[发明专利]基于EMD样本熵的表面肌电信号识别方法

说明书

技术领域

本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种应用于肌电假手，基于肌电信号的上肢多运动模式识别方法。

背景技术

表面肌电信号(Surface electromyography，sEMG)是从人体骨骼肌表面通过表面肌电拾取电极记录下来的、与神经肌肉活动相关的生物电信号，其中蕴涵着很多与肢体运动相关联的信息，不同的肢体动作具有不同的肌肉收缩模式，肌电信号特征也将有所差异，通过对这些特征的分析就可以区分肢体的不同动作模式，因此，它不仅被广泛运用于临床诊断、运动医学等领域，还成为假肢控制和功能性神经电刺激的理想控制信号。随着对肌电信号产生机理的研究，研究者们发现sEMG具有非周期、非平稳、非线性等混沌特性，近年来运用非线性指标来识别动作表面肌电信号的模式也得到了深入的研究，例如王人成等利用Hausdorff维区别了伸腕、屈腕和旋腕3个动作；胡晓等利用GP算法的信息维识别了腕正旋、腕反旋两个动作；邹晓阳、雷敏等将最大李雅普诺夫指数和多尺度分析方法结合起来，然后利用支持向量机较好的识别了人体前臂的内翻、外翻、握拳、展拳、上切和下切六类动作；澳大利亚皇家墨尔本理工大学的Naik,Genesh R. Kumar, Dinesh K等提取手部各类动作的肌电信号的分形维特征，然后结合支持向量机识别手部各个动作，取得了较高的识别率等。这些非线性算法都很好的解决了肌电信号的特征提取问题，然而这些特征提取方法需要长时间稳定的sEMG信号，抗噪能力较弱，对肌电假手就不能很好的实时控制。

发明内容

为实现对残肢患者手腕运动模式的正确识别，快速精准的控制肌电假手，本发明提出了一种基于经验模态分解(Empirical mode decomposition, EMD)样本熵的肌电信号识别方法。首先从相关肌肉组上采集相应的表面肌电信号，然后运用能量阈值确定sEMG的动作信号进行经验模态分解（EMD），依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的内蕴模式函数(Intrinsic Mode Function，IMF)分量求和作为有效肌电信号，求取样本熵，然后将样本熵作为特征向量输入主轴核聚类分类器，实现肌电信号的上肢多运动模式识别。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪拾取人体上肢肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为动作肌电信号。

步骤(2).将步骤(1)获取的sEMG动作信号进行经验模态分解，然后依据频率有效度的方法自适应的选取若干个包含肌电信号有效信息的IMF分量进行迭加作为有效肌电信号。

所述经验模态分解（EMD)，具体算法如下：

EMD是一种自适应的信号处理方法，非常适合处理非线性非平稳信号，它基于一个基本的假设条件，即所要分析的信号是由许多不同的内蕴模式函数相互叠加而成。不同时间尺度的各种模式将会根据其自身的特征尺度进行分解，分解后的每种模式是相互独立的，在连续的过零点间不存在其他极值点。所以每一个IMF都要满足以下两个判断条件：整组IMF数据中极值点和过零点的数目相等或最多相差1；信号的局部极大值包络线和局部极小值包络线的均值为0。

对信号                                                ，用EMD分解成各IMF步骤为：

(1)首先确定信号的所有极值点，包括极大值点和极小值点。然后对所有极大值点和所有极小值点分别用三次样条插值曲线连接起来，这样便确定信号的上包络线和下包络线，记上、下包络线的均值为。则

                         (1)

(2)用信号减去上、下包络线的均值得到，即

                    (2)

此时看是不是满足IMF的两个条件，满足则把赋给；不满足则把看作原始信号在重复以上过程，直至次循环后得到的满足IMF的两个条件，并记：

                               (3)

(3)记剩余信号，将其作为新的序列，重复上面步骤，直至提取出所有的IMF。此时原始信号最终分解为个IMF和一个剩余分量。记：

                                     (4)

式中：为第个IMF分量；为余项。