基于ANN和SVM的sEMG信号分解

【摘要】： 肌电(Electromyography, EMG)信号是由多个运动单位(Motro Unit, MU)兴奋发放的运动单位动作电位序列(Motor Unit Action Potential Train, MUAPT)沿肌纤维传播在检测电极处的时间、空间叠加合成结果,是与肌肉收缩紧密相关的神经肌肉活动电特性的表现。肌电信号的分解则是其形成的求逆过程,即根据EMG的产生机理,还原出构成它的主体运动单位动作电位序列,进而可以获得运动单位动作电位(Motor Unit Action Potential, MUAP)的波形信息和运动单位的募集发放信息。肌电信号的分解对于神经肌肉控制的基础研究和神经肌肉疾病的临床诊断具有重要的理论意义和应用价值。 与插入式肌电信号(indwelling electromyography, iEMG)相比,表面肌电信号(Surface Electromyography, sEMG)检测具有无创性的优点,应用场合和范围更加广泛。但由于sEMG信号信噪比低,不同运动单位的动作电位波形相似性比较高,且包含较多的叠加波形,造成分解工作比较困难。国际上sEMG信号分解的研究状况,大多数仅限于对肌肉轻度收缩力水平(10%MVC)下的信号的分解,且对sEMG信号中叠加波形的分解问题很少涉及。 本文重点研究了sEMG信号的降噪预处理技术和基于模式识别技术的sEMG信号分解算法,主要研究的工作和成果如下: (1)针对sEMG信号的噪声特点,提出基于经验模态分解(Empirical Mode Decomposition, EMD)的三级滤波器方法对sEMG信号进行预处理,即采用频谱插值法去除工频干扰,采用形态学运算去除基线漂移,采用经验模态分解去除白噪声。实验结果表明,所提出的方法不仅能够提高sEMG信号的信噪比,也能有效的保留MUAP波形信息,这将有利于对MUAP波形的识别从而提高对sEMG信号的分解准确率。 (2)sEMG信号分解算法的研究。在对分解算法广泛调研和深入分析的基础上,采用自组织特征映射(Self Self-Organizing Feature Map, SOFM)与学习向量量化(Learning Vector Quantization, LVQ)混合网络对MUAP波形聚类分析,再利用支持向量机完成对MUAP的分类,最后采用基于递归的模板对准技术分解叠加波形。实验结果表明,该分解算法能够获得较高的分解准确率,尤其是对中低收缩力下的sEMG信号分解。 (3)搭建分解系统平台。在Matlab平台下,开发了基于GUI技术的两通道sEMG信号分解系统。该系统除了集成上述信号预处理技术和自动分解算法之外,还可以方便地进行人工交互分解,以得到更高的分解准确率。