表面肌电信号分解（精选6篇）
表面肌电信号分解 篇1
0 引言
SEMG具有低频性、微弱性和交变性等特点, 频率范围大致为10Hz~500Hz, 信号能量主要集中在50Hz~150Hz[1]。从皮肤表面检测到的SEMG通常只有m V级甚至u V级, 与噪声幅值相比, 要低两三个数量级[2], 因此如何从强大的噪声中提取更为有效的信号成为研究SEMG的关键技术之一。为了使验证过程方便, 滤波效果直观, 本文利用频率幅值可调振荡器代替SEMG作信号源, 主要验证带通滤波器滤除频带外噪声的效果。
1 幅值频率可调振荡器介绍
如图1所示, 该电路是频率幅度可调正弦波振荡电路。调整电位器R12可改变输出正弦波形的幅值, 调节R4和R8可以改变输出波形频率, 频率的调节不影响振幅的稳定性[4]。电路振荡频率为, 本次设计需要的频率范围是2Hz-1k Hz。实验中, 调节输出幅值至200mv, 此时符合SEMG初级放大后的幅值。
1.1滤波器设计选型
根据SEMG的频率特性, 滤除频带外噪声的带通滤波器的通频带应为10Hz~500Hz。有源带通滤波器的构成方法有两种:一种是采用单个集成运放构成的压控电压源二阶带通滤波器;另一种是将低通滤波器与高通滤波器串联得到的带通滤波器。本文采用第二种方法, 原因如下。
假设采用第一种方法:已知带通滤波器截止频率通带放大倍数:;中心频率:
1.2低通滤波器
用Multisim仿真出幅频特性图, 鼠标拖动垂直光标, 可以测得相应位置数据。测得:通带增益为7.959d B
f=f0=337Hz处, 幅值增益为13.951d B;f=fp=500Hz处, 幅值增益为4.959d B, 符合计算的理论值。
1.3高通滤波器
利用频代替主要验频带外振荡形的幅采用压控电压源二阶高通滤波电路[5], 电路参数计算和选取与压控电压源二阶低通滤波器类似, 电路的品质因数:Q=2;特征频率:, 截止频率:fp≈0.6736f0≈10Hz;用垂直光标测量幅频特性曲线:通带增益为7.959d B;f=f0=14.85Hz处, 幅值增益为13.963d B;f=fp=10Hz处, 幅值增益为4.906d B;
1.4带通滤波器
将上述低通与高通滤波器串联, 得到通频带为10Hz-500Hz的带通滤波器。用Multisim仿真可得出幅值特性曲线。将振荡电路输出端接到带通滤波器的输入端, 用螺丝刀调节振荡器中R4和R8改变振荡器输出频率, 带通滤波器输出端接示波器观察输出波形的幅值和频率。在每十倍频中均匀选取频率点来测量幅值, 计算出相应频率的放大倍数与增益衰减。测量十次并取平均值如下表I所示:
根据表中数据, 用Matlab使用三次样条差值法对这些实际测量到的数据进行曲线拟合, 得到如右图2所示的曲线, 与用Multisim对滤波电路仿真得到的幅频特性曲线是吻合的。
2 结论
由以上分析可知:在SEMG采集系统中, 对于10Hz-500Hz带通滤波器的设计, 单个放大器芯片组成的压控电压源二阶带通滤波器不符合设计要求, 本文选取了压控电压源二阶低通滤波器和高通滤波器串联构成的带通滤波器, 通过Multisim对原理电路仿真、实际电路数据测量结合Matlab拟合曲线的方法, 验证了本设计有比较理想的放大频带内信号和去除频带外噪声的作用。其优点是电路简单, 成本低;缺点是电路对元器件的精度和匹配要求较高, 否则对电路的选频特性会有一定的影响。
摘要：目的 :本文重点讨论了SEMG去除频带外噪声的问题。方法 :根据SEMG的幅值频率特性, 利用幅值频率可调振荡器做信号源, 分析由低通和高通滤波器串联组成的带通滤波器的除噪效果。结论 :本文设计的带通滤波器能够有效放大频带内信号和消除频带外噪声, 提高了SEMG的质量。
关键词：SEMG,幅值频率可调振荡器,带通滤波器
参考文献
[1]基于SEMG信号的外骨骼式机器人上肢康复系统研究李庆玲哈尔滨工业大学工学博士论文, 2009, 6.
[2]邹晓阳.动作SEMG的非线性特性研究.上海交通大学工学硕士论文, 2012, 2.
[3]付聪, 李强, 李博.SEMG采集与降噪处理.现代生物医学进展, Vol.11 No.20 OCT.2011:3951-3953.
[4]任骏原.RC桥式正弦波振荡电路的输出幅值分析.电子设计工程, Vol.21 No.14 Jul, 2013:107-110.
[5]童诗白, 华成英.模拟电子技术基础[M].4版.北京:高等教育出版社, 2006:364-370.
表面肌电信号分解 篇2
随着人类科技的进步,以及对未知领域探索的深入,不适合由人类承担的任务数量呈上升趋势,需要可代替人类执行任务的,具备较高灵活性的机器人。基于此,有学者提出仿生机器人的概念,仿生机器人是模仿自然界中生物的外部形状、运动原理和行为方式的系统,能从事生物特点工作的机器人,其控制算法和策略是目前研究的重点。
在传统的电机控制、新兴的仿生控制等控制算法和策略中,通过人体信号控制仿生机器人被认为是控制柔性较高、动作仿生度较好、实现可行性较大的控制方法之一。同时,与脑电信号等人体信号相比,肌电( electromyography,EMG) 信号的提取较为容易,含杂度较低,特征区间较为明显,是目前应用最广的人体信号。
s EMG信号是人体任意部位在发生动作变化时,伴随肌肉收缩产生的电信号,它与肌肉的活动状态和功能状态之间存在着不同程度的关联性,因而能在一定的程度上反映神经肌肉的活动[1]。同时,s EMG信号的时域、频域等特征参数随着肌肉的活动状态和功能状态的变化而改变,表现为一种复杂的非平稳时间序列[2]。因此,可以认为s EMG信号是一种典型的非平稳信号。再者,由于s EMG信号产生机理和采集方式,降噪和特征值提取成为影响其实际应用效果的关键因素。在降噪方面,从硬件电路的改进到多通道肌电信号的采集,进而采用模拟或数字滤波器、自适应滤波器和小波分析等软件方法,已发展成熟并取得良好的应用效果[3,4,5,6,7,8,9]。因此,不同的活动状态和功能状态的肌电信号的特征值提取算法及其效果,直接影响着肌电信号的实际应用。但是,作为典型的非平稳信号,传统的时域分析和频域分析大都无法区分其不同活动状态和功能状态的特征值[10]。
近些年,研究者提出一种新的信号表示理论: 用称之为原子库的过完备冗余函数系统取代传统的基函数; 而原子库的选择应尽可能好的符合原始信号,其构成可以没有任何限制,原子库中的元素被称为原子。从原子库中找到具有最佳线性组合的m项原子来表示信号,被称作是信号的稀疏逼近( Sparse Approximation)[11]。稀疏分解思想在心电信号分析[12]、语音信号分析[13,14]、图像处理[15]等领域的成功应用,体现了它在非平稳信号,尤其是多维非平稳信号处理方面的优越性。
针对传统分析方法无法区分s EMG信号的活动状态和功能状态等问题,本研究提出将上述稀疏分解的思想引入到s EMG信号的特征重构与活动段检测中,在保证重构特征信号能有效地体现原始信号特征的前提下,重组重构特征信号便于连续控制,以利于信号的实际应用。
1基于OMP的信号稀疏分解
过完备信号稀疏表示方法始于20 世纪90 年代,1993 年,Mallat和Zhang[16]首次提出应用过完备冗余原子库对信号进行稀疏分解的思想,并引入匹配追踪算法( Marching Pursuit,MP) 。MP算法是一种贪婪算法,通过迭代,从过完备原子库( 为Hilbert空间的一个冗余子集) 中选出与信号或信号的残余量最为匹配的原子,然后将信号表示为这些最佳原子的线性组合。
假设原始信号为f,信号长度为N,则f ∈ H = RN,H = RN是N维Hilbert空间,D为过完备原子库。首先,从过完备原子库中选出与原始信号最为匹配的原子( 也称最佳原子) gγ0,满足以下条件:
式中: 〈f,gγ0〉— 信号f与原子gγ0的内积。从信号空间角度出发,满足式( 1) 意味着gγ0是信号所在的N维Hilbert空间中和f方向最靠近的过完备原子库中的单位向量,即意味着gγ0是信号所在的N维Hilbert空间中和f最为匹配的过完备原子库中的单位向量。
信号因此可以分解为在最佳原子gγ0上的分量和残余两部分,即为:
式中: 〈f,gγ0〉gγ0— 信号f在原子gγ0上的分量或投影;R1f— 用最佳原子对原始信号进行最佳匹配后的残余。
对最佳匹配后的残余可以不断进行上面同样的分解过程,即:
其中,gγk满足:
结合式( 1 ~ 4) ,经过M步分解后,原始信号被分解为:
式中: RMf— 原始信号分解为M个原子的线性组合后的残余信号,用其来表示原始信号所产生的误差,残余信号越大则误差越大,如残余信号为零,则说明经分解后得到的稀疏系数与原始信号完全匹配。
正交匹配追踪算法( Orthogonal Matching Pursuit,OMP) 是在MP算法基础上的一种改进算法。该算法选取最佳原子的方法和MP算法一样,都是从过完备库中找出与原始信号或信号残差最为匹配的原子。不同的是,OMP算法需要将所选原子利用Gram - Schmidt正交化方法进行正交化处理。
文献[11]指出,在分解效果方面,OMP的收敛速度比MP算法更快; 在稀疏精度相同的情况下,OMP算法所用原子更少,即更为稀疏; 在稀疏性相同时,OMP算法得到的稀疏表示的精度更高。
2过完备原子库
过完备原子库的构造和选择是稀疏分解的核心,直接影响着稀疏分解计算的复杂度和最终的稀疏效果。过完备原子库的构造主要有两种途径: 基于先验知识,生成函数,通过平移、伸缩、调制等各种变换得到的固定原子库; 基于每次迭代后稀疏分解结果不断自我训练更新得到的自适应原子库。
构造固定的原子库需要大量可靠的先验知识,同时字典一旦确定就不再改变,且固定原子库的冗余度也十分高。以典型的Gabor原子库为例,它的原子个数为52( Nlog2N + N - 1) ,当信号长度N = 256 时,原子库中的原子个数为119 756。随着信号长度的增加,原子个数也成倍的增加,虽然研究者们通过减少参数维数等方法减少原子个数,但庞大的原子库仍然影响着稀疏分解算法的计算效率。
K-SVD算法是构造自适应原子库的训练算法,是Aharon、Elad和Bruckstein在2005 年提出的[17]。假设原始信号矩阵为F = { fi}iN-1,过完备原子库为D ∈Rn × K ( K < < D) ,稀疏系数为S = { si}iN-1,T0—si中非0 元素个数的上限。则K-SVD算法原子库训练的目标函数可表示为:
K-SVD原子库训练是一个逐次迭代的过程,原子库的更新是逐列进行的。其训练过程如下式所示:
式中: sTk—S的第k行。
因此,基于K-SVD的稀疏分解算法可总结为以下几步:
( 1) 初始化原始信号F和原子库D;
( 2) 基于原子库D,通过OMP算法对原子库中与原始信号匹配度最高的原子进行正交化处理;
( 3) 根据正交化后的原子,对原始信号进行稀疏分解,得到稀疏系数集合S;
( 4) 基于K-SVD算法和稀疏系数集合S,以式( 7)为约束条件,更新原子库D;
( 5) 重复步骤( 2) 和( 3) ,直到达到最大迭代次数,或者满足目标误差。
3信号重构与活动段检测
3. 1 肌电信号采集试验
由文献[18]可知,手指的弯曲动作会牵动人体前臂不同的肌肉或肌肉群。文献[19]指出,患者前臂处的完整肌肉有能力产生与健康者基本无异的肌电信号。基于以上理论,试验以一名健康受试者前臂相应肌群为对象,采集其手指弯曲时产生的肌电信号。为了能最大程度上表征手指动作的信号特征,同时保证采集的无损性,本研究采用四通道表面电极的采集方式。因此,采集到的信号为表面肌电信号,其本质与肌电信号相同。
肌电信号采集系统包括美国NORXON公司生产的Myotrace 400 表面肌电仪,MyoResearch XP肌电分析软件。该系统能实现多通道的肌电信号采集和预处理( 降噪) 功能。所采集的表面肌电信号为受试者右手食指做0° ~ 90° 弯曲时产生的信号,采集频率为1 000 Hz,整个动作阶段持续7 s,包括初始静止段、手指弯曲动作段和弯曲保持段3 个不同阶段。
采集试验如图1 所示。
表面肌电信号如图2 所示。
3. 2 信号重构
信号重构是指,在给定的条件和已知的部分数据已含有信号全部信息的前提下,对信号进行重组。如果实际情况能符合以上条件,研究人员就可以利用部分数据来重构整个信号的特征[20]。因此,笔者以3. 1节中所采集的四维表面肌电信号为原始信号,通过特定的重构算法,将其重组为一组包含原始信号信息的重构信号,在理论上是可行的。
考虑到原始信号的数据长度对算法实际处理效果和计算效率的影响,本研究采用数据流分割法对原始信号进行预处理。数据流分割是针对连续肌电信号流的预处理方法,采用一个固定宽度为W的滑动分析窗口,以一定的滑动增量△W截取原始信号,得到一连串数据长度相等的信号样本块,并对样本块逐一分析,以反映原始信号的变化趋势。数据分割示意图如图3 所示。
以往表面肌电信号研究结果表明,当信号长度为200 ms - 300 ms时,算法的处理效果和计算效率均在可接受的范围之内[21]。基于以上先验知识,取窗口宽度W = 256,滑动增量△W = 128,分割后得到的样本块1 如图4 所示,即原始信号( 图2) 采样点N∈[1,256]的信号段。
四通道表面电极的采集方式决定了某采样时刻,手指的动作状态特征由4 个不同肌肉部位产生的表面肌电信号表示。因此,信号重构的第一步: 把某采样时刻的4 个采样点所包含的动作信息分解( 或整合) 到若干个稀疏系数中,用稀疏系数来表示该时刻的手指动作状态。同时,用稀疏分解残余量的能量来衡量稀疏分解误差。
考虑到字典优化算法的迭代次数和最终稀疏系数个数对稀疏分解误差和程序运行时间的影响,取迭代次数I = 30,最终稀疏系数个数K = 10。此时稀疏分解误差E如图5 所示。
稀疏分解结果如图6 所示。
3. 3 活动段检测
活动段检测是多通道表面肌电信号模式识别过程中重要的一环,其目的是在连续采集的多通道肌电信号数据流中提取出对应于动作执行时的信号,称为活动段[22]( Active Segments) 。
3. 3. 1 活动段分类
本研究将一个完整的动作过程分为3 个活动段:起始阶段、动作阶段和保持阶段,活动段示意图如图7所示。活动段检测以样本块为对象,以稀疏分解理论为基础,用一组稀疏系数表征样本块中四组采样点所具有的特征; 通过对样本块稀疏系数的重组,反映不同活动段之间稀疏系数的特征差异; 同时,通过重组稀疏系数后得到的样本块特征值反映原始信号的变化趋势。
3. 3. 2 稀疏系数重组
为了使信号的稀疏表示更为简洁,同时便于表面肌电信号的实际控制,本研究提出用样本块特征值( 即重组后的稀疏系数) 来表征信号样本块。基于以上目的,对样本块的稀疏系数S作绝对平均化处理,即取其绝对值的平均值,重组后稀疏系数只包含一个值。而如图2 所示的包含7 000 个采样点的原始信号,经过稀疏分解、系数重组后,被重构为只包含53 个样本块特征值的重组信号。重组信号与原始信号其中一维的对比图如图8 所示。
其中,样本块M与采样点N的对应关系如下所示:
由图8 的对比可知,重组信号与原始信号的活动段基本保持一致。因此,认为重组后的稀疏系数,即样本块特征值,可以表征信号不同活动段的特征。对于信号长度大于分析窗口宽度,即可以被分割成M( M > 1 ) 个样本块的原始信号,在保证信号特征的前提下,只包含样本块特征值的重组信号更利于实际控制: 只需根据重组信号中样本块特征值的变化趋势,设定合适的阈值,便可准确地确定信号活动段的起始位置。
3. 3. 3 连续动作的活动段检测
在表面肌电信号的实际应用中,除了单个动作的控制之外,还需要对其进行连续动作的控制。图9 所示表面肌电信号的采集方式与4. 1 节所述相同,采集频率为1 000 Hz,整个动作阶段持续70 s。此段表面肌电信号表征的动作是: 右手食指连续弯曲7 次,最大弯曲角度为90°。
以图9 所示的连续动作表面肌电信号为原始信号,处理步骤如下:
( 1) 初始化原始矩阵和原子库;
( 2) 稀疏分解,同时基于分解结果更新原子库;
( 3) 重复( 2) ,直至满足误差要求,得到最终稀疏系数矩阵;
(4)稀疏系数重组,得到特征量矩阵。
处理结果如图10所示。
对比图9 和图10 可知,在处理对象为连续动作的表面肌电信号时,重组稀疏系数( 特征值V) 仍然能准确地反映原始信号的特征变化:
( 1) 原始信号的第二维与重组系数的对比图如图11 所示,从图11 中可以看出,原始信号的第5 个活动段出现了一定程度上的信号紊乱,可能是在信号采集过程中,受试者动作不稳定引起的; 而在重组系数图中,第5个活动段的系数波动,准确地反映出了原始信号的紊乱;
( 2) 原始信号的第四维与重组系数的对比图如图12 所示,从图12 中可以看出,原始信号的第6 个活动段的幅值出现了大幅度增加,其产生原因是在采样过程中,受试者的动作幅度过大; 而在重组系数图中,第6 个活动段的系数也明显增大。因此,可以认为,根据多维原始信号中任意一维的变化,特征值都可以准确地在其系数大小中反映出来。
4结束语
本研究提出将稀疏分解算法引入到多维表面肌电信号的分析处理中,并构造基于K - SVD算法的自适应过完备原子库。数据分析表明,原始信号经过稀疏分解后,其残余信号所包含的能量极低,即稀疏分解后的重构信号保留了原始信号绝大部分能量,其重构效果显著。
表面肌电信号分解 篇3
下肢表面肌电信号常为无意识的时变非平稳信号[1,2]。时频分析方法针对此非平稳信号特性将是一种行之有效的方法。小波变换是近年来发展起来的一种良好的时频分析方法,它具有多通道滤波器的功能,能同时提供信号时域和频域两方面的信息,是进行信号消噪和数据处理的一种有效手段。
采集的原始肌电信号常伴有强烈的噪声干扰,这将直接影响肌电下肢假肢模式分类的准确性,因此,消除噪声干扰使之成为人工动力假肢的理想信号源就显得尤为重要。由于信号与噪声的小波系数在各尺度上具有不同特征,因此只要通过对含噪信号的小波系数进行取舍、抽取或切削等非线性处理,就可达到去除噪声的目的[3]。
本研究介绍小波变换和空域相关滤波的基本原理和方法,并探讨空域相关滤波用于下肢表面肌电信号的消噪处理。
1 小波变换及小波重构的原理
1989年,Mallat提出了多分辨率分析概念,统一了在此之前的各种构造小波的方法,特别是提出了二进制小波变换的快速算法,使得小波变换完全走向实用性[4]。
设小波母函数为ψ(t),也称为基本小波函数,为了保证小波逆变换成立,要求ψ(t)满足容许性条件:
则信号f(t)∈L2(R)的连续小波变换定义为:
其中:
式中 ψa,b(t)—基小波函数ψ(t)经平移和伸缩生成的函数系;a—尺度因子,小尺度的变换包含信号的低频成分,大尺度的变换包含信号的高频成分;b—平移因子,反映信号时域的信息。
等效的频域表示为:
为了便于计算机数字处理,在式(2)、式(4)所定义的连续小波变换中,通常将尺度和伸缩因子a、b进行如下离散化,取尺度因子a=2-j,b=k2-j,(j,k∈Z),此时的基小波函数ψa,b(t)变为:
由于小波变换具有很强的时频分析特性,可采用Mallat塔式算法对实信号f(t)进行多分辨率分解与重构。
根据MRA和滤波器组理论[4,5],可进行如下分解:
上式中,说明j尺度空间的离散细节系数dj,k和离散逼近系数xj,k可由j-1尺度空间的尺度系数xj-1,k经滤波器系数h1(n)和h0(n)进行加权和得到,h1(n)和h0(n)有:
h1(n)=(-1)-nh0(N-n) (7)
式中 N—滤波器的长度。
小波Mallat重构快速算法为:
2 基于小波变换的空域相关法
信号的突变点位置经常携带着信号的重要信息,因此提取信号的边缘信息就成为信号分析的重要方面。S.Mallat等的研究结果表明,在信号的边缘部分,由于信号的奇异点具有正Lipschitz指数,其相应的小波系数的模值随尺度的增大而增大,而随机噪声的Lipschitz指数却为负值,其相应的小波系数的模值将随尺度的增大而迅速衰减。利用这个特性,本研究采用空域相关的方法进行滤波。
Witkin首先提出了使用尺度空间相关性进行信号滤波[6],对含噪信号经过多尺度小波分解后,从粗尺度到细尺度逐步搜索信号的主要边缘,最终从噪声信号中得到真实信号。XV[7]在此基础上提出了空域相关滤波方法。
空域相关滤波是一种基于小波变换的消噪方法[8,9],它能够保留信号突变点位置携带的重要信息,从而对噪声有很好的滤波效果。
设分解的尺度为J,Wf(j,n)表示尺度j上位置n处的含噪信号f的离散小波变换,取相邻尺度的变换值进行相关计算,定义:
式中 l—参与相关运算的尺度数,一般取l=2;j<J-l+1。
尺度j上n点处的相关系数:
Corr2(j,n)=Wf(j,n)Wf(j+1,n) (10)
为使相关系数与小波系数具有可比性,将Corr2(j,n)的能量归一化至Wf(j,n),定义归一化系数:
n=1,2,…N
其中:
通过比较NewCorr2(j,n)与Wf(j,n)的绝对值的大小来鉴别信号的重要边缘。当
3空域相关滤波在下肢表面肌电信号中的应用
本实验所采用的主要实验仪器是美国Noraxon公司的MyoTrace400肌电信号采集仪,采样率设置为1 000 Hz。由于人体下肢运动涉及到多个肌肉群,这里笔者只选取其中的半腱肌作为本次实验的对象。实验前,拾取电极放于一名健康成人男性右侧大腿后侧的半腱肌处,然后在平地上以正常步速行走,随后用LabVIEW软件获取采样的N点数据x(n),(n=0,1,…,N-1),以得到肌电信号离散的采样值。
本研究过程中所采集到的半腱肌电信号如图1所示。可见在半腱肌相对平静阶段仍然存在着大量的噪声干扰,为了更好地把真实小波系数从混有噪声的小波系数中提取出来,以使真实信号的特征更容易辨别,为后面所要进行的特征提取带来方便,笔者采用空域相关法对此进行了分析。
3.1 下肢表面肌电信号中噪声能量阈值的设定算法
由于空域相关滤波中涉及噪声能量阈值的设定,并且该阈值的设定没有固定的算法,笔者采用下面的方法设定噪声能量的阈值。
实验中取半腱肌处于相对静止时肌电信号小波变换高频系数的250个点,用这些点的方差作为噪声能量阈值,此阈值选取可用下式进行迭代控制:
c·Var(Wf′(j,n))>Var(Wf(j,n′)) (14)
n=1,2,…,M;n′=1,2,…,m
式中 c—自适应系数,c∈(0,1],其值随着尺度j的变化而变化,由经验和实验确定的;Wf′(j,n)—迭代后的高频系数的方差;Wf(j,n′)—估计的噪声能量阈值。
当上式成立时迭代继续,否则停止。
3.2 实验结果分析
本研究运用空域相关法对半腱肌电信号进行滤波,以得到处理前后的高频系数,如图2所示。从图中可以看出,随着分解尺度的增加,噪声的小波系数得到迅速衰减,逐渐显出真实信号;而处理后的高频系数带来更为直观的理解,由于受分解层次的影响,在更高尺度上小波系数点位置会出现偏差,后面相关系数计算不准确。因此本研究中选用双正交样条bior1.5基小波进行5个尺度分解,此处笔者选用前面4个进行了分析。
采集的半腱肌电信号及其相关系数如图3所示,图中可以看出小尺度上的小波系数经过相关性处理后并没有被噪声所淹没,相反它们却被增强,此时行走过程中真实信号的形态更加容易辨别出来,说明了相关滤波法的有效性。
滤波前后半腱肌电信号的效果比较如图4所示,从图中看出,信号的信噪比明显得到了提高,尤其在肌肉放松时的支撑中期和摆动前期部分噪声大部分给消除了,同时使肌电信号突变点更加明显的显露出来,信号的边缘特征得到了很好的保留。滤波后的半腱肌电信号形态主要集中在支撑前期与后期和摆动后期,这与平地行走过程中半腱肌的兴奋点基本吻合,因此对此处信号进行特征提取,并最终提高对步态模式的识别率。
4 结束语
为了更好地保留真实信号而去除肌电信号中夹杂的噪声,笔者将空域相关法的思想运用到人体下肢表面肌电信号的消噪处理中。本研究利用真实信号的小波系数在各尺度上的相关性,使得小尺度上真实信号的小波系数特征得以突显,从而实现了真实信号小波系数与噪声小波系数的分离,取得了比较好的滤波效果,同时较好的保留了信号的边缘细节,为后续对肌电信号进行特征提取提供了保障。
但是,实验研究中产生了噪声干扰以及空域相关法在处理表面肌电信号中计算量过大,如何从产生噪声的源头出发来消除噪声并减少处理计算量,都是需要在以后工作中值得研究的内容。
参考文献
[1]DELUCA C.Physiology and mathematics of myoelectric signals[J].IEEE Trans.Biomed.Eng.,1979,26(3):313-325.
[2]POPOVIC M R,KELLER T,PAPPAS I P,et al.Surface-stimulation technology for grasping and walking neuropros-thesis[J].IEEE Engineering in Medicine and Biology,2001,20(1):82-93.
[3]潘泉,张磊,孟晋丽,等.小波滤波方法及应用[M].1版.北京:清华大学出版社,2005.
[4]杨福生.小波变换的工程分析与应用[M].1版.北京:科学出版社,1999.
[5]MALLATS,HWANG W L.Singularity detection and pro-cessing with wavelets[J].IEEE Trans.Inform.Theory,1992,38(2):617-643.
[6]WITKIN A.Scale space filtering[C]//Proc.8th Int.JointConf.Artificial Intell.Karlsrune Germany,1988:1019-1021.
[7]XU Y S,WEAVER J B,HEALY D M,et al.Wavelettransform domain filters:a spatially selective noise filtrationtechnique[J].IEEE Trans.Image Processing,1994,3(6):747-758.
[8]陈晓楠,索继东.空域相关滤波法在突变检测中的应用[J].大连海事大学学报,2007,33(12):139-141.
表面肌电信号分解 篇4
1. 比较常见的康复机器人的机构设计方法
康复机器人的机构设计方法一般可分为端部结构、外骨骼结构、混合型结构三种。端部结构康复机器人系统通常是在某一个点上与患者有身体接触,这种结构设计比较容易,不同患者均可使用。这类结构比较常见的有Arm-trainer、Gentles sys-tem、MIT-Manus等。外骨骼结构的康复机器人,相对于端部结构而言,可以实现多处与患者的身体进行接触,然后同时对患者的不同身体部位施加力作用。对不同患者的适应性差是这类结构的缺点。比较常见的有Lokomat、MIME、ARM-Guide等。混合型结构的机器人是融合了前两种结构的优点,既可以满足不同患者的需求,又可以独立控制施加在患者身体不同部位的力,如:ARMin。
2. 表面肌电信号的下肢康复机器人控制方法
肌电控制主要是获取肌肉中的肌电信号,通过放大、滤波、检分和积分这些肌电信号后,将作为动力关节的电机、气泵与油压泵进行驱动,使控制结构开始运动。其中控制方法主要分为三种:数字控制、比例控制、模式识别控制[2]。
2.1数字控制:
也称阈值控制,只要是运用某种手段把肌电信号或肌电信号的特征值转化为数字开关信号,以实现对机器人关节运动的控制。这类控制的缺点在于机器人运动的速度和力量同肌肉收缩的速度和力量不成比例,在控制中存在一些缺陷。浙江大学机电所研制的基于肌电信号的下肢康复医疗机器人即是运用的数字控制策略。
2.2 比例控制:
比例控制主要是在肌电信号驱动电机的同时,输出肌电信号的频率和幅度,使肌电信号的参数发生变化时,电机的回转速度和输出力矩随之变化,这样,机器人运动的速度和力量同肌肉收缩的速度和力量便可以成比例关系,弥补了数字控制的不足。这类控制比较成功的是由荷兰内梅亨大学设计的膝关节康复运动的机构、德国Otto-Bock公司的表面肌电控制假肢。
2.3 模式识别控制:
模式识别控制主要是采用一定的手段与方法,建立肌肉伸缩动作和肌电信号状态间的关系。在机器人运行时,通过分析判断采集到的信号所处的状态,以此推断控制端肌体所发生的动作,并通过控制指令来驱动电机,使机器人做出控制端的指定的运动。一般有两种具体的表现形式,分别是定量模式识别和定性模式识别。所以,模式识别控制是现在肌电控制方法研究的热点。目前这种控制方法应用比较成功的有上海交通大学机器人研究所研发的一款R-P-S三自由度踝关节康复助力假肢,另外杭州电子科技大学智能控制与机器人研究所提出的一种关于足底压力、膝关节角度和表面肌电信号的获取方法,为以肌电控制为基础、多信息智能控制的下肢假肢提供了理论基础。
3 表面肌电信号在未来机构设计中的发展趋势
表面肌电信号在医学基础研究、康复工程等许多领域均有广泛的应用,随着利用肌肉生理模型来分辨人体肌肉的运动轨迹理论的提出,电子假肢的研究制造也得到了深入的发展。目前国内外对假肢的研究,均改变了原来靠触动开关和预设启动控制假肢的系统,转而利用表面肌电信号来控制假肢的运动,使肢体的动作通过检测到的肌电信号分析获得,让假肢使用者使用起来更方便。对于瘫痪患者,可以通过两方面恢复瘫痪肢体的基本活动,一方面依据肌电信号分析出的值对肌体进行适当的刺激,另一方面医师获得表面肌电信号的参数,成为在后续治疗中的参考数据,所以在康复领域中表面肌电信号的检测将发挥越来越重要的作用。
在运动医学领域,表面肌电信号也可以发挥重要作用,它可以对运动员的运动进行检测,快速反映出运动员的肌肉状态,为教练和工作人员实施有效的训练方法提供事实依据。
4 总结
表面肌电信号具有反映人体肌肉活动过程的特点和功能,决定了它在临床医学领域与康复医学领域中可以发挥巨大的应用价值,现在国内外研究者已经探究出基于表面肌电信号的下肢康复机器人的控制方法,在实际运用中也取得了很大成果。随着表面肌电信号应用领域的拓宽,可以为瘫痪患者的治疗和运动员的训练提供很好的帮助。
摘要：现代社会发展过程中,越来越多的人受到后天影响而引发下肢单侧肌体运动能力损伤。目前康复医疗领域的主题就是对这类患者开展治疗,使其恢复运动能力。传统的临床运动疗法,康复效率比较低,患者参与意识薄弱,医师工作强度比较大,而且训练效果和评价结果容易受到医师的主观意识影响。在这种情况下,下肢康复机器人开始出现。
关键词：表面肌电信号,下肢康复机器人,控制方法
参考文献
[1]李金铭.基于表面肌电信号的下肢康复机器人控制方法研究[D].哈尔滨:哈尔滨工业大学,2013.
表面肌电信号分解 篇5
表面肌电信号（Surface-Electromyography）包含一定区域内肌肉活动的原始信息以及多种不可避免产生的噪声[1]。
这些噪声严重影响了SEMG信号检测，而工频干扰作为生物信号采集中一重要干扰源[2]正好落入SEMG信号的主要信号频率范围内，随时间相位和频率发生变化的工频噪声更加难以滤除，使得滤除在SEMG信号检测中的工频干扰技术尤为关键。近年来，已经有多种滤除工频干扰的方法应用在SEMG信号检测中。包括：利用带阻滤波器在电路上滤除工频干扰[3]，也有利用数字陷波器，将采集的模拟信号量化为数字信号后，利用频谱插值法[4]、自适应滤波[5]、小波变换[6]等进行滤波处理。
本文首先在硬件电路上使用抑制工频干扰的方法，并在其后提出一种基于经验模式分解（Empirical Mode Decomposition)[7]，使用自适应滤波器的滤除EMG信号采集中的工频干扰。使用自适应滤波器来滤除工频干扰，首次是由B.Widrow提出的[8]。通过EMD分解得到的若干个本征模态函数（Intrinsic Mode Function）分量具有不同的频率成份和不同带宽，同时其频率成份和带宽是由分解信号的不同而变化的，即EMD分解方法也可看作是一组具有自适应特性的带通滤波器[9]，由于IMF的频率分辨率具有自适应性，同时其还具有自适应的滤波特性；将SEMG信号通过EMD分解为一系列本征模态函数IMF，而工频干扰可大致模拟为正弦信号，且可被视作为一个IMF函数进行选择性重建，使用该函数作为自适应滤波器的参考输入，即可完成自适应完成滤波。在EMD算法的基础上，为提高算法性能，经过数据对比，采用EMD算法的优化算法集合经验模式算法（Ensemble Empirical Mode Decomposition）算法替代EMD算法，并选择最小均方算法（LMS）算法配合EEMD算法完成最终的自适应滤波器设计，完成对工频干扰的滤除。仿真结果表明，经EEMD算法分解原始信号并搭配使用LMS算法构造的自适应滤波器在滤除不同相位和不同频率下的工频干扰有良好表现。
1 工频干扰的引入途径
最常引入的外界干扰信号即是市电的工频干扰，其根本原因是仪器电势与环境电势的差异[10]。产生电势差异来自以下三个方面：
(1）市电供电电器干扰。生活环境中的其他的日常电器都会产生交变电场，且空间重置大量电力线辐射。这些交变电场和空间电磁场都会产生相应工频干扰。
(2）检测仪器未良好接地。市电的地线与大地之间存在着接地阻抗，如果SEMG检测端单元与其他市电电源共用一个地，且市电没有规范布线和良好接地，电势差可达100～200 V。
(3）检测者本身。由于被检测者身体不可避免的处在空间各种电磁场之中，被检测者的身体受感应电磁场而产生感应电流，会同时将感应工频电流；进而噪声混入采集信号当中。
2 解决方法
2.1 前置放大电路的处理
在前置放大硬件电路上采用如下方法抑制工频干扰：
(1）在保证前级放大电路高增益的情况下，针对市电供电电器干扰，需将外界电磁场辐射屏蔽于检测设备之外。首先生理检测设备置于金属屏蔽盒内并良好接地，且前级放大电路应尽可能地靠近表贴电极，缩短检测电极与放大器之间的连线，并使用屏蔽电缆将放大单元与采集电极相连。
(2）在采集中采用隔离的方法，即使得SEMG采集设备与市电系统中没有任何通路。检测设备使用直流电压供电，干电池可作为选择。
(3）考虑到电池供电会使设备受到电池容量及工作时间的限制，因此若采用市电供电，必须利用光耦隔离，将市电供电单元与采集放大电路完全隔离开来。在某些文献中也研制出了带有放大功能的检测电极，也在部分研究中得到使用，具有一定抑制工频噪声的效果[11]。
(4）受试者本身引入的工频干扰由检测电极处引入，解决方法经研究为差分电极距离相隔大约为10 mm。由于距离电力线附近较远处干扰源产生的工频干扰在两个电极处的幅值基本相同，且由于SEMG检测设备基本采用差分运放，这对共模信号有很高的抑制作用，使得两电极上产生的相同的工频干扰可良好滤除。采集电路如图1所示。
2.2 数字信号处理方法
2.2.1 数字滤波器的优点
数字滤波器是指输入/输出均为数字信号，通过一定运算关系改变输入信号所含频率成分的相对比例或滤除某些频率成分的器件。数字滤波器通常需要完成两步：一是完成专用的数字处理硬件；二是把滤波器所需的算法通过程序来运行。50 Hz数字陷波器的设计方法多种多样，采用软件编程的方法通常有：小波变换滤波、自适应滤波、匹配滤波等。数字滤波器与模拟滤波器相比较，具有精度高、稳定好、体积小、高灵活度、无需阻抗匹配等优点[12]。Matlab自带的信号处理工具箱，使得原本复杂的滤波器设计变得简化，已广泛地使用到各种滤波器的设计当中。
2.2.2 EMD
经验模式分解（EMD）是由华裔科学家NE Huang首次提出的[13,14]。EMD是一种可对非线性信号及非平稳信号进行数据分析处理的算法，EMD分解方法是希尔伯特变换的重要组成部分，它能将信号分立在不同尺度，由此得到一系列本征模态函数（IMF）。这些IMF包含着数据最基本信息，且这些IMF是自适应的，因此在处理非平稳、非线性信号的处理研究中EMD有出色的处理能力。EMD算法使用数值变化过程，依据瞬时频率的必要条件，定义了一个本征模态函数必须满足的两个基本条件：
(1）整个信号段内，极值点的个数和过零点的个数相等，或仅相差不超过一个。
(2）任意时刻局部极大值和极小值点构成的包络线均值为零，即包络相对于时间轴对称。EMD算法假设对于任何信号都是由若干优先的本征模态函数组成，每一个本征模态函数通过如下方法[15]分解：
首先标记处原始信号的极大极小值，然后在原始信号x(t)上使用三次样条函数，得到极大值包络xu(n)和极小值包络x1(n)。将两包络值相减，得到包络均值：
原信号序列x(n)减去m(n)，得到一个去低频信号：
将h1(n)作为新数据，并重复式（1）、式（2）的过程，直至最终的信号满足IMF定义，即需满足式：
c1(n)包含有信号的高频分量，残余信号r1(n)则可由以下算式得出：
将r1(n)作为新数据并重复式（1）～式（4）的过程，直至抽取中所有的IMF分量。其中均值漂移过程在第m阶残余信号rm(n)小于预设值或是单调时停止。
x(n)经EMD分解后得到为：
在实际情况下，上、下包络的均值无法为零，通常判断在满足式（6）时，就认为包络的均值已满足IMF均值为零的条件：
式中ε为筛分门限，取值为0.2～0.3。
2.2.3 EEMD
集合经验模式算法（Ensemble EMD,EEMD）是EMD算法的一种改进，旨在解决EMD算法中的尺度分立问题。EEMD作为一种噪声辅助分析方法，其由Z.Wa及N.E.Huang提出的[16]。EEMD的分解规则是给信号的整个尺度附加均匀白噪声，当信号附加均匀白噪声时，由于每个独立分量的噪声是不同的，因此当使用全体集合的均值时，噪声也会被滤除。EEMD分解方法可如下解释：
(1）为目标序列x(n）增加白噪声序列W(n），并将x(n）分解出IMF。
(2）多次使用不同的白噪声序列重复第（1）步，从所得IMF集合中找出最终的IMF。
2.2.4 基于EEMD算法及LMS算法的自适应滤波器的设计
自适应滤波器可在工频干扰频率改变时，跟随其改变自身频率。自适应滤波器通过可调整系数的滤波器将输入信号加权后产生一个输出，然后与期望的参考或训练信号进行比较，形成误差信号。这个误差信号修正可编程滤波器的权系数。自适应理论经过数十年的研究获得了极大的发展，根据不同的优化准则推导出许多不同的自适应理论。目前该理论主要包括以下几个分支[17]：基于维纳滤波器理论的最小均方算法、基于卡尔曼滤波理论的卡尔曼算法、基于最小二乘准则的算法、基于人工神经网络的方法。
美国斯坦福大学的Widrow于1960年提出了最小均方（LMS）算法[18]。LMS算法是一种运算量小、算法结构简单、算法稳健的自适应算法，自提出后得到广泛应用。LMS基于最小均方误差准则。当滤波器权系数进行迭代式，LMS算法会按一定比例沿着误差性能曲面的梯度估值的负方向更新。利用LMS算法设计自适应滤波器的流程为：首先选择参数：选择滤波器的抽头数及合适的步长（Step-Size）；然后初始化，令滤波器的初始权值W(0)=0；最后计算误差信号。滤波器系列矢量估值W(n）、输入信号X(n）以及期望信号d(n），误差信号为：
计算滤波器权系数估值：
将时间指数n增加1，重复式（3）的过程，直至稳态。滤波器的流程图如图2所示。
原始信号x(n)由EMD分解后，表示如下：
于是所构造的低通滤波器为：
所构造的高通滤波器为：
经EMD分解后的原始信号可由IMF选择重建，且将IMF作为自适应滤波的参考信号，使得滤波器能很好地跟随工频干扰频率的变化，达到抑制噪声的目的。
3 结果分析
为验证实验所设计的滤波器的效果，实验数据的来源为硬件电路采集人体前臂的SEMG信号，实验共3 min，受试者做握拳和放松动作，每10 s切换一次。采集数据的采样率为1 000 Hz，采用5通道采集，并对采集波形进行叠加。得到含有工频干扰的原始肌电信号如图3所示。将各通道波形在时域上进行叠加，得到的叠加波形如图4所示。再将所叠加5通道SEMG信号输入基于EEMD算法的自适应滤波器后，经Matlab数据处理后得出滤除工频干扰噪声的信号如图5所示。
从仿真结果可以看出，基于EEMD-LMS的自适应滤波器，对工频干扰有良好的抑制作用。不同于以往的数字滤波器，自适应滤波器对于不同相位不同频率的工频干扰都能跟随干扰频率的变化进行滤波。式（12）～式（14）分别给出了计算自适应滤波器的三个公式。
式中：x(n）为已滤除噪声的信号，x(n）表示重构的输出信号。
表2对基于EMD-LMS的自适应滤波器及基于EEMD-LMS的自适应滤波器的性能参数做出了对比。其结果是，EEMD-LMS具有在提高检测信号信噪比，均方根误差上都有良好的表现。
4 结语
本文提出了滤除肌电信号检测中的工频干扰的方法，在电路硬件方面采用屏蔽隔离的方式，使得环境中的市电干扰能最大程度降低。其次提出了一种基于EEMD-LMS算法的自适应滤波器进行对所采集信号的数字滤波。在仿真中可证明，基于EEMD算法与LMS算法的自适应滤波器在提高信号信噪比及减小均方误差方面均有较好的改善，且能够跟随相位或频率变化的的工频干扰进行针对性的滤除，此方法在进行生理信号采集中，能够准确的滤除工频噪声，可广泛使用于相关设计中。
摘要：为了在滤除表面肌电信号检测中的工频干扰,在硬件检测电路中采用屏蔽检测单元、隔离检测设备、设备良好接地等方法;数字滤波部分结合实际,使用集合经验模式算法,由集合经验模式算法分解出的本征模态函数构成自适应滤波器。最后经过使用最小均方误差算法以及配合集合经验模式算法提高自适应滤波器的运算效率。为评定该自适应滤波器性能,实验基于Matlab及硬件采集设备进行了手前臂表面肌电信号检测和滤波,结果表明所设计的方法对不同相位、不同频率的工频干扰都有良好的抑制消除作用。
表面肌电信号分解 篇6
在拖拉机机组作业过程中,驾驶员需要经常转动头部来了解周围环境和后方作业情况,特别是在拖拉机与机具接合或悬挂机具倒车时,驾驶员经常要长时间、大角度转头观察,很容易造成颈部肌肉的酸痛,导致疲劳,不仅影响驾驶员的身体健康和作业安全,还会影响作业效率和作业质量。因此,对拖拉机驾驶员的颈部肌肉疲劳进行研究十分必要。许多研究表明[1,2],驾驶员局部肌肉的疲劳程度可用表面肌电信号(SEMG,surface electromyogram signal)来评价。表面肌电信号是从皮肤表面通过电极引导出来的生物电信号,它能在一定程度上反映神经肌肉系统的活动情况。SEMG便于测试且无创伤,在体育科学和人机工程学等领域得到了广泛应用。国外早已利用SEMG研究和评价驾驶疲劳问题,与国外相比,我国在这方面的研究起步较晚。本文以拖拉机驾驶员头部转动过程中起主要作用的胸锁乳突肌为研究对象,对转头过程中该肌肉SEMG变化情况进行了试验研究,为减缓和评价拖拉机驾驶疲劳、设计和开发适合我国人体特征的“人性化”拖拉机驾驶室提供依据。
1 试验对象与方法
1.1 试验对象
试验对象为年龄23~26岁、身高175~180cm、体重60~70kg的10名男子。被测人员身体健康,颈部无疾病、畸形或创伤。试验前,所有被测人员都得到了充足的休息,颈部无酸痛或不适的感觉。
1.2 试验设备与仪器
试验在模拟拖拉机驾驶试验台上进行,试验台上的座椅、方向盘、油门踏板等的高度、角度和位置可根据被测人员的身体特性进行调整。
测试仪器为日产Personal-EMG表面肌电采集记录系统(8通道,采样频率为3 000Hz,共模抑制比为104d B,增益调节范围1 k~10 k)。试验时,增益调至1 000倍,设定带通频率10~500 Hz,采用50 Hz陷波消除工频干扰。试验用电极为Ag-Ag Cl电极贴片。
1.3 试验方法
现场测试虽然采集的是实际作业信号,但测试信号容易受作业环境等不确定因素的影响,同时也会影响作业进度。模拟试验具有可重复性、受外界环境影响较小以及不受季节性等作业条件影响的特点,因此本文采用模拟试验的方法。
胸锁乳突肌起自胸骨柄前面和锁骨的胸骨段,止于颞骨的乳突,当头部向一方转动时就会显现。胸锁乳突肌是颈部浅层最显著的肌肉,因此测试信号受皮下脂肪厚度的影响较小以及粘贴电极前先将测试部位皮肤进行预处理,刮除毛发,用砂纸轻轻打磨,最后用酒精棉签擦拭。电极应粘贴肌腹隆起处,两电极贴片间距为2cm[3,4]。
试验设定:以座椅中心为原点、半径为2m的圆,将座椅正前方定义为0°,正后方定义为180°;以30°为间隔单位将圆等分,在每个分隔点与人眼等位置上设置标的物。试验时,被测人员坐在座椅上,上身挺直,左手握住方向盘,右手把握操纵杆;左脚放在离合器踏板上,右脚放在油门踏板上。
试验一:试验开始时,被测人员目视正前方0°;当听到提示后,转动头部至能看清左侧30°的标的物为止,保持不动20s,然后回到0°休息10s;下一标的物位置是右侧30°,以下观察标的物次序依次是左60°、右60°、左90°、右90°……左180°、右180°。试验中,被测人员视线由0°转向其他角度的标的物时,由头颈部和躯干的转动来完成。试验对转动速度等不做特别限制,并定义头部转动角度与所设置标的物的角度相同。
试验二:分别测试被测人员头部左转180°和右转180°持续目视后方标的物所能坚持的最大时间。试验采集到的数据直接存储到计算机中,用于后续处理。
1.4 数据处理
SEMG信号的分析通常在时域和频域进行[5]。分析前先将SEMG信号进行小波消噪。选用Matlab工具箱中的Wavedec函数和Symlets小波函数系对采集的肌电信号进行多尺度分解,并利用Waverec函数进行信号重构。大量实验和资料表明[6,7,8],选用Sym8小波进行4尺度分解取得的效果最好。在小波工具箱里,采用默认阈值算法进行小波变换系数阈值量化。
图1为实测转头动作肌电图原始信号和小波消噪后的对比图,横坐标为采样点序列,纵坐标为该点的肌电值,单位为m V。
由图1可见,消噪后肌电图区去除了很多尖突部分,特别是在0°附近位置时(0~200点和3 400~4 0 0 0点)的肌电信号更加平稳,使动作起始点和结束点的查找更加方便,从而有利于动作信号的提取。
对时域的肌电信号(integrated electromyogram,s EMG)进行反向处理后积分,可得积分肌电值(i EMG,integrated electromyogram)。研究表明,积分肌电值与肌力和肌张力之间的呈正相关关系[9]。因此,本文选用i EMG作为肌电信号的时域评价指标。实际上,测试仪器采集、记录存储在计算机的肌电信号(数据)是一些离散值x1,x2,……,xn。积分肌电值就是将这些离散值取绝对值后求它们的平均值,计算公式为
对SEMG信号进行快速傅立叶转换(FFT,Fast Fourier transform),可获得SEMG信号的频谱或功率谱等。平均功率频率(MPF,Mean power frequency)在肌肉疲劳过程中逐渐变小,在负荷加大时减小速度加快[10]。本文选用MPF作为肌电信号的频域评价指标。平均功率频率的计算公式为
式中P(f)—信号的功率谱密度函数。
本文在Matlab中编写计算上述两个评价指标的程序,对测得的肌电信号进行数据处理。
2 结果与分析
2.1 积分肌电值
试验一的数据经Matlab处理后,将所有被测者的积分肌电值归类,按不同转动角度取平均值,绘制左右胸锁乳突肌的积分肌电值I的平均值随角度的变化图,并做如下分析。
图2和图3是头部向左右转动注视标的物时左右两侧胸锁乳突肌的积分肌电值I随头部转动角度变化的情况,横坐标为头部转动的角度,纵坐标为对应该角度左右两侧胸锁乳突肌的I值。
由图2和图3可以看出:随着头部转动角度的增加,I值有随之增大的趋势。在60°之前,头部转动角度引起的肌力变化不大,左右胸锁乳突肌的I值差异较小。在90°~180°区间,头部自左侧向后转动时,右胸锁乳突肌的I值显著大于左胸锁乳突肌的I值(P<0.05);头部自右侧向后转动时,左胸锁乳突肌的I值显著大于右胸锁乳突肌的I值(P<0.05)。这是因为头部自左右侧向后转动过程中,随角度增加,对应侧胸锁乳突肌的肌力逐渐加大。总体上左右侧肌电信号值虽有差异,但人体生理结构左右对称,其变化趋势是相近的。
2.2 平均功率频率
图4和图5是平均功率频率MPF随头部转动角度的变化情况,横坐标表示头部转动角度,纵坐标表示平均功率频率MPF。与积分肌电值所用的统计方法一样,图中每个角度的MPF为所有被测试人员的平均值。
由图4和图5可知:随着头部转动角度的增加,MPF有明显的下降趋势,其频率变化范围在80~180Hz之间,而且左转动时左侧胸锁乳突肌的MPF值变化较小,各角度的MPF值都显著大于右侧胸锁乳突肌的MPF值(P<0.05);同样,右转动时,右侧胸锁乳突肌的MPF值变化较小,各角度的MPF值都显著大于左侧胸锁乳突肌的MPF值(P<0.05)。与时域的积分肌电值I变化趋势相比,MPF的变化趋势较为明显,即对头部转动角度的变化较为敏感,显示出频域分析的优越性。
2.3 最大持续时间
图6是试验二中所有被测人员分别自左右侧向后转注视正后方标的物所能坚持的最大时间分布图。从图6可以看出,被测人员自左向后转注视正后方标的物能坚持的最大时间多数在60~80s,而自右向后转注视正后方标的物所能坚持的最大时间多数在80~100s,表明注视正后方标的物时有自右向后转注视后方能坚持的最大时间大于自左向后转的倾向。
另外,由图2和图3可知,最大I值都出现在180°,但向左转动的右胸锁乳突肌最大I值(134.9μV)要比向右转动的左胸锁乳突肌最大I值(113.8μV)要高一些,可认为是试验中被测人员的驾驶姿势的影响。试验中,被测人员握方向盘的左手和握操纵杆的右手放置的位置不同,握方向盘的左手离上体较远,握操纵杆的右手离身体较近。左上臂与上体躯干的角度较大,前臂前伸距离较大,以致左转动要比右转动相对费力,导致左转动的右胸锁乳突肌最大值稍高。注视同一正后方标的物体,向左转动时肌肉疲劳时间点提前,最大持续时间变小,与图6中所示结果一致。即使右转动的最大I值相对较低,疲劳时间点相对向后延迟,但最大持续时间也不是很长。试验二中测试的最大持续时间仅为120s。颈部肌肉疲劳时作业者就会发生肌肉酸痛、耳鸣和看不清标的物等症状,影响作业的正确性。如果拖拉机驾驶员能够经常利用倒车镜等辅助设备来完成倒车等作业,那么颈部的肌肉疲劳程度将会明显降低。当驾驶员使用倒车镜时,两侧的转头角度都不会超过60°,此时两侧胸锁乳突肌积分肌电值I的平均值为31.4μV,MPF的平均值为136.5Hz。在拖拉机与机具接合及悬挂大型机具倒车情况下,驾驶员若不借助设备直接转头注视后方时,两侧胸锁乳突肌积分肌电值I的平均值为124.4μV,MPF的平均值为88.7Hz。比较两种作业方式可知:驾驶员直接转头注视后方时的积分肌电值约为借助倒车镜等辅助设备观察后方时的4倍,MPF值是后者的0.65倍。直接转头注视后方会使颈部肌肉的I值显著增大,MPF值明显减小。这使得能量消耗增加,产生与积累的丙酮酸和乳酸等酸性代谢物增多,肌肉容易疲劳。
3 结论与建议
3.1 结论
1)随着拖拉机驾驶员头部转角的增加,积分肌电值I有显著增加的趋势,平均功率频率MPF有明显下降的趋势。这说明,大角度的头部转动容易使拖拉机驾驶员颈部产生疲劳。
2)拖拉机驾驶员头部自左右侧向后转动时,相对侧的胸锁乳突肌的受力较大,左右两侧的积分肌电值I和平均功率频率MPF值有显著差异。
3)表面肌电信号的平均功率频率MPF值随转动角度变化较为明显,与时域的积分肌电值I相比,显示出一定的敏感性。
4)拖拉机驾驶员观察正后方作业情况时,自右向后转注视后方能坚持的最大时间大于自左向后转能坚持的最大时间。
3.2 建议
拖拉机驾驶员除了倒车和悬挂机具的作业以外,播种、割晒和深松浅翻等作业也需要经常大角度转动头部,了解后方的作业情况,转动频率较高。另外,农业生产作业季节性强,作业时间相对集中,作业时间长,这些都易使拖拉机驾驶员颈部肌肉产生疲劳。因此,建议使用倒车视频系统和安全警报装置,使用拖拉机与机具的快速接头,提高作业机具的可靠性,开发作业机具监测设备等,通过减少拖拉机驾驶员大角度转头次数和时间等措施,达到有效减轻颈部肌肉疲劳的目的。
摘要：为了了解拖拉机驾驶员颈部的疲劳状况,在模拟拖拉机作业过程基础上,对驾驶员颈部胸锁乳突肌的表面肌电信号进行了测试分析,并以积分肌电值与平均功率频率为评价指标,对作业过程中驾驶员颈部疲劳进行了研究。结果显示:头部转动角度对积分肌电值和平均功率频率有明显影响,积分肌电值随角度的增大呈现明显的增长趋势,平均功率频率随角度的增加呈现明显下降趋势,表明大角度的头部转动容易使拖拉机驾驶员颈部产生疲劳。同时,分析了拖拉机驾驶员颈部产生肌肉疲劳的原因,提出了缓解疲劳的建议。
关键词：表面肌电信号,拖拉机驾驶员,颈部疲劳,积分肌电值,平均功率频率
参考文献
[1]王健,金小刚.表面肌电信号分析及其应用研究[J].中国体育科技,2000,36(8):26-28.
[2]陈静,丁嘉顺,王正伦,等.重复性搬举作用所致背部肌肉疲劳的表面肌电信号分析[J].中华劳动卫生职业病杂志,2004,22(6):42-405.
[3]王健.动态运动诱发腰部脊竖肌疲劳过程中sEMG信号变化特征[J].中国体育科技,2001,37(4):9-11.
[4]Simoneau G G,Marklin R W,Berman J E.Effect of com-puter keyboard slope on wrist position and forearm electro-myography of typists without musculoskeletal disorders[J].Physical Therapy,2003,83:816-830.
[5]L I Zhuo.Signalanalysis of electromyogram and its applica-tion in sport scientific research[J].Bulletin of Sport Sci-ence and Technology,2006,14(3):31-34.
[6]杨福生.小波变换的工程分析与应用[M].北京:北京科学出版社,2000:42-61.
[7]杨广映,罗志增.小波变换在肌电信号预处理中的应用[J].杭州电子科技大学学报,2005,25(1):14-17.
[8]罗志增,张清菊,蒋静坪.表面肌电信号的小波消噪改进算法[J].浙江大学学报,2007,41(2):213-216.
[9]余洪俊.表面肌电图评价肌肉的功能状况[J].中国临床康复,2002,6(23):3514-3515.