【摘要】：本研究通過將表面肌電信號(sEMG)分解為運動單元動作電位序列(MUAPTs),來研究神經(jīng)-肌肉系統(tǒng)中運動單元(MU)的募集與發(fā)放模式。針對高收縮力情況下MUAP疊加問題,首先采用FastICA算法和小波包去噪算法對信號進(jìn)行預(yù)處理;然后基于先驗知識構(gòu)建了4種形態(tài)的可伸縮MUAP模板;最后,采用"先大后小"的漸進(jìn)識別方式,逐個對MUAP進(jìn)行自動提取。在此基礎(chǔ)上,還將該算法應(yīng)用于8名受試者(3組/人)不同手指活動模式下的指淺屈肌多通道(12通道)sEMG分解;單通道分解結(jié)果顯示,高力量水平下sEMG中的主體MUAPTs能夠被有效檢測和分類;統(tǒng)計結(jié)果證實,隨著力量水平的增加,MUAP的數(shù)目增加;不同大小MUAP比重的變化與活動手指和力量水平具有顯著的相關(guān)性。本文的實驗結(jié)果,初步驗證了利用先驗?zāi)０鍙膕EMG中漸進(jìn)提取MUAP的可行性,為sEMG分解和進(jìn)一步研究MU發(fā)放規(guī)律提供于一種新的思路。
【圖文】：

知識，設(shè)計了一種漸進(jìn)式sEMG分解算法:通過模板擬合和逐次迭代提取MUAP信息，以提高M(jìn)UAP識別效率;并通過不同手指活動模式下采集的指淺屈肌sEMG，對算法的有效性進(jìn)行了初步驗證。1漸進(jìn)分解算法設(shè)計1.1模板建立MUAP波形被證實大多呈現(xiàn)雙相或三相結(jié)構(gòu)［1，8，10，12］，MU遵循“大小原則”進(jìn)行募集，后募集的MU具有更大的激活閾值且產(chǎn)生尺寸更大的MUAP。為了使所建立的模板波形更具有代表性，提取出更多MU所發(fā)放的MUAP信息，依據(jù)現(xiàn)有報道的結(jié)果［1，8，10，12］，構(gòu)建了如圖1所示的4種基本形態(tài)的模板波形(Tp1～Tp4)，且每種形態(tài)的模板波形，通過幅度和時間伸縮以代表不同激活閾值MU發(fā)放的MUAP。圖1模板波形示意圖Fig．1AnexampleofMUAPtemplates為了計算方便，將Hermite-Ｒodriguez函數(shù)進(jìn)行歸一化和變形來表示每種形態(tài)MUAP的波形，上述4種模板的近似數(shù)學(xué)表達(dá)式為Tp1(t)=2Ate－t2/λ21;Tp2(t)=－2Ate－t2/λ22;Tp3(t)=A1－2t2λ()23e－t2/λ23;t∈［－2.5，2.5］Tp4(t)=A2t2λ24－()1)e－t2/λ24;(1)式中，Tpi(t)表示第i個MUAP模板為了更好地逼近模板波形，變量t的取值范圍取:［－2.5，2.5］，A為MUAP的幅度伸縮因子，采用式(2)所示一個比值為1/2的等比數(shù)列來代表不同大小MUAP的幅值A(chǔ)0可通過MVC力量水平下采集到的sEMG由式(3)進(jìn)行估計，N的大小則取決于式(6)中Thrmin的大小;λ1，λ2，λ3，λ4為與MUAP幅值有關(guān)的時間伸縮因子，幅值越大，時長相對越長。參考相關(guān)文獻(xiàn)［1，8］，，其總變化范圍設(shè)為

中國生物醫(yī)學(xué)工程學(xué)報33卷圖2漸進(jìn)分解算法流程圖(左側(cè)為主程序，右側(cè)為MUAP識別與提取的子程序)Fig．2TheflowchartofthescaledsEMGdecompositionalgorithm(theleftpartisthemainprocedure，therightpartisthesubprogramofMUAPdetectionandextraction)到左右兩邊比例也不同(如圖1所示)。因此，采取移動的可變窗長截取索引點附近的待分析信號段。除此之外，為了方便進(jìn)行參數(shù)計算，將不同窗長截取的MUAP波形都進(jìn)行了3次樣條插值，使其與模板波形具有相同的點數(shù)。待分析信號段與模板波形的匹配程度，主要采用相關(guān)系數(shù)與殘差比進(jìn)行判定，兩個參數(shù)分別由式(4)和式(5)進(jìn)行計算。C(i，j)=cov(Tpi(t)，xj(t))D(Tpi(ti

本文編號：2516990