[发明专利]一种基于源数估计的表面肌电信号自适应滤波方法

摘要

本发明公开了一种基于源数估计的表面肌电信号自适应滤波方法，该方法针对肌肉持续稳态恒力收缩下采集的表面肌电信号，采用集合经验模态分解方法将表面肌电信号自适应地分解为多个内在模态函数分量。相空间奇异值分解方法以所筛选出的各个内在模态函数分量为对象，获取其相空间奇异特征值分布信息。设计能量百分比极大差异优化算法实现内在模态函数分量的源数估计，进而实现相空间奇异矩阵重构。最后对处理后的多个内在模态函数分量进行信号叠加重构，获取表面肌电信号的高质量滤波消噪结果。

主权项

一种基于源数估计的表面肌电信号自适应滤波方法，其特征在于，包括以下步骤：将肌肉持续稳态恒力收缩下采集的表面肌电信号标记为x(t)，以此作为待分析信号对象，进行集合经验模态分解处理，其具体步骤为：A1，统计原始表面肌电信号x(t)的标准差并标记为SD，在x(t)中加入α×SD的加性随机白噪声，并将获得的新时间序列标记为A2，对新序列进行经验模态分解，获取加噪序列的内在模态函数分量；A3，对A1、A2两个步骤重复m次，得到加入不同白噪声后的新时间序列i＝1，...，m，并可得到m个内在模态函数分量集合；A4，将获得的内在模态函数分量集合进行平均处理，得到最终的内在模态函数分量结果；A5，在获取内在模态函数分量后，将频率低于30Hz的低频内在模态函数分量直接去除，并将剩余的内在模态函数分量标记为imfj＝1：J，J表示剩余内在模态函数分量的个数；其中，参数α和m是根据表面肌电信号的复杂程度进行设置，α的取值范围在0.15～0.25之间确定，m的取值范围在100～1000之间确定；实现集合经验模态分解并完成内在模态函数分量的自动频率选择处理后，对剩余的各个内在函数模态分量进行相空间奇异值分解及其信号滤波重构，其具体步骤为：B1，利用相空间构造技术将一维的第一个内在模态函数分量imf1构造成r×k维的Hankel矩阵，标记为H；B2，对构造的Hankel矩阵进行奇异值分解，获取按从大到小排列的n个奇异特征值，σ1≥σ2≥...≥σn；B3，对奇异特征值的分布情况进行优化分析，利用分量源数估计方法，保留与表面肌电信号相关的奇异特征值，将与噪声相关的奇异特征值设置为零，并结合奇异特征向量实现Hankel矩阵的消噪估计，标记为B4，利用估计的Hankel矩阵，进行相空间逆向重构，获取内在模态函数分量的滤波消噪结果，标记为即im^f1(j)=1p-q+1Σd=1pH^xj-d+1,d]]>其中，p＝min(k，j)，q＝max(1，j‑r+1)，j＝1：length(imf1)且d＝p：q；B5，针对其它内在模态函数分量imfj＝2：J重复上述四个步骤，获得内在模态函数分量的滤波消噪结果，标记为B6，基于内在模态函数分量的重构滤波消噪结果，将各个分量进行信号叠加重构，就获得滤波消噪后的表面肌电信号；步骤B3中，针对奇异特征值分布的分量源数优化估计方法具体为一种针对内在模态函数分量的能量百分比极大差异优化算法，该算法将奇异特征值表达为能量形式即计算特征能量值依次组合情况时的占用百分比，即En(g)=sum(σ1:g2)sum(σ12+σ22+...+σn2)×100%]]>其中，g＝1：n‑1；对获取的n‑1个特征能量百分比进行相邻差分运算，找出其中的极大差值diff，即diff＝max(|En(g)‑En(g‑1)|)其中，g＝2：n‑1；那么，该极大差值所对应的前一位奇异特征值位置便是内在模态函数分量中的有效源个数；进而实现相空间奇异值分解的优化重构和消噪处理。