一種用于人體下肢表面肌電信號的辨識方法
【專利摘要】本發(fā)明涉及一種用于人體下肢表面肌電信號的辨識方法。本發(fā)明主要步驟為：實(shí)時采集對應(yīng)肌肉塊在活動動作刺激下的表面EMG信號；對采集的EMG信號進(jìn)行預(yù)處理，獲得消除偽跡信號后的EMG信號；使用離散小波變換方法對獲得的EMG信號進(jìn)行分解，分解后獲得低頻系數(shù)向量和高頻系數(shù)列；采用時、頻域結(jié)合的濾波方法，將獲得的小波分量進(jìn)行奇異值分解，并將分解得到的奇異值構(gòu)成特征矩陣；采用支持向量機(jī)對特征樣本進(jìn)行訓(xùn)練，并生成支持向量機(jī)分類器用于對盲樣本進(jìn)行分類識別。本發(fā)明的有益效果為，相對于傳統(tǒng)技術(shù)，本發(fā)明提出了一種新的下肢EMG信號預(yù)處理方法。
【專利說明】
一種用于人體下肢表面肌電信號的辨識方法
技術(shù)領(lǐng)域
[0001 ] 本發(fā)明設(shè)計用于人體下肢的生物電信號中的表面肌電信號(E1 e c tr omy ograph i c Signal，EMG)的偽跡消除、特征提取與辨識技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 據(jù)統(tǒng)計數(shù)據(jù)顯示，我國在21世紀(jì)初已正式邁入老齡化社會，且老齡化進(jìn)程超過其 他國家，預(yù)計2020年我國老年人口會達(dá)到2.48億，2050年將達(dá)到4億。老年人及肢體殘疾人 在人口結(jié)構(gòu)中正在迅速擴(kuò)大，上述人群的顯著特點(diǎn)是其日常行為活動均需提供輔助幫助。 癱瘓是導(dǎo)致上述人群喪失運(yùn)動能力的最常見原因之一，尤其是下身癱瘓，它涉及到肢體、軀 干的部分的或完全的功能喪失。目前臨床專家普遍認(rèn)為，肢體運(yùn)動康復(fù)被認(rèn)為是一個有效 的解決方案，其要求受影響的下肢肢體主動地參與積極鍛煉。然而，對于肢體功能存在障礙 的人群，通常難以順利完成例如站立、下蹲、行走等下肢肢體運(yùn)動。因此，通過EMG信號的研 究能夠幫助探索運(yùn)動神經(jīng)與肌肉組織的生物反饋機(jī)制，預(yù)測與感知肢體運(yùn)動態(tài)勢，評估老 年人、殘疾人、以及亞健康人群的肌肉活動能力，為發(fā)展適用于老齡人和肢體殘疾人士的康 復(fù)下肢運(yùn)動輔助設(shè)備提供理論依據(jù)與應(yīng)用基礎(chǔ)。
[0003] 表面EMG信號是一種分析人體與日常生活活動相關(guān)的下肢肢體運(yùn)動動作的生理信 息來源，該信號是通過電極引導(dǎo)、放大而從肌肉表面記錄下來的神經(jīng)肌肉系統(tǒng)活動時的非 平穩(wěn)一維時間序列生物電信號，它能夠反映肌肉強(qiáng)度和人的運(yùn)動特征。人的運(yùn)動意圖通常 通過神經(jīng)興奮刺激肌肉細(xì)胞的收縮與舒張實(shí)現(xiàn)，由于不同的肢體運(yùn)動中肌肉收縮的模式不 同，導(dǎo)致相應(yīng)的表面肌電信號的特征也具有差異，在人的意圖控制下產(chǎn)生的表面EMG信號能 較好地反映出肢體運(yùn)動或動作特征，評估人體運(yùn)動意圖。人體運(yùn)動意圖的實(shí)現(xiàn)主要通過肢 體完成，由于下肢EMG信號相對于上肢更為復(fù)雜，同時受到更大的噪聲干擾，因此對人體運(yùn) 動的研究主要集中在上肢EMG信號，而對下肢EMG信號及其識別的研究需要進(jìn)一步完善。目 前在EMG信號的識別中，常用的方法都是基于傳統(tǒng)的分類或聚類算法，如支持向量機(jī)、神經(jīng) 網(wǎng)絡(luò)（Neural Network Algorithm，簡稱 "NNA"）、線性鑒別分析（Linear Discriminant Analysis，簡稱"LDA"）等。其中，LDA算法即可以識別單一的某種動作，也可以將多個動作加 上標(biāo)簽作為特殊的一類進(jìn)行識別。在下肢EMG信號的研究上，2016年，John A. Spanias等人 使用LDA算法，研究了只用EMG信號進(jìn)行分類、以及將EMG信號和器械傳感器返回的其他類型 的數(shù)據(jù)一起進(jìn)行分類的方法；2014年，AJ Young等人使用Sensor Time History的方法對 EMG信號進(jìn)行分類，但該方法僅考慮了整個過程中信號的時間跨度。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的，就是針對上述問題，提供一種用于人體下肢表面肌電信號的辨識 方法。
[0005] 通過實(shí)驗(yàn)分析，發(fā)現(xiàn)下肢EMG信號尺度通常非常微弱，同時由于硬件局限性和肢體 移動等原因，也十分容易受到工頻、基線漂移和高斯白噪聲干擾，因此實(shí)驗(yàn)所采集到的下肢 EMG信號偽跡嚴(yán)重，基于原始數(shù)據(jù)直接進(jìn)行特征提取和分類識別是不現(xiàn)實(shí)的。傳統(tǒng)偽跡消除 方法是對原始信號進(jìn)行帶通濾波處理(下肢EMG信號的主要成分集中分布在20~500Hz頻段 上）。本發(fā)明中分別對工頻干擾、基線漂移進(jìn)行陷波濾波與低通濾波，根據(jù)本發(fā)明提出的工 頻干擾噪聲因子和基線漂移噪聲因子分別對下肢EMG信號進(jìn)行評估，當(dāng)噪聲的能量超出閾 值時，采用陷波和低通濾波，否則采用濾波前信號。而對于高斯白噪聲，首先計算下肢EMG信 號的過零點(diǎn)數(shù)，通過過零點(diǎn)數(shù)對下肢EMG時域信號進(jìn)行區(qū)間劃分，再通過高斯白噪聲因子逐 次對每一區(qū)間的噪聲進(jìn)行評估，當(dāng)噪聲的能量超出閾值時，采用濾波結(jié)果，否則采用濾波前 的信號。在表面EMG信號具有非平穩(wěn)性、非線性特點(diǎn)的前提下，本發(fā)明將離散小波變換 (Discrete Wavelet Transform，DWT)應(yīng)用到下肢EMG信號的特征提取中，它是將時域、頻域 分析相結(jié)合對表面EMG信號的時間和頻率所包含的信息進(jìn)行分析。而傳統(tǒng)的偽跡消除(如帶 通濾波器）、特征提取(如傅立葉變換、時域和頻域分析)方法僅僅獨(dú)立地在時域或者頻域中 分析數(shù)據(jù)，并將EMG信號視為平穩(wěn)或者短時平穩(wěn)信號進(jìn)行處理，因此傳統(tǒng)的方法并不能準(zhǔn)確 地獲取人體下肢肢體運(yùn)動動作的EMG生理反應(yīng)特征。奇異值分解（Singular Value DeC〇mp〇Siti〇n，SVD)是一種有效的代數(shù)特征提取方法，由于奇異值特征在描述信號數(shù)值上 比較穩(wěn)定，且具有轉(zhuǎn)置不變性、旋轉(zhuǎn)不變形、位移不變性等重要性質(zhì)，因此奇異值特征可以 作為信號的一種有效的代數(shù)特征描述。最后，本發(fā)明將離散小波變換(DWT)和奇異值分解 (SVD)相結(jié)合，基于新的下肢EMG信號預(yù)處理方法，進(jìn)一步提出時、頻域結(jié)合的濾波方法，根 據(jù)上述得到的特征矩陣，采用支持向量機(jī)(Support Vector Machine，SVM)的方法對信號進(jìn) 行分類識別。
[0006] 本發(fā)明的技術(shù)方案為:一種用于人體下肢表面肌電信號的辨識方法，其特征在于， 包括以下步驟：
[0007] a.將一次性肌電電極粘放至下肢肌肉組織表皮上，實(shí)時采集對應(yīng)肌肉塊在活動動 作刺激下的表面EMG信號；
[0008] b.對步驟a中采集的EMG信號進(jìn)行預(yù)處理，獲得消除偽跡信號后的EMG信號;所述預(yù) 處理方法包括工頻干擾濾波、基線漂移濾波和高斯白噪聲濾波;本步驟中，工頻干擾濾波、 基線漂移濾波和高斯白噪聲濾波的順序可以進(jìn)行任意排列；
[0009] C.使用離散小波變換方法對步驟b獲得的EMG信號進(jìn)行分解，分解后獲得低頻系數(shù) 向量cAl和高頻系數(shù)向量cDl;使用離散小波變換的方法對低頻系數(shù)向量cAl進(jìn)行分解，獲得 低頻系數(shù)向量cA2和高頻系數(shù)cD2;繼續(xù)重復(fù)使用離散小波變換的方法對低頻系數(shù)向量進(jìn)行 分解，直至獲得低頻系數(shù)向量cA5和5個高頻系數(shù)列cDl，cD2，cD3，cD4，cD5為止；
[0010] d.采用時、頻域結(jié)合的濾波方法，將步驟c中獲得的小波分量進(jìn)行奇異值分解，并 將分解得到的奇異值構(gòu)成特征矩陣；
[0011] e.以步驟d中獲得的特征矩陣為樣本，采用支持向量機(jī)對特征樣本進(jìn)行訓(xùn)練，并生 成支持向量機(jī)分類器用于對盲樣本進(jìn)行分類識別。
[0012] 2、根據(jù)權(quán)利要求1所述的一種用于人體下肢表面肌電信號的辨識方法，其特征在 于，步驟b中所述預(yù)處理的具體方法包括：
[0013] bl.工頻干擾濾波;具體方法為:將步驟a中采集得到的EMG信號c(t)作為原始輸入 信號CPLI(t)進(jìn)行陷波濾波，得到濾波結(jié)果為a(t)，定義工頻干擾因子e PLI，則ePLI可通過如下 公式1計算：
[0014]
[0015] 其中，var是信號方差算子，用于計算時間序列的方差，通過工頻干擾因子ePLI對濾 波結(jié)果進(jìn)行修正如下公式2所示：
[0016]
[0017] 其中，sPLI(t)是濾除工頻干擾噪聲的最終結(jié)果，公式2表明如果工頻干擾噪聲的能 量占比超過原始信號能量的10%，則采用陷波濾波器的濾波結(jié)果；
[0018] b2.基線漂移濾波;具體方法為:將步驟bl獲得的信號SPLI(t)作為原始輸入信號CBW (t)進(jìn)行低通濾波，濾波結(jié)果為d(t)，定義基線漂移因子為εΒν，則εΒνΡΤ通過如下公式3計算：
[0019]
[0020]根據(jù)基線漂移因子對濾波得到的基線漂移噪聲d(t)進(jìn)行修正得到b(t)，其表達(dá) 式如公式4所示：
[0021]
[0022]最后，得到去除基線漂移噪聲后的信號SBw(t)如下公式5所示：
[0023] SBw(t) = CBw(t)-b(t) (公式 5);
[0024] b3.高斯白噪聲濾波;具體方法為:將步驟b2得到的信號sBW(t)作為原始輸入信號 CWCN(t)進(jìn)行濾波;對時域信號CTCN(t)基于過零點(diǎn)進(jìn)行區(qū)間劃分，再通過閾值判斷方法對信 號CTCN(t)進(jìn)行高斯白噪聲濾波;具體為:假設(shè)信號內(nèi)包含j個過零點(diǎn) 21(1 = 1，2，...，」），則 對于區(qū)間Zi<tj<Zi+1內(nèi)的信號有：
[0025]
[0026] 其中，T為信號c (t)的閾值，t m為區(qū)間內(nèi)的極值點(diǎn)；閾值T由如下公式7和公式8確 定：
[0027]
[0028] o=median( | CwGN(t) | :t = l，2, · · ·，L)/0.6745 (公式8)
[0029 ]此處，σ為輸入信號ctcn (t)的噪聲水平;L為信號ctcn (t)的長度，特別地對于離散信 號L即為離散點(diǎn)點(diǎn)數(shù);median為信號中位數(shù)算子，用于獲取時間序列的中位數(shù)。
[0030] 本發(fā)明的有益效果為，相對于傳統(tǒng)技術(shù)，本發(fā)明提出了一種新的下肢EMG信號預(yù)處 理方法，同時基于偽跡消除后的下肢EMG信號特點(diǎn)，首先提出結(jié)合DWT和SVD，對下肢典型運(yùn) 動動作的EMG信號如行走支撐、行走行走、下蹲和站立等進(jìn)行特征提取，最后通過SVM對所提 出的特征矩陣進(jìn)行分類辨識。
【附圖說明】
[0031] 圖1為本發(fā)明的流程圖；
[0032]圖2為利用小波函數(shù)對信號進(jìn)行5層小波分解過程的邏輯框圖。
【具體實(shí)施方式】
[0033]下面結(jié)合附圖，詳細(xì)描述本發(fā)明的技術(shù)方案：
[0034]如圖1所示，本發(fā)明用于人體下肢表面肌電信號的辨識方法，主要包括以下步驟： [0035]步驟1)下肢動作原始EMG信號獲?。?br>[0036] 將一次性肌電電極粘放至下肢肌肉組織表皮上，實(shí)時采集對應(yīng)肌肉塊在活動動作 刺激下的表面EMG信號c(t);
[0037] 步驟2)原始信號預(yù)處理(偽跡消除方法）：
[0038] 對采集得到的原始EMG信號進(jìn)行偽跡消除，其包括對工頻干擾噪聲、高斯白噪聲、 基線漂移噪聲的濾除。本步驟中的三種噪聲的濾波沒有固定的先后順序，這里按工頻干擾 噪聲的濾波、高斯白噪聲的濾波、基線漂移的濾波這一順序進(jìn)行描述;其次，在敘述上本文 中的"去噪"與"對噪聲的濾波"含義相同。
[0039] a)工頻干擾的去噪:將采集得到的表面EMG信號，c(t)，作為本次去噪過程的原始 輸入信號，cPLI(t)，進(jìn)行陷波濾波，得到濾波結(jié)果，a(t)，同時定義工頻干擾因子，e PLI，如公 式(1)所示：
[0040] (1)
[0041] 其中，var是信號方差算子，用于計算時間序列的方差。通過工頻干擾因子ePLI對濾 波結(jié)果進(jìn)行修正如下：
[0042] (2)
[0043] 其中，SPLI(t)是濾除工頻干擾噪聲的最終結(jié)果。公式(2)表明如果工頻干擾噪聲的 能量占比超過原始信號能量的10%，則采用陷波濾波器的濾波結(jié)果。
[0044] b)基線漂移的去噪:將進(jìn)行工頻干擾濾波后得到的信號，sPLI(t)，作為本次去噪過 程的原始輸入信號，CBW(t)，進(jìn)行低通濾波，濾波結(jié)果為d(t)。類似地，定義基線漂移因子， ￡bw，如公式（3)所不：
[0045] … (3)
[0046] 根據(jù)基線漂移因子，eBw，對濾波得到的基線漂移噪聲，d(t)，進(jìn)行修正得到，b(t)， 其表達(dá)式如公式(4)所示：
[0047] (4)
[0048] 最后，得到去除基線漂移噪聲后的信號SBw(t)如下：
[0049] SBw(t) = CBw(t)-b(t) (5)
[0050] C)高斯白噪聲的去噪:將進(jìn)行基線漂移噪聲濾波后得到的信號SBW(t)作為本次去 噪過程的原始輸入信號CTCN(t)進(jìn)行濾波。對時域信號CTCN(t)基于過零點(diǎn)進(jìn)行區(qū)間劃分，再 通過閾值判斷方法對信號C TCN(t)進(jìn)行高斯白噪聲濾波。假設(shè)，信號內(nèi)包含j個過零點(diǎn)21(1 =
[0051] 1，2,. . .，j)，則對于區(qū)間Zi<tj<Zi+1內(nèi)的信號有：
(6)[0052]其中，T為信號c (t)的閾值，t m為區(qū)間內(nèi)的極值點(diǎn)。閾值T由公式(7)和(8)確定：[0053]
(7)
[0054] o=median( | cwGN(t) | : t = 1，2，· · ·，L)/0·6745 (8)
[0055]此處，σ為輸入信號CWGN( t)的噪聲水平;L為信號cwgn( t)的長度，特別地對于離散信 號L即為離散點(diǎn)點(diǎn)數(shù);median為信號中位數(shù)算子，用于獲取時間序列的中位數(shù)。
[0056] 步驟3)離散小波變換(DWT):
[0057] 小波變換是將時域分析和頻域分析相結(jié)合形成的一種新的分析方法，反映的是表 面肌電信號在時間和頻率兩個維度上所呈現(xiàn)的變化，因此該方法相對于以上兩種方法而言 理論上應(yīng)具有一定的優(yōu)勢，能夠充分利用表面肌電信號所包含的信息。小波分析是一種窗 口的大小固定、形狀可變的時頻局部化信號分析方法，即在低頻部分具有較高的頻率分辨 率和較低的時間分辨率，在高頻部分具有較高的時間分辨率和較低的頻率分辨率。
[0058]給定一個長度為N的信號S，離散小波分解(DWT)最多可以把信號分解成log2N個頻 率級。第一步分解開始于信號S，分解后分解系數(shù)由兩部分組成:低頻系數(shù)向量cAl和高頻系 數(shù)向量cDl，前者也被稱為近似(Approximation)成分，后者也被稱為細(xì)節(jié)(Detail)成分。向 量cAl是由信號S與低通分解濾波器經(jīng)過卷積運(yùn)算得到的，向量cDl是由信號S與高通分解濾 波器經(jīng)過卷積運(yùn)算得到的。在下一步分解中，用同樣的方法把低頻系數(shù)cAl分成兩部分，即 把上面的信號S用cAl代替，分解后返回尺度2的低頻系數(shù)cA2和高頻系數(shù)cD2,同時尺度1的 高頻系數(shù)cDl保持不變，依此類推繼續(xù)分解。最后得到一個低頻系數(shù)列cA5和五個高頻系數(shù) 列cDl，〇02,〇03,〇04,〇05，如圖2所不。
[0059]基于對下肢運(yùn)動的EMG信號的分解得到的分量，我們在對其進(jìn)行帶通濾波處理，使 得。01，。02，。03，。04^5的頻帶范圍分別是256-512抱、128-256抱、64-128抱、32-64抱以及 16-32HZ。
[0060] 步驟4)奇異值分解(SVD):
[0061]根據(jù)步驟3中的方法，下肢運(yùn)動的EMG信號可以通過DWT方法進(jìn)行分解，從步驟3中 得到的一個低頻系數(shù)列cA5和五個高頻系數(shù)列cDl，cD2，cD3，cD4，cD5中，選取5個數(shù)據(jù)來構(gòu) 成矩陣表達(dá)式，如選擇:cD2，cD3，cD4，cD5和cA5構(gòu)成矩陣，得到5 X I的矩陣表達(dá)如下，Mij = [d2i;d3i;d4i ;d5i;a5i]，i = l，2, · · ·，1，其中I為下肢運(yùn)動動作樣本數(shù)，d2i、d3i、d4i、d5i和 a5i對應(yīng)DWT分解獲得的系數(shù)，為了獲取能在SVM分類中能夠使用的特征值，這里將使用SVD 對Mij進(jìn)行分解獲取奇異值。
[0062] 對于M，NeCmXn，如果存在m階酉矩陣U和η階酉矩陣V使得等式UTMV=N成立，則認(rèn)為 矩陣Μ和N酉等價。如果ME >矽，則矩陣MTM的特征值應(yīng)滿足以下關(guān)系：
[0063] λχ λ2 ^： · · · ^： λΓ λΓ+ι = · · · = λη=〇 (9)
[0064] 于是可得，矩陣Μ的奇異值為
[0065] 老
則一定存在m階酉矩陣U和η階酉矩陣V，使得矩陣Μ，矩陣U和
[0066] 矩陣V滿足公式(10):
(10)
[0067] Σ =^38(0^02, · · .or)，其中〇i(i = l，2, · · ·，r是矩陣 Μ 的非零奇異值；公式（10) 等價于公式(11):
[0068] UU
[0069] 這里，
[0070] U=MMT (12)
[0071] V=MTM (13)
[0072] 其中，公式（11)也被稱為矩陣Μ的奇異值分解(SVD)。
[0073] 步驟5)SVM分類：
[0074]為了對下肢運(yùn)動進(jìn)行分類，通過DWF分解得到的這些矩陣的奇異值，被用作下肢 EMG信號的時頻域特征矩陣。對于被選定的數(shù)據(jù)段，矩陣由以下公式確定：
[0075]
[0076] 其中，i是每次實(shí)驗(yàn)(Trial)的數(shù)據(jù)的奇異值個數(shù)，j是EMG樣本個數(shù)。
[0077] Vapnik等人創(chuàng)建了支持向量機(jī)(SVM)方法。SVM的基本思想是將數(shù)據(jù)映射到高維空 間中，并找出具有最大決策邊緣的超平面。SVM公式所表征的風(fēng)險最小化原則已被證明優(yōu)于 其他傳統(tǒng)的經(jīng)驗(yàn)性的風(fēng)險最小化原則。為了獲得一個魯棒性好的實(shí)時分類器，在本發(fā)明中， 用于SVM分類所需的特征值將從時域或頻域兩方面獲取，或使用時頻域相結(jié)合的分析方法。
[0078] 假設(shè)存在1個樣本的訓(xùn)練向量^和相對應(yīng)的分類標(biāo)簽7^(~71)，...，（~71)￡1^ X {-1，1}，則SVM本質(zhì)上是求解二次最優(yōu)化問題：
[0079]
[0080] yi(w · Xi+b)^Ki，Gi>0(i = l，2, · · ·，1) (15)
[0081] 其中，C是常數(shù)是松弛變量，w是權(quán)重向量，b是偏差值。對于實(shí)例X，其判別函數(shù) 如下所5·
[_] (]6)
[0083]其中，Ns是支持向量的個數(shù)，cti是正的拉格朗日乘子，G(x，Xi)是核函數(shù)。SVM中最重 要的規(guī)則參數(shù)也由訓(xùn)練集的十倍交叉驗(yàn)證過程所決定。
[0084]本專利采用線性內(nèi)核函數(shù)K處理特征矩陣M^，支持向量機(jī)的分類函數(shù)f(x)可描述 為：
[_5] (17)
[0086] η是樣本個數(shù)，幻是第j個樣本，η是第j個樣本的SVM輸出，K是用于數(shù)據(jù)變換的線性 內(nèi)核函數(shù)，A是對偶優(yōu)化問題的拉格朗日乘子。
[0087]樣本數(shù)據(jù)首先通過歸一化處理（零均值+單位標(biāo)準(zhǔn)偏差處理），然后通過十倍交叉 驗(yàn)證技術(shù)評估分類辨識效果。本發(fā)明能夠使人體下肢肢體運(yùn)動動作的識別準(zhǔn)確率得到有效 提1?。
【主權(quán)項(xiàng)】
1. 一種用于人體下肢表面肌電信號的辨識方法，其特征在于，包括以下步驟： a. 將一次性肌電電極粘放至下肢肌肉組織表皮上，實(shí)時采集對應(yīng)肌肉塊在活動動作刺 激下的表面EMG信號； b. 對步驟a中采集的EMG信號進(jìn)行預(yù)處理，獲得消除偽跡信號后的EMG信號;所述預(yù)處理 方法包括工頻干擾濾波、基線漂移濾波和高斯白噪聲濾波； c. 使用離散小波變換方法對步驟b獲得的EMG信號進(jìn)行分解，分解后獲得低頻系數(shù)向量 cAl和高頻系數(shù)向量cDl;使用離散小波變換的方法對低頻系數(shù)向量cAl進(jìn)行分解，獲得低頻 系數(shù)向量cA2和高頻系數(shù)cD2;繼續(xù)重復(fù)使用離散小波變換的方法對低頻系數(shù)向量進(jìn)行分 解，直至獲得低頻系數(shù)向量cA5和5個高頻系數(shù)列cDl，cD2，cD3，cD4，cD5為止； d. 采用時、頻域結(jié)合的濾波方法，將步驟c中獲得的小波分量進(jìn)行奇異值分解，并將分 解得到的奇異值構(gòu)成特征矩陣； e. 以步驟d中獲得的特征矩陣為樣本，采用支持向量機(jī)對特征樣本進(jìn)行訓(xùn)練，并生成支 持向量機(jī)分類器用于對盲樣本進(jìn)行分類識別。2. 根據(jù)權(quán)利要求1所述的一種用于人體下肢表面肌電信號的辨識方法，其特征在于，步 驟b中所述預(yù)處理的具體方法包括： bl.工頻干擾濾波;具體方法為:將步驟a中采集得到的EMG信號c(t)作為原始輸入信號 CPLI(t)進(jìn)行陷波濾波，得到濾波結(jié)果為a(t)，定義工頻干擾因子ePLI，則機(jī)河通過如下公式 1計算：其中，var是信號方差算子，用于計算時間序列的方差，通過工頻干擾因子ePLI對濾波結(jié) 果進(jìn)行修正如下公式2所示：其中，sPLI(t)是濾除工頻干擾噪聲的最終結(jié)果，公式2表明如果工頻干擾噪聲的能量占 比超過原始信號能量的10%，則采用陷波濾波器的濾波結(jié)果； b2.基線漂移濾波;具體方法為:將步驟bl獲得的信號sPu(t)作為原始輸入信號cBW(t) 進(jìn)行低通濾波，濾波結(jié)果為d(t)，定義基線漂移因子為εΒν，則εΒνΡΤ通過如下公式3計算：根據(jù)基線漂移因子ε?對濾波得到的基線漂移噪聲d(t)進(jìn)行修正得到b(t)，其表達(dá)式如 公式4所示：最后，得到去除基線漂移噪聲后的信號SBW(t)如下公式5所示： SBW(t) = CBW(t)-b(t)(公式5); b3.高斯白噪聲濾波；具體方法為:將步驟b2得到的信號SBW(t)作為原始輸入信號CTCN (t)進(jìn)行濾波;對時域信號CTCN(t)基于過零點(diǎn)進(jìn)行區(qū)間劃分，再通過閾值判斷方法對信號 CWCN⑴進(jìn)行高斯白噪聲濾波;具體為:假設(shè)信號內(nèi)包含j個過零點(diǎn)21(1 = 1，2，...，」），則對 于區(qū)間Zi<tj<Zi+1內(nèi)的信號有：其中，T為信號C(t)的閾值，U為區(qū)間內(nèi)的極值點(diǎn)；閾值T由如下公式7和公式8確定：〇=mediarU I cwGN〈t川：t = U，· · ·，L)/0.6745(公式8) 此處，σ為輸入信號ctcn( t)的噪聲水平;L為信號ctcn( t)的長度，特別地對于離散信號L 即為離散點(diǎn)點(diǎn)數(shù);median為信號中位數(shù)算子，用于獲取時間序列的中位數(shù)。
【文檔編號】A61B5/04GK105997064SQ201610326948
【公開日】2016年10月12日
【申請日】2016年5月17日
【發(fā)明人】張羿, 溫悅欣, 張向剛, 秦開宇
【申請人】成都奧特為科技有限公司