[发明专利]人体表面肌电信号消噪、特征提取和模式识别方法

说明书

技术领域

本发明属于生物信号处理和模式识别领域，涉及到一种人体表面肌电信号消噪和特征提取方法。

背景技术

表面肌电信号(surface electromyography(SEMG)signals)是一种生物电信号，由于其具有易采集，无损伤的优点，被广泛应用于临床医学和运动医学，特别是在人体动作识别领域，肌电信号是其主要的研究对象。而肌电信号的消噪和特征提取，是人体动作识别的关键问题。

SEMG信号是从人体皮肤表面获取的肌肉电活动，它来自于检测肌肉的神经纤维的电活动[1]。SEMG信号是一种微弱的电信号，峰峰值一般只有0～10mV，有用信号的频率范围为0～500HZ[2]。肌电信号在获取的过程中，伴随着人体内部组织的各种噪声、电子设备中固有噪声和环境噪声等[3]。由于表面肌电信号的幅度小，信噪比低，易被淹没在各种噪声中，因此如何有效去除表面肌电信号的噪声成为了研究的重点。

表面肌电信号是非平稳生物电信号，而小波分析作为一种多分辨率时-频域分析方法是分析非平稳信号的有力数学工具。由于小波包消噪方法不仅对信号的低频部分进行分解，同时也对高频部分进行分析，与小波消噪相比具有更高的时频分辨率，因此得到了更广泛的应用。但是这些消噪方法大都采用全局阈值，即相同尺度采用相同的阈值，或者对高频部分采用统一阈值消噪[4]，或者对最优小波包结点采用相同的阈值算法[5]。而肌电信号中混杂了各种各样不同性质的噪声，表现在各个结点系数的性质也不同，因此，对不同的结点采用相同的阈值很难达到理想的消噪效果。所以，寻求一种自适应方式来对最优小波包各个结点进行降噪是有十分必要的。

模式识别的关键是特征值的选取，它直接影响识别的效果。目前，在以SEMG为研究对象的人体动作识别中，已经探索出一系列有效的特征值选取方法，并得到了很好的应用和验证。例如时域特征：自回归模型(AR)[6]，积分肌电值[7]；频域特征：功率谱，双谱分析[8]；由于时域或频域只能提取肌电信号单一域特征，会丢失一部分特征，因此引入了时-频域特征，例如，短时傅立叶变换、Wigner-Ville变换及小波变换等，其中以小波系数作为特征值的研究最见成效。蔡立羽等[9]以各尺度最大的小波系数为特征值对人体上肢四个动作进行识别，正确率达到了80％以上；Zhao Jing-dong等[10]对小波细节分量进行奇异值分解并将其作为特征值，对基于假手的六个动作的平均识别率达到了90％；罗志增等人以小波包变换各频段的能量来构造特征值，对伸腕、屈腕、展拳和握拳等4种手部动作模式的识别率达到92.5％[11]。近年来，很多学者提出利用肌电信号的非线性动力学特征进行动作识别，刘南庚等[12]利用小波分解后的各级系数的最大李雅普诺夫指数对上肢四个动作进行识别，每个动作的识别率均在93％以上。但是，在康复医学领域，要求更高的精确度，因此如何达到更高的识别率是每一个研究者追求的最终目标。

反向传播(Back Propagation，BP)神经网络是肌电信号模式识别中应用最为广泛的一种分类器，但是，隐含神经元的个数选择目前还没有形成一个完整的理论指导。1990年，R.C.Eberhart和R.WDobbins在他们的著作“Neural Network PC tools”中这样阐述“隐含神经元的选择是一种艺术”。可见，神经网络的识别效果与隐含神经元的个数密切相关。我们在研究中也发现，识别效果还和训练误差有着紧密的联系，选择的参数不同，最后的识别效果会有很大的差别。因此，寻找最优的神经网络参数也是肌电信号动作识别的关键。

上述提到的参考文献如下：

[1]Constable R and R.J.Thornbill，“Using the Discrete WaveletTransform for Time-Frequency Analysis of the Surface EMG Signal，”ISA，Vol.16，pp.121-127，1993.

[2]Kilby J and H.Gholam Hosseini，“Wavelet Analysis ofElectromyography Signal，”IEEE.vol.1，pp.384-387，2004