基于經(jīng)驗(yàn)?zāi)０宓谋砻婕‰娺\(yùn)動(dòng)單元?jiǎng)幼麟娢恍蛄蟹纸夥椒ㄑ芯?/H1>
發(fā)布時(shí)間：2017-08-13 21:51
本文關(guān)鍵詞：基于經(jīng)驗(yàn)?zāi)０宓谋砻婕‰娺\(yùn)動(dòng)單元?jiǎng)幼麟娢恍蛄蟹纸夥椒ㄑ芯?/strong>
更多相關(guān)文章： 表面肌電信號(hào)（sEMG） 分解 先驗(yàn)?zāi)０?/b> 運(yùn)動(dòng)單元?jiǎng)幼麟娢?/b>
【摘要】：表面肌電信號(hào)（sEMG）是肌肉活動(dòng)時(shí)所有募集運(yùn)動(dòng)單元（MU）產(chǎn)生的運(yùn)動(dòng)單元?jiǎng)幼麟娢唬∕UAP）在表面電極處時(shí)空綜合疊加的結(jié)果，包涵了大量的MU募集和MUAP發(fā)放信息。sEMG信號(hào)分解就是從sEMG信號(hào)中提取主體運(yùn)動(dòng)單位動(dòng)作電位序列（MUAPTs）的過程，分解得到的MUAP發(fā)放信息有助于深入研究神經(jīng)-肌肉控制系統(tǒng)的調(diào)控機(jī)理，在臨床醫(yī)學(xué)、假肢控制、康復(fù)醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)等領(lǐng)域具有良好的應(yīng)用前景。 目前，sEMG信號(hào)分解技術(shù)可以大致分為兩種類型：一類是盲源分離算法或系統(tǒng)辨識(shí)法，另一種是MUAP形態(tài)學(xué)方法。由于第一類算法應(yīng)用于sEMG信號(hào)的基本假設(shè)條件并不一定滿足，且目前的分解效果并不理想，因此本文基于MUAP形態(tài)特征設(shè)計(jì)了一種的sEMG信號(hào)分解算法。 在分析總結(jié)相關(guān)文獻(xiàn)的基礎(chǔ)上，本文結(jié)合MUAP波形常見為雙相或三相波形特點(diǎn)，利用Hermite-Rodriguez函數(shù)擬合了4種時(shí)間、幅度可伸縮的MUAP波形模板；為了減小沿時(shí)間軸順序分割sEMG信號(hào)可能對(duì)MUAP疊加波形識(shí)別所帶來的影響，本文依據(jù)MU募集的“大小原則”，從整段sEMG信號(hào)中，，按照從大到小的順序逐個(gè)剝離出相應(yīng)的MUAP波形。值得注意的是，本文在MUAP波形的識(shí)別過程未增加MUAP發(fā)放規(guī)律的假設(shè)，僅限定了MUAP發(fā)放頻率的范圍。此外，本文所設(shè)計(jì)的sEMG分解算法可對(duì)單通道sEMG信號(hào)進(jìn)行獨(dú)立分解，克服了對(duì)其他通道信息的依賴。 為了滿足sEMG分解對(duì)信號(hào)高信噪比的要求，本文分別采用了分3個(gè)步驟對(duì)原始sEMG信號(hào)進(jìn)行了預(yù)處理。首先，本文采用了橢圓帶通數(shù)字濾波器來消除sEMG信號(hào)主頻帶（20~500Hz）以外的部分低頻和高頻噪聲。其次，基于快速獨(dú)立分量分析算法（FastICA）設(shè)計(jì)算法實(shí)現(xiàn)了工頻干擾的分離。最后，采用具有雙正交、緊支撐性、近似對(duì)稱性等優(yōu)點(diǎn)的coif2母小波對(duì)sEMG信號(hào)進(jìn)行小波包去噪。實(shí)測(cè)sEMG信號(hào)的分解結(jié)果顯示，本文所提sEMG信號(hào)預(yù)處理算法不僅有效地濾除工頻噪聲等噪聲，而且較好地保留了MUAP波形的銳度。 由于缺乏sEMG信號(hào)中主體MUAPTs的先驗(yàn)知識(shí)，通常需要專門設(shè)計(jì)相應(yīng)的算法準(zhǔn)確性驗(yàn)證方案。因此，本文構(gòu)建了簡單的sEMG信號(hào)模型來對(duì)本文所提算法的準(zhǔn)確性進(jìn)行驗(yàn)證。本文分別對(duì)不同信噪比（5dB、10dB、15dB和20dB）不同疊加程度（0%、10%、20%和30%）情況下的5s長的仿真sEMG信號(hào)（采樣率為2kHz）進(jìn)行了分解，每種情況進(jìn)行20組。仿真sEMG信號(hào)分解的結(jié)果顯示，該算法在噪聲水平較高（SNR=20dB）、MUAP疊加程度較輕時(shí)(10%)，分解的準(zhǔn)確性較高（90.94% 1.27%）； 為進(jìn)一步驗(yàn)證利用本文算法提取出來的主體MUAPTs與相應(yīng)的神經(jīng)肌肉活動(dòng)是否具有相關(guān)性，本文還將該算法應(yīng)用于8名受試者（3組/人）不同手指活動(dòng)模式下的指淺屈肌多通道（12通道）sEMG信號(hào)分解；單通道分解結(jié)果顯示，高力量水平下sEMG信號(hào)中的主體MUAPt能夠被有效檢測(cè)和分類；統(tǒng)計(jì)結(jié)果證實(shí)，隨著力量水平的增加，MUAP的數(shù)目增加；不同大小MUAP的比重的變化與活動(dòng)手指和力量水平具有顯著的相關(guān)性。本文的實(shí)驗(yàn)結(jié)果初步驗(yàn)證了利用先驗(yàn)?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)律提供一種新的思路。
【關(guān)鍵詞】：表面肌電信號(hào)（sEMG） 分解 先驗(yàn)?zāi)０?/strong> 運(yùn)動(dòng)單元?jiǎng)幼麟娢?/strong>
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：R318.04
【目錄】： - 摘要3-5
- ABSTRACT5-9
- 1 緒論9-16
- 1.1 課題背景及意義9
- 1.2 肌電信號(hào)的研究現(xiàn)狀9-14
- 1.2.1 肌內(nèi)肌電信號(hào)的研究現(xiàn)狀9-11
- 1.2.2 表面肌電信號(hào)的研究現(xiàn)狀11-14
- 1.3 研究目的及內(nèi)容14-15
- 1.4 本文內(nèi)容安排15-16
- 2 表面肌電信號(hào)運(yùn)動(dòng)單元?jiǎng)幼麟娢粰z測(cè)16-28
- 2.1 肌電信號(hào)的形成機(jī)制及檢測(cè)方法16-19
- 2.1.1 單纖維動(dòng)作電位16-17
- 2.1.2 運(yùn)動(dòng)單元?jiǎng)幼麟娢?/span>17-18
- 2.1.3 運(yùn)動(dòng)單元?jiǎng)幼麟娢恍蛄?/span>18
- 2.1.4 肌電信號(hào)檢測(cè)18-19
- 2.2 MUAP 的特征與檢測(cè)分析19-20
- 2.3 基于 sEMG 信號(hào)的 MUAP 提取與分析20-26
- 2.3.1 sEMG 信號(hào)分解算法20-25
- 2.3.2 分解算法有效性評(píng)價(jià)25-26
- 2.4 本章小節(jié)26-28
- 3 基于經(jīng)驗(yàn)?zāi)０宓?sEMG 漸進(jìn)分解算法設(shè)計(jì)28-46
- 3.1 表面肌電信號(hào)預(yù)處理29-37
- 3.1.1 帶通數(shù)字濾波29-30
- 3.1.2 FastICA 去工頻干擾30-34
- 3.1.3 小波包去噪34-37
- 3.2 基于經(jīng)驗(yàn)?zāi)０宓?sEMG 漸進(jìn)分解算法設(shè)計(jì)37-40
- 3.2.1 模板建立37-38
- 3.2.2 漸進(jìn)分解38-40
- 3.3 算法的仿真信號(hào)測(cè)試40-43
- 3.3.1 仿真 sEMG 信號(hào)構(gòu)建40-41
- 3.3.2 仿真信號(hào)分解結(jié)果41-43
- 3.4 實(shí)測(cè)表面肌電信號(hào)分解43-44
- 3.5 本章小結(jié)44-46
- 4 手指活動(dòng)模式對(duì) MUAP 發(fā)放的影響46-56
- 4.1 實(shí)驗(yàn)數(shù)據(jù)采集47-49
- 4.2 基于 sEMG 分解的 MUAP 序列提取49-50
- 4.3 手指活動(dòng)模式對(duì) MUAP 發(fā)放數(shù)目的影響50-55
- 4.3.1 MUAP 發(fā)放總數(shù)隨力量水平的變化趨勢(shì)50-52
- 4.3.2 不同手指活動(dòng)模式下不同大小 MUAP 發(fā)放比重變化52-55
- 4.4 本章小結(jié)55-56
- 5 總結(jié)與展望56-59
- 5.1 總結(jié)56-57
- 5.2 展望57-59
- 致謝59-60
- 參考文獻(xiàn)60-65
- 附錄65
- A. 作者在攻讀學(xué)位期間發(fā)表的論文65
- B. 作者在攻讀學(xué)位期間參與的科研項(xiàng)目65
【參考文獻(xiàn)】
中國期刊全文數(shù)據(jù)庫 前10條
1 李強(qiáng);楊基海;褚雪忠;陳香;張旭;;基于運(yùn)動(dòng)神經(jīng)元激勵(lì)的表面肌電信號(hào)仿真研究[J];北京生物醫(yī)學(xué)工程;2007年04期
2 滕召勝;羅志坤;孫傳奇;高云鵬;唐求;;基于小波包分解與重構(gòu)算法的諧波電能計(jì)量[J];電工技術(shù)學(xué)報(bào);2010年08期
3 齊敏;黃世震;;基于Matlab的小波去噪算法研究[J];電子器件;2012年01期
4 席旭剛;朱海港;羅志增;;基于EEMD和二代小波變換的表面肌電信號(hào)消噪方法[J];傳感技術(shù)學(xué)報(bào);2012年11期
5 侯文生;萬莎;吳小鷹;萬小萍;蔡全;鄭小林;陳海燕;;手指運(yùn)動(dòng)姿態(tài)檢測(cè)及假肢手指動(dòng)作實(shí)時(shí)控制[J];重慶大學(xué)學(xué)報(bào);2013年04期
6 何為;楊基海;梁政;陳香;;基于生理層肌電模型的表面肌電信號(hào)仿真方法[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2005年06期
7 孫承奎;葉明;梅品高;;基于最優(yōu)小波包分析的肌電信號(hào)消噪[J];機(jī)電工程;2008年08期
8 王靜;范毅方;;基于小波閾值的sEMG信號(hào)消噪方法研究[J];計(jì)算機(jī)仿真;2010年02期
9 熊安斌;趙新剛;韓建達(dá);劉光軍;;基于混沌理論的面癱患者表面肌電信號(hào)分析[J];科學(xué)通報(bào);2013年S2期
10 馬泓,吳健,孫素蓮,何洛文,壽成超;CD154 cDNA克隆、單克隆抗體制備及特異性鑒定[J];上海免疫學(xué)雜志;2001年03期
中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條
1 李強(qiáng);表面肌電信號(hào)的運(yùn)動(dòng)單位動(dòng)作電位檢測(cè)[D];中國科學(xué)技術(shù)大學(xué);2008年
2 姚博;表面肌電信號(hào)分解算法及其在小兒腦癱評(píng)詁中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2012年
本文編號(hào)：669143
本文鏈接：http://sikaile.net/yixuelunwen/swyx/669143.html
本文關(guān)鍵詞：基于經(jīng)驗(yàn)?zāi)０宓谋砻婕‰娺\(yùn)動(dòng)單元?jiǎng)幼麟娢恍蛄蟹纸夥椒ㄑ芯?/strong>
更多相關(guān)文章： 表面肌電信號(hào)（sEMG） 分解 先驗(yàn)?zāi)０?/b> 運(yùn)動(dòng)單元?jiǎng)幼麟娢?/b>
【摘要】：表面肌電信號(hào)（sEMG）是肌肉活動(dòng)時(shí)所有募集運(yùn)動(dòng)單元（MU）產(chǎn)生的運(yùn)動(dòng)單元?jiǎng)幼麟娢唬∕UAP）在表面電極處時(shí)空綜合疊加的結(jié)果，包涵了大量的MU募集和MUAP發(fā)放信息。sEMG信號(hào)分解就是從sEMG信號(hào)中提取主體運(yùn)動(dòng)單位動(dòng)作電位序列（MUAPTs）的過程，分解得到的MUAP發(fā)放信息有助于深入研究神經(jīng)-肌肉控制系統(tǒng)的調(diào)控機(jī)理，在臨床醫(yī)學(xué)、假肢控制、康復(fù)醫(yī)學(xué)、運(yùn)動(dòng)醫(yī)學(xué)等領(lǐng)域具有良好的應(yīng)用前景。 目前，sEMG信號(hào)分解技術(shù)可以大致分為兩種類型：一類是盲源分離算法或系統(tǒng)辨識(shí)法，另一種是MUAP形態(tài)學(xué)方法。由于第一類算法應(yīng)用于sEMG信號(hào)的基本假設(shè)條件并不一定滿足，且目前的分解效果并不理想，因此本文基于MUAP形態(tài)特征設(shè)計(jì)了一種的sEMG信號(hào)分解算法。 在分析總結(jié)相關(guān)文獻(xiàn)的基礎(chǔ)上，本文結(jié)合MUAP波形常見為雙相或三相波形特點(diǎn)，利用Hermite-Rodriguez函數(shù)擬合了4種時(shí)間、幅度可伸縮的MUAP波形模板；為了減小沿時(shí)間軸順序分割sEMG信號(hào)可能對(duì)MUAP疊加波形識(shí)別所帶來的影響，本文依據(jù)MU募集的“大小原則”，從整段sEMG信號(hào)中，，按照從大到小的順序逐個(gè)剝離出相應(yīng)的MUAP波形。值得注意的是，本文在MUAP波形的識(shí)別過程未增加MUAP發(fā)放規(guī)律的假設(shè)，僅限定了MUAP發(fā)放頻率的范圍。此外，本文所設(shè)計(jì)的sEMG分解算法可對(duì)單通道sEMG信號(hào)進(jìn)行獨(dú)立分解，克服了對(duì)其他通道信息的依賴。 為了滿足sEMG分解對(duì)信號(hào)高信噪比的要求，本文分別采用了分3個(gè)步驟對(duì)原始sEMG信號(hào)進(jìn)行了預(yù)處理。首先，本文采用了橢圓帶通數(shù)字濾波器來消除sEMG信號(hào)主頻帶（20~500Hz）以外的部分低頻和高頻噪聲。其次，基于快速獨(dú)立分量分析算法（FastICA）設(shè)計(jì)算法實(shí)現(xiàn)了工頻干擾的分離。最后，采用具有雙正交、緊支撐性、近似對(duì)稱性等優(yōu)點(diǎn)的coif2母小波對(duì)sEMG信號(hào)進(jìn)行小波包去噪。實(shí)測(cè)sEMG信號(hào)的分解結(jié)果顯示，本文所提sEMG信號(hào)預(yù)處理算法不僅有效地濾除工頻噪聲等噪聲，而且較好地保留了MUAP波形的銳度。 由于缺乏sEMG信號(hào)中主體MUAPTs的先驗(yàn)知識(shí)，通常需要專門設(shè)計(jì)相應(yīng)的算法準(zhǔn)確性驗(yàn)證方案。因此，本文構(gòu)建了簡單的sEMG信號(hào)模型來對(duì)本文所提算法的準(zhǔn)確性進(jìn)行驗(yàn)證。本文分別對(duì)不同信噪比（5dB、10dB、15dB和20dB）不同疊加程度（0%、10%、20%和30%）情況下的5s長的仿真sEMG信號(hào)（采樣率為2kHz）進(jìn)行了分解，每種情況進(jìn)行20組。仿真sEMG信號(hào)分解的結(jié)果顯示，該算法在噪聲水平較高（SNR=20dB）、MUAP疊加程度較輕時(shí)(10%)，分解的準(zhǔn)確性較高（90.94% 1.27%）； 為進(jìn)一步驗(yàn)證利用本文算法提取出來的主體MUAPTs與相應(yīng)的神經(jīng)肌肉活動(dòng)是否具有相關(guān)性，本文還將該算法應(yīng)用于8名受試者（3組/人）不同手指活動(dòng)模式下的指淺屈肌多通道（12通道）sEMG信號(hào)分解；單通道分解結(jié)果顯示，高力量水平下sEMG信號(hào)中的主體MUAPt能夠被有效檢測(cè)和分類；統(tǒng)計(jì)結(jié)果證實(shí)，隨著力量水平的增加，MUAP的數(shù)目增加；不同大小MUAP的比重的變化與活動(dòng)手指和力量水平具有顯著的相關(guān)性。本文的實(shí)驗(yàn)結(jié)果初步驗(yàn)證了利用先驗(yàn)?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)律提供一種新的思路。
【關(guān)鍵詞】：表面肌電信號(hào)（sEMG） 分解 先驗(yàn)?zāi)０?/strong> 運(yùn)動(dòng)單元?jiǎng)幼麟娢?/strong>
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：R318.04
【目錄】：
- 摘要3-5
- ABSTRACT5-9
- 1 緒論9-16
- 1.1 課題背景及意義9
- 1.2 肌電信號(hào)的研究現(xiàn)狀9-14
- 1.2.1 肌內(nèi)肌電信號(hào)的研究現(xiàn)狀9-11
- 1.2.2 表面肌電信號(hào)的研究現(xiàn)狀11-14
- 1.3 研究目的及內(nèi)容14-15
- 1.4 本文內(nèi)容安排15-16
- 2 表面肌電信號(hào)運(yùn)動(dòng)單元?jiǎng)幼麟娢粰z測(cè)16-28
- 2.1 肌電信號(hào)的形成機(jī)制及檢測(cè)方法16-19
- 2.1.1 單纖維動(dòng)作電位16-17
- 2.1.2 運(yùn)動(dòng)單元?jiǎng)幼麟娢?/span>17-18
- 2.1.3 運(yùn)動(dòng)單元?jiǎng)幼麟娢恍蛄?/span>18
- 2.1.4 肌電信號(hào)檢測(cè)18-19
- 2.2 MUAP 的特征與檢測(cè)分析19-20
- 2.3 基于 sEMG 信號(hào)的 MUAP 提取與分析20-26
- 2.3.1 sEMG 信號(hào)分解算法20-25
- 2.3.2 分解算法有效性評(píng)價(jià)25-26
- 2.4 本章小節(jié)26-28
- 3 基于經(jīng)驗(yàn)?zāi)０宓?sEMG 漸進(jìn)分解算法設(shè)計(jì)28-46
- 3.1 表面肌電信號(hào)預(yù)處理29-37
- 3.1.1 帶通數(shù)字濾波29-30
- 3.1.2 FastICA 去工頻干擾30-34
- 3.1.3 小波包去噪34-37
- 3.2 基于經(jīng)驗(yàn)?zāi)０宓?sEMG 漸進(jìn)分解算法設(shè)計(jì)37-40
- 3.2.1 模板建立37-38
- 3.2.2 漸進(jìn)分解38-40
- 3.3 算法的仿真信號(hào)測(cè)試40-43
- 3.3.1 仿真 sEMG 信號(hào)構(gòu)建40-41
- 3.3.2 仿真信號(hào)分解結(jié)果41-43
- 3.4 實(shí)測(cè)表面肌電信號(hào)分解43-44
- 3.5 本章小結(jié)44-46
- 4 手指活動(dòng)模式對(duì) MUAP 發(fā)放的影響46-56
- 4.1 實(shí)驗(yàn)數(shù)據(jù)采集47-49
- 4.2 基于 sEMG 分解的 MUAP 序列提取49-50
- 4.3 手指活動(dòng)模式對(duì) MUAP 發(fā)放數(shù)目的影響50-55
- 4.3.1 MUAP 發(fā)放總數(shù)隨力量水平的變化趨勢(shì)50-52
- 4.3.2 不同手指活動(dòng)模式下不同大小 MUAP 發(fā)放比重變化52-55
- 4.4 本章小結(jié)55-56
- 5 總結(jié)與展望56-59
- 5.1 總結(jié)56-57
- 5.2 展望57-59
- 致謝59-60
- 參考文獻(xiàn)60-65
- 附錄65
- A. 作者在攻讀學(xué)位期間發(fā)表的論文65
- B. 作者在攻讀學(xué)位期間參與的科研項(xiàng)目65
【參考文獻(xiàn)】
中國期刊全文數(shù)據(jù)庫 前10條
1 李強(qiáng);楊基海;褚雪忠;陳香;張旭;;基于運(yùn)動(dòng)神經(jīng)元激勵(lì)的表面肌電信號(hào)仿真研究[J];北京生物醫(yī)學(xué)工程;2007年04期
2 滕召勝;羅志坤;孫傳奇;高云鵬;唐求;;基于小波包分解與重構(gòu)算法的諧波電能計(jì)量[J];電工技術(shù)學(xué)報(bào);2010年08期
3 齊敏;黃世震;;基于Matlab的小波去噪算法研究[J];電子器件;2012年01期
4 席旭剛;朱海港;羅志增;;基于EEMD和二代小波變換的表面肌電信號(hào)消噪方法[J];傳感技術(shù)學(xué)報(bào);2012年11期
5 侯文生;萬莎;吳小鷹;萬小萍;蔡全;鄭小林;陳海燕;;手指運(yùn)動(dòng)姿態(tài)檢測(cè)及假肢手指動(dòng)作實(shí)時(shí)控制[J];重慶大學(xué)學(xué)報(bào);2013年04期
6 何為;楊基海;梁政;陳香;;基于生理層肌電模型的表面肌電信號(hào)仿真方法[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2005年06期
7 孫承奎;葉明;梅品高;;基于最優(yōu)小波包分析的肌電信號(hào)消噪[J];機(jī)電工程;2008年08期
8 王靜;范毅方;;基于小波閾值的sEMG信號(hào)消噪方法研究[J];計(jì)算機(jī)仿真;2010年02期
9 熊安斌;趙新剛;韓建達(dá);劉光軍;;基于混沌理論的面癱患者表面肌電信號(hào)分析[J];科學(xué)通報(bào);2013年S2期
10 馬泓,吳健,孫素蓮,何洛文,壽成超;CD154 cDNA克隆、單克隆抗體制備及特異性鑒定[J];上海免疫學(xué)雜志;2001年03期
中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條
1 李強(qiáng);表面肌電信號(hào)的運(yùn)動(dòng)單位動(dòng)作電位檢測(cè)[D];中國科學(xué)技術(shù)大學(xué);2008年
2 姚博;表面肌電信號(hào)分解算法及其在小兒腦癱評(píng)詁中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2012年
本文編號(hào)：669143
本文鏈接：http://sikaile.net/yixuelunwen/swyx/669143.html
