表面肌電信號(hào)的下肢痙攣信號(hào)特征分析與識(shí)別

姜亞斌，鄒任玲，劉 建，徐秀林，胡秀枋

(上海理工大學(xué) 醫(yī)療器械與食品學(xué)院，上海 200093)

表面肌電信號(hào)的下肢痙攣信號(hào)特征分析與識(shí)別

姜亞斌，鄒任玲，劉 建，徐秀林，胡秀枋

(上海理工大學(xué) 醫(yī)療器械與食品學(xué)院，上海 200093)

在腦卒中患者的康復(fù)治療中偶發(fā)性下肢肌肉痙攣，會(huì)給患者在康復(fù)訓(xùn)練過程中帶來危害隱患問題。因此，如何能在訓(xùn)練過程中識(shí)別痙攣并及時(shí)中斷訓(xùn)練，文中通對(duì)下肢表面肌電信號(hào)的采集，采用基于形狀的模版匹配法來識(shí)別痙攣信號(hào)，具體以皮爾遜相關(guān)系數(shù)來實(shí)現(xiàn)表面肌電信號(hào)的下肢痙攣信號(hào)的模版匹配分析測(cè)得下肢痙攣信號(hào)。測(cè)試結(jié)果表明，模版匹配法在個(gè)人痙攣信號(hào)識(shí)別中的準(zhǔn)確性，顯示了在泛用痙攣信號(hào)識(shí)別中的可行性。

表面肌電信號(hào)；下肢痙攣信號(hào)；模板匹配法；皮爾遜相關(guān)系數(shù)

肌肉痙攣俗稱抽筋是肌肉發(fā)生不自主的強(qiáng)直收縮所產(chǎn)生的一種現(xiàn)象，不受主體意識(shí)支配。目前痙攣在國際上還未有統(tǒng)一定義，被學(xué)者普遍采用的痙攣定義為：痙攣是屬于運(yùn)動(dòng)神經(jīng)元綜合征的運(yùn)動(dòng)障礙表現(xiàn)之一，其特征為肌張力隨肌肉牽張反射的速度增加而增高，伴隨著由于牽張反射過度興奮導(dǎo)致的腱反射亢進(jìn)肌肉痙攣的一個(gè)主要外在表現(xiàn)是肢體運(yùn)動(dòng)阻力增加[1-2]。尤其在下肢康復(fù)訓(xùn)練中，患者的下肢肌肉常常會(huì)因?yàn)榭祻?fù)訓(xùn)練時(shí)間過長，或因?yàn)榧∪馄诘纫蛩?，而出現(xiàn)肌肉痙攣，從而對(duì)患者造成二次傷害。識(shí)別出患者康復(fù)訓(xùn)練中的痙攣狀態(tài)有著重要的意義[3-4]。在生物反饋電刺激治療系統(tǒng)里增加痙攣?zhàn)R別功能，將更有助于提高康復(fù)治療的效果。

國內(nèi)外尚無成熟的通過肌電評(píng)估判定痙攣的儀器或設(shè)備，而從其他角度出發(fā)已有了多種評(píng)估方法，包括神經(jīng)生理學(xué)評(píng)定法、生物力學(xué)評(píng)定法、藥理學(xué)評(píng)定法、Ashworth量表、痙攣指數(shù)CSS評(píng)定等。本文采用基于形狀的模版匹配法來識(shí)別痙攣信號(hào)，并以皮爾遜相關(guān)系數(shù)來實(shí)現(xiàn)表面肌電信號(hào)的下肢痙攣信號(hào)的模版匹配分析測(cè)得下肢痙攣信號(hào)。

1 模版匹配法

模版匹配法是將已知的一段信息作為模版，與其他信息比較，當(dāng)信息與模版相似度到達(dá)閥值時(shí)則可稱信息與模版相匹配。在圖像比較中，模版是已知的小圖像，其它信息是一幅已知的大圖像。若已知大圖像中有與已知小圖像相同的圖像，那么就一定可以通過算法將其找出。模版匹配算法分為基于灰度值的模版匹配算法、基于邊緣點(diǎn)的模版匹配算法和基于形狀的匹配算法[5-7]。

1.1 波形識(shí)別中的模版匹配法

模版匹配法在波形識(shí)別中早有運(yùn)用。在腦電信號(hào)的識(shí)別中，可以通過模版匹配法來找出具有代表性的癲癇信號(hào)：棘波和尖波。以此來識(shí)別痙攣信號(hào)。棘波在癲癇腦電信號(hào)最為常見，它由復(fù)數(shù)的神經(jīng)元快速超同步放電產(chǎn)生。棘波擁有明顯的特征，出現(xiàn)時(shí)限約為20～70 ms，其幅值一般<100 μV，波形是尖銳的，相對(duì)于背景極為突出。故可利用模版匹配法在腦電信號(hào)中找出棘波以此來判斷癲癇的發(fā)生[8]。

在心電圖波形識(shí)別中，研究者人工截取R波信號(hào)及T波信號(hào)作為模版，再對(duì)整段的ECG信號(hào)進(jìn)行模版匹配計(jì)算，找出最匹配的波形，從而到達(dá)波形識(shí)別的目的[9-10]。

1.2 形狀模版匹配法的適用性

通過對(duì)波形圖像進(jìn)行分析，得到下肢痙攣信號(hào)波形的以下特性[11-12]。

(1)高波形重復(fù)率。如圖1所示，痙攣波形是一個(gè)波形在痙攣的持續(xù)時(shí)間內(nèi)的重復(fù)出現(xiàn)，從生理學(xué)角度上來解釋是肌肉發(fā)生不自主的強(qiáng)直收縮所引起的。肌肉不斷地重復(fù)不完全收縮使表面肌電信號(hào)也出現(xiàn)大量重復(fù)。而一般人體運(yùn)動(dòng)的肌肉運(yùn)動(dòng)復(fù)雜多變，不可能出現(xiàn)這樣高的重復(fù)率。在實(shí)驗(yàn)中還讓被測(cè)人員保持一個(gè)姿勢(shì)肌肉持續(xù)發(fā)力，發(fā)現(xiàn)采集到的波形還是有極大的差異，顯示人體無法刻意地保持這種特征波形，因此痙攣信號(hào)與普通運(yùn)動(dòng)時(shí)的肌電信號(hào)有很大不同，可以作為識(shí)別方法的一個(gè)參考；

(2) 波形簡單。如圖2所示，不難發(fā)現(xiàn)痙攣波形的基本單位波形較為簡單，波形的幅值跨度不大，波形的變化趨勢(shì)也較為簡單，在基本單位波形中波峰波谷出現(xiàn)的較少。從生理學(xué)的角度來解釋是因?yàn)榧∪獍l(fā)生不完全收縮，肌肉運(yùn)動(dòng)不完全且較為機(jī)械，產(chǎn)生的表面肌電波形也簡單。

從以上來兩點(diǎn)來看，痙攣信號(hào)的模版制作是可行的。簡單的基本單位波形及交稿的重復(fù)率，為模版的選取帶來便利。而痙攣信號(hào)波形與一般表面肌電信號(hào)波形的巨大差異也保證了波形匹配的準(zhǔn)確性。

圖1 痙攣波形

圖2 基本單位波形

(3) 信號(hào)離散程度低。通過將5組痙攣信號(hào)與5組正常步態(tài)信號(hào)隨機(jī)采用的一段數(shù)據(jù)量為40 000的信號(hào)，通過STDEVP函數(shù)做離散值統(tǒng)計(jì)比較，結(jié)果如表1所示。痙攣信號(hào)的離散值與正常步態(tài)的離散值相比明顯偏小。因此痙攣信號(hào)的離散程度較低，與簡單和高重復(fù)的波形特征相符。

表1 離散值

2 模版匹配法的痙攣信號(hào)識(shí)別

在痙攣信號(hào)的識(shí)別中以基于形狀的模版匹配法為核心思想，利用皮爾遜相關(guān)系數(shù)作為主要參數(shù)來實(shí)現(xiàn)模版匹配法在痙攣信號(hào)識(shí)別中的運(yùn)用。

皮爾遜相關(guān)系數(shù)r是統(tǒng)計(jì)學(xué)概念，又名皮爾遜積矩相關(guān)系數(shù)(Pearson Product-moment-correlation Coefficient)，由卡爾·皮爾遜從弗朗西斯·高爾頓的統(tǒng)計(jì)思想衍化而來。該系數(shù)運(yùn)用于度量兩個(gè)定距變量之間的線性相關(guān)性。它介于-1～1[13-14]。0.8

線性關(guān)系顯示了當(dāng)兩個(gè)變量中一個(gè)變量發(fā)生變化時(shí)，另一個(gè)變量的變化情況。從波形圖像上來看代表了其波形走向的相似度；從圖像的整體來看，表明了兩個(gè)變量的波形圖像形狀的相似度。因此皮爾遜相關(guān)系數(shù)可以作為基于形狀的模版匹配法在痙攣信號(hào)識(shí)別中的主要參數(shù)，來匹配出一段被測(cè)表面肌電信號(hào)中的痙攣信號(hào)。

皮爾遜相關(guān)系數(shù)的計(jì)算公式為[15]

(1)

其中，n為樣本量；X，Y為兩個(gè)變量值。

3 數(shù)據(jù)采集

仿真實(shí)驗(yàn)準(zhǔn)備階段：研究目的是下肢表面肌電信號(hào)的痙攣信號(hào)的識(shí)別，因此在Matlab仿真實(shí)驗(yàn)前要先收集下肢痙攣的表面肌電信號(hào)。同時(shí)由于痙攣一般出現(xiàn)在劇烈運(yùn)動(dòng)后和偏癱病人并發(fā)癥中，并且具有突發(fā)性、及時(shí)性，采集難度較大。從上海市第一康復(fù)醫(yī)院選取了相應(yīng)的被測(cè)試人員：發(fā)生痙攣癥狀的4名男性患者，年齡42～55歲，4名女性腦卒中患者，年齡45～58歲；正常對(duì)照組，3名男性，年齡43～53歲，3名女性正?；颊?，年齡42～57歲。

實(shí)驗(yàn)采用芬蘭Mega的ME6000表面肌電測(cè)試儀，其擁有8個(gè)通道的數(shù)據(jù)記錄系統(tǒng)和無限遙控裝置。運(yùn)用MegaMin系統(tǒng)來分析處理采集到正常表面肌電信號(hào)和痙攣信號(hào)，將得到的數(shù)據(jù)調(diào)出后再導(dǎo)入Matlab中進(jìn)行運(yùn)算，達(dá)到識(shí)別痙攣信號(hào)的目的。

數(shù)據(jù)采集時(shí)間為151 s，共采集12組痙攣數(shù)據(jù)，信號(hào)圖像如圖3所示。為了與痙攣信號(hào)做對(duì)比，還采集了正常步態(tài)中的表面肌電信號(hào)。分別從腓腸肌(小腿內(nèi)側(cè))1通道，脛骨前肌(小腿外側(cè))2通道，股內(nèi)側(cè)肌(大腿內(nèi)側(cè))3通道及股外側(cè)肌(大腿外側(cè))4通道。采集時(shí)間為151 s。在肌電采集過程中，運(yùn)用表面電極以避免對(duì)被測(cè)人員帶來不必要的身體傷害，共獲得11組正常步態(tài)數(shù)據(jù)，信號(hào)圖像如圖4所示。

圖3 下肢痙攣信號(hào)波形

圖4 正常步態(tài)信號(hào)

仿真實(shí)驗(yàn)：從不同組的在下肢痙攣表面肌電信號(hào)中截取出模版信號(hào)如圖5所示，同時(shí)截取有效數(shù)據(jù)，共300個(gè)數(shù)值。將其與同組和不同組的痙攣信號(hào)分別進(jìn)行仿真，再截取一般人正常步態(tài)的表面肌電信號(hào)將其與痙攣信號(hào)模版信號(hào)進(jìn)行仿真。

圖5 痙攣模版信號(hào)波形

4 數(shù)據(jù)分析

模版信號(hào)與同組痙攣信號(hào)實(shí)驗(yàn)。將截取的模版信號(hào)與同組的痙攣信號(hào)進(jìn)行Matlab仿真實(shí)驗(yàn)后結(jié)果如表2和圖6所示。

表2 仿真數(shù)值結(jié)果

圖6 仿真圖像與判斷結(jié)果

表2中代表皮爾遜相關(guān)系數(shù)的r為0.959 7，這表明了模版信號(hào)與同組的痙攣信號(hào)有較高的相關(guān)度。在圖6中，兩個(gè)信號(hào)的波形也基本重疊，佐證了模版信號(hào)與被測(cè)信號(hào)擁有高相關(guān)度。判斷語句也顯示了被測(cè)信號(hào)是痙攣信號(hào)，顯示結(jié)果正確。證明了運(yùn)用的算法在能識(shí)別出同一人的痙攣信號(hào)。

模版信號(hào)與不同組痙攣信號(hào)實(shí)驗(yàn)。將截取的模版信號(hào)與不同組的痙攣信號(hào)進(jìn)行Matlab仿真實(shí)驗(yàn)后結(jié)果如表3和圖7所示。

表3 仿真數(shù)值結(jié)果

圖7 仿真圖像與判斷結(jié)果

表3中代表皮爾遜相關(guān)系數(shù)的r為0.643 8，這表明模版信號(hào)與不同組的痙攣信號(hào)一定的相關(guān)度，但是不足夠?qū)⑵湔J(rèn)為是同一波形。在圖7中，兩個(gè)信號(hào)的波形也不重疊，但形狀略有相似，佐證了模版信號(hào)與被測(cè)信號(hào)擁有一定相關(guān)度。判斷語句顯示了被測(cè)信號(hào)不是痙攣信號(hào)，這顯然不是理想的結(jié)果。說明了研究過程會(huì)中運(yùn)用的算法目前無法運(yùn)用在不同人的痙攣信號(hào)識(shí)別中，但有一定的可行性。

模版信號(hào)與一般人步態(tài)實(shí)驗(yàn)。將截取的模版信號(hào)與一般人步態(tài)實(shí)驗(yàn)信號(hào)進(jìn)行Matlab仿真實(shí)驗(yàn)后結(jié)果如表4和圖8所示。

表4 仿真數(shù)值結(jié)果

圖8 仿真圖像與判斷結(jié)果

表4中代表皮爾遜相關(guān)系數(shù)的r為-0.094 8，這表明模版信號(hào)與一般人正常步態(tài)信號(hào)的相關(guān)度較低。在圖8中，兩個(gè)信號(hào)的波形也完全不重疊且有較大差異，佐證了模版信號(hào)與被測(cè)信號(hào)沒有相關(guān)度。判斷語句顯示了被測(cè)信號(hào)不是痙攣信號(hào)，給出了正確結(jié)果。證明了本課題運(yùn)用的算法在識(shí)別不是痙攣信號(hào)時(shí)是可行的。

5 結(jié)束語

綜合上述各組的實(shí)驗(yàn)仿真情況，可以發(fā)現(xiàn)以皮爾遜相關(guān)系數(shù)作為理論依據(jù)的基于波形形狀的模版匹配算法，在將采集到的痙攣表面肌電信號(hào)和正常人的表面肌電信號(hào)導(dǎo)入Matlab系統(tǒng)中，進(jìn)行仿真實(shí)驗(yàn)后。得到了痙攣信號(hào)的判斷結(jié)果，判斷出了個(gè)人特定模版信號(hào)在病人判斷痙攣中的可行性?？梢缘贸龌谛螤畹哪０嫫ヅ渌惴ㄔ谕换颊叩寞d攣?zhàn)R別上有較高的準(zhǔn)確性，能基本達(dá)到預(yù)設(shè)的效果。但由于個(gè)體的表面肌電信號(hào)的差異性，算法目前無法通過一個(gè)共用模版準(zhǔn)確的識(shí)別不同患者的痙攣信號(hào)，不同的患者需要使用自身采集的模版信號(hào)。算法有一定病人依賴性，一般情況下正常步態(tài)肌電信號(hào)與痙攣信號(hào)相關(guān)度極小，因此不會(huì)出現(xiàn)將正常信號(hào)識(shí)別成痙攣信號(hào)的情況。對(duì)于模版適用性的問題，目前有兩個(gè)解決方案：一是通過大量的數(shù)據(jù)采集，進(jìn)行大量的仿真實(shí)驗(yàn)來逐漸優(yōu)化模版，并最終得到一個(gè)通用性的模版信號(hào)；二是將模版信號(hào)與被測(cè)型號(hào)進(jìn)行二次的數(shù)據(jù)處理，提高周期在形狀相似度中的比重，減少幅值的影響。

[1] 仉冠生.表面肌電信號(hào)測(cè)試系統(tǒng)研究[D].天津:河北工業(yè)大學(xué),2007.

[2] 劉衛(wèi),李玲,李薇.痙攣的治療[J].中國臨床康復(fù),2003(5):59-62.

[3] Oboe R,Tonin A,Yu K,et al.Robotic finger rehabilitation system for stroke patient using surface EMG armband[C].Florence,Italy:IECON 2016 - 42nd Annual Conference of the IEEE Industrial Electronics Society,2016.

[4] Nawab S H,Wotiz R P,De Luca C J.Multi-receiver precision decomposition of intramuscular EMG signals[C].New York: International Conference of the IEEE Engineering in Medicine and Biology Society,2006.

[5] 蔣大林,李琳.圖像匹配技術(shù)的研究[C].樂山：全國第19屆計(jì)算機(jī)技術(shù)與應(yīng)用(CACIS)學(xué)術(shù)會(huì)議,2008.

[6] Weber J H,Swart T G,Schouhamer Immink K A.Simple systematic pearson coding[C]. Barcelona:IEEE International Symposium on Information Theory (ISIT),2016.

[7] 孫凡軍,唐啟桂.SBHCF:基于奇異值分解的混合協(xié)同過濾推薦算法[J].電子科技,2016,29(1):44-47.

[8] 袁琦.癲癇腦電的分類識(shí)別及自動(dòng)檢測(cè)方法研究[D].濟(jì)南:山東大學(xué),2014.

[9] 江依法,周青,陳偉燕.一種改進(jìn)的模板匹配算法及其在ECG波形識(shí)別中的應(yīng)用[J].中國生物醫(yī)學(xué)工程學(xué)報(bào),2012,31(5):775-778.

[10] Winslow J,Martinez A,Thomas C K.Automatic identification and classification of muscle spasms in Long-term EMG recordings[J].IEEE Journal of Biomedical and Health Informatics,2015(4):464-470.

[11] Paek A Y,Brown J D,Gillespie R B,et al.Reconstructing surface EMG from scalp EEG during myoelectric control of a closed looped prosthetic device[C].Osaka:35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC),2013.

[12] 邱青菊.表面肌電信號(hào)的特征提取與模式分類研究[D].上海:上海交通大學(xué),2009.

[13] 于顏儒.加入皮爾遜相關(guān)系數(shù)的局部保持投影方法[J].中國科技縱橫,2016(17):14-16.

[14] 呂俊.基于頭皮和表面肌電信號(hào)假手控制系統(tǒng)[J].電子科技,2011,24(7):1-2,17.

[15] 李宏彬,赫光中,果秋婷,等.基于皮爾遜相關(guān)系數(shù)的有機(jī)質(zhì)譜相似性檢索方法[J].化學(xué)分析計(jì)量,2015,24(3):33-37.

Feature Analysis and Recognition of Lower Limb Spasm Signal of Surface EMG Signal

JIANG Yabin,ZOU Renling,LIU Jian,XU Xiulin,HU Xiufang

(School of Medical Instrument and Food Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)

It is of great practical significance to identify the spasticity and interrupt the training in the process of training for patients with spasticity of lower extremity muscle spasticity during the rehabilitation of stroke patients,which brings great harm to the rehabilitation training of patients. In this paper,we used the template-based matching method to identify the spasm signal,and the spikes signal of the lower extremity spasticity signal was detected by the Pearson correlation coefficient. The results showed that the accuracy of template matching method in the identification of spasticity signal of the individual,showing the feasibility of the signal in the identification of universal spasms.

surface electromyography; muscle cramp of lower limbs signal; template matching method; Pearson’s correlation coefficient

TN911.7;TP274+.2

A

1007-7820(2017)11-038-04

2016- 12- 30

上海市科學(xué)技術(shù)委員會(huì)科研計(jì)劃(14441905100)

姜亞斌(1992-)，男，碩士研究生。研究方向：肌電信號(hào)分析。

10.16180/j.cnki.issn1007-7820.2017.11.011