基于小波变换的表面肌电信号去噪方法

表面肌电信号是通过表面电极记录下来的神经肌肉活动时发放的生物电信号,它反映了神经、肌肉的功能状态。表面肌电信号在临床医学、运动医学、康复医学、神经生理学、电生理等领域被广泛应用。本文所研究的肌电信号是在右下臂上采集到的一组表面肌电信号,通过小波变换等方法对肌电信号进行去噪处理。实验表明,该方法能够有效的去除肌电信号的噪声,为下一步的信号分析打下良好的基础。     

多分辨率小波变换在表面肌电信号模式识别中的应用

采用一种多分辨率小波变换来进行表面肌电信号的模式识别.该方法选择各个尺度下的小波系数幅值的一对最大最小值作为特征向量,对表面肌电信号作5尺度小波分解.对内旋动作、外旋动作、握拳动作、展拳动作的多尺度分解结果证明,该方法提取的特征信号用于识别时比传统方法的分类精度高.     

采用小波变换和高斯过程的肌电信号模型预测

根据表面肌电信号的生物电信号特点,采用小波变换和高斯过程建模的方法对表面肌电信号进行建模和预测.对非线性的表面肌电信号利用拟合能力强大的高斯过程进行建模,预测效果较好,但所需运算时间长.针对其运算时间长的缺点进行改进,将预处理后的表面肌电信号小波分解,对分解后的系数高斯建模,然后重构.实验结果表明:该改进方法在响应时间和预测误差方面效果明显.     

基于小波变换的按摩手法肌电信号分析

为通过滚法的量化结果分析为按摩手法的评定及训练提供一定的参考依据, 利用表面肌电仪采集按摩师及初学者滚法相关肌群的表面肌电信号, 采用小波变换算法对信号进行多分辨率分析, 进而研究其能量分布。实验结果表明, 在滚法操作中, 按摩师75%的能量集中在低频段, 其中肱桡肌的能量占总能量的40%, 而初学者能量分布与之有显著差异。在掌握正确的操作要领前提下, 初学者应注重肱桡肌能量的训练。     

基于HMM的表面肌电信号模式分类

按等时间间隔将表面肌电信号(SEMG)划分为不同的段,利用小波变换对其进行特征提取,借助隐马尔可夫模型(HMM)的动态建模能力来感知不同动作模式下SEMG的时变特性.具体应用时,先根据样本对各动作模式下的HMM进行训练,待各模型参数稳定后,再利用HMM对特征提取后的SEMG进行模式分类.实验结果表明:该方法具有很好的分类识别率.在6个手部动作识别中,上翻、下翻、内旋和外旋4种动作的识别准确率均在90%以上.     

基于小波变换和K-L展开的单通道表面肌电信号识别

利用单通道表面肌电信号对肘收缩、肘伸直、前臂外旋和前臂内旋四个上肢动作进行了识别.用肌电信号最高频率20倍的过采样率对表面肌电信号进行采样,利用抽取滤波技术将过采样带来的冗余数据去除并保留了过采样带来的低噪声的优点.通过小波变换提取出5个子频带的相对能量与表面肌电信号的总能量一起作为原始的特征向量,然后通过K-L展开将6维的原始特征向量降为2维.通过建立BP网络分别用6维特征向量和2维特征向量对上述的四个动作进行识别.结果显示该方法在减少肌电电极的同时保持了较高的识别率,有很好的识别效果.     

支持向量机在表面肌电信号模式分类中的应用

采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98.75%.研究表明SVM分类准确率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且识别精度高,鲁棒性好,对肌电信号及其他非平稳生理电信号的模式识别,提供了一种具有良好应用前景的新方法.     

基于表面肌电信号的绝缘手套法带电作业人员上肢肌肉疲劳分析

绝缘手套法是配网带电作业的主要作业方式,为获取穿戴绝缘手套的带电作业人员上肢肌肉的疲劳特性及其诱发的肌肉骨骼系统疾患(work-related musculoskeletal disorders,WMSDs)的风险,开展了基于表面肌电信号(surface electromyogra-phy,sEMG)的绝缘手套法带电作业人员上肢肌肉疲劳评估研究.针对配网绝缘手套法的典型作业工况,搭建了绝缘手套法带电作业上肢的sEMG试验平台,采集受试者上肢(右手)各目标肌肉在是否穿戴绝缘手套下的sEMG信号;基于时域特征参数积分肌电值(integrated electromyography,IEMG)、均方根值(root mean square,RMS)及频域特征参数平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MDF)对绝缘手套的上肢肌肉疲劳特征进行评估;基于支持向量机(support vector machine,SVM)构建了带电作业人员上肢肱桡肌疲劳状态识别模型.结果表明:穿戴绝缘手套作业时各目标肌肉更容易进入疲劳状态;穿戴绝缘手套作业时,作业人员上肢部位的肱桡肌、肱二头肌、肱三头肌、三角肌的疲劳程度依次递减,与仿真计算的分析结果一致;sEMG时域特征参数IEMG、RMS对作业人员上肢肌肉疲劳的表征效果要优于频域特征参数MPF和MDF;带电作业人员上肢肱桡肌疲劳状态识别模型总体平均准确率为86.56％,能有效识别上肢肱桡肌肌肉疲劳状态.     

基于表面肌电信号参数的人体上肢运动研究

根据检测得到的右上肢主肌肉群的肌电信号,探讨了人体右上肢主肌肉群的肌肉功能状态和男性与女性之间肌肉功能状态的差别.20位实验者右上肢完成13个基本动作,对三角肌、肱二头肌、肱三头肌、掌长肌和指伸肌五块肌肉进行肌电采集,用SPSS 14.0软件时特征参数平均振幅(AEMG)和积分肌电(IEMG)进行数据处理.结果表明:完成不同的日常生活活动,肌肉的活跃程度存在着一定的相似性和差异性;男性以增强指伸肌和三角肌为主,女性则以掌长肌和三角肌为主.实验数据可为老年人和残疾人康复训练及肌电信号控制提供一定的理论依据和指导作用.     

人体下肢表面肌电信号的检测与分析

人体步行时下肢肌电信号 (EMG)活跃 ,为研究步态周期内 EMG随路况的变化趋势 ,采用了下肢表面 EMG8通道检测装置进行了实验 ,对多人在 6种路况 (或步速 )下行走时的下肢 EMG进行了检测和分析。实验结果表明 ,步行时下肢肌肉活动有一定的规律性 ;各路况信号开始及持续时间、信号绝对值平均、中频等特征值区分明显 ,可以将其应用于智能肌电控制假肢路况模式辨识     

基于小波分析的疲劳应力历程模拟

采用小波分析理论中的小波包变换，提出了一种基于小波分析的模拟疲劳应力的方法，用小波包变换对一个己存在的应力样本进行分解，建立了其小波包分解的结果和应力功率谱密度之间的关系，并分析了分解出的小波包系数的统计性质，用传统的Fourier方法和所提出的小波方法对同一个功率谱分别模拟了一个样本，结果表明，后者的随机更强，更接近于真实情况。     

小波变换在视觉诱发电位信号提取中的应用

在基于视觉诱发电位脑机接口研究中，需要在强噪声背景下迅速准确地提取出微弱的视觉诱发电位信号。对信号进行小波分解，分析诱发电位信号及噪声在不同尺度上的分布特点，选择诱发电位信号能量相对集中且能较好反映信号主要特征的频带设计了小波时频滤波器。小波时频滤波器结合少量次累加平均，可提高信噪比，提取出视觉诱发电位信号。实验表明，平均刺激9-20次就能提取出信号。本方法能准确快速地提取出有明显特征的诱发电位信号，有利于提高脑机接口通信速度及正确率。     

用提升小波变换提取诱发脑电

提出了一种利用小波分解和重构进行诱发脑电信号的有效提取方法.改变了小波变换的Mallat算法运算量较大,难于满足某些实时性较高的系统需求,采用提升小波变换进行诱发电位的提取,其运算量只有传统方法的一半左右,有助于提高系统的实时性.实验结果表明:用提升小波变换提取诱发脑电信号,能有效的改进实验曲线的信噪比、缩短信号的处理时间,将可以提高BCI系统的通信速率.     

奇异信号的小波分析

对奇异信号的小波分析理论做了定性的描述，并引用小波变换模极大值在多尺度上的变化规律来表征信号突变点的特性。     

基于小波变换提取和分析兔体感诱发电位

单次提取兔体感诱发电位,并定位和分析诱发电位波形成分．麻醉兔,以0．5Hz频率电脉冲刺激兔下肢隐神经,3764Hz采样频率收集兔头皮电位．采用一维多分辨分析提取兔体感诱发电位,并用连续小渡变换定位和分析诱发电位波形成分．单次诱发电位的小波变换与叠加平均诱发电位比较表明,Daubechies小波多分辨分析可以单次提取诱发电位．连续小渡变换能够精确定位诱发电位中波形成分,并可采用连续小波变换分析诱发成分的频域特性．连续小波变换技术把一维时域信号投影到二维时频空间研究将成为医学信号处理的一个有用方法．     

小波变换和信号的时频局部分析

从信号时频分析的角度讨论了小波变换的应用,重点是多尺度分析和波包,指出了用小波包分析非平稳信号的步骤。     

CO2焊电信号的小波分析

CO2弧焊过程电信号的实际测试过程中，噪声的存在常是难以避免的，消除噪声干扰是信号分析中重要的环节。分析了小波软阈值信号消噪方法，通过对CO2焊过程的电信号进行小波软阈值滤波处理，较好地保持信号的突变部分，改善信号特征信息的提取效果。     

奇异性检测理论及其在电力系统中的仿真应用研究

由于小波变换不仅具有良好的时频局部化特性 ,而且还可以根据信号频率的变化自动调节时频窗口 ,因此利用小波变换可以有效地检测出信号的奇异性特征。文章在分析电力系统暂态故障信号的奇异性和小波变换奇异性检测基本原理的基础上 ,得出电力系统暂态故障信号奇异性的特殊性 ,从而提出利用小波变换进行故障暂态信号奇异性检测的算法 ,并且给出了仿真研究结果     

基于阈值函数的诱发脑电小波特征增强

通过对脑-计算机接口中通信信号进行频谱分析,发现了靶刺激信号与非靶刺激信号的频谱在10Hz以下的低频段有较大的不同,采用Daubechies小波和Mallat算法对脑电信号进行多尺度分解,对高频分解系数简单置零、低频系数引入连续阈值函数进行滤波,使白噪信号在一定程度上得以滤除,靶刺激信号更加突出,提高了后续模式分类的正确率.