[发明专利]利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置

说明书

本发明公开了一种利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置，该方法包括以下步骤：a、将采集到的肌电信号存入数组sEMG[CE]中；b、利用希尔伯特黄变换时频分析方法结合信息熵理论，对采集到数组sEMG[CE]中的肌电信号提取边际谱熵特征；c、将上述边际谱熵值存入数组HHE[CH]中，定义HHE[CE]为一帧数据，数组HHE[CH]用来按照先进先出方式存放边际谱熵；以及d、重复上述步骤a、b和c，存满数组HHE[CH]，将存满后的数组HHE[CH]作为肌肉疲劳特征，以用于肌肉疲劳判断。采用上述方法判断肌肉疲劳，基于边际谱熵的肌肉疲劳指标，计算快速，数据长度稳健性好，评估肌肉疲劳可靠性强，抗噪性能好。

技术领域

本发明涉及一种利用肌电信号评估肌肉疲劳的方法，尤其涉及一种利用肌电信号边际谱熵提取肌肉疲劳特征的方法和提取肌肉疲劳装置。

背景技术

肌肉疲劳是一种复杂的生理现象，其发生机理及其复杂，涉及中枢神经系统，肌肉能量代谢，血液中供氧量等，严重的肌肉疲劳会导致肌肉不可恢复的损伤。

肌肉疲劳的评估和监测对预防运动过量导致的肌肉疲劳损伤有重要意义，广泛用于临床医学、康复医学、体育科学、以及人类工效学等领域。

表面肌电信号(sEMG)是一种反应神经、肌肉系统功能与状态的非平稳时变生物电信号，其信号特征从不同方面、不同程度反映了肌肉疲劳相关过程，因此sEMG在肌肉疲劳评估中发挥着重要作用。研究表明，肌电信号的部分特征值伴随着肌肉疲劳的发生有明显的变化趋势，因此利用肌电信号评估肌肉疲劳关键的工作之一是从肌电信号中提取有效的特征值，要求该特征值应能伴随着肌肉疲劳的发生具有稳定的变化趋势。

目前，利用肌电信号评估肌肉疲劳的课题中，对肌电信号特征值提取主要集中在时域和频域，时域特征多用均方根RMS，肌电积分值IEMG，均值AVG等；频域特征多使用中值频率MPF，均值频率MPF。但时域特征与频域特征的算法稳定性和聚类性仍有提升的空间。

此外例如模糊近似熵、样本熵、小波熵等非线性特征值也有应用于肌肉疲劳的研究，也取得了一些进展。但目前大多非线性指标存在预先才选择参数以及计算复杂度高的缺点，例如应用较多的近似熵，需要实现根据信号的先验信息确定算法容限，同时信号长度会对特征值稳定性产生影响。样本熵是在近似熵基础上改进产生，具有更好的数据长度稳健性，但容限选择失误会导致在短数据时出现无定义的情况。

模糊近似熵用模糊集代替二值分类函数，使其具有更好的可靠性、抗噪性，但模糊近似熵必须计算每个距离矢量的隶属度函数，增加了算法的时间复杂度。

小波熵需事先选定小波基函数，而往往小波基函数的很大程度上决定了小波熵的效果。因此，在用于肌肉疲劳的特征值提取课题中，需要一种自适应、稳定性高又兼备良好的算法复杂度特征提取方法。

利用肌电信号评估肌肉疲劳较其他肌电信号应用领域又有其特殊之处，利用肌电信号评估肌肉疲劳不同于肌电信号起始点检测目的在于检测肌电信号中某点的突变值；也有别于利用肌电信号进行疾病诊断，疾病诊断是对待测信号的整段提取特征值，目的是使正常信号和病理信号差异性最大。而肌肉疲劳本身是一个过程，需要对这一过程的每时段肌电信号进行特征值提取，通过特征值的变化趋势来评估肌肉疲劳，因此特征值需伴随肌肉疲劳的产生具有确定性的变化趋势，并且要求变化趋势具有良好的一致性和可重复性。

发明内容

鉴于以上现有评估肌肉疲劳方法的缺点，本发明的目的在于提供一种利用肌电信号边际谱熵提取肌肉疲劳特征的方法，以使提取的特征值的变化趋势具有良好的一致性和可重复性。

本发明还提供了一种提取肌肉疲劳特征的装置，以使提取的特征值的变化趋势具有良好的一致性和可重复性。