《肌内EMG信号的特征.ppt》由会员分享，可在线阅读，更多相关《肌内EMG信号的特征.ppt（28页珍藏版）》请在三一办公上搜索。
1、肌内EMG信号的特征组合对抓握力估计的影响,目前假肢的作用范 围有限，但是对截 肢患者依然很重要。至少能让他们恢复 一定的行为能力。大多数假肢设备都 采用sEMG(表面肌 电图)信号的一些特 征来控制假肢。,1.背景介绍,sEMG信号只能从表面的肌肉测量到，因此容易受到干扰。重复使用的话，sEMG信号的电极会刺激皮肤。为了克服这些局限性，就要采用另外一种方式来控制假肢肌内EMG信号,1.1sEMG信号的局限性,把电极植入到肌肉里来获得EMG信号的方法。这种方法也有缺点：电极必须植入到肌肉里，破坏性强。电极植入在某一个特定的肌肉里，因此不能准确反映全局肌肉的活动。,1.2肌内EMG信号,Kama
2、vuako研究表明：在记录肌内EMG的过程中，全局放电率和握持的力量之间有很高的相关性。但是这项研究中握持的力量被限制在50N，并且EMG信号必须从腕伸肌肌肉获得，这个方法并不理想。Onishi研究表明：如果限制了伸膝力，肌内EMG信号与力量大小之间的决定系数高于0.85。,1.3目前肌内EMG信号的研究成果,在之前的研究中，力量值都是被限制在50N以内，肌内EMG也嗾使是从腕伸肌肌肉获取的。应用范围有限。目前基于多种特征组合的研究还没有做过。,这篇论文主要是在之前研究成果上，对比和分析EMG信号的各种特征，最终找出一种完美模拟肌肉真实力量的方法。研究目的：综合各种EMG信号的特征，比较不同组
3、合预测力量值的能力，同时尽可能的覆盖较大范围的力量值。,2.方法,共有11位受试人员，年龄在22-26岁，平均年龄23.8岁，四肢健全，无上肢或其他部位的肌肉性疾病或者相关病史。实验步骤符合赫尔辛基宣言，也得到了丹麦当地伦理委员会的认可。赫尔辛基宣言：该宣言制定了涉及人体对象医学研究的道德原则，是一份包括以人作为受试对象的生物医学研究的伦理原则和限制条件，也是关于人体试验的第二个国际文件，比纽伦堡法典更加全面、具体和完善。,2.1参与测试的人员,首先，受试人员坐在椅子上，把右手臂放在托架上，如图1。受试人员用全力抓握测力计3次，取其最大值作为归一化的标准。在每次抓握之间，受试人员可以休息3分钟
4、，主要是为了消除肌肉疲劳的影响。,2.2步骤,在完成以上步骤后，要求受试人员在抓握测力计的同时，施加的力量值要追踪三条曲线，如图2。曲线1：在9s内完成6个等幅阶梯式的增长。曲线2：在9s内完成两个尖峰。曲线3：在9s内完成一个钟形曲线。,这三条曲线在试验的时候，次序是任意的，并且每条曲线会被重复做两次。这么做的目的是为了覆盖较大范围的力量值。之所以选择这三条曲线，是因为可以和以前的研究作比较，他们也是用的这三条曲线。为了让受试人员更好地拟合这三条曲线，我们会将他们施加的力量值显示在示波器上。在正式试验之前，每一位受试人员都会有足够的时间去练习如何更好的拟合这些曲线。同时要求受试人员把手腕放在
5、合适的位置，并在整个试验过程中保持稳定。,力量值的采集：用一个手柄大小可调的测力计来测量握持的力量。手柄大小调节到每位受试人员感到最舒适为止，这样做可以发挥出最佳状态。肌内EMG信号的采集：从指伸屈肌(FDP)肌肉引出的导线来采集EMG信号。先找到最佳植入位置，然后将具有铁氟龙涂层的导线消毒后植入到肌肉中。导线除了顶部，其他地方都是绝缘的。手腕上会放置一个参考电极,2.3数据采集,信号处理接收到的肌电信号会被放大1000倍，然后在通过一个20Hz-5000Hz的带通滤波器。采集到的肌电信号和力量值经过16位A/D转换器转换为数字信号，采样率为20kHz。,A/D转换后的力量信号再通过一个截止频
6、率为20Hz的数字低通滤波器(4阶巴特沃思滤波器)A/D转换后的肌电信号再通过一个频率在100Hz3000Hz的数字带通滤波器(4阶巴特沃思滤波器)每隔50ms取200ms长度的信号来提取需要的特征。,2.4信号调节,下面9种特征是从肌内EMG信号中提取的，同时它们也被用来标识sEMG。1.波长(WL)：在肌肉处于活跃状态时，波长与信号波动有关，它会提供一些关于频率、周期和肌电信号波形幅值的相关信息。2.平均绝对值(MAV)：是对信号标准差的估计，常被作为控制假肢的比例项。3.零点(ZC)：ZC用来记录信号过零点的个数，和信号频率有关。4.斜率正负变换SSC)：记录信号斜率正负变换的次数。5.
7、Willison幅值(WAMP)：估计活跃肌肉单元的个数，表征肌肉收缩的水平。6.均方根(RMS)：用来估计标准差，可以替代MAV。,7.EMGenv：是波长(WL)和斜率正负变换次数(SSC)的综合。8.改进的平均绝对值(MMAV)：MMAV是对MAV的补充，为了提高特征的鲁棒性，对信号应用汉明窗。9.约束样本熵(CSE)：是对标准样本熵的调整。,经研究发现，大多数的力量值都集中在0.5Hz以内，如图3，因此，把力量信号和EMG信号通过一个截止频率为1Hz的低通滤波器，滤掉其他不必要的尖峰。,2.5特征筛选,用两个模型对力量进行估计一阶线性模型(poly1)：为了与其他研究进行对比人工神经网
8、络模型(ANN)由一个两层的反馈网络组成，一个是隐藏层，另一个是线性输出层神经网络会经过莱文贝格-马夸特算法的训练，会有一个输出单元给出估计的力量值对于数据的处理，从3条曲线中获得的6条数据，将它们交叉排序，去其中一条作为测试数据，另外5条作为训练数据。,2.6力量估计,每条训练集(包括5条数据)，神经网络会被反复训练50次，然后神经网络的参数会在训练的过程中不断的自我调整，最终会达到一个理想的效果。这时再把测试数据输入到模型中进行测试。对于一阶线性模型，训练数据集主要是为了确定一阶项的系数，然后再去估计力量值。,要分析不同特征所得到 的方差，再分析比较一下两个模型之间的差异。在进行分析之前，
9、需要将数据进行Z变换，主要是为了满足正态分布的需求，但是最终的结果依然会采用 的平均值和方差的形式。,2.7统计分析,3.结果,平均MVC为481 69Npoly1模型的 为0.530.97(中位数:0.87)ANN模型的 为0.750.98(中位数:0.89)使用poly1模型时，9种特征中WAMP和RMS的 值最大。肌内EMG和力量值的线性程度取决于这些特征。,3.结果,使用ANN模型时，9种特征中MMAV的 值最大(0.91 0.01)。分析对比poly和ANN模型，发现ANN模型表现的更好。还可以看出SSC的表现要比MAV和MMAV差，所以所选用的特征会影响模型最终的表现。,3.结果,
10、用ANN模型测试了9种特征的所有可能的组合方式，发现用于估计力量值的特征的个数和其最终的表现上有一定的相关性。其中最佳的组合方式是：WL、SSC、WAWP、MMAV和CSE图5：不同数目下特征组合的最佳值、平均值和最差值。,3.1特征空间的影响,图6：采用最佳组合方式得到的力量估计曲线和真实曲线的对比。,结果显示，握持力量是可以通过从肌内EMG信号中提取的特征精确地估计出来。并且估计的好坏取决于所选择的特征和模型。使用poly1模型时，WAMP和RMS的表现最好，SSC的表现最差，但是差距并不大。Phinyomark关于sEMG信号的研究中，WL的表现最好，WAMP的表现却一般。不过最近的一些研究表明，WAMP和WL之间没有差异。,4.讨论,同时ANN模型的表现比poly1表现要好，说明非线性模型可以增加力量估计的精度。但是与Kamavuako的研究结果是不同的，他认为ANN的表现比poly1差。本篇研究只是在以前的研究上做了一定的提升，包括提高了力量值的范围，研究了不同的特征组合方式。从目前的研究成果看，虽然EMG只是从一小部分肌肉纤维中采集到的，但是足够用来控制假肢。,所选用的肌内EMG信号的特征组合以及模型会影响力量值估计的结果。从指伸屈肌(FDP)中采集的单通道EMG信号可以用来模拟0100%MVC范围内的力量值。,5.总结,
