基于樣本熵的肌電信號起始點檢測研究

成　娟，陳　勛，彭　虎

(合肥工業(yè)大學(xué)醫(yī)學(xué)工程學(xué)院生物醫(yī)學(xué)工程系，安徽合肥230009)

?

基于樣本熵的肌電信號起始點檢測研究

成娟，陳勛，彭虎

(合肥工業(yè)大學(xué)醫(yī)學(xué)工程學(xué)院生物醫(yī)學(xué)工程系，安徽合肥230009)

摘要:該文提出了一種基于樣本熵的動作肌電信號起始點檢測方法，為肌電信號應(yīng)用于智能假肢控制、人機(jī)交互，以及臨床疾病診斷和評估等領(lǐng)域提供重要前提．首先利用固定長度的滑動窗對動作肌電信號分幀，然后計算每幀信號的樣本熵值，之后設(shè)定自適應(yīng)閾值確定動作肌電信號的起始點．實驗結(jié)果表明，樣本熵能夠有效表征動作肌電信號的開啟模式，對較短時間的肌肉收縮松弛有很好的連續(xù)性，較之于其他常見的幾類檢測算法具有更好的抗噪聲性能，特別是對肌肉不自主收縮產(chǎn)生的尖銳毛刺信號具有優(yōu)異的抑制性能．

關(guān)鍵詞:肌電;起始點檢測;樣本熵; TKE算子

1　引言

動作肌電信號的起始點檢測旨在從連續(xù)采集的肌電信號數(shù)據(jù)流中判斷出動作開始的時刻．它是肌電信號應(yīng)用于智能假肢控制、康復(fù)訓(xùn)練和評估，以及人機(jī)交互等領(lǐng)域的重要參數(shù)和重要前提［1～5］．常用的起始點檢測方法主要是基于人工視覺和基于信號幅值的相關(guān)參數(shù)法［6］．人工視覺方法具有主觀性并且只能手動實施，而相關(guān)參數(shù)法主要有滑動均方根和滑動平均窗等，具有低計算復(fù)雜度和可移植性等優(yōu)點，廣泛應(yīng)用于肌電信號的起始點檢測［7］．但是，隨著應(yīng)用領(lǐng)域的推廣，肌電信號容易受多方面因素的影響．例如，肌電電極與皮膚表面發(fā)生位移產(chǎn)生運動偽跡噪聲，神經(jīng)疾病患者由于不自主的收縮和震顫產(chǎn)生尖銳背景毛刺信號，某些功能病變者完成某一動作時需要多次發(fā)力，導(dǎo)致信號“斷斷續(xù)續(xù)”等．此外，由于肌肉疾病患者產(chǎn)生動作肌電信號幅值較弱，甚至是肌電電極與皮膚長時間接觸由于表面濕度變大肌電幅值變小，這些均會使得相關(guān)參數(shù)法遭遇挑戰(zhàn)［8～11］．

肌電信號起始點的檢測算法沒有統(tǒng)一標(biāo)準(zhǔn)，Vaisman L．等提出了一種基于奇異譜的變化點分析算法，取得了不錯的效果．但是當(dāng)信號受到噪聲干擾時，尤其是干擾信號的變化大于動作信號的起始變化時，該算法易造成虛警［6］．近年來，一些能夠描述肌電非線性特性和統(tǒng)計特性的起始點算法應(yīng)運而生．例如，TKE(Teager –Kaiser energy，TKE)算子，它能夠兼顧信號的幅值和瞬時頻率，顯著提升了起始點檢測性能［12］．最大似然方法(最初應(yīng)用于線性時變系統(tǒng)的突變信號檢測)適用于較低信噪比(SNR = 1)信號的端點檢測，但是該方法要求噪聲最好符合高斯分布［13］．與此同時，還有描述肌電頻域和時頻域特性的起始點檢測算法，例如肌電爆發(fā)概率法(EMG Burst Presence Probability，EBPP)［14］．此外，描述肌電信號混沌特性的熵理論，例如信息熵、近似熵和樣本熵等逐漸成為熱點．

樣本熵(Sample Entropy，SampEn)是由Richman and Moorman于2000年提出［15］，通過衡量時間序列復(fù)雜性度量信號中產(chǎn)生新模式的概率大?。甋ampEn克服了數(shù)據(jù)偏差，具有更強(qiáng)的抗噪能力和優(yōu)異的一致性，同時采用較少的數(shù)據(jù)段即可得到穩(wěn)定的熵值［15，16］．目前SampEn已廣泛應(yīng)用于語音信號的端點檢測［17］、肌電信號和腦電的特征提取和分類識別等研究［18～21］．一方面，受神經(jīng)肌肉控制系統(tǒng)的支配，不同動作的肌電信號具有特定的模式，而放松時的基線信號一般是噪聲序列，這兩類信號產(chǎn)生新模式的概率不同，序列的復(fù)雜度也不同;另一方面，隨著研究領(lǐng)域的拓展，肌電信號容易受到各種噪聲的影響．為此，本文充分挖掘樣本熵的復(fù)雜度表征能力和抗噪能力，探索其檢測復(fù)雜背景下動作肌電信號起始點的可行性，通過4種動作肌電信號實例，對比該方法和其他幾種常見方法的準(zhǔn)確性和魯棒性．

2　方法

圖1為基于樣本熵的動作肌電信號起始點檢測流程圖．首先對肌電信號進(jìn)行幅值離差歸一化(主要考慮到肌電信號起始點的檢測更加關(guān)注“有或無”而非肌電信號的絕對幅值大小)，其次對歸一化的肌電信號進(jìn)行64點滑動窗分幀，計算每幀信號的SampEn值．之后設(shè)定自適應(yīng)閾值Th［17］對SampEn進(jìn)行整流得到En，將低于Th的SampEn值置0，保留大于Th的SampEn值．當(dāng)某時刻整流后的En值大于0，并且接續(xù)的150個En值均大于0時，該時刻即判定為肌電信號活動段的起始點．

2.1樣本熵計算

設(shè)每幀信號{ x(i) }，其中i = 1，2，…，N，N為數(shù)據(jù)長度總和．SampEn計算公式為［15，19］:

(1)將每幀信號序列中連續(xù)m個值構(gòu)成一個m維矢量，其中i =1，2，…，N－m +1:

(2)定義X(i)與X(j)的距離d［X(i)，X(j)］為兩者對應(yīng)元素中差值最大的:

(3)給定相似容差r，對于每一個i≤N－m，統(tǒng)計d ［X(i)，X(j)］＜r的個數(shù)(也稱模板匹配數(shù))，并對距離總數(shù)N－m－1求均值，得到所有N－m條件下的模板匹配數(shù)，對矢量個數(shù)總和N－m求平均，記為Bm(r) :

(4)將矢量維度m改為m +1，得到Bm +1(r) :

由此可以看出SampEn取決于N，m和r，r一般取0.1－0.25SD(X)［15］，其中SD為信號的標(biāo)準(zhǔn)差．當(dāng)X為每幀數(shù)據(jù)時，相似容差是局部的;當(dāng)X為某一段完整的數(shù)據(jù)時，相似容差r是全局的．圖2所示為4種不同的肌電信號(信號的具體說明見2.2)的SampEn值隨著單一參數(shù)變化(N，m和r)時的表現(xiàn)規(guī)律．其中圖2(a)選取數(shù)據(jù)長度N =64，矢量維度m = 2;圖2(b)選取相似容差r =0.25SD，矢量維度m =2;而圖2(c)選取相似容差r =0.25SD，數(shù)據(jù)長度N = 64．從圖2中不難發(fā)現(xiàn)，當(dāng)相似容差r＜0.2SD時，SampEn一致性較差，但是r并不是越大越好，當(dāng)r＞0.6SD時SampEn描述信號中產(chǎn)生新模式概率大小的能力下降．SampEn的一致性幾乎不受m值的影響，但較大的m值會帶來較多的計算開銷，所以m一般取值為2．此外，SampEn對數(shù)據(jù)長度N的要求不高，N越大，計算得到的SampEn值越平滑穩(wěn)定，一致性越好，時間開銷隨之增加．但是N也不能過小，例如當(dāng)N＜64時，SampEn易波動．綜合考慮，設(shè)定滑動窗幀長為64(本文中肌電信號采樣率為1KHz，即為64ms數(shù)據(jù))，幀移為1，相似容差r = 0.25．為了對比算

那么，對于每幀數(shù)據(jù)長度為N的肌電信號，其對應(yīng)的樣本熵值為:法的有效性，滑動平均窗和滑動TKE算子選擇相同的幀長和幀移．

2.2性能驗證

肌電信號起始點檢測的有效性體現(xiàn)在準(zhǔn)確性和及時性．為此，我們首先構(gòu)造一個半合成的動作肌電信號，即該信號的動作起始點已知，從而確定所提算法的相關(guān)參數(shù)．同時，對4種真實肌電信號的起始點分析，驗證樣本熵檢測起始點的有效性．

半合成的動作肌電信號是這樣構(gòu)成的:選擇4種實驗信號，每種實驗信號選取10個片段，第一種為安靜狀態(tài)下執(zhí)行伸掌的肌電信號;第二種為受試者放松時產(chǎn)生的正?；仔盘?，不包含特別的噪聲;第三種為該信號一般包含運動偽跡噪聲的基底信號;第四種為腦卒中患者未執(zhí)行任何動作的基底信號，但是該信號包含患者由于不自主收縮而產(chǎn)生的尖銳毛刺噪聲．所有信號的持續(xù)時間均為0.5s．因此半合成的肌電信號即為將第一種信號分別嵌入到剩余三種信號當(dāng)中，從而精確地知道動作信號的起始點時間為0.5s．

3　方法

采用Delsys Trigno Wireless EMG System (Delsys Inc．Natick，MA 01760)采集sEMG數(shù)據(jù)，該系統(tǒng)擁有16通道肌電傳感器和48通道加速度傳感器，設(shè)置肌電信號的采樣率為1KHz．以單通道sEMG信號為研究對象，共設(shè)計了4種動作場景: (1)相對靜態(tài)的動作執(zhí)行環(huán)境，伸掌，電極安放在橈側(cè)腕伸肌處; (2)相對動態(tài)的動作執(zhí)行環(huán)境，健康人走路，電極安放在右腿腓腸肌的外側(cè); (3)病理步態(tài)動作執(zhí)行環(huán)境，運動障礙者走路，右腿半腱肌為電極安放位置; (4)背景毛刺噪聲動作執(zhí)行環(huán)境，腦卒中病人執(zhí)行手勢同時伴隨不自主的肌肉收縮，電極安放在橈側(cè)腕伸肌處．每個動作場景均有5位受試者參與實驗，每次重復(fù)動作20次，每個場景共獲得100個活動段．前兩個動作場景實驗數(shù)據(jù)來源于健康受試者，而運動障礙者和腦卒中患者招募于安徽醫(yī)科大學(xué)的神經(jīng)康復(fù)科，并由患者監(jiān)護(hù)人簽署知情同意書．研究方法經(jīng)倫理審查委員會審查通過．

3.1半合成的肌電信號起始點檢測

首先，局部相似容差和全局相似容差的樣本熵用于檢測正?；缀秃性肼暬椎陌牒铣傻募‰娦盘柶鹗键c，相似容差均取r = 0.25SD(X)．同時，滑動平均窗法和滑動TKE算子法也應(yīng)用于相同的半合成肌電信號，具體檢測結(jié)果如圖3所示．

從圖3中發(fā)現(xiàn)，滑動平均窗、滑動TKE算子和全局相似容差的樣本熵對于正常基底的半合成肌電信號均具有良好的起始點檢測能力(圖3(a)所示)，但是滑動平均窗算法無法適應(yīng)具有較寬范圍的運動偽跡噪聲信號(圖3(b)所示)．盡管TKE算子能夠很好地抑制運動偽跡噪聲，但是它無法適應(yīng)具有尖銳毛刺噪聲的活動段起始點檢測(圖3 (c)所示)．縱觀全局相似容差的樣本熵在三種情況下均有良好表現(xiàn)，能夠抑制各種噪聲，并且在起始點(0.5s)處有非常明顯的跳躍信號，顯示了樣本熵具有優(yōu)異的動作活動段信號表征能力．此外，由于肌電信號長度較短時，信號不平穩(wěn)，局部相似容差變化大，導(dǎo)致基于局部相似容差的樣本熵表征活動段起始點的能力弱，故不采用．實驗中發(fā)現(xiàn)，自適應(yīng)閾值Th中λ較小(0.01－0.1)時，起始點檢測較為準(zhǔn)確且延遲時間＜30ms．

3.2真實肌電信號起始點檢測

3.2.1相對靜態(tài)的動作執(zhí)行環(huán)境

圖4為握拳動作的起始點檢測示意圖，其中圖4 (a)為歸一化的肌電信號，黑色虛線為理論上的動作起始點，黑色圓點為算法檢測的起始點．從中發(fā)現(xiàn)，三種方法均能很好地檢測動作起始點，且均具有良好的起始點響應(yīng)能力．并且發(fā)現(xiàn)，樣本熵主要依賴信號的復(fù)雜度和產(chǎn)生新模式概率的大小，對幅值的變化并不絕對敏感;而滑動平均窗算法是信號幅值的直觀反映，最容易受幅值的影響．

3.2.2相對動態(tài)的動作執(zhí)行環(huán)境

表面肌電電極一般利用雙面膠或腕帶進(jìn)行固定．動作執(zhí)行時由于肌肉的旋轉(zhuǎn)偏移，或與較硬平面發(fā)生碰撞，甚至動作本身程度劇烈等，均可能導(dǎo)致肌電電極與皮膚的接觸阻抗瞬間發(fā)生劇烈變化，產(chǎn)生干擾信號．以正常人的走路動作為例，一個跨步周期中，當(dāng)前腳掌離地的瞬間會和地面發(fā)生彈跳，該彈跳使得小腿腓腸肌處的肌電信號產(chǎn)生運動偽跡(圖5(a)中箭頭所示)，三種算法的起始點檢測結(jié)果如圖5所示．由于運動偽跡噪聲的寬度較大且幅值較大，采用傳統(tǒng)的滑動窗算法無疑將該運動偽跡干擾信號錯認(rèn)為是“活動段”(圖5(b)中淺色圓點所示)，并且該干擾信號的能量包絡(luò)寬度與正常的動作能量包絡(luò)寬度相當(dāng)，無法進(jìn)一步利用動作持續(xù)時間閾值等進(jìn)行刪除．樣本熵能夠較好地抑制干擾信號，此時可以取較大值λ，過濾幅值較低的虛假活動段．TKE算子對此類干擾信號具有最好的抑制能力，同時能夠真實反映動作肌電信號的起始點．

3.2.3病理步態(tài)動作執(zhí)行環(huán)境

步行是生活自理的基礎(chǔ)，步態(tài)康復(fù)訓(xùn)練是運動障礙患者康復(fù)中的重要環(huán)節(jié)．異常步態(tài)的檢測與分析對于提供某些疾病的特異性診斷指標(biāo)、評估神經(jīng)肌肉控制策略以及康復(fù)效果具有重要價值．然而，由于神經(jīng)肌肉協(xié)同異?；蜻\動障礙等原因，患者的步態(tài)行為相對困難，持續(xù)時間變長［8］，且由于神經(jīng)肌肉控制策略的變化導(dǎo)致在一個步態(tài)周期完成過程中需要多次發(fā)力，導(dǎo)致步態(tài)肌電信號“斷斷續(xù)續(xù)”．對比三種方法檢測患者步態(tài)活動段起始點的結(jié)果(如圖6所示)，滑動窗算法容易將一個完整的活動段分割識別為多個活動段，而TKE算子基本能正確檢測活動段，但是TKE算子容易將短暫的“特異”活動段丟失．樣本熵性能最佳，一方面，表征“斷斷續(xù)續(xù)”信號的連續(xù)性能更好，具有更大的閾值選擇空間;另一方面，能有效表征幅值較小的肌電信號(如圖6(d)淺色圓點起始點所示)，對于患者步態(tài)周期之間可能的特異性指標(biāo)更加敏感．

3.2.4背景毛刺噪聲動作執(zhí)行環(huán)境

動作肌電信號在腦卒中、帕金森等病人的康復(fù)訓(xùn)練和機(jī)理研究中扮演重要角色．然而這些病人由于疾病會產(chǎn)生不自主的肌肉收縮，導(dǎo)致背景產(chǎn)生尖銳毛刺噪聲，如圖7(a)所示．圖7給出了三種算法進(jìn)行此類動作信號的起始點檢測結(jié)果，圖7(d)中橫線表示為λ= 0.1時的自適應(yīng)閾值．從圖中不難發(fā)現(xiàn)，移動窗算法和TKE算子均不能適應(yīng)頻繁的尖銳毛刺噪聲，無法判斷動作的起始點．而樣本熵可以將不自主的肌肉收縮看成一種模式，該模式相對于動作肌電信號的復(fù)雜度和隨機(jī)性均要小，因此可以一定程度地抑制背景毛刺噪聲，即便是在頻繁的不自主收縮條件下，其動作肌電信號起始點的“上升沿”也很明顯．

表1所示為4種運動場景下，利用三種算法得到的起始點檢測結(jié)果．其中，相對靜態(tài)的動作執(zhí)行環(huán)境下，三種方法均能夠100％檢測伸掌的起始點，并且延遲時間＜12ms．這主要得益于伸掌的肌肉收縮強(qiáng)度較大，動作信號幅值明顯且信號的“開關(guān)”干凈利索．正常步態(tài)時，TKE算子和樣本熵都能很好地抑制運動偽跡噪聲的干擾，TKE算子的性能相對最優(yōu)．而移動平均窗算法則無法適應(yīng)這種干擾，錯誤地將干擾檢測為虛假活動段多達(dá)101個．病理步態(tài)時，樣本熵較好地適應(yīng)了由于多次發(fā)力造成一個活動段內(nèi)動作肌電信號的“斷斷續(xù)續(xù)”性，而移動平均窗算法由于對肌肉收縮的開關(guān)較為敏感，特別容易將一個活動段按照發(fā)力的次數(shù)錯誤地識別為多個活動段，造成活動段的虛假個數(shù)劇增(86個)．由于移動窗算法和TKE算子不能適應(yīng)背景毛刺噪聲的肌電信號活動段的起始點檢測，在該執(zhí)行環(huán)境中，只統(tǒng)計樣本熵算法的起始點檢測結(jié)果．不難發(fā)現(xiàn)，樣本熵很好地抑制背景毛刺噪聲．

表1　四種運動場景肌電信號活動段起始點檢測結(jié)果

4　結(jié)束語

本文充分挖掘樣本熵表征時間序列復(fù)雜度和隨機(jī)不確定性的能力，提出了一種基于樣本熵的動作肌電信號起始點檢測算法，實現(xiàn)了4種不同運動場景下動作肌電信號起始點的有效檢測．實驗結(jié)果表明，通過選擇合適的相似容差r(本文選擇全局相似容差)和幀長，樣本熵能夠表征動作肌電信號的“開關(guān)模式”，并且該算法相比于成熟的移動平均窗算法和TKE算子具有更好的檢測性能，抗干擾性能強(qiáng)，特別是背景毛刺噪聲的應(yīng)用環(huán)境中．此外，樣本熵對于較短時間的肌肉收縮松弛有很好的連續(xù)性，擁有較大的閾值選擇空間，受偶然因素的影響較小，活動段檢測結(jié)果穩(wěn)定．盡管在背景運動偽跡噪聲環(huán)境下樣本熵算法較之TKE算子性能稍遜，但是該算法幾乎可以在肌電信號無任何預(yù)處理或無任何先驗知識的前提下實現(xiàn)動作肌電信號起始點的有效檢測．

目前動作肌電信號已經(jīng)廣泛應(yīng)用于人機(jī)交互、手語手勢動作識別研究、康復(fù)工程等領(lǐng)域，對于不同的應(yīng)用領(lǐng)域，采用的起始點檢測算法可以不同．例如，在背景比較干凈的動作肌電信號起始點檢測研究中，傳統(tǒng)的移動平均窗算法和TKE算子均性能良好，且相比于樣本熵，這兩種算法的時間開銷較?。?，當(dāng)動作肌電信號廣泛應(yīng)用于康復(fù)診斷和康復(fù)訓(xùn)練時，肌電信號伴隨不自主的肌肉收縮產(chǎn)生頻繁的背景毛刺噪聲，滑動窗算法和TKE算子再也無法適應(yīng)，而樣本熵能夠有效地解決此類起始點檢測問題．由于TKE算子特別擅長高斯分布的背景噪聲抑制，TKE算子對于背景是運動偽跡噪聲的步態(tài)行為動作起始點檢測具有優(yōu)異的性能．

由于不同類型的動作肌電信號的樣本熵值具有一定的統(tǒng)計分布規(guī)律，利用樣本熵特征可以進(jìn)行動作的分類識別研究，針對樣本熵的這一特點，接下來嘗試將其運用于連續(xù)手語手勢動作識別研究中，用于解決兩類動作過渡時產(chǎn)生的運動插入問題，實現(xiàn)連續(xù)手語手勢動作肌電信號的起始點檢測．同時，肌電和加速度的結(jié)合也是模式識別、人機(jī)交互和康復(fù)工程等領(lǐng)域的研究熱點，如何充分挖掘兩類信息在活動段檢測方面的互補(bǔ)優(yōu)勢，實現(xiàn)起始點的有效檢測也是未來的研究方向之一．

致謝

感謝合肥工業(yè)大學(xué)的實驗數(shù)據(jù)志愿者，以及中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系陳香博士和張旭博士提供的腦卒中患者實驗數(shù)據(jù)．

參考文獻(xiàn)

［1］羅志增，李文國．基于小波變換和盲信號分離的多通道肌電信號處理方法［J］．電子學(xué)報，2009，37(4) :823－827.Luo Zhizeng，Li Wenguo．A method of multi-channel EMG disposal based on wavelet transform and blind signal separation［J］．Acta Electronica Sinica，2009，37(4) : 823－827 (in Chinese)

［2］Zhang X，Barkhaus，PE，Rymer WZ．et al．Machine learning for supporting diagnosis of amyotrophic lateral sclerosis using surface electromyogram［J］．IEEE Trans on Neur Syst Rehab Eng，2014，22(1) : 96－103.

［3］陳歆普．基于肌電信號的多模式人機(jī)接口研究［D］．上海:上海交通大學(xué)，2011.

［4］謝燕江，楊智，范正平，等應(yīng)用小波變換去除膈肌肌電圖信號中的心電干擾［J］．電子學(xué)報，2010，38(2) :366－370.Xie Yanjiang，Yang Zhi，F(xiàn)an Zhengping，et al．Application of savelet to the cancellation of ECG interference in diaphragmatic EMG［J］．Acta Electronica Sinica，2010，38 (2) : 366－370.(in Chinese)

［5］Oskoei MA，Hu HS．Myoelectric control systems: a survey［J］．Biomed Signal Process and Control，2007，2(4) :275－294.

［6］Vaisman L，Zariffa J，Popovic M R．Application of singular spectrum-based change-point analysis to EMG-onset detection［J］．Journal of Electromyography and Kinesiology，2010，20(4) : 750－760.

［7］張旭．基于表面肌電信號的人體動作識別與交互［D］．合肥:中國科學(xué)技術(shù)大學(xué)，2010.

［8］李飛．基于表面肌電信號的小兒腦癱步態(tài)肌肉協(xié)同分析［D］．合肥:中國科學(xué)技術(shù)大學(xué)，2013.

［9］Antuvan C W，Ison M，Artemiadis P．Embedded human control of robots using myoelectric interfaces［J］．IEEE Trans on Neur Syst Rehab Eng，2014，22(7) : 820－827.

［10］Cheng J，Chen X，Shen M．A framework for daily activity monitoring and fall detection based on surface electromyography and accelerometer signals［J］．IEEE Journal of Biomed and Health Informatics，2013，17(1) : 38－45.

［11］Li Yun，Chen Xiang，Zhang Xu，et al．A sign-componentbased framework for Chinese sign language recognition using accelerometer and sEMG data［J］．IEEE Trans on Biomed Eng，2012，59(10) : 2695－2704.

［12］Li X，Zhou P，Aruin AS．Teager-Kaiser energy operation of surface EMG improves muscle activity onset detection ［J］．Ann Biomed Eng，2007，35(9) : 1532－8

［13］Qi X，Yazhi Q，Lei Y，et al．An adaptive algorithm for the determination of the onset and offset of muscle contraction by EMG signal processing［J］．IEEE Trans Neur Syst Rehab Eng，2013，21(1) : 65－73.

［14］Liu J，Ying D，Rymer WZ，EMG burst presence probability: A joint time-frequency representation of muscle activity and its application to onset detection［J］．Journal of Biomechanics，2015，48(6) : 1193－1197.

［15］Richman J S，Moorman J R．Physiological time-series analysis using approximate entropy and sample entropy ［J］．American Journal of Physiology Heart and Circulatory Physiology，2000，278(6) : 2039－2049.

［16］陳偉婷．基于熵的表面肌電信號特征提取研究［D］．上海:上海交通大學(xué)，2008.

［17］雷雄國，曾以成，李凌．基于近似熵的語音端點檢測［J］．聲學(xué)技術(shù)，2007，26(1) : 121－125.Lei Xiongguo，Zeng Yicheng，Li Ling．Noisy speech endpoint detection based on approximate entropy［J］．Technical Acoustics，2007，26(1) : 121－125.(in Chinese)

［18］王彥春，梁德群，王演．基于圖像模糊熵鄰域非一致性的過渡區(qū)提取與分割［J］．電子學(xué)報，2008，36(12) :2445－2449.Wang Yanchun，Liang Dequn，Wang Yan．Transition region extraction and segmentation based on image fuzzy entropy neighborhood unhomogeneity［J］．Acta Electronica Sinica，2008，36(12) : 2445－2449.(in Chinese)

［19］Kosmidou V E，Hadjileontiadis L．Using sample entropy for automated sign language recognition on sEMG and accelerometer data［J］．Medical Biological Eng Computing，2010，48(3) : 255－267.

［20］Zhang C，Wang H，F(xiàn)u R．Automated detection of driver fatigue based on entropy and complexity measures［J］．IEEE Trans on Intelligent Transportation Systems，2014，5(1) : 168－177.

［21］Burden，A．How should we normalize electromyograms obtained from healthy participants? What we have learned from over 25 years of research［J］．Journal of Electromyography and Kinesiology，2010，20(6) : 1023－1035.

成娟女，1986年生于江蘇鹽城．中國科學(xué)技術(shù)大學(xué)電子科學(xué)與技術(shù)系博士．研究方向為生物醫(yī)學(xué)信號處理和人機(jī)交互．

陳勛(通信作者)男，1987年生于湖北隨州．英屬哥倫比亞大學(xué)電子與計算機(jī)工程系博士．研究方向為生物醫(yī)學(xué)信號處理，移動健康監(jiān)護(hù)．

E-mail: xun．chen@ hfut．edu．cn

An Onset Detection Method for Action Surface Electromyography Based on Sample Entropy

CHENG Juan，CHEN Xun，PENG Hu
(Department of Biomedical Engineering，School of Medical Engineering，Hefei University of Technology，Hefei，Anhui 230009，China)

Abstract:Onset detection of action surface electromyography (sEMG) signals is important since it has great impact on the accuracy of subsequent sEMG analysis such as in prosthetic control，human computer interaction and clinical diagnosis and assessment，etc．This study presents a segment onset detection method based on sample entropy．Firstly，sEMG signals are framed by a fixed-length sliding window and the sample entropy of each frame is calculated．Afterwards，adaptive threshold is set to determine the starting point．Experimental results demonstrate the feasibility of sample entropy to characterize the switching property of action sEMG signals．Meanwhile，compared to moving average and Teager-Kaiser energy operator，the proposed method has advantages in better anti-jamming ability，not only in suppressing short muscular contraction relaxation intervals，but also in suppressing involuntary background spikes．

Key words:electromyography; onset detection; sample entropy; Teager-Kaiser energy operator

作者簡介

基金項目:國家自然科學(xué)基金(No．61401138，No．61501164，No．81571760，No．61172037)

收稿日期:2015-05-15;修回日期: 2015-09-16;責(zé)任編輯:藍(lán)紅杰

DOI:電子學(xué)報URL: http: / /www．ejournal．org．cn10．3969/j．issn．0372-2112．2016．02．032

中圖分類號:TP391.4

文獻(xiàn)標(biāo)識碼:A

文章編號:0372-2112 (2016) 02-0479-06