表面肌电信号的降噪处理*

李佳妮， 王云峰

(中国科学院大学 中国科学院微电子研究所 新一代通信射频芯片技术北京市重点实验室，北京 100029)



表面肌电信号的降噪处理*

李佳妮， 王云峰

(中国科学院大学 中国科学院微电子研究所 新一代通信射频芯片技术北京市重点实验室，北京 100029)

表面肌电信号是一种易受多种噪声影响的生物电信号，其中以工频干扰、基线漂移、白噪声等干扰尤为严重。通过分析噪声干扰的特点，结合表面肌电信号特征，选取频谱插值法在频域内消除了工频干扰；利用形态学滤波的开闭运算得到基线漂移特征，从而滤除了基线漂移；基于经验模态分解(EMD)得到的本质模态函数分析消除了白噪声。实验结果表明：上述滤波方法在不损坏有用信号的前提下，可以实现较为满意的滤波效果。

表面肌电信号； 频谱插值； 形态学滤波； 经验模态分解

0 引 言

在人体进行抓握、运动、说话等动作时，大脑会向神经元发送信号，神经元接收信号后刺激肌肉纤维执行动作，执行过程中肌肉所产生的电活动在人体皮肤表面叠加形成了表面肌电(surface electromyography,sEMG) 信号。sEMG检测是一种无创测量方式且包含大量表征肌肉生物特征的信息，在假肢控制、手势识别、肌肉疾病诊断等领域中具有重要的研究价值，例如通过检测不同肌肉的sEMG判别肌肉的活动特征从而识别当前动作信号[1]，或通过检测肌肉产生的sEMG对其进行分解可提取出对应肌肉的疲劳信息。

sEMG的检测可通过贴于皮肤表面的检测电极实现[2]，然而检测电极测得的sEMG受到多种噪声干扰，因此,对其进行有效降噪处理是sEMG研究不可或缺的环节。

本文针对不同噪声、干扰的来源和特点结合sEMG特性采取不同的滤波方法，有效消除了工频干扰、基线漂移、白噪声影响等。

1 噪声干扰分析

sEMG本质是一种微弱的电信号，能量集中在20～450 Hz[3]，受到来自生理、环境的多种噪声影响，其中工频干扰、基线漂移、白噪声影响尤为显著。我国的工频干扰集中在50 Hz左右，主要来自于两方面：系统接入市电直接引入;环境中，由其他直接接入市电的设备造成。通常，人们使用阻带中心频率为50 Hz的双T型带阻滤波器消除其影响，但该方法在去除工频干扰的同时也去除了sEMG在50 Hz附近的有效频率，且无法去除更高频率的谐波。采用频谱插值法消除工频干扰，既能消除工频及其谐波的干扰，又不破坏信号的有用信息。

基线漂移是由被测对象实验不规范、检测电极移动等原因造成sEMG偏离正常基线波动，本文选用形态学滤波消除基线漂移，该方法常用于心电信号中，在消除基线偏移的同时能较好地保持信号的原有特征。对于白噪声，本文采用经验模态分解(empirical mode decomposition,EMD)进行滤除，该方法由黄锷先生等人于1998年提出，目的是将数据分解成多个本质模态函数(intrinsic mode functions,IMF)。

2 降噪处理

2.1 消除工频干扰

利用频谱插值法消除工频干扰[4]主要对信号进行傅利叶变换，在频域中剔除50 Hz及其谐波处的干扰信息，并用附近有用的信号对其进行插值，具体的算法思路如下：

1)对原始信号s(t)进行加窗傅利叶变换，得到信号的原始幅值谱|Yw(f)|，即

|Yw(f)|=FFT[s(t)*window(t)]

(1)

2)丢弃在50 Hz及其谐波处的原始幅值谱信息，然后利用50 Hz及其谐波附近多个数据进行插值得到|Yw*(f)|，代替丢弃的信息，即

|Yw(f)|=|Yw*(f)| ,f=50,100,150,…

(2)

3)对原始信号s(t)直接进行傅里叶变换，得到信号的幅值谱|Y(f)|，在50 Hz及其谐波处，用步骤(2)中所得的幅值谱替代原始幅值谱信息，即

(3)

4)结合相位信息和修改后的幅值谱进行傅利叶反变换，得到滤除工频及其谐波干扰后的信号。

2.2 消除基线漂移

数学形态理论认为开运算可以消除信号中的波峰，而闭运算可以填充信号中的波谷，对信号进行开闭运算后可得到基线的漂移特征，从原始信号中剔除该漂移特征即消除了基线漂移。首先说明相关概念[5]。

设f(n)为输入离散序列，长度为N；g(m)为结构元素，长度为M。其中，n=0,1,…,N-1；m = 0,1,…,M-1。定义

腐蚀运算

(4)

膨胀运算

(5)

开运算

(f ° g)(n)=(fΘg⊕g)(n)

(6)

闭运算

(f·g)(n)=(f⊕gΘg)(n)

(7)

算法的主要思路如下：

1)将待处理信号f(n)先进行开运算后进行闭运算，得到信号f1(n)。

2)将待处理信号f(n)先进行闭运算后进行开运算，得到信号f2(n)。

4)用待处理信号减去基线漂移估计值，便得到去除基线漂移后的信号fFiltered(n)，即fFiltered(n)=f(n)-f*(n)。

在开闭运算中，结构元素的选取是关键性问题，经算法验证海明窗、汗宁窗均可实现较好的滤波效果。

2.3 白噪声

利用EMD滤除白噪声通常有两种思路，一种是基于白噪声特性提出平均周期的概念[6]，认为待处理信号分解出的第一个IMF分量为白噪声基准，若其余分量的平均周期为该基准的2(k-1)倍，则认为该分量为白噪声并去除该分量，最后将剩余的分量重构得到滤波后的信号。本文侧重于第二种处理思路[7]，该方法通过选取一个合适的阈值，将IMF零点间幅值的最大绝对值与其比较，若大于阈值,则保留;若小于阈值,则舍弃，具体算法思路如下：

1)将待处理信号进行EMD分解，得到多个IMF分量，并为每个IMF分量设置一个阈值，阈值定义如下

(8)

(9)

式中 Tj为第j个IMF分量的阈值；c为常数，可根据IMF特征进行选择，对于sEMG通常c≤1；N为位信号长度；Ej为IMF能量；σ2为第一个IMF分量的方差。

2)检测IMF所有分量的零点位置，计算相邻两个零点间信号幅值的最大绝对值，将其与对应分量的阈值比较，若大于该阈值，则保留此区间信息;否则，将此区间信号置零，即

(10)

式中 Zi,j为第j个IMF分量的第i个零点，maxi为在零点(Zi,j,Zi+1,j)之间的最大绝对值。

3)最后重构处理过后的IMF，得到消除白噪声影响的信号。

3 实验测试

3.1 理想输入信号测试

基于Matlab平台实现上述滤波技术，并以2组输入信号进行测试，一组为Matlab产生的理想输入信号，另一组为实际测量的sEMG。如图1所示，图(a)为Matlab产生的理想输入信号，图(b),(c),(d)分别为在理想输入信号中逐步加入如下模拟的白噪声、基线漂移和工频干扰

白噪声

Nw=A1×wgn(1,length(x),a)

(11)

基线漂移

Nb=A2×sin2πt

(12)

工频干扰

Np=A3×sin(2πt×50i),i=1,2,3,…

(13)

式中 x为输入信号；Ai为信号幅值；a为常数。如图(e),(f),(g)所示，对于混入噪声的信号进行上述降噪处理，反序逐步滤除加入的噪声并通过均方误差进行性能评价，均方误差定义如下[8]

(14)

图1 理想输入信号加入噪声和滤除噪声后的对比

对比噪声滤除前后的信号图(d)与图(e)，图(c)与图(f),图(g)与图(b)可以较好地说明上述滤波技术均达到了较为满意的滤波效果，根据式(14)可计算出各滤波器的均方误差，其中频谱插值法的均方误差为4.927 0×10-5，形态学滤波为0.023 0，EMD为0.022 9，上述均方误差也很好地说明了滤波效果，尤其在滤除工频干扰时，传统的滤除方法通常只能滤除50 Hz的干扰而对于其谐波无能为力，在信号中加入了50，100 Hz以及150 Hz等高次谐波，采用频谱插值法均能很好地滤除干扰。

3.2 实际信号测试

利用实验室设计的检测电极采集受试对象右手尺侧腕屈肌的sEMG，受试对象按照要求在50s进行2次握拳动作，控制器将采集到的sEMG通过Bluetooth发送至PC，PC基于Matlab平台接收数据并对其进行上述滤波处理。如图2所示，图(a)为检测电极采集到的原始信号，信号受到多种噪声干扰；图(b)为对原始输入信号进行傅里叶变换，可以明显观察到在50，100 Hz处受到较为严重的干扰，对其进行频谱插值法滤波后再进行傅里叶变换得到图(c)，可以看出，该算法很好地消除了工频及其谐波的影响；图(d)和图(e)分别为滤除基线漂移和白噪声后的信号；图(d)在滤除工频干扰的基础上去除了基线漂移，使得动作信号较为明显，经过图(e)进一步滤除了白噪声，对比原始信号，sEMG经上述降噪处理后得到了较为满意的滤波效果，达到了预期的目的。

图2 尺侧腕屈肌的sEMG降噪处理

4 结束语

sEMG可以反映肌肉的活动特征和肌肉疲劳等信息，但因其包含多种噪声干扰无法直接进行应用，本文就工频干扰、基线漂移、白噪声干扰等噪声提出了针对性的降噪处理，sEMG经过降噪处理后可对其进行特征提取或者信号分解，真正实现其在假肢控制、手势识别、肌肉疾病诊断和治疗等领域的应用价值。

[1] 汤奇荣,姜 力,李 楠,等.肌电假手感觉反馈机理研究[J].传感器与微系统，2008,27(8):72-74.

[2] 李天博,陈 玲,陈坤华,等.基于MSP430的肌电假手系统设计[J].传感器与微系统，2012,31(4):75-78.

[3] Roy S H,Cole B T,Gilmore L D,et al.High-resolution tracking of motor disorders in parkinson’s disease during unconstrained activity[J].Movement Disorders,2013,28(8): 1080-1087.

[4] 丁祥峰,孙怡宁,孙启柱.表面肌电检测中消除工频干扰的方法[J].北京生物医学工程,2006,25 (1):63-66.

[5] 张建成,吴新杰.形态滤波在实时信号处理中应用的研究[J].传感技术学报，2007,20 (4): 828-831.

[6] 潘章达,张 铖.利用经验模态分解方法消除白噪声及谐波[J].现代电力,2010,27(5):53-56.

[7] Kopsinis Y,McLaughlin S.Empirical mode decomposition based denoising techniques[C]∥IAPR Workshop on Cognitive Information Processing,2008:42-47.

[8] 黄一鹤.一种基于新的小波阈值函数的图像去噪方法[J].传感器与微系统,2011,30(9):76-81.

Noise reduction processing of surface electromyography signal*

LI Jia-ni, WANG Yun-feng

(Beijing Key Laboratory of Radio Frequency IC Technology for Next Generation Communications,Institute of Microelectronics of the Chinese Academy of Sciences,University of Chinese Academy of Sciences,Beijing 100029,China)

Surface electromyography(sEMG) signal is noise-sensitive biological signal,particularly susceptible to power frequency,baseline drift,white noise.Based on analysis on features of noise interference and combined with feature of sEMG signal,use spectrum interpolation method to eliminate working frequency interference in frequency domain.And utilize opening and closing operation of morphological filtering to acquire characteristics of baseline drift,so as to remove baseline drift from the signal.Based on analysis on intrinsic mode functions obtained by empirical mode decomposition(EMD),white noise can be eliminated.Experimental results show that the above filtering method can achieve satisfied filtering effect without damaging useful signal.

surface electromyography(sEMG) signal; spectrum interpolation; morphological filtering; empirical mode decomposition(EMD)

10.13873/J.1000—9787(2017)07—0042—03

2016—08—09

中国科学院STS项目(KFJ—EW—STS—128)

TP 274.2

A

1000—9787(2017)07—0042—03

李佳妮(1992-)，女，硕士研究生，主要研究方向为表面肌电信号的采集和处理。

王云峰(1981-)，男，博士，副研究员，主要从事射频集成电路设计、便携式医疗电子设计研究工作。