基于先验模板的表面肌电信号渐进分解算法研究

doi:10.3969/j.issn.0258-8021.2014. 03.015

摘要
图/表
参考文献
相关文章 (8)

全文: PDF (2735 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要本研究通过将表面肌电信号（sEMG）分解为运动单元动作电位序列（MUAPTs），来研究神经肌肉系统中运动单元（MU）的募集与发放模式。针对高收缩力情况下MUAP叠加问题，首先采用FastICA算法和小波包去噪算法对信号进行预处理；然后基于先验知识构建了4种形态的可伸缩MUAP模板；最后，采用“先大后小”的渐进识别方式，逐个对MUAP进行自动提取。在此基础上，还将该算法应用于8名受试者（3组/人）不同手指活动模式下的指浅屈肌多通道（12通道）sEMG分解；单通道分解结果显示，高力量水平下sEMG中的主体MUAPTs能够被有效检测和分类；统计结果证实，随着力量水平的增加，MUAP的数目增加；不同大小MUAP比重的变化与活动手指和力量水平具有显著的相关性。本文的实验结果，初步验证了利用先验模板从sEMG中渐进提取MUAP的可行性，为sEMG分解和进一步研究MU发放规律提供于一种新的思路。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	罗万国¹侯文生¹
	2#郑小林¹
	2#万小萍¹

关键词 ：表面肌电信号, 分解, 先验模板, 运动单元动作电位

Key words： surface electromyography decomposition prior templates motor unit action potentials

基金资助:国家科技支撑计划（2012BAI16B02）；国家自然科学基金（30970758）；重庆市自然科学基金(cstc2012jjA10103)

引用本文:

罗万国¹侯文生^1,2#郑小林^1,2#万小萍^{1 . 基于先验模板的表面肌电信号渐进分解算法研究[J]. 中国生物医学工程学报, 2014, 33(3): 366-372.

LUO Wan Guo¹HOU Wen Sheng^1,2#ZHENG Xiao Lin^1,2# WAN Xiao Ping¹CHEN Hai Yan²ZHOU Ping}

链接本文:

http://cjbme.csbme.org/CN/ 10.3969/j.issn.0258-8021.2014. 03.015 或 http://cjbme.csbme.org/CN/Y2014/V33/I3/366

［1］De Luca CJ, Adam A, Wotiz R, et al. Decomposition of surface EMG signals［J］. Journal of Neurophysiology,2006,96(3):1646-1657.
［2］侯文生，万莎，吴小鹰，等. 手指运动姿态检测及假肢手指动作实时控制［J］. 重庆大学学报,2013(04):103-109.
［3］姚博. 表面肌电信号分解算法及其在小儿脑瘫评诂中的应用［D］. 合肥：中国科学技术大学,2012.
［4］王耀兵，季林红，黄靖远. 康复训练过程中上肢运动肌电信号特征的对比分析［J］. 中国临床康复,2004(23):4721-4723.
［5］王刚，王志中，胡晓，等. 基于最佳小波包的表面肌电信号分类方法［J］. 中国医学物理学杂志,2006(01):45-48.
［6］Garcia GA, Okuno R, Akazawa K. A decomposition algorithm for surface electrodearray electromyogramA noninvasive, threestep approach to analyze surface EMG signals［J］. IEEE Engineering in Medicine and Biology Magazine,2005,24(4):63-72.
［7］Naik GR, Arjunan S, Kumar D. Applications of ICA and fractal dimension in sEMG signal processing for subtle movement analysis: a review ［J］. Australasian Physical & Engineering Sciences in Medicine, 2011,34(2):179-193.
［8］Nawab SH, Chang SS, De Luca CJ. Highyield decomposition of surface EMG signals［J］. Clinical Neurophysiology, 2010, 121 (10):1602-1615.
［9］Farina D, Enoka RM. Surface EMG decomposition requires an appropriate validation ［J］. Journal of Neurophysiology, 2011,105(2):981-982.
［10］安媛. 手指活动影响前臂多腱肌运动单元募集模式的初步研究［D］. 重庆：重庆大学,2012.
［11］李强. 表面肌电信号的运动单位动作电位检测［D］. 合肥：中国科学技术大学,2008.
［12］侯文生，安媛，杨丹丹，等. 食指力量对指浅屈肌运动单元募集模式的影响［J］. 医用生物力学,2012(06):648-654.
［13］Merletti R, Holobar A, Farina D. Analysis of motor units with highdensity surface electromyography［J］. Journal of Electro Myography and Kinesiology,2008，18(6):879-890.
［14］姚博，杨基海，陈香，等. 基于稀疏分量分析的欠定盲源分离用于表面肌电信号分解［J］. 航天医学与医学工程,2012(02).
［15］罗万国，吴小鹰，杨丹丹，等. 基于形态学的表面肌电信号分解算法研究［Z］. 成都:电子科技大学生命科学与技术学院,2013.
［16］Stashuk D. EMG signal decomposition: how can it be accomplished and used? ［J］. Journal of Electromyography and Kinesiology, 2001,11(3SI):151-173.
［17］Chauvet E, Fokapu O, Hogrel JY, et al. Automatic identification of motor unit action potential trains from electromyographic signals using fuzzy techniques［J］. Medical & Biological Engineering & Computing, 2003,41(6):646-653.
［18］Butler TJ, Kilbreath SL, Gorman RB, et al. Selective recruitment of single motor units in human flexor digitorum superficialis muscle during flexion of individual fingers［J］. Journal of PhysiologyLondon, 2005,567(1):301-309.