基于小波變換的肌肉疲勞表面肌電信號(hào)特征提取的研究*

宋方禹，劉燁輝，朱立華，朱峻嶺，亓勤德，朱江

(1.山東濟(jì)南市人民醫(yī)院神經(jīng)內(nèi)科，萊蕪 271100；2.湖南科技大學(xué)機(jī)電工程學(xué)院，長沙 410000)

1 引 言

人體運(yùn)動(dòng)離不開肌肉的支持，肌肉在進(jìn)行一定時(shí)間的反復(fù)運(yùn)動(dòng)后會(huì)出現(xiàn)肌肉疲勞。肌肉疲勞的出現(xiàn)會(huì)影響人的活動(dòng)狀態(tài)，也有可能造成一定程度上的肌肉損傷。為了對治療和緩解肌肉疲勞所帶來的肌肉損傷和疾病，需要準(zhǔn)確的檢測出肌肉的疲勞狀態(tài)。sEMG是人體在活動(dòng)過程中所產(chǎn)生的弱電信號(hào)，可以有效的評價(jià)肌肉功能、狀態(tài)。采用對sEMG進(jìn)行特征提取的方式來評價(jià)肌肉的疲勞程度是醫(yī)學(xué)界和生物界的常用手段。文獻(xiàn)[1]根據(jù)手部肌肉疲勞后部分動(dòng)作辨識(shí)度較低的問題，采用大腦與肌電信號(hào)的特征融合提取方法，對大腦信號(hào)的時(shí)域特征進(jìn)行提取。引入AR模型對積分機(jī)電數(shù)值進(jìn)行特征提取，結(jié)合小波變換方法研究手部肌電信號(hào)的頻域特征，采用編碼方法對頻域和時(shí)域進(jìn)行整理，輸出腦信號(hào)特征信息。文獻(xiàn)[2]為了對疲勞狀態(tài)下腦信號(hào)特征進(jìn)行提取，采用滑動(dòng)均值法對不同自由度的序列號(hào)進(jìn)行信息篩選，結(jié)合模糊熵理論對腦電信號(hào)時(shí)域和頻域特征進(jìn)行分析，達(dá)到對腦信號(hào)特征進(jìn)行提取。該方法能夠快速有效的識(shí)別腦信號(hào)的主要意圖，但不能對非線性跳變信號(hào)進(jìn)行特征提取，容易忽略腦電信息，造成大腦信號(hào)信息分析不全。文獻(xiàn)[3]采用對肌電信號(hào)的疲勞特征進(jìn)行降維提取，來完成肌肉運(yùn)動(dòng)信息的預(yù)測，通過對肌電信號(hào)信息描述的時(shí)域和頻域功能特征進(jìn)行泛化處理，結(jié)合主成分進(jìn)行腦電信號(hào)特征分析。該方法能夠較為準(zhǔn)確的預(yù)測關(guān)節(jié)狀態(tài)，但針對同樣頻域和時(shí)域信號(hào)的采集只能在平穩(wěn)狀態(tài)下進(jìn)行，特征提取準(zhǔn)確度差。

根據(jù)上述分析可知，當(dāng)前肌肉疲勞的sEMG特征提取方法，均忽略了非線性跳錯(cuò)信號(hào)的影響，且不能在非平穩(wěn)狀態(tài)下進(jìn)行特征提取，存在特征提取準(zhǔn)確度差的問題。根據(jù)這些問題提出基于小波變換的肌肉疲勞表面肌電信號(hào)特征提取研究。

2 小波變換去噪

sEMG的信號(hào)狀態(tài)非常微弱，最大值也僅在10 Mv以內(nèi)，可用信號(hào)能量范圍不超過10 ～15 Hz。sEMG信號(hào)構(gòu)成相對較為復(fù)雜，信號(hào)內(nèi)部平穩(wěn)有效的儲(chǔ)存著肌電信息[4]，在采用儀器在人體表層對肌電信號(hào)進(jìn)行采集的過程中，容易受到脈搏信號(hào)、基線漂移、白噪聲和工頻噪聲的干擾[5]。對于信號(hào)噪聲濾除方面，常規(guī)方法有限幅方法和中值濾波方法，但這兩種方法在肌電信號(hào)提取非平穩(wěn)性的信號(hào)處理狀態(tài)下效果非常差，而小波變換方法則能夠在運(yùn)動(dòng)狀態(tài)下肌電信號(hào)的處理方面，取得較好的效果。

為了使肌電信號(hào)能夠達(dá)到濾除噪聲的目的，根據(jù)噪聲的基本模型,對信號(hào)頻域采用小波變換對高頻和低頻信號(hào)進(jìn)行分解，噪聲模型如下：

s(n)=f(n)+σ·e(n)

(1)

式中，原始信號(hào)采用f(n)表示，被噪聲信號(hào)干擾后的信號(hào)采用s(n)表示，白噪聲信號(hào)采用e(n)表示，并且σ=1。小波變換的最終目的是將攜帶干擾噪聲的信號(hào)s(n)逐漸分層，將高頻噪聲信號(hào)濾除，留下頻率較低、狀態(tài)微弱的肌電信號(hào)，流程見圖1。

圖1小波變換去噪流程

Fig1Wavelettransformdenoisingprocess

3 肌肉疲勞表面肌電信號(hào)特征提取

3.1 肌電信號(hào)的時(shí)域特征提取

在sEMG信號(hào)的時(shí)域特征刻畫過程中，采用均方根和積分肌電圖對sEMG信號(hào)的變化幅度進(jìn)行描述[6]。當(dāng)肌肉等長收縮達(dá)到峰值時(shí)，由于其細(xì)胞內(nèi)氧源含量下降，造成運(yùn)動(dòng)神經(jīng)元的激活速率同步減小，以及sEMG信號(hào)幅值的減小。這時(shí)人體會(huì)通過調(diào)節(jié)肌肉的收縮幅度，保障肌肉在得到力量及氧源輸送補(bǔ)給前為非最大收縮幅度，待到肌肉細(xì)胞得到力量及氧源輸送補(bǔ)給時(shí)，此時(shí)sEMG信號(hào)幅值將逐漸穩(wěn)定且有升高趨勢[6-7]。為了客觀反映肌電信號(hào)的變化，采用計(jì)算RMS(均方根)以及IEMG(積分肌電圖)方法，其計(jì)算公式為：

(2)

(3)

3.2 肌電信號(hào)的頻域特征提取

疲勞sEMG信號(hào)的頻域特征提取，需要采用傅里葉轉(zhuǎn)化方法將sEMG信號(hào)的疲勞特征反映在頻域上，再結(jié)合頻譜或功率譜對sEMG信號(hào)的疲勞特征進(jìn)行提取[8]。

伴隨肌肉的疲勞狀態(tài)下，靜態(tài)負(fù)載環(huán)境中的MF(中值頻率)和MPF(平均功率頻率)會(huì)逐漸減小。其計(jì)算公式為：

(4)

(5)

式(4)和式(5)中sEMG信號(hào)的頻譜采用PS(f)表示，其范圍采用f1和f2表示。

通過傅里葉轉(zhuǎn)換方法可以成功提取到sEMG信號(hào)的疲勞特征描述，通過傅里葉變換對MF、MPF的特征提取，具有線性信號(hào)提取的特點(diǎn)，需要采用帶譜近似熵理論對非線性跳變sEMG信號(hào)進(jìn)行歸一化分析。

3.3 非線性跳變信號(hào)特征提取

根據(jù)傅里葉轉(zhuǎn)換方法得到的MPF和MF更能夠描述肌肉的疲勞變化。但傅里葉轉(zhuǎn)換方法較為適合描述線性的sEMG信號(hào)，當(dāng)sEMG信號(hào)產(chǎn)生非線性跳變時(shí)，該方法容易陷入局部解中，采用帶譜近似熵理論對跳變得到的sEMG信號(hào)進(jìn)行回歸提取[9-10]。

將帶譜近似熵用于sEMG信號(hào)的特征提取中需要按照以下步驟進(jìn)行歸一化：

(1)根據(jù)相應(yīng)的頻帶寬度對所采集的sEMG信號(hào)分解為對應(yīng)的子頻帶，并對其進(jìn)行編號(hào)。

(2)結(jié)合傅里葉簡單變換方法計(jì)算各個(gè)子頻道的頻譜能量，且構(gòu)建信號(hào)序列Ei(i=1,2,...,n),對所有能量頻譜求和：

(6)

(3)根據(jù)頻譜的總能量將每個(gè)子頻帶進(jìn)行歸一化，從而得到各個(gè)頻譜的能量分布：

Pi=Ei/E

(7)

(4)結(jié)合帶譜近似熵理論，sEMG信號(hào)熵值BSE計(jì)算如下：

(8)

通過以上操作，可以將sEMG信號(hào)的頻域疲勞特征分為線性特征提取和非線性特征提取，這樣sEMG信號(hào)的頻域疲勞特征提取的精度能夠得到較好的保障。

3.4 肌電信號(hào)的時(shí)頻疲勞特征提取

為了提高肌電信號(hào)疲勞特征的提取精度，采用EEDM(集合經(jīng)驗(yàn)擬態(tài)分解函數(shù)，IMF)對sEMG信號(hào)在非平穩(wěn)狀態(tài)下的時(shí)域和頻域疲勞特征進(jìn)行結(jié)合描述[11]。在擬態(tài)分解函數(shù)中采用平均瞬時(shí)頻率特征提取方法，對sEMG信號(hào)進(jìn)行非平穩(wěn)狀態(tài)下的疲勞信號(hào)特征提取[12]。采用逆向分析方式，假設(shè)集合擬態(tài)分解后得出N個(gè)IMF，且所有單個(gè)IMF都具有n個(gè)點(diǎn)，則：

(9)

(10)

式中：IMF所計(jì)算的第j個(gè)MIF(平均瞬時(shí)頻率)采用mif(j)表示，IMF所計(jì)算的第j個(gè)MIF上的第i個(gè)點(diǎn)與其對應(yīng)的幅度值采用γj(i)表示，IMF所計(jì)算的第j個(gè)MIF上的第i個(gè)點(diǎn)的瞬時(shí)頻率采用δj(i)表示。

4 實(shí)驗(yàn)結(jié)果及分析

本次實(shí)驗(yàn)對人體右臂肱二頭肌進(jìn)行sEMG信號(hào)疲勞特征提取。采用ADS1246低噪聲同步采樣模數(shù)轉(zhuǎn)換器，利用AgC2電極貼片對人體表皮的sEMG信號(hào)進(jìn)行無創(chuàng)提取。實(shí)驗(yàn)選取我國某大學(xué)20名21歲健康大學(xué)生，且在實(shí)驗(yàn)前24 h內(nèi)無劇烈運(yùn)動(dòng)，保證其肱二頭肌為非疲勞的健康狀態(tài)下，采集1 000個(gè)sEMG信號(hào)樣本進(jìn)行特征提取。

根據(jù)采集的sEMG信號(hào)結(jié)合帶譜近似熵理論對跳變信號(hào)進(jìn)行線性回歸操作，即研究其中10個(gè)受試者的肱二頭肌在非疲勞狀態(tài)和疲勞狀態(tài)，其發(fā)力動(dòng)作和放松動(dòng)作的周期帶譜近似熵的擬合度結(jié)果分析，見圖2。

由圖2可知，在非疲勞狀態(tài)下，受試者的肱二頭肌發(fā)力中肌電信號(hào)所帶的帶譜近似熵?zé)o明顯的曲線波動(dòng)，其擬合度曲線斜率為0.0041806。 在疲勞狀態(tài)下，肱二頭肌發(fā)力中肌電信號(hào)所帶的帶譜近似熵開始出現(xiàn)下滑，擬合度曲線為負(fù)數(shù)，驗(yàn)證了帶譜近似熵對非線性跳變肌電信號(hào)的特征采集有效性，回歸后的線性擬合線為斷定肱二頭肌疲勞特征的依據(jù)，驗(yàn)證了本研究所提方法為可行方法。

為了驗(yàn)證所提方法對肌肉疲勞表面肌電信號(hào)特征提取性能的研究，采用所提方法與文獻(xiàn)方法對比形式，將1 000個(gè)樣本分成5組，對其非線性跳錯(cuò)信號(hào)和非平穩(wěn)狀態(tài)下sEMG信號(hào)特征進(jìn)行提取和準(zhǔn)確度性能對比實(shí)驗(yàn)。

圖2 肱二頭肌帶譜近似熵?cái)M合度

實(shí)際跳錯(cuò)信號(hào)數(shù)量文獻(xiàn)[1]方法提取數(shù)量文獻(xiàn)[2]方法提取數(shù)量本研究方法提取數(shù)量2012100100001101

由表1可以看出，將1 000個(gè)樣本分成5組后，共發(fā)現(xiàn)4個(gè)跳錯(cuò)信號(hào)，文獻(xiàn)[1]方法對1個(gè)跳錯(cuò)信號(hào)進(jìn)行了特征提取，準(zhǔn)確度為25%，文獻(xiàn)[2]方法對1個(gè)跳錯(cuò)信號(hào)進(jìn)行了特征提取，準(zhǔn)確度為25%，本研究方法對4個(gè)跳錯(cuò)信號(hào)進(jìn)行了特征提取,準(zhǔn)確度為100%。本研究方法相較于文獻(xiàn)[1]和文獻(xiàn)[2]方法準(zhǔn)確度高出75%。

在非平穩(wěn)狀態(tài)下，采用以上兩種文獻(xiàn)方法和本研究方法對其中200個(gè)信號(hào)樣本進(jìn)行特征提取，結(jié)果見表2。

由表2可知，在非平穩(wěn)狀態(tài)下，文獻(xiàn)[1]方法對200個(gè)sEMG信號(hào)特征進(jìn)行提取，共提取出106個(gè)，其準(zhǔn)確率為53%， 文獻(xiàn)[2]方法對200個(gè)sEMG信號(hào)特征進(jìn)行提取，共提取出154個(gè)，準(zhǔn)確率為77%，本研究方法對200個(gè)sEMG信號(hào)特征進(jìn)行提取，共提取出196個(gè)，其準(zhǔn)確率為98%。在非平穩(wěn)狀態(tài)下，文獻(xiàn)方法信號(hào)提取準(zhǔn)確率平均為65%，本研究方法較文獻(xiàn)方法高33%。

表2 非平穩(wěn)狀態(tài)sEMG信號(hào)特征提取Table 2 Non-stationary state sEMG signal feature extraction

5 結(jié)論

提出基于小波變換的肌肉疲勞表面肌電信號(hào)特征提取研究，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。結(jié)果表明了本研究方法的可行性，此方法準(zhǔn)確度優(yōu)于當(dāng)前文獻(xiàn)方法，并且對肌肉疲勞表面肌電信號(hào)特征進(jìn)行了較為全面的提取，為醫(yī)學(xué)界和生物界對肌肉疲勞的研究提供了研究數(shù)據(jù)。