signals

original

SEMG

signals feature.And the better classification results may be obtained with

the BP neural network,the Elman neural network and the support vector The methods that four channel SEMO signals from the four brachioradialis,flexor carpi ulnaris,biceps

machine(SVM).
longus,

muscles(palmaris
are

brachii)under

magnetic stimulation

collected

.IV-

东北大学博士学位论文
and analyzed is explored.To the magnetic stimulation SEMG signals,the average value of wavelet decomposition coefficients from coifs and bier3.1 wavelet
as

are

respectively extracted

SEMG signals features

to compose eigenvector and to input the neural network classifiers


tO

make identify different movement patterns.The eight movement patterns(tO


fist,to

spread

fist,wrist circumrotates circumrotates

entad,wrist

circumrotates forth,to bend wrist,to spread circumrotates

wrist,forearm identified.

entad,forearm

forth)can

be

successfully

2.To original SEMG signals.put forward to the eigenvalue extraction methods based wavelet packet decomposition coefficients energy and maximum singular value. To further obtain the worthy information from the nonstationary

on

and

stochastic SEMG wavelet packet

signals,a novel SEMG pattern recognition method,which is based

on

transform

and support vector machine,is proposed.Original four channels SEMO signals
are

from foHI"corresponding muscles

first analyzed、析m wavelet packet

transformation.And

then the energy of the eoif3 wavelet packet decomposition coefficients and the maximum singular value ofthe db4 wavelet packet decomposition coefficients
are

respectively extracted

as the signals characters
designed with“one movement paRerns

tO

construct eigenvector.A new

multi—class SVM classifier is

versus

one”classification strategy and binary tree.Eight upper limb

Can

be well identified by the methods.Experiment results show that
tO

wavelet packet transforms are more effectively than wavelet transforms
upper limb movement patterns.

identified different

3.The parameter model method is used during extracting the SEMG signals character. This dissertation discusses the SEMG signals pattern recognition by cluster

analysis

technique

and

Bayes classification method. The AR parameter model is built up by analyzing the

SEMG

signals.And the U—C

arithmetic is made

Bse

of to estimate the AR model parameters.On the foundation of the

certain AR model rfll/k.this dissertation carried out the feature extraction ofthe SEMG

signals.

Mahalanobis distance classifier and Bayes classification method are used for the AR model
parameters mad the experimental result are acceptable. On this foundation,this dissertation improved Bayes improving Bayes classifier to identify the AR improving Bayes classifier has a better

arithmetic,and parameters.Experimental
than Bayes classifier.

makes

use

of the

results show that

performance
are

4.nle complexity ofthe SEMG signals

studied.And the multi—class SVM classifier

and fuzzy pattem
AR.

recognition technique are used to classify the SEMG signals complexity

and

According to the complexity definition to the SEMG signals,a new method for feature extraction is

proposed,and

making

use

of this method

tO

analyze

the original

SEMG signals,

and their complexity are extracted and signals characteristics are constructed.The multi—class

SVM classifier,C?mean cluster algorithm,the fuzzy C—mean cluster algorithm and the fuzzy

-V.

东北大学博士学位论文
Kohonen cluster network
are

used

to

classify the SEMG

signals

complexity

in

this

dissertation.The experimental results show that better classification results may be obtained.

Moreover,the AR model parameters are classified by these methods above too,
5.The chaos and fractal theory is used
to

study the SEMG signals nonlinear dynamics

character.This dissertation discusses the SEMG signals pattern recognition by distilling their fractai dimensions.

(1)、聃th the nonlinear time

sequence

analysis

of the nonlinear aynan]ics theory,the

delayed coordinate method iS used to reconstructing the phase space in order to study the

SEMG signals.111e W01f algorithm is applied to processing the SEMG signals.and the
experimental results show that the SEMG signals have positive maximum Lyapunov index, which present some chaos character.

(2)The fractal dimensions of SEMG signals

are

extracted by the nonlinear dynamics

method.The cluster distributing of the SEMG signals fractal dimensions aft?,studied in this dissertation.The relation between the fractal dimensions of the SEMG signals and the upper limb movement patterns iS showed well.The SVM and the Bayes classification Method used to identify the fractal dimensions ofthe SEMG signals.
are

This topic is supported by the national natural science fund

ofChina(No.50477015)

Key words:surface

electromyographic(SEMG)signal;wavelet

transform;wavelet packet

analysis;pattern recognition;artificial neural network;chaos;fractal

—VI.

独创性声明

本人声明,所呈交的学位论文是在导师的指导下完成的。论文中取得 的研究成果除加以标注和致谢的地方外,不包含其他人己经发表或撰写过 的研究成果,也不包括本人为获得其他学位而使用过的材料。与我一同工 作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示谢 意。

学位论文作者签名名笔建阂


期:a卯/、及、l毋

学位论文版权使用授权书
本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论 文的规定:即学校有权保留并向国家有关部门或机构送交论文的复印件和 磁盘,允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部 或部分内容编入有关数据库进行检索、交流。 (如作者和导师不同意网上交流,请在下方签名;否则视为同意。)

学位论文作者签名:黝阄 签字日期:≯叩/盘、I矿

导师签名: 签字日期:

东北大学博士学位论文

第一章绪论

第一章绪论
1.1引言
肌电信号(EMG)是产生肌肉力的电信号根源,在生物机理上它是许多运动单元产 生的动作电位序列的总和。生理学中把一个a运动神经元及其所支配的肌纤维的集合称 为运动单位(Motor Unit),它是神经肌肉系统的最小控制单位。n神经在神经支配或外 加刺激作用下,产生一次细胞膜内外的电位变化,即神经冲动。一系列的神经冲动沿神 经肌肉接头传递到所支配的肌纤维,一个运动单位中所有肌纤维上的电位合成称为运动 单位的动作电位(MUAP)。为了保持肌肉的收缩,运动单位必须反复被激活,从而得 到一系列的动作电位,即运动单位的动作电位序列(MUAPT)。美国学者Solomonow 提出了神经肌肉系统的肢体运动控制过程模型,认为在随意运动过程中,中枢神经系统 通过运动单位的募集(Recruitment,运动单位由小到大渐次兴奋的过程)和发放率(Firing Rate,单位时间内运动单位的兴奋次数)等控制肌肉收缩力的大小和变化速度。它反映 了神经、肌肉的功能状态。在临床上广泛应用于诊断神经肌肉接头功能,判定神经系统、 肌肉功能*凹膊≈瘟屏菩У龋谠硕窖е杏糜诩∪馄@统潭燃把盗非慷鹊呐卸ā 在康复医学上通过表面肌电某些特征的分类可以驱动假肢、实现功能性电刺激和生物反 馈调节。 肌电信号是一维时间序列信号,它发源于作为中枢神经一部分的脊髓中的运动神经 元,是电极所接触到的许多运动单元发放的动作电位的总和。当肌肉收缩运动和肌肉的 疲劳状态不同时,参加神经肌肉过程的运动单元的数量、每个运动单元放电的频率、动 作电位的神经传导速度都会有所不同,运动神经系统其实就是一种神经网络,每一个运 动神经元都具有本身的发放阈值和募集等级,在肌肉关节和脊髓细胞之间存在本体感觉

纤维即存在反馈通道,因此运动神经系统是一个高度复杂的非线性系统【”,它反映了肌
电信号研究的复杂性。*年来,随着信息技术和生物医学工程的发展,肌电信号的研究 获得了迅速的发展,在康复医疗等方面得到了广泛的应用。 本文的研究内容得到国家自然科学基金(No.50477015)的资助。

1.2表面肌电信号的研究意义与实际应用价值
表面肌电(surface electromyographie,简称SEMG)信号是一种从人体骨骼肌表面通 过电极记录下来的神经、肌肉系统活动时发放的复杂的生物电信号。它能在非损伤状态 下实时反映神经和肌肉的功能状态l”。肌电信号的模式识别是肌电应用的基础。*年来,

东北大学博士学位论文

第一章绪论

随着计算机等技术的发展,国内外学者对表面肌电的研究也逐渐深入。使得表面肌电信
号不仅在临床医学【2—1、运动医学I”、康复医学‘51、及体育运动【61f71等领域被广泛应用, 而且还成为人工假肢和功能性神经电刺激的理想控制信号。如可通过对表面肌电的某些 特征做模式分类来驱动假肢的不同动作。在功能电刺激和生物反馈研究中,人们也试图 利用表面肌电信号来产生所需要的电刺激或反馈调节作用。在运动医学中,人们还试图 通过表面肌电的谱分析作为判断疲劳程度的客观依据等。 早在i950年,肌电图信号就已经被应用于人工假肢的控制,首先在苏联,然后是 在欧洲、加拿大和美国,但只是利用肌电图信号的功率作为控制参数而不是利用信号的 整个时间模式。由于信号的功率只是信号的单一参数,所以其应用受到很大的限制。目 前我国研制的大部分肌电控制假肢仅有一个自由度,如上海交通大学18J、清华大学一J都 曾研制过单自由度肌电假肢,它是通过拾取截肢者残端的一对拮抗肌(如腕屈肌和腕伸 肌)的表面肌电信号控制电机的正反转,驱动假手进行模拟人手的张合运动。单自由度

假肢的仿生性能远不能满足人们的要求,如何运用表面肌电信号实现仿生性能好的多自 由度假肢控制,国内外已经做了大量的研究,但仍未得到广泛应用。其主要原因是表面
肌电信号的处理与辨识尚有许多问题需要解决。由于表面肌电信号是一种弱生理信号,

在肢体运动过程中从形态上类似于随机信号,且信噪比低,使得以往的信号处理与分析
方法不能实现多模式动作的准确识别,存在着较大的误识别率,国内外文献中肌电识别 *均错误率仍有15%左右,而假肢的任何误动作对使用者而言都是十分危险的。因此如 果能运用当前信号处理技术的新发展,研究出可靠的肌电信号的辨识方法,结合现代计 算机技术使仿生性能好的多自由度假肢控制成为可能,必将为人类的康复工程事业创造 巨大的社会效益。

1.3国内外研究现状及存在的问题
1791年迦伐尼(Galvani)通过著名的青蛙腿实验,首次证实肌肉收缩与电有密切关 系。1851年法国的杜波依斯(DuBais.Reaymond)第一次发现人体肌肉的随意收缩能够 产生电信号。1922年Gasser和Erlangre¥lJ用阴极射线示波器代替传统的检流计观察到了 肌电图,因此他们获得了1944年的诺贝尔奖。*年来随着电子技术的迅猛发展和微处

理器的广泛应用,对肌肉电信号的检测手段逐渐丰富和完善,一门新的交叉学科一生
物医学工程也越来越受到人们的关注,肌电图学(Electromyography EMG)的研究也逐 渐深入,并正在被应用到以下各个领域: 1.肌电假肢控制 *代假肢控制力图采用表面肌电信号进行,即通过对表面肌电的某些特征作模式分 类柬驱动假肢的不同动作。
.2一

东北大学博士学位论文

第一章绪论

2.功能电刺激 在功能电刺激和生物反馈研究中,人们利用电刺激柬产生所需要的表面肌电信号或 反馈调节作用。 3.运动医学 在运动医学中,人们将表面肌电信号的谱分析结果作为判断肌肉疲劳程度的客观依 据;同时还将肢体运动时产生的表面肌电信号作为运动员或康复医学中动作分析的依
据。

4.临床诊断 利用表面肌电信号替代针电极肌电信号来诊断神经肌肉系统疾病。 总之,表面肌电信号的研究特别是如何从表面肌电信号中准确地识别出肢体的多 种运动模式,实现多自由度假肢控制,已成为康复医学研究的热点问题之一,而且自由 度越多,技术实现难度越大。以肌电控制的电子假手为例,人体上肢机构模型有27个自 由度,其中手指部分有20个自由度。但目前科学水*还不能做到具有27个自由度的电子 假手。美国和日本实验研究的电子假手有7一11个自由度。但目前临床使用的假手最多 为3个自由度,以完成人手功能最常用的指伸、指屈、旋前、旋后、腕伸、腕屈6个动作。 而这一切,主要取决于肌电信号的特征提取与模式识别。因此表面肌电信号的特征提取 与模式识别的研究具有重要的理论意义与实际应用价值。 一般而言,一个模式识别系统主要由以下几部分组成:
训练过程

H分类器设计l

{特征提取与选择}_

一一一一一i}一一一
叫分类决策I

Fig.1.1 The basic composingofpattern recognition system

其中特征提取与模式识别(即分类决策)是模式识别系统的核心,也是人们所关注 的热点问题,以下就从此两方面对国内外研究现状及存在的问题予以介绍。

1.3.1肌电信号特征提取方法
1.时域分析方法 时域分析是将肌电信号看作时间的函数,通过分析得到肌电信号的某些统计特征。 如对肌电信号进行整形、滤波,计算信号的整形*均值(Average
.3.

Rectified Value,ARV)、

东北是学博士学位论文

第一章绪论

2.功能电刺激 在功能电刺激和生物反馈研究中,人们利用电刺激柬产生所需要的表面肌电信号或 反馈调节作用。 3.运动医学 在运动医学中,人们将表面肌电信号的谱分析结果作为判断肌肉疲劳程度的客观依 据:同时还将肢体运动时产生的表面肌电信号作为运动员或康复医学中动作分析的依
据。

4.临床诊断

利用表面肌电信号替代针电极肌电信号柬诊断神经肌肉系统疾病。
总之,表面|lfl_电信号的研究特别是如何从表面肌电信号中准确地识别出肢体的多 种运动模式,实现多自由度假肢控制,已成为康复医学研究的热点问题之一,而且自由

度越多,技术实现难度越大。以肌电控制的电子假手为例,人体上肢机构模型有27个自 由度,其中手指部分确20个自由度。但目前科学水*还不能做到具有27个自由度的电子 假手。美国和日本实验研究的电子假手有7一11个自由度。但目魏临床使用的假手最多 为3个自由度,以完成人手功能最常用的指伸、指屈.旋前、旋后、腕仲、腕屈6个动作。 而这一切,主要取决于肌电信号的特征提取与模式识剐。因此表面舰电信号的特征提取
与模式识别的研究具有重要的理论意义与实际应用价值。 一般而言,~个模式识别系统主要由以下凡部分组成:
训练过程

Fig l 1 Thebasic composingofpattern recognition system

其中特征提取与模式识别(即分类决策)是模式识别系统的核心,也是人们所关注
的热点问题,以下就从此两方面对国内外研究现状及存在的问题予以介绍。

1.3.1肌电信号特征提取方法
1.时域分析方法 时域分析是将肌电信号看作时闸的函数,通过分析得到肌电信号的某些统计特征。
如对肌电信号进行整形、滤波,计算信号的整形*均值(Average
Rectified Value,ARV)、 Rectified Value,ARV)、

如对肌电信号进行整形、滤波,计算信号的整形*均僮(Average
-3-

东北夫学博士学位论丈

第一章绪论

方差(rootmean squared,ms)、幅值的直方图、过零次数、均方值、三阶原点矩、四阶

原点矩【101、自相关函数和功率谱密度等[t]-]5l作为特征量,并由训练集做出的线性判别函 数对不同动作进行分类。一般而言,时域分析法是肌电信号分析的最直接方法,但除了 方差能代表信号的能量,大多数没有明确的物理意义。此外尚存在以下一些局限性: (1)由于表面肌电信号非常微弱,往往淹没于各种频段的噪声之中,使得信号的时 域特征难咀提取。 (2)肌肉收缩度难以掌握,一旦用力过度,将会产生重叠运动单元的动作电位,造 成干扰波形,影响对信号的准确分析。 (3)不能充分利用信号谱的形状及其信息。 2.频域分析方法 传统的谱分析方法是通过Fourier变换将时域信号转换为频域信号,对信号进行频谱

或功率谱分析,常用快速Fourier变换(FFT)。表面肌电信号的功率谱分析广泛应用于
肌肉疾病诊断和肌肉疲劳检测。如Basano L等【l 6】用基于Intel2920的微处理器系统实现了 在线表面肌电信号FFT频率分析,用于监测肌肉疲劳。80年代初Christensen利用Fourier

变换对表面肌电信号作了功率谱分析,通过高频/低频的幅值比了解到正常个体的自发
用力、控制用力及神经肌肉疾病患者之间的功率谱的差异,又用同轴针电极及不同的* 均刺激频率140Hz、1400Hz、2800Hz检测了20个肌肉功能异常的病人,并将纪录的SEMS 通过快速傅里叶变换进行功率谱分析,研究发现,使用不同的刺激频率参数,其诊断结 果也不同。Ashely和Wee也利用Fourier变换对自发性等容收缩的臂二头肌的肌电信号 进行了分析处理,他们将低于60Hz或70Hz的低频成分分离出来,分析证实,在EMG中相 对较高幅值的波峰发生在20Hz以下,*均为11.3Hz,而大多数肌病患者与那些能维持* 滑收缩的患者相比具有更多的波峰。 表面肌电信号在频域常用的指标是中值频率(median丹equency,fm。d)、均值频率 (mean矗equency,fm。)、频率范围、最高波峰频率、最高波峰幅值。频域分析方法在 表面肌电信号的检测与分析中,具有重要的应用价值,但传统的Fourier变换方法也存在

明显的缺点。首先使用Fourier变换研究一个模拟信号的谱特性时,必须获得时域中信号

的全部信息,甚至包括将来的信息,这是很难满足的。其次Fourie歧抉在时域中没有任
何分辨,也就是说如果在时域中一个信号在某~时刻的一个小的变化,那么整个谱特性

都会受到影响。由于表面肌电信号是具有非*稳性和非线性的随机信号,因此采用传统
的频域分析法来分析肌电信号受到了限制。 3.时间序列分析方法 时问序列是指按照时间顺序排列的一组数据,时间序列分析是指采用参数模型对 所观测到的有序随机数据进行分析与处理的一种数据处理方法。*年束,参数模型法因
.4-

东北大学博士学位论文

第一章绪论

具有频率分辨率商的优点,成为表面肌电信号分析的重要途径,其中典型的是AR、 ARMA模型法。Fourier变换要求信号是*稳的,参数模型法只要求信号满足短时*稳条 件即可,即在被分析的信号段内*稳,表面肌电信号能满足这一点。参数模型方法将随 机信号看作是白噪声激励一个线性系统的结果,它将随机过程的随机性和一定程度的可 预测性有机地结合起来,其中激励白噪声反映过程的随机性,确定性模型(模型阶次和 模型参数)反映过程的可预测性,因此随机信号的性质可以用模型的若干参数(或零极 点)来表征。与经典Fourier谱分析相比,参数模型法能较好地估计信号的功率谱。 Graupe【I“首先在1975年将时间序列分析技术引入肌电信号的研究,他通过对肌电 信号建立ARMA模型,来识别上肢3个不同的运动模式,准确率为85%。其后Graupe又将 ARMA模型改进为AR模型D8-20】。AR模型是一个线性的、二阶*轿饶P停远淌莘治鼋 为适合,而且运算便利,特别适合肌电控制假肢的实时处理。在具体运用此方法时,一 个需要注意的问题是模型阶次的选取。若阶次取得太高,谱估计就会出现实际不存在的 虚假细节(称为谱分裂现象),若阶次取得太低,则谱估计得分辨率不足。大量实验表

明,AR模型的阶数取为4~6时,对信号的分析和识别性能最好。直到九十年代,国内外
仍有许多学者对该方法进行研究与改进。 研究表明,肌电信号是空间分布的,不同肌肉信号的主频率分布在不同的频带,EMG 信号的谱是肌纤维与电极间距离的函数,因此不同电极信号问的相互关系中包含有可以 用做特征识别的信息,同时这种信号空间相关性还是运动单元信号同步的结果。Graupe 等人的单道AR、ARMA模型方法的重要缺陷是只取一道肌电信号,它无法利用肌电信号的 空间分布信息,而且对肌肉收缩力量的大小和电极的位置较为敏感。为了充分利用信号 之间的空间相关信息,需要采用多电极系统。Doerschuk在1983年提出了4道多元AR模型 晗u,该方法将肌电信号作为随机矢量,模型被作为矢量自回归过程。模型的形式为:


y(女)=艺爿。y(k一,)+em(女);
』tj

m=1,…,M(1-1)

其中y(≈)是LXl观察到的EMG矢量信号,乜叫…,A。}是L×L系数矩阵?em(≈)是前向预
测误差矢量,下标表示肢体动作,j^是肢体动作数,L是电极数。肌电信号的空间相关信 息就包含在A矩阵的非对角元中。 为了更有效地实现模式分类,有些研究将AR模型系数变换为反射系数(Reflection Coefficients),倒谱系数(Cepstral Coefficients)和对数面积比(Logarithmic Ratios)等新的参数122-24】,将其作为特征矢量以提高聚类分离度。 4.时频分析法 表面肌电信号本质上是非*稳信号,对非*稳信号的处理,*年来产生的将时域和 频域结合起来的时频分析法引起了人们广泛关注,其中短时傅立叶变换、维格纳分布
.S.

Area

东北大学博士学位论文

第一章绪论

(Wigner.Ville Distribution)与小波变换(Wavelet Transform)在生物医学信号处理领域 已有广泛应用f25-281。 (1)短时傅立叶变换 为了改善传统的Fourier分析的时间特性问题,1946年Oabor提出了时间局部化“窗 函数”g(t。b),其中b用于*移窗以覆盖整个时域。这种方法被称为短时傅立叶变换
(Short-time Fourier

Transform;STFT)。短时傅立叶变换的基本思想就是在傅立叶变换

的基础上,为了实现时域的局部化,把信号划分成许多小的时问间隔,用傅立叶变换分 析每一个时间间隔,以便确定在那个时间间隔存在的频率。这些频谱的总体表示了频谱 在时间上是如何变化的。 Merletti利用了STFT对自发肌电信号及电刺激肌电信号进行了分析及参数选择,利 用肌电信号功率谱的频率成分及各成分的相对强弱,从频域上揭示了肌电信号的节律。 然而他同时也发现使用SFFT进行频谱估计会产生频率泄漏现象,非有效信号假设为零等 因素也会影响频谱估计。 这种时一频分析的方法是建立在*稳信号分析的基础上,因此,无论在时域加窗, 还是在频域加窗,均要求窗口宽度非常窄,否则就很难得到某一时刻信号的频谱或某一 频率分量所对应波形的**峁5鞘贝按翱诘目矶仍秸淙皇奔浞直媛侍岣吡耍 但频率分辨率将降低。同理,在频域加窗,若频窗窗口的宽度越窄,即频率分辨率愈高, 则时间分辨率会明显下降。这种时间分辨率与频率分辨率的互相矛盾及互相制约的性 质,反映了已经被理论所证明的“测不准原理”。 (2)Wigner-Ville变换 短时傅立叶变换和短时功率谱是建立在信号短时稳态的基础上,还不能及时反映功 率谱随时间的变化。为此,Vilte提出了魏格纳分布(Wigner.Ville Distribution)。Wigner 谱分布是基于两个信号内积的傅立叶变换,可看作是信号在由时间、频率组成的二维*

面上的能量密度分布,在时频空间上能提供商分辨率的信号特征,并具有很好的抗噪声
性能,具有明确的物理意义,能更有效的对非*稳信号进行分析。通过对信号的Wigner 分析,可以得到信号的能量在时间和频率中的分布情况,了解能量可能集中在某些频率 和时间的范围,有利于对时变信号进行分析,因此在信号处理中颇有应用前景。
Mechelle R.Davies等人利用此方法对EMG信号进行了疲劳分析。Gwo.Ching Jang等

人也利用此方法对单通道的上肢表面肌电信号计算魏格纳分布,在时频空间上可以观测 到不同肌肉动作具有不同的分布特性,出此产生二维特征矢量,然后利用二维互相关方 法对上肢动作进行分类。此外还可利用该方法,对肌肉的疲劳进行研究【29j。

Wigner.Ville变换的不足之处在于变换是非线性的——变换的双线性(因为信号在
其计算中两次出现),所以当信号成分较多时,不同成分之间容易出现交叉项,会引起
-6一

东北大学博士学位论文

第一章绪论

伪像,需采用加窗*滑技术使交叉干扰项减小。 (3)小波变换 小波变换(Wavelet transform)是傅立叶变换的新发展,它继承和发展了窗口傅立 叶变换的局部化思想,同时又克服了窗口大小不随频率变化、缺乏离散j*换热钡悖 在时域及频域中同时具有良好的局部化性质,并具有对高频成分进行变焦距显微的功 能,其作用类似于一组带宽相等中心频率可变的带通滤波器,是比较理想的对信号进行 局部频谱分析的数学工具,常被人们称作数学显微镜。 小波变换是通过伸缩(膨胀)和*移等运算功能对函数或信号进行多尺度化分析, 是空间(时间)和频率的局部变换,在高频时使用短窗口,而在低频时使用宽窗口,能 有效地从信号中提取信息,因而小波分析成为当前--}ee新兴的信号处理技术。已被广泛 应用于生物医学信号处理,如心电的QRS波检测、心电模式正常与否的判别、脑电诱发 电位的分析及心室晚电位的检测等许多方面[30-32]。但使用小波分析技术对表面肌电信号 进行处理,国内外尚未深入,在IEEE光盘检索中1996年以前尚未发现将小波理论应用到 肌电信号处理的文献。*几年来有一些肌电信号的小波分析方法,但主要集中在肌电信 号的生理与病理等方面的研究。如Constable与Thronhilp3,341利用小波变换对表面肌电信 号进行时频分析,研究在不同重力加速度运动情况下的信号特征。Xiao等利用小波分解 提取股四头肌在等张收缩下的表面肌电信号的特征,成功地实现肌肉疲劳检测。 由于小波分析既能在整体上提供信号的全部信息,又能在任一局部时段内提供信号 剧烈变化程度的信息,利用其时频定位特性,可以实现信号的时变谱分析,能在任意细 节上分析信号,而且对噪声不敏感,这一特性特别适用于处理肌电信号~类的非*稳信 号135】。因此在肌电信号的处理与应用中有很大的发展潜力。 5.高阶谱分析 传统的随机信号处理技术是建立在二阶统计量的基础上,它只能完整反映服从高斯

分布的随机信号的概率结构,而当肌肉力变化时实际的肌电信号是非*稳的,不是高斯
型信号,它的相位谱含有丰富的信息。高阶谱分析能够克服传统处理方法的不足,例如 可以用双谱分析(bispeetral analysis)分析肌肉变化时的非高斯型肌电信号及对肌肉恢 复进行分析【3”。 6.混沌与分形分析 混沌过程是具有确定性机制的类随机过程,它具有非周期性、非随机性、非线性和 对初始条件敏感等特点,可以通过李雅普诺夫指数、相*面图和功率谱等特征参数表示

[37,381。由于肌电信号是大量运动单元的非线性耦合,是一个非线性的多单元连接的集合 体,非线性分析方法可能更有助于提取生理电信号的特征信息。为此已有学者开始应用
混沌理论对肌电信号进行了分析,研究表明,肌电信号可能存在着混沌特性。如有人通
.7-

东北大学博士学位论文

第一章绪论

过相空间重构,在相*面内可观察到等张收缩状态下肌电信号存在吸引子,并具有正的 李雅普诺夫指数,由此估计肌电信号可能是混沌信号口…。Bodruzzaman等对肌电信号采 用谱分析和Poincare映射技术检测它的混沌行为,通过计算相关维数对神经肌肉疾病实 现了在线的混沌分类【4…。 分形理论的出现给难以用经典数字准确描述其参数变化特征的生物信号提供了一 个新的途径。国外已有研究小组开展了表面肌电的分形分析,并取得了~些有价值的实 验结果。如肌肉表面肌电的分维数与所承受载荷线性相关r4 J1。一些学者研究表明,表面 肌电的分形维数随肌肉收缩强度的增加而趋于单调上升【42l,表面EMG分形维数的这一 特性可以用来研究比例控制的肌电假肢。 目前,利用混沌与分形理论等非线性方法处理表面肌电信号的研究才刚刚起步,还 处于初级探索阶段,尚无成熟的经验可寻。由于混沌参数的计算量大,耗时长,运算复 杂,影响了该方法在肌电信号处理中的应用,若能发现新的方法。应用混沌理论揭示肌 电信号的本质特征,将会有一些新的突破,这也正是该方法成为研究热点的原因。

1.3.2肌电信号的模式辨识
对于表面肌电信号运动模式的辨识,除了选择合适的特征参量外,选择一个良好的

分类器也是非常重要的。随着模式识别理论的不断发展,越来越多的分类器被应用到肌
电信号的模式辨识中,尤其以下述现代分类方法为研究的热点: 1.人工神经网络分类法

上个世纪50年代,Rosenblatt提出了感知器Perceptron模型,首开人工神经网络
(artificial neural

network;ANN)的先河,到了80年代人工神经网络获得了空前的发展,

由于它具有很强的非线性处理能力,因此被广泛应用于各种模式分类的研究与应用中而

备受人们关注。它模仿生物神经元结构和神经信息传递机理,由许多具有非线性映射能 力的神经元组成,神经元之间通过权系数相连接构成自适应非线性动力系统,具有并行
计算、分布式存储、自适应学*以及优秀的容错性能,使其在系统辨识和模式识别方面

显示出很大的优越性和旺盛的生命力。*些年以来,有很多学者将人工神经网络应用到 肌电信号的模式分类中,并取得了一定的效果。

例如,Willi咖Putnaml43]等人1993年分别利用单层感知器和多层感知器对屈臂和伸
臂两种动作进行识别,识别率均可达95%;R.Knox[44]等人1994年利用非参数线性分类
器对屈腕、伸腕、腕内旋和腕外旋四种动作进行识别,其识别率在89%以上:E.Zahedi[451 等人1995年利用模糊K一均值策略进行了3个自由度的动作识别。ItakuraN【46】等人1996 年利用四个电极采集人体前臂运动时的表面肌电信号,构造了3层结构的神经网络,利 用BP算法训练神经网络,可识别出前臂5个不同的动作;刘建成f47]等人1999年利用模
.8.

东北大学博士学位论文

第一章绪论

糊神经网络直接对残肢的EMG动作进行识另0,虽然识别率在70%以上,但有更好的实 际应用价值。张海虹|48】等人2000年利用Pi—Sigma网络对展拳、握拳、内旋、外旋四个

动作进行识别,识别率在80%以上。2003年罗志增…等利用AR模型和BP神经网络实
现了对前臂2种不同动作肌电信号的模式分类。谢洪波【501等人2004年利用支持向量机 对六种手腕部动作进行分类,*均识别率达82%。2005年K.Nazarpour[5I】等利用高阶 统计学方法实现了对前臂4种不同动作肌电信号的模式分类,*均识别率接*91%。而 且人们现在仍在构造与研究新的神经网络,以满足不同领域的需要。 2.模糊模式识别法

简单地说,模糊模式识别就是在解决模式识别问题时引进模糊逻辑的方法或思想。
它主要包括模糊化特征,建立隶属函数,确定模糊相似关系和模糊结果的处理。模糊特 征是指根据一定的模糊化规则把原来的一个或几个特征变量分成多个模糊变量,使每个 模糊变量表达原特征的某一局部特性,用这些新的模糊特征代替原来的特征进行模式谚{ 别。而在模糊化的分类结果中,一个样本将不再属于每个确定的类别,而是以不同的程 度属于各个类别,这种结果与原来明确的分类结果相比有两个显著的优点:一是在分类 结果中可以反映出分类过程中的不确定性,有利于用户根据结果进行决策:二是如果分 类是多级的,即本系统的分类结果将与其他系统分类结果一起作为下一级分类决策的依 据,则模糊化的分类结果通常更有利于下一级的分类,因为模糊化的分类结果比明确的 分类结果中包含更多的信息。

由于肌电信号的不确定性,传统的分类方法在处理肌电信号时会遇到种种限制,而
应用模糊分类法对肌电信号进行模式识别时,有着独特的优势。例如Francis
H.Y Chart

应用模糊分类器对用于假肢控制的肌电信号进行分类,他们将经过分段的EMG信号特征 值输入模糊系统,用BP算法进行训练和分类,分类结果和通过人工神经网络(ANN)的 分类结果对比表明,在相同的精度下利用模糊分类器有着更快的速度更好的可靠性和对 过度训练(Overtraining)有着更好的不敏感性(Insensitivity)。 3.统计模式谚{别 统计学*理论是一种专门的小样本统计理论,它为研究有限样本情况下的统计模式 识别和更广泛的机器学*问题建立了一个较好的理论框架。VladimirN.Vapnik等人早 在20世纪60年代就开始研究有限样本情况下的机器学*问题,直N90年代,有限样本情

况下的机器学*理论研究逐渐成熟起来,形成了一个较完善的理论体系——统计学*理
论(Statistical
Learning

Theory;SLT)。而同时,神经网络等新兴的机器学*方法的研究

则遇到一些重要的困难。例如如何确定网络结构的问题、过学*与欠学*问题及局部极 小点问题等等。在这种情况下,试图从更本质上研究机器学*问题的统计学*理论逐步 得到重视。1992年一1995年,在统计学*理论的基础上发展出了一种新的模式识别方法
.9..

东北大学博士学位论文

第一章绪论

——支持向量机(Support Vector Machine;SVM)。它可以看作一种新的训练多项式、
径向基分类器或神经网络分类器的方法。根据结构风险最小化(SRM)原则,在使训练 样本分类误差极小化的前提下,尽量提高分类器的泛化推广能力。与神经网络分类器相 比,兼顾了训练误差和推广能力,在解决小样本、非线性及高维模式识别问题中表现出 许多特有的优势,并已在肌电信号的模式识别中得到应用。 肌电信号是一种随机性很强的电信号,因此很难用确定的数学函数准确地将它表示 出来,但它的规律在一定程度上可以从大量的统*峁刑逑殖隼础@檬硗臣浦械 假设检验方法,把对信号的观察和某些概率密度函数的先验知识结合起来,再跟据某种 判决准则,由若干备择假设,做出判决(分类),即观察究竟属于何种假设。常用的判 决准则有:极大后验概率准则;最小失误率准则;贝叶斯准则;纽曼一皮尔逊准则等等。 4.聚类分析法 聚类分析法的基本思想是根据各个待分类的模式特征相似程度进行分类,相似的归 为一类,不相似的作为另一类。简地地说,相似就是两个特征矢量之间各分量分别较接 *。聚类分析包括两个基本内容:模式相似性的度量和聚类算法。聚类分类法是一种线 性分类方法。其算法简单,运算速度快。在用于肌电信号的模式分类中,对于不同类别 重叠区域小、差异明显的特征,采用这种分类方法,可以避免许多非线性分类冗长的训 练过程,得到较好的识别结果。

1.3.3肌电信号的模式辨识中主要存在的问题
1.动作种类少 我们知道,人体前臂动作的种类越多,其自由度就越大,则据此研究的假肢就越灵 活,对自然人肢体的仿真性能就越强,仿生性能就越好。而目前据SEMG信号所能识别 的前臂动作最多为6种,尚不能满足实际需求。 2.动作识别率低 各动作识别率的高低,直接影响和决定着前臂各种动作是否能达到预期的效果。研 究表明,动作种类越多,则识别难度越大。从以上研究结果可知,当前臂只做两种动作 时,其*均识别率可达95%;而当达到六种动作时,其*均识别率只有82%。由其驱 动假肢运动时必将导致许多误动作发生。故对表面肌电信号模式辨识的研究,尚有许多 工作需要深入探讨。

.10.

东北大学博士学位论文

第一章绪论

1.4本文主要工作
1.4.1本文主要研究内容及解决的关键问题
针对表面肌电的国内外研究现状及其存在的主要问题,根据肌电信号的形成机理与 传导过程,利用现代检测技术,通过大量实验,提取人体前臂8种动作时各相关肌肉的 SEMG信号,运用现代信号分析与处理的理论及方法深入研究此类具有复杂的、非*稳、 高度非线性及随机特性的人体表面肌电信号,对实验采集的肌电信号进行深入分析及消 噪等信号处理,找出其内在的本质特征,提取出能代表各相应动作信号的特征值,运用 现代模式识别理论,设计不同动作的分类器,最终实现对前臂8种动作的有效识别。

1.4.2本文主要工作及内容安排
1.第一章绪论 首先提出了表面肌电信号的概念及其应用领域,介绍了表面肌电信号的研究意义与 实际应用价值,综述了国内外的研究现状并指出存在的问题,最后阐述了本文主要的研 究内容及解决的关键问题,概括了本篇论文的内容安排。 2.第二章肌电信号的产生机理及其采集方法 首先从生理学角度叙述了肌电信号的产生机理,接着分析了肌电信号与力之间的关 系,并较为详尽地论述了肌电信号的多种数学模型,最后针对本论文的任务要求,介绍 了肌电信号的实验设备及信号的采集方法,并给出了8种不同的前臂动作所采集的表面 肌电信号。 3.第三章基于小波分析的肌电信号模式分类的研究

首先从小波分析的基本理论入手,引出了时频分析的重要方法——小波变换和多分 辨分析。接着阐述了模式识别的两种重要方法——人工神经网络法和支持向量机方法。
通过大量实验、比较,发现对表面肌电信号分别提取db4小波变换的最大值、dmey小 波变换的特征值和bior3.1小波变换的奇异值作为特征矢量,及在磁场作用下对表面肌 电信号分别提取coif5和bior3.1小波变换的*均值作为特征矢量,分别由不同的神经网 络和支持向量机对其进行模式分类,可得到较好的识别结果。 4.第四章基于小波包分析的肌电信号模式分类的研究 本章首先介绍了小波包变换的基本理论,随后经过多种小波包实验、比较,分别提

出了对表面肌电信号提取其db4小波包变换的最大奇异值和coif3小波包变换的肌电信
号的能量作为特征值,并通过实验验证,详细阐述了不同神经网络及支持向量机的分类 结果。

东北大学博士学位论文

第一章绪论

5.第五章基于AR参数的肌电信号模式分类的研究 本章首先介绍了AR参数模型的概念,进而引出肌电信号的AR参数模型,并详细 阐述了两种AR模型的参数估计方法即最小二乘法和U-C算法以及具体应用AR参数模 型时AR模型阶数的选择方法。随后详细介绍了肌电信号的AR参数模型特征值的提取 过程,对于此特征值,通过实验研究,得出马氏(Mahalanobis)距离分类器对人体上肢 8种动作的实际识别结果。随后又阐述了Bayes分类器的工作原理,介绍了正念分布模 式的贝叶斯分类器及改进的贝叶斯分类器算法,并通过实验研究,得出正态分布模式的 贝叶斯分类器和改进的贝叶斯分类器对人体上肢8种动作的肌电信号的AR参数模型特 征值的识别结果。 6.第六章基于复杂度肌电信号模式分类的研究 本章首先介绍了肌电信号复杂度定义及其提取方法,然后详细阐述了由支持向量机 作为分类器对肌电信号复杂度特征值的分类方法及所得的分类结果。然后介绍了聚类分 析的基本概念和聚类分析的数学模型,并运用c一均值聚类算法对前臂表面肌电信号运

动模式的辨识进行了研究。在此基础上,运用模糊理论对c一均值聚类算法进行处理,
由此引出模糊C一均值聚类算法,并运用模糊C一均值聚类算法成功地实现了对肌电信号 复杂度特征值的模式识别。随后又叙述了模糊Kohonen聚类网络算法,并应用此算法对 肌电信号复杂度特征值的模式识别进行了研究,较好地完成了对前臂8种不同动作的模 式分类。 7.第七章基于混沌与分形理论表面肌电信号的非线性分析

首先介绍了混沌的概念,并阐述了混沌的特性及其识别方法,由此引出了混沌序列 的相空间重构理论,并应用混沌序列的相空间重构理论对实际采集的表面肌电信号进行
了相空问分析与重构,求出了表面肌电信号的最大Lyapunov指数,并据此对表面肌电 信号进行了混沌特性分析。随后又阐述了分形理论,并运用分形理论对表面肌电信号的 分形维数及其提取方法进行了研究。为了实现对不同运动模式的表面肌电信号进行分 类,对于提取的表面肌电信号的分形维数,本章不仅对不同肌肉对应的肌电信号分形维 数的聚类分布进行了研究,而且还尝试了以分形维数作为本征值,使用不同的分类器对 其进行了运动模式辨识。 8.第八章总结与展望 首先总结本篇论文的主要贡献所在,接着结合本项目的研究内容指出今后有待进一 步研究发展的方向。

一12.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

第二章肌电信号产生的机理及其采集方法
2.1引言
肌电信号(Electromyograph)是产生肌肉力的电信号根源,其早期研究可以追溯到 伽伐尼(Galvani)有名的青蛙腿实验。法国的DuBms—Reymond是最早检测到肌肉自愿 收缩时能产生电信号的人(1849年)。但直到1922年Gasse拜口Erlanger才用阴极射线示波 器代替检流计观察到肌电图,他们因此而获得1944年的诺贝尔奖金。20世纪以来,随着

电子计算机的发展以及神经生理学研究的进展,肌电图的研究也F}益深入。
目前,获得肌电信号的方法一般有两种:插入电极(即针电极)法和表面电极(即 皮肤电极)法。临床肌电图(Electromyography)检查多采用针电极插入肌肉检测肌电, 其优点是干扰小,定位性好,易识别,但由于它是一种有创的检测方法,其应用受到一 定限制。表面电极法则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生 物电信号,属无创性操作,病人易接受,有着广泛的应用前景。检测得到的肌电信号是 当肌肉兴奋收缩时,在检测区内所有激活的肌纤维动作电位在电极处综合迭加的结果【521 反映了体内较大区域内肌电活动的总和。这些肌纤维分别属于不同的运动单位。 肌电信号本身是一种较微弱的电信号,加之皮肤和组织对肌电均有衰减作用,故在 皮肤表面记录的表面肌电信号比针电极记录的信号更微弱,也更易受干扰影响。实验表 明,表面肌电信号的幅度具有随机性,可表示为准高斯分碲函数。信号幅度在100~5000


V,针电极记录的肌电信号的频带为5~10001tz,使用表面电极时采集的肌电信号的能

量主要集中在1000 Hz以下。波士顿大学神经肌肉研究中心研究发现,利用双极型模型 得到的肌电频谱分布在20~500Hz,主要集中在50~150Hz范围内1531。

2。2肌电信号产生的机理
人体中的肌肉共分三类:骨骼肌、*滑肌和心肌,其中骨骼肌的数量最大,*均约 占体重的40%,躯体的运动就是由它实现的,而内脏运动则是由*滑肌(如胃肠道运动) 和心肌(心脏的活动)来实现IS41。人体之所以能够实现各种各样的运动和维持各种姿态, 就是由肌肉的收缩和舒张来完成的。 肌肉收缩是由神经冲动引起的,即肌体的运动需要神经系统和骨骼肌共同完成。骨 骼纤维实质是运动单位的最终效应器,它具有兴奋性和收缩性,在受到神经冲动的刺激 后,肌纤维便产生动作电位,并延肌膜扩布于整个肌纤维,从而引起肌肉收缩。肌纤维

产生的动作电位,即为肌电信号,它发源于作为中枢神经~部分的脊髓中的运动神经元
.13.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

陋5

61。运动神经元的细胞体处在其中,其轴突伸展到肌纤维处,经终板区与肌纤维耦合

(是生化过程性质的藕合)。与每个神经元联系着的肌纤维不只一条。这些部分合在~起, 构成所谓运动单元(图2.1)。在中枢神经的控制下,运动神经元产生电脉冲发放,沿轴突 传导到肌纤维,并在所有的肌纤维上引起脉冲序列,沿肌纤维向两方传播(图2.2)。这 些电脉冲引起肌纤维抽缩从而产生肌张力。同时传播中的电脉冲在人体软组织中引起电

图2.1运动单元的构成
Fig.2.1 The composing ofmovement unit

蚤卅
*撕,1/L 十

图2.2运动单元产生的电脉冲
Fig.2.2 The electrical pulse formed by movement unit

流场,并在检测电极间表现出电位差,即肌电信号。当检测点位于皮肤表面处,检测电 极采用表面电极时,此时检测出的肌电信号即为表面肌电信号。各肌纤维在检测点上表 现出的电位波形,其极性与终板和检测点的相对位置有关(例如图2.2上纤维1和H引起

的电位波形与纤维2、3引起的电位波形反相)。又和纤维与检测点间的距离有关,相
距愈远,幅度愈小。各肌纤维在检测点间引起电位的总和构成运动单元的动作电位
.14.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

(MUAP)。由于轴突上的电发放是脉冲序列,因此检测点问引起的也是动作电位的序列 (MUAPT).如图2.3所示。最后生理肌电图则是许多运动单元产生的MUAPT的总 和。以上就是形成生理肌电信号的基本过程。图2.4概括了产生肌电的过程和肌电信号 处理的部分任务[57】。
5序列[d运动抻径元放电】

图2.3生理肌电图的形成机理
Fig.2.3 The form principle of physiological electromyography

图2.4肌电产生的过程及其处理
Fig.2.4 The EMG form process and its processing

前已述及,肌肉收缩是由神经冲动产生的电信号刺激肌纤维使肌纤维抽缩的结果。 另外,由于肌肉中存在着大量的感受器,有多种传入神经纤维,有些甚至上行到大脑皮 层,从而使肌肉的收缩达到精细可控的程度,因此,肌肉是具有反馈自动调节功能的复 杂的神经一肌肉系统,如图2.5所示。

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

三!二兰二三二)_警篆凳+[三摇釜兰蠹善篓薹冀}- -蒜- - -力- t
感受器


电信号

图2.5神经肌肉系统组成框图
Fig.2.5 The composing ofneuromuscular system

2.3肌电信号与力之间的关系
肌电信号和力之间的联系涉及复杂的生物力学规律15引,而目前正朝着定量计算的方 向发展,我们需要找到*似的表达式,然而这种简单的表达式通常并不存在,通过观察

可以发现,当肌肉的收缩速度增大时,肌电信号的幅值会增大,但这只是定性的给出了
肌电信号与在肌肉上所产生的力之间的联系,我们关心的是~种定量的联系。试验证明, 肌肉相对电极不对称地收缩会影响肌电信号和力的联系稳定性。为了保证肌电信号相对 于力的稳定性,我们应该尽量将肌电信号进行归一化,而且使电极相对于活动肌肉纤维 的距离保持不变。在上述理想条件下,并且在肌电信号足够*滑的情况下,Carlo[591得 出了肌电信号和对应肌肉所产生的力满足*似的线性关系,但是这种线性是随着肌肉不 同而变化的(图2.6)。 影响肌电信号和肌肉产生力的因素很多,但总体而占可分为两类,一类是有由生理 学、解剖学和生化特性决定的内在因素,如单位运动电势的数量、肌肉纤维之间的机械 作用、运动单元的发放率、MUAP的幅度和持续性等。另一类是外在因素,如检测设备 的检测性能、肌肉纤维和电极的相对位置、周围其它肌肉动作所产生的信号干扰等。

.16.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法


——

00

化 肌 电 信 号 幅

90

60

度40

20



40

50

e0

且Il内的收缩率百分比

图2.6不同肌肉的肌电信号和所产生的力之间的芙系
Fig.2,6 The relation between the SEMG signal and the force

2.4肌电信号的数学模型
信号的数学模型是信号处理方法的主要理论依据,一个良好的肌电信号数学模型不 仅能反映出肌电信号产生的机理,而且还应能用尽可能少的独立参量反映出尽可能多的 肌电信息。所以为了寻求最佳肌电信号的处理方法,我们首先研究一下肌电信号产生的 数学模型。由于肌肉纤维动作电位较为尖锐,故数学上常将其处理成一系列延迟的脉冲 序列,用^(f)表示(参见图2.3)。根据表面肌电信号产生的机理,可将其*似抽象成以 下四种肌电信号的数学模型【60-631: 1.线性系统模型164,65】 图2.7是一个运动单元(假设序号为k)的典型线性系统框图。图中驱动信号“+(f)

是沿轴突传来的电发放脉冲,通常认为是更新过程——即各次脉冲的间隔互相独立,且
概率分布相同。



图2.7线性系统数学模型
Fig.2.7 The mathematics model ofthe linear s”tem

.17.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

“^(f)=∑J(f_t)
,=l

(2—1)

t,是随机变量a IIk(f)驱动的每~支路代表一根肌纤维。延迟环节f,(f_1~Ⅳ)代表第消B 肌纤维的激发相对于参考时刻的延迟,它是由于轴突长度不同、终板位置不同且传播速 度有限造成的。肌纤维表面的动作电位相当于一个冲激响应hk(f)=P。(r)的线性时不变 系统。纤维深度的影响则可用另一个冲激响应为gki(,)的线性系统来描述。而 MUAPTm。(f)则是这些系统作用的总结果: 旦

m^(,)2∑‰(f)十占(f—f,)印女(,)+gh(fl
卢I

【Z—Z)

=Ut(r)}屯(,)4p。(r)+g。(f)

式中lk(t)=∑8(1--Z",)
,=I

如果各纤维深度大致相同,则乳(f)可用同一深度响应g。(f)代替(图2.8)。这样就
有 mI(t)=uk(,)}l々(t)+P★(f)+gI(,) 最后的生理肌电则是M个MUAPT的总和:
^f

(2—3)

_y(,)=∑m女(,)
t-l

(2—4)

相应的功率谱是


Sy(功=∑s。(∞)忙。(妫l 21只(∞)12}G。(∞)1
k=l



(2—5)

式中,t、只、G。分别是o P。、g。的傅氏变换。



q卜


叫h卜
图2.8简化后线性系统数学模型
Fig.2.8 The mathematics model of the linear system after predigesting

2.集中参数模型 对于一块给定的肌肉,可以认为纤维动作电位P。(f)与k无关。如果进一步把g。(f) 用*均深度滤波器g(t)代替,则式(2-4)变成
.IR.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

y(,)=p(f)?g(,)+∑‰(f)+,女(纠
女=I

(2-6)

∑“。(f)+‘o)代表若干互相错开的更新过程的总和。令
“ “r




Ⅳ,(r)=∑【”。(f)+1。(f)】=∑1∑6(t—r。)i,,。=‘十f

(2—7)

则过程可看成一个集中参数模型,如图2.9(a)所示。“。(f)的*均发放率当然是各MU 发放率的总和:


五,=∑九
k=l

(2—8)

如果M很大,“。(f)*似一个泊松过程。所以”。(t)的功率谱为

S“(曲=五P+2积P 28(co)


(2-9)
(2~10)

sy(回=S‰(酬日(圳。
s,(co)=2,1日(妨I‘

如果H(o)在03=0处为0,则 (2-“)

实际上,去掉占(∞)后,泊松过程的统计特性与白噪无异。因此y(f)可以看成是由零 均值白噪过程彩“)激励某一线性系统所产生,因而可以用参数模型来分析肌电图(图 2.9(b))。y(f)接*于零均值的高斯过程。

业冈塑,
I兰型I

图2.9肌电信号的集中参数模型
Fig.2.9 The EMG parameter model

3.非*稳模型‘661 上述模型只适用于*稳情况,例如肌肉用力恒定时。这种模型适用于稳态分析。当 用力变化时,出于参加发放的神经元数目变化,因此腿电图的发放率也五。也变化。这样, 肌电信号的均方也是时变的,因此信号是非乎稳的。 可以把嚣*稳飘电信号以调幅噪声形式描述: y(t)=c(t)m(t】
(2-12)

其中,载波m(t)是零均值单位方差的高斯噪声过程,其统计特征反映归一后的*稳肌电: 调制信号c(f)反映时变的肌肉收缩程度。
-19.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

此式来源可以粗略解释如下:实验证明,当用力变化时,神经元的发放率基本不变, 只是参加神经肌肉过程的运动单元总数M成为时变的M(t)。因此(2-4)式中求和项数 是时变的。如果认为各运动单元的发放过程相互无关,则J,(,)的均方是各运动单元肌电 均方的总和: Ely 2(f)1=M(t)E[m 2(f)j 如果令
(2一13)

√^f(f)=c(t)


(2-14)

y(O=c(t)m(t、

(2-15)

可见过程可用图(图2.10)的模型表示。调制信号c(f)可看成确定性信号,反映时变的肌 肉收缩程度。 对y(t1求自相关函数:

R。(f,f+f)=E[c(t)m(t)c(t十f)】=cp)co+r)R。(f)

(2—16)

因为c(,)的带宽由肌肉骨骼系统决定,相对于m(t)而言是低通的,所以在R。(f)≠0的区

属丽=c(f)
图2.10肌电信号的非*稳模型
Fig.2.10 The EMG nonstationary model

阳Jc(t)“c(t+r),故 胄。(f,t+f)“C 2(f)R。(r) (2—17)
(2—18)

Sy(f,co)≈c2(f)S。(研
万茬:

仃细=瓦1£s,。,国№2口拟r)(2-19)
式中,
盯,2

j1石工。S,(f,∞蜘=瓦1

JI。I爿@Ⅲ2s。(出)咖

(2—20)

还有人把非*稳的y(O用一阶的ARIMA模型来表示【67l。所谓ARIMA模型是它的差分 为ARMA过程的时间序列:
.20.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

(1+窆吼=+‘)(1_Z-I)y("):co+(1+兰巩Z-k)曲(月)(2-21)
k=l I=】

式中c。是y(n)的均值或确定性的趋势项。当把这~项去除后,ARIMA过程的频率特性可 以表示为

日(∥)=d万?

1+∑b。P。“
(2-22)

1+∑叩一舳

关于这种模型的辨识方法可以参考有关文献【6趴,这罩不再叙述。有人用这种模型对 运动中的肌电信号进行拟合,认为骨骼肌肉系统的每次动作可以分成若干阶段,各阶段 不同参数模型描述: (1)休息阶段:此时EMG幅度很少,可用AR(1)拟合。 (2)动员阶段:在运动前数秒开始,EMG逐渐趋于非*稳。AR(t)的系统数趋*于
l。

(3)建立阶段(当外展角度小于40。时):可用ARIMA(1,1,0)表示。即过程的 一次差分是AR(1)过程。 (4)活跃阶段:此时各种肌肉的性质不同。中央三角肌适合AR/MA(1,1,】),后三 角肌适合ARIMA(2,1,0),中央四方肌适合ARIMA(1,0,1)。 (5)消退阶段:适合ARIMA(1,1,0)。 (6)复原阶段:适合AR(1)。 这些阶段的持续时间并无一定规律。以上结论尚未经普遍证实或公认。 4.双极型模型

以上讨论是针对单极情况的。实际工作更常用是双极型结构,因为它提取局部信息
(即防止其它肌肉的肌电干扰)的能力更强。当两电极距离不远而且其联线*行于肌纤 维轴时,双极信号: zO)=y(,)一J口一△) 式中 △=(电极距离国,(传导速度D
(2—23)

△是动作电位由第一个电极传导到第二个电极的延迟时间。因此功率谱: 疋(co)=Sy(劫(卜costa5)

:4S,(co)sin2㈡
.2l一

心吨4’

东北大学博士学位论文

第二章肌电信号产生的机理及其泉集方法

可见在低频段,双极型结构起着对肌电信号y(r)微分的作用。在频率等于上A的整数
倍处s:(妫=0,功率谱发生下陷。利用这一特点可以估计传导速度v。此外,△愈小, 所得谱的高频段愈*。

2.5肌电信号的采集
2.5.1实验设备
在肌电信号的采集过程中,由于电极有表面(皮肤)电极和插入(针形)电极两类, 故由电极所采集的肌电信号也分为表面肌电图和针电极肌电图。在大多数的神经传导和 相关梭测技术中,都使用较小的表面盘状电极或指环电极。表面电极所取的肌电信号反 映了体内较大区域内肌电活动的总和,所以也就不能确切反映个别肌纤维的活动,但由 于是无损检测,使用方便且无痛苦,因此应用极广。表面电极采集的肌电信号是一种非 常微弱的电信号,其幅值在100~500uY, 峰一峰值一般在O~6mV,均方根在0~1.5mY,

一般有用的信号频率成分位于O~500Hz范围内,其中主要能量集中在50~150Hz。针电

极是一种插入式电极,种类较多,其中以同心针电极应用较为普遍,如图2一ll(a)所示。
它的最大优点是拾取范围小,因而可能检测到单个运动单元的动作电位。此外比较常用 的还有单纤维针电极和宏电极,如图2.11(b)、(c)所示。其中宏电极(Macroneedle Electrode)是1980年Stalberg首先提出来的,它可以同时检测运动单元的许多肌纤维。 针电极肌电图一般有用的信号频率成分为1000~10000Hz。

(a)

(b)

图2.1l几种典型的针电极
Fig.2.I 1 The several typical pin poles

肌电信号是一种生理信号,信号本身幅度较小,且信噪比不高,其中最大的噪声来

N是50Hz的工频干扰。另外还有周围环境中电磁场辐射的干扰和检测仪器内部电子噪
声的干扰。整个实验应在屏蔽室内进行,仪器应可靠接地并远离强大的静电场与电磁场,

室温在15~25?C比较合适。肌电信号从产生到被肌电图仪记录。其基本过程如图2.12
所示。
-22.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

图2.12肌电信号的米集过程
Fig.2.12 The process ofSEMG collection

本课题研究中使用的表面肌电信号,全部是由上海医疗器械高技术有限责任公司生 产的jD一4肌电图机完成的。JD.4肌电图机是高精密医疗器械,有高输入阻抗,高灵敏 度和高共模抑制比的放大器、刺激器,并具有计算机处理、高分辨率彩显、高保真打印

机记录等功能。使用其叠加*均,数字延迟线,参数自动测量等功能可方便地测量各种
电位、传导速度、诱发电位、H反射、重复刺激等。可广泛应用于神经科、手外科、伤 骨科、五官科、儿科、理疗科的临床诊断和运动医学、康复医学、中医学的生理研究, 是现代医学和生理科学不可缺少的医疗设备。JD一4肌电图机的组成框图如图2.13所示。


JD一4肌电图机的性能指标如下:



L—臣

1.灵敏度:5、10、50、100、200、500、1000、5000 IJ.V/div_1096。 2.滤波:低端2Hz,高端5KHz允许下降3dB。 3.共模抑制比:≥lOOdB。 4.分析时间根据测量项目自设,单位为ms/div。 5.刺激频率:0.5、l、2、5、10、20、50Hz±lO%。 6.刺激脉宽:0.1、0.2、0.5、1.0ms±10%。 7.刺激幅度:O~300v(O~30I】lA)±10%。
.23.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

8.监听音量可调。 9.电源:220±22V,50--+IHz,耗电约300W。 lO.环境条件:温度10~30 6C,湿度40~70%。 表面肌电信号的具体采集流程与相应实验设备如图2.14与图2.15所示。

表面
图2.14表面肌电信号采集过程示意图
Fig.2.14 The SEMG signal collection process

图2.15肌电数据采集系统
Fig.2.15 The SEMG collecting system

2.s.2肌电信号的采集
实验时先用酒精分别在受试者的掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌上擦涂去

污后,并在各相应的测试点处涂上导电膏,以增强导电性,最大限度地提取SEMG信号。
将医用Ag/AgCl电极牢固地粘贴于皮肤表面测试点处,连接好导线。操作JD一4肌电图机, 设置好相关参数,使之处于SE舭信号采集状态。受试者分别做握拳、展拳、腕内旋、腕 外旋、屈腕、伸腕、前臂内旋、前臂外旋八个动作,则测试点处由表面电极募集的原始 SEMG信号经导线进入JD一4肌电图机,并经JD一4肌电图机放大、滤波等处理后,由其显示

.24-

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

器实时显示出所采集的SEMG波形。在此同时,将此SEMG信号输入专用计算机数据采集卡 进行数据采集,并将采集到的SEMG原始数据以wAV文件格式存储在此专用计算机中。如 此,受试者分别多次重复以*酥侄鳎憧刹杉酱罅浚樱牛停堑脑际荩员负笮 究之用。 图2.16一图2.23分别为受试者握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内 旋、前臂外旋八个动作时SEMG信号的原始波形,图中(a)、(b)、(C)、(d)分别对应掌 长肌、肱桡肌、尺侧腕屈肌和肱二头肌的SEMG信号。









(a)

(b)

(c)

(d)

图2.17受试者展拳时四块肌肉的SE}JG波形
Fig.2.17 The four muscles SEMG original wKves when the person spreads his fist

.25.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

(a)

(b)

(c)

图2.19受试者腕外旋时四块肌肉的SEMG波形
Fig.2.19 The four muscles SEMG original waves when the person circumrotates his wrist fon】1

(b)

(c)

图2.20受试者屈腕时四块肌肉的SEMG波形
Fig.2.20 The four muscles¥EMG original WaVeS when

the

person bends his wrist

.26.

东北大学博士学位论文

第二章肌电信号产生的机理及其采集方法

(a)

(b)

(c)

图2.23受试者前臂外旋时四块肌肉的SEMG波形
w“es when the person circumrotates his forearm forth Fig 2.23 The four muscles SEMG original
.27.

东北大擘博士学位论文

第三章基于小波分析肌电信号模式识别的研究

第三章基于小波分析肌电信号模式识别的研究
3.1小波分析的基本理论
小波分析方法是一种窗口大小(即窗口面积)固定但其形状可改变、时问窗和频率 窗都可改变的时频局部分析方法。即在低频部分具有较高的频率分辨率和较低的时间分 辨率;在高频部分具有较高的时间分辨率和较低的频率分辨率。正是这种特性,使小波 变换具有对信号的自适应性。在大尺度下,小波分析可以将信号的低频信息(全局)表 现出来,在小尺度下,可以将信号的高频(局部)特征表现出来。从而,我们可以根据 需要择取不同尺度的变换来描述信号的特征。 对于连续小波变换,设y(f)∈£2(R),(L2(尺)表示*方可积的实数空间,即能量有

限的空间信号),其Fourier变换为矿(叻,当矿(国)满足允许条件:

o=I眢如<。。
质。 将母函数y(f)经伸缩和*移后可得到一个小波序列,又称予小波。

(3_t)

此时,称缈(,)为~个基本小波或母小波(Mother Wavelet)。由容许条件可以推论出:

基小波y(f)至少必须满足痧@=o)=0,即眵(f)=0。也就是说,p(国)必须具有带通性

y如(,)=i1 y[丝1

臼,b∈R:口≠0

(3—2)

仆I\o/

其中a为伸缩因子(或尺度因子),b为*移因子。将基本小波作位移,对于持续时间 有限的小波,妒(f)与P。(f)的关系如图3.1所示。

/ \

vO)

一 矿(f一6)J移位



AV






、,





r(:)俨2,伸缩 i堕)加2,移匹 d,C、
、, 6、~7
move and flexing

图3.1小波的位移与伸缩
Fig.3.1

Wavelet

-28-

东北大学博士学位论文

第三章基于小波分析肌电信号模式识别的研究

对于任意函数,(f)E L2(尺)的连续小波变换定义为

%(Ⅱ16);(加叫)埘I

I啦胁)孑(等)西

(3_。)

取口=‰”,b=nbod。”,口。>1,bo∈R,则信号f(t)的离散小波变换为

Ws(m,胛)=%一:r邝)孑(‰一”f_nbo)dr
由式(3-4)知,对不同的频率成分a。

(3—4)

,在时域上的取样步长为boa。“,是可调的,

高频者(对应小的m值)采样步长小,低频者(对应大的m债)采样步长大。也就是 说,小波变换能实现窗口的大小固定,形状可变的时频局部化,见图3.2。J下出于此, 小波变换被誉为数学“显微镜”。

口呈 口呈
图3.2小波变换时频分析示意图
Fig.3.2 The time—frequence analysis ofwavelet transform

3.2小波变换
3.2.1连续小波变换
小波是具有震荡特性、能够迅速衰减到零的一类函数。由前知,满足允许条件的函 数l;f,(f)称为基小彼,其伸缩和*移构成一簇函数系

哪,5南妒(㈢
量有限信号厂O)∈L2(R),其连续小波变换定义为

口.b∈R;口≠0

(3-5)

式中,∥。(f)称子小波;口为尺度因子或频率因子。b为时间因子或*移因子。对于能

吲舶蚓a|邮肌取等p
.29.

仔e)

式中,歹(f)为矿(,)复共轭函数。式(3—6)说明小波变换是对信号用不同滤波器进行滤
波。由于f、玑b都是连续的变量,故式(3—6)称为连续小波变换。其重构公式(逆变

查苎查!塑丝垡垒查
换)为

箜三主垄!:!:鎏坌堑竖皇堡量堡叁坚型竺竺塞

巾一L Li口112 J慨唧(等]拗
低频作概貌观察。

∽z)

当a较小时,时域上观察范围小,而在频率上相当于用较高频率作分辨率较高的分 析,即用高频小彼作细致观察。当a较大时,时域上观察范围大,而在频率上相当于用

3,Z.2离散小波变换
在实际运用时,特别是在计算机上实现时,需将连续小波变换作离散化处理。通常 将连续小波变换中尺度参数口和*移参数b离散化,即取口=嘞…,b=nboa。“,‰>1,
b。s

R,则信号/(f)的离散小波变换为
Ⅲm

町(m,Ⅳ)=口。一i

I。,(f)矿(ao+mf—H“)at



(3—8)

当%=2,%=1时,式(3-8)变为二进小波变换

w/(m,n)=2一…r;zl<f)≯(2一”f一”)出(3-9)
图3.3给出了一模拟信号的离散小波变换图像。

Om2 0nl



100

200

300

400

500

Discrete

transfmm,“solute cOemcients

100

200

300

.4∞

S∞

Continuous打ansfo眦absolute coolmcients


100

鞠O

3DO

400

500

Time(or space)
图3.3时间序列的小波变换(上:原始信号。中:离散小波变换。下;连续小波变换)
Fig.3.3 The time sequence wavelet transform

-30.

东北大学博士学位论文

第三章基于小波分析肌电信号模式识别的研究

3.3多分辨分析
Meyer于1986年创造性地构造了具有一定衰减性的光滑函数,其二进制伸缩与* 移构成∥(尺)的规范正交基,才使小波得到真正的发展。1988年Mallat在构造正交小波 基时提出了多分辨率(Multi—ResolutionAnalysis)的概念,从空间的概念上形象地说明 了小波的多分辨率特性,将之前的所有正交小波基的构造方法统一起来,给出了正交小 波的构造方法以及正交小波变换的快速算法,即Mallat算法。Mall砒算法在小波分析中 地位相当于快速傅立叶变换算法在经典傅立叶分析中的地位。 关于多分辨分析,以三层分解为例进行说明,见图3.4。从图3.4可以明显看出, 多分辨分析只是对低频部分进一步分解,使频率的分辨率变得越来越高,而商频部分则 不予以考虑。分解式为:S。=S3+d3+d2+d】。

图3.4二层多分辨分析的结构图
Fig.3.4 The multi?resolution analysis of wavelet

3.4人工神经弼络
3.4。1人工神经网络概述
作为人工智能的神经网络系统的研究,是从20世纪50年代末60年代初开始 的。当时,许多入从工程的角度研究用于信息处理的神经网络模型以及具有学*能力的 模式识别装置,其中Rosenblatt提出的有三层结构的感知机最具有代表性。1960年, Widrow和Hoff创造出~种会学*的自适应线性元件Adaline以及一种有效的网络 学*方法,即通常所说的d学*规则,这种网络及其规则在实际中得到了广泛的应用。 后来人们又不断地对神经阐络系统进行了研究。特别是1987年6月IEEE在美国加州圣 地亚哥召开了第一届神经网络国际会议,国际神经网络学会(INNS)随之成立,这标志着 神经网络的发展进入了一个新纪元。此后,神经网络的理论和应用歼发工具都以令入振

。31.

东北大学博士学位论文

第三章基于小渡分析肌电信号模式识别的研究

奋的速度发展着。中国也于1990年召开了第一届神经网络学术会议,出现了一些研究
成果[691。神经网络已不再是仅仅停留在研究阶段或说说而已的水*,人们开始动手实践、

设计并实现一定规模的神经元芯片和神经计算机装置;在现有个人计算机上建立神经网
络软件开发工具;应用神经网络的理论和方法解决诸如自适应滤波、非线性*⒛J

识别信号检测等实际问题m 7”。可以说神经网络这一研究领域是相当活跃的。

3.4.2人工神经网络的基本特征
神经网络是一个具有高度非线性的超大规模连续时问动力系统。是由大量的处理单
元(神经元)广泛互连而形成的网络。它是在现代神经科学研究成果的基础上提出的,反 映了人脑功能的基本特征。但它并不是入脑的真实描写,而只是它的某种抽象、简化与 模拟。网络的信息处理由神经元之问的相互作用来实现,知识与信息的存储表现为网络 元件互连间分布式的物理联系,网络的学*和计算决定于各神经元连接权系数的动态演 化过程。因此神经元构成了网络的基本运算单元。每个神经元具有自己的闽值,每个神 经元的输入信号是所有与其相连的神经元的输出信号和加权后的和。而输出信号是其净 输入信号的非线性函数。如果输入信号的加权集合高于其阈值,该神经元便被激活而输 出相应的值。在人工神经网络中所存储的是单元之间连接的加权值阵列。 神经网络的工作过程主要由两个阶段组成,一个阶段是工作期,此时各连接权值固 定,计算单元的状态变化,以求达到稳定状态。另一阶段是学*期(自适应期或设计期), 此时各计算单元状态不变,各连接权值可修改(通过学*样本或其他方法)。前一阶段 快,各单元的状态亦称短期记忆(STM),后一阶段较慢,权及连接方式亦称长期记忆 (LTM)。 根据网络的*私峁购脱*规则可将人工神经网络分为多种类型,如不含反馈的前 向神经网络、层内有相互结合的前向网络、反馈网络以及相互结合型网络等。 人工神经网络(Artificial Neural Networks)是人工智能的一个分支,人工神经网络

模型效仿大自然的杰作——人类大脑的*私峁梗拥厍蚵さ纳锝讨屑橙【 华,从而形成了一种更接*于人脑信息处理机制的计算机系统。其工作原理、结构及功 能与传统的计算机有很大差别,它突破了以传统的线性处理为基础的数字电子计算机的 局限,神经网络是一个具有高度非线性的超大规模连续时问动力系统。其主要特征如下:
1.结构化

它由一定数量的功能简单的单元——神经元(Neuron)相互连接而构成的。其神奇
之处在于它所包含的诸神经元之间的连接方式,包括联接关系和连接强度(即权值), 也就是该模型的组织结构。不同的组织结构,构成不同的模型,描述不同的对象,实现 不同的目的。具体说,在网络训练的过程中,输入端给出要记忆的模式,通过学*并合
.32.

东北大学博士学位论文

第三章基于小波分析肌电信号模式识别的研究

理地调节网络中的权系数,网络就能“记住”所有的输入信息。在执行时,若在网络的 输入端输入被噪声污染的信息或者是不完整、不准确的片段,经过网络的处理后,在输 出端便可得到恢复了的完整而准确的信息。 2.分布式、全息性和鲁棒性 人工神经网络模型以它的联接权值或者说它的*私峁估创⒋娑韵蟮男畔ⅲ簿褪 说它的信息储存是分布式的或全息式的。模型各部分所储存的信息互相支持,相互补充, 从而赋予模型较强的容错抗错性能和联想能力,使其不会因为部分神经元的损坏而严重 影响其总体性能,也不会因为输入信号受到一定程度的噪声污染而严重歪曲其输出。而 传统的计算机中,一旦某个器件出现故障,系统便无法正常工作。 3.并行性 网络中的各个神经元各自独立地从其输入端相联接的其它神经元采集输入,并计算 其输出,再将其传递给上一层(或其它)的神经元,作为它的~个输入,或作为整个模 型的输出。这种并行模式赋予模型高速的信息处理能力和对输入变化的快速响应能力。 4.非线性 一个人工神经元可以是线性或非线性的。由非线性神经元相互联接组成的神经网络 自身是非线性的,而且这种非线性是比较特殊的,它分散在神经网络的各处。利用人工 神经网络非线性,可以解决许多非线性问题。若输入信号所隐含的物理机制是非线性的, 则人工神经网络非线性的重要性会更加突出。也正是这种非线性映射功能,使得其在模 式识别等领域的应用前景广阔。

3.5支持向量机的模式识别方法
3.5.1支持向量机理论
统计学*理论是在七十年代末提出的一种有限样本的统计理论,针对小样本统计问 题建立了一套新的理论体系,在这种体系下的统计推理规则不仅考虑了对渐*性能的要 求,而且追求在现有有限信息的条件下得到最优结果f721。支持向量机(SVM)[731就是在统 计学*理论基础上发展起来的一种新的通用学*方法,根据结构风险最小化原则,在使 训练样本分类误差极小化的前提下,尽量提高分类器的泛化推广能力。与神经网络分类 器相比,兼顾了训练误差和推广能力,在解决小样本、非线性及高维模式识别问题中表 现出许多特有的优势。 SVM分类方法是从线性可分情况下的最优分类面(Optimal Hyperplance)提出的。

设线性可分样本集为(_,Y。),f=1,2…,n,x,∈R。,Y。∈{一1,+1)是类别标号。d维
空间中线性判别函数的~般形式为g(x)=W.x+b,分类面方程为
.33.

东北托擘博士学位论文

第三章基于小波分析肌电信号模式识别的研究

w。并+b=0

(3—10)

对判别函数进行归一化,使离分类面最*的样本韵{g【x){_1,可得到分类间隔2确硎,
因此要求分类间隔最大等价于使㈣摄小,而要求分类面将所有样本萨确分类,则需满

一【(w’z,)+6 J一1




i=1,2,…,胛

(3一11)

因此,满足上述条件且使i;卅i最小的分类面就是最优分类面。其中使式(3-I{)中等号
成立的那些样本称作支持向量。因为它们支撵了最优分类面。这样求最优分类面就成为 在条件(3—11)约束下,求函数

庐(w)=钏叫J2=去(w?w)
的最小值。在此引入Lagrange函数:

(3—12)

L(w,b川={(w?w)-∑q圳(w?t)+川一1}


(3—13)

I;l

其中嘶≥0为Lagrange系数。通过分别对w和6求偏微分并令它们等于0,可得最优解:

W’=∑口jM
};1

(3一14)

即最优分类面的权系数向量是训练样本向量的线性组合。根据Kuhn-Tucker条件,这个
优化问题的解须满足:
a,(y,(w?z。+6)-1)=0,
i=1,2?..,n

(3—15)

求解后得到最优分类函数为:

,∞=sgn匹口?y。o。?x)+巩
I;l

(3—16)

用内积r(x一)替代最优分类面中的点积,就相当于将原特征空间变换到了另一新的特征
空间,此时相应的判别函数式(3-16)变为:

f(x)=sgn{∑盘?y。K<x。,x)+∽
i=1

(3_17)

这就是支持向量机,此时的最优分类算法就成了支持向量机分类算法。

支持向量机的基本指导思想可以概括为:首先通过非线性变换将输入空闯变换到一 个高维空间,然后在这个新空间中求取最优线性分类面,而这种非线性变换是通过定义
适当的内积函数实现的。

支持向量机求得的分类函数形式上类似于~个神经网络,其输出是若干中间层节点
的线性组合,而每~个中间层节点对应于输入样本与一个支持向量的内积,因此也被叫 做支持向量网络。如图3.5所示。 出于最终的判别函数中实际只包含与支持向量的内积与求和,因此识别时的计算复 杂度取决于支持向量的个数。支持向量机的推广性与变换空间的维数无关,只要能够适
.34.

东北大学博士学位论文

第三章基于小波分析肌电信号模式识别的研究

当地选择一种内积定义,构造一个支持向量数相对较少的最优或广义最优分类面,则就 可以得到较好的推广性。

Xl





圈3.5支持向量机示意图
Fig.3.5 The support vector machine composing

采用不同的内积函数,将导致不同的支持向量机算法。目前研究的内积函数形式主
要有三种【74】: d次多项式:K(x,,x)=[1+(X,?x)]4


(3一18)

径向基:

世(t,x):exp{一堕二王}(3-19)


神经网络:K(x,,工)=tanh(v(x。?x)+c)

(3-20)

由支持向量机的求解过程可见,在使用支持向量机分类时,只与支持向最的个数有 关,而与特征值的维数无关。这是支持向量机优越于一般神经网络的地方。

3.5.2多类模式支持向量机分类器的设计
支持向量机不能直接应用于多类问题分类,对于多类模式识别问题, SVM可通过

两类问题的组合来实现。通常有两种方法:“一对多”策略和“一对一”策略。 “一对多”策略,即一个分类器将每一类与剩下所有类别区分开来。“一对一”策 略,即一个分类器每次完成二选一。“一对多”的算法往往会产生拒绝分类的情况,因 此多是将SVM与最*邻距离分类器相结合,分类性能相对较差。因此本文采用“一对 一”分类策略,并结合二叉判别树构造多类分类器。图3.6为八类分类器中第七类分类 器的结构图,其中底层的八个节点均为支持向量机分类器,其余节点均为二叉树节点。

训练时。按图3.6结构,首先将训练样本送入底层所有分类器,每个分类器获胜结
果送入上一层二叉树节点,在每个二叉树节点均有判别函数对+1和一l进行二选一判 别,在对+l和一1进行判别时,+1为获胜者。如此进行下去,直至在顶层给出最后惟
.35.

东北大学博士学位论文

第三章基于小渡分析肌电信号模式识别的研究

一判别结果,并储存训练后的参数。测试时 每一个分类器二选一的判别结果作为获胜者 的判别函数进行二选一判别,如此进行下去 类别共构建Ⅳ个二叉树分类器。

首先将测试数据送入底层所有的分类器, 送入上一层二叉树节点,在此节点用相应 直至在顶层给出最后惟一判别结果。|v个



图3.6“一对一”策略二叉树分类器结构图
Fig.3.6

SVM classifier with‘‘one

versus

one’’classification strategy and binary tree

在构建--X树时,类别数量N对二叉树的结构有影响。当N为2t时,可直接进行构 造。当Ⅳ不为2‘时,可将Ⅳ分解为如下形式:
N=2毛+2也+,…,+2k

(3~21)

其中kl>k2>…>k。,若N为偶数时,k。≠0,则分别用砂,2“,…,2‘类构建”个 SVM二叉树分类器,再用这/'2个二叉树分类结果构造新的SVM二又树(图3.6)。若Ⅳ 为奇数,k。=0,则将其中一类单独列出,在第二次构建二叉树时考虑,剩下的按上面 的方法构建。由于分解方法不惟一,因此分类器的结构也不惟一。

3.6基于db4小波最大值肌电信号的模式识别
3.6.1基于db4小波变换肌电信号最大值的提取
小波变换的实质是把原始信号不同频率段的信息抽取出来,并将其显示在时间轴 上,这样既可以反映信号的时域特征,也可反映信号的频域特征。在小波的多尺度分析 中,可利用小波的逆变换,重构原始信号。若给定所有的小波系数。则可通过重构算法 完全重构出原始信号,通过部分小波系数也能重构出*似的原始信号。在每级尺度的小 波系数中,不同系数对信号*淖饔糜跋斐潭榷疾灰谎渲芯灾到洗蟮南凳谑 频域内具有较大的能量,在重构时发挥的影响大,代表了信号的主要特征。因此可以考

虑将绝对值较大的小波系数作为描述信号的特征。实验中,我们对肌电信号作多尺度小
波分解,从每级分解中提取出绝对值最大的小波系数作为信号特征,构造特征矢量,并 利用BP神经网络实现动作识别。

.36.

东北大学博士学位论文

第三章基于小波分析肌电信号模式识别的研究

针对2.5节采集的前臂八种动作原始表面肌电信号,分别使用多种不同的小波对其
进行多尺度分解,并经大量实验比较,我们发现采用db4d、波分别对每组四通道数据作6 级尺度分解,并从每级小波分解系数中提取绝对值最大的小波系数作为信号特征,构成

24维特征矢量,输入BP神经网络进行分类,所得结果的分类效果较好。
运用此特征提取方法对2.5节采集的前臂八种动作原始表面肌电信号进行特征提 取,可得握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋八个动作的 24维特征矢量各40组。 db44,波的时域波形如图3.7所示。本文在对表面肌电信号作离散小波变换时,具体

采用了Mallat快速算法。由于Mallat快速算法在对肌电信号分解过程中对各级系数进行二
取一采样,故各级小波变换系数的长度逐级减半。图3.8显示了握拳时在掌长肌上采集 到的肌电信号的一段原始波形和使用db4d'波对其作6级小波分解时各级小波的分解系 数。

图3.7 db4d,波的时域波形
Fig.3,7 The db4 wavelct figure in time domain

_

【.u


t圃 t圈 鼍8
图3.8握拳时掌长肌上表面肌电信号原始波形和使用db4小波作6级分解的小波系数
his fist and its db4 Fig.3.8 The original SEMG signal from the palmaris longus when the person makes wavelet six layers decomposition COCfficients

.37..

查!!查芏堡主兰堡垒圭
3.6.2

苎三主墨±:!:壅坌堑些垦堡兰垄叁坚型塑竺壅

BP神经网络的分类实验

人工神经网络所具有的非线性分类能力使其在模式识别等领域已经显示出了非常 好的性能,并已在*些年来逐渐被用于表面肌电信号的模式分类研究f47,4引。本文选用如 图3.9所示三层结构的BP前馈神经网络作为分类器,网络由输入层、隐层、输出层组成。 将由四通道肌电信号多尺度小波分解系数绝对值的最大值所构成的特征矢量作为分类

器的输入,网络输出节点分别对应于不同的运动模式。神经元的激励函数厂b)选用连续
可微的Sigmoidi函数。

修改杈值

输八层隐层

图3.9 BP神经网络分类器分类原理
Fig.3.9 BP neural network structure

网络的训练采用标准的BP算法。过程如下:当给定一个网络输人模式时,首先将信 号传给隐层单元,再把经激励函数,G)处理后的结果传播到输出层单元,如果输出结果
与期望信号的差值比要求的大,则将输出信号误差沿原来的通路返回,修改各层单元的 权值。网络如此反复利用训练样本进行学*,直到输出误差满足要求为止。 对在3.6.1中介绍的由db4dx波对原始肌电信号提取的6级小波分解系数绝对值的最

大者作为信号特征,构成24维特征矢量,输入BP神经网络进行分类实验。神经网络的输
入节点数为24,分别对应于由四路肌电信号的6级小波系数绝对值的最大值所构成的特 征矢量,输出节点数为8,分别对应于握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前 臂内旋、前臂外旋八个不同的动作模式。实验表明,隐层节点的数量对于神经网络的分

类性能具有重要的影响。如果节点数取得太少,则神经网络无法充分地在特征空间中将 多个待识别模式有效地分开,如果节点数取得过多,则神经网络训练的运算量太大,耗 时太长,这不是我们所希望的。因此必须综合考虑神经网络的分类性能与分类效率两方
面因素来确定隐层节点的数量。本文通过大量实验比较,发现隐层节点数取10时,取得

-38—

网上电子资料集:http://edataonline.taobao.com

本文后续内容支付 0.5 元可得 --按后面支付方式支付后联系我获得完整文章

这里列出了与这篇文章同类的您感兴趣的网上目前可以 下载到的资源清单
=========================================================================== ++表示已上传到网上;--表示未上传[太大,如果需要邮件联系我] ----------------------------------------------------------------------------------------1、可下载技术资料与电子书-机器人篇 1.1 机器人相关论文及电子书(A0001-A0700)[共包括上千篇论文及电子书.rar] ++A0001-A0100 智能机器人(Agent)论文及电子书 ++A0101-A0200 工业机器人论文 ++A0201-A0300 康复机器人论文及电子书 ++A0301-A0400 足型机器人论文 ++A0401-A0500 其它机器人相关论文 ++A0501-A600 机器人及相关理论学*电子书 --A0601-A0700 英文机器人论文及电子书[1.11G] 1.2 机器人技术资料(A0800) ++A0800 带视觉类人机器人 Fighter 踢球 VS 源码 20 ++A0801 机器人小车相关技术资料 30 ++A0802 小型组足球机器人 ROBOCUP 资料(含源码)20 ++A0803 机器人 ROBONOVA 相关资料之一 10 --A0804 之 Robonova 实现游戏手柄操作源码与使用说明[1.22G]50 ++A0805 类人机器人相关软件 10 ++A0806 仿真机器人策略源码及几个不错的 dll-30 ++A0807 类人机器人培训文档(Fighter)10 ++A0808 机器人足球相关基础知识 10 ++A0809 类人机器人 FIghter-Nobonova 上、下位机源码集合 --------------------------------------------------------------------------------------------------------------后续资料会继续上传,下面是即将上传资料概要,假如您急需,可随时联系我获取;当 然,下面列出的不全,有其它需要可咨询我。 ----------------------------------------------------------------------------------------------------------------(1)智能、工业机器人、足球机器人、康复医疗机器人等论文、电子书、开发工具及程序源码 等; (2)电器控制:包括实际产品之控制原理图(包括用几种主流 PLC 搭建的系统,如西门子、欧 姆龙、三菱、光洋、AB 等)及相关学*资料,智能控制、电力电子等电子书和其他一些资

网上电子资料集:http://edataonline.taobao.com 料(源码、仿真软件等); (3)机械类:包括机械工程图(工厂加工可用) 、三维模型、设计实用电子手册、软件等 (4)计算机软硬件方面、数学算法方面等电子书; (5)现今常用编程语言软件开发之功能模块程序源码、学*视频、电子书(手册) 、游戏开发 相关源码与电子书等[C#/c++/JAVA/Flex/asp.net/php/Matlab/labview /python/openGL...]还有很 多移动设备开发源码; (6)几百个实用电路原理图、单片机、嵌入式等项目程序源码; (7)各种应用软件(机械绘图及建模、计算机编程、管理、图像处理等)安装包;程序编制常 用 dll 等 (8)其它相关资料[可以邮件咨询我获取] 下面是上面列出资源的下载方式: 下载请进入 115 优蛋网盘空间:网页登陆地址为:http://www.115.com/ 在其中账号输入:13452692267 密码:111111 补充说明:文件名首字母相同的资源代表一大分类,如 A0201 首字母 A 代表机器人相 关资源。顺便说一声,本人承接一些工作(如程序开发、毕业设计、课程设计、论文写作、 产品设计等,更多需要可联系我) 联系方式:13452692267 15870571215(手机 24 小时开机) Q Q : 2591433428 网名:Edata 邮 箱:Xh_lambert@126.com 电子资料:http://edataonline.taobao.com Blog : http://blog.sina.com.cn/s/blog_8360de09010131jt.html

石爱君工作室 日期:2012.9.13




友情链接: