表面肌电信号的下肢痉挛信号特征分析与识别

姜亚斌，邹任玲，刘 建，徐秀林，胡秀枋

(上海理工大学 医疗器械与食品学院，上海 200093)

表面肌电信号的下肢痉挛信号特征分析与识别

姜亚斌，邹任玲，刘 建，徐秀林，胡秀枋

(上海理工大学 医疗器械与食品学院，上海 200093)

在脑卒中患者的康复治疗中偶发性下肢肌肉痉挛，会给患者在康复训练过程中带来危害隐患问题。因此，如何能在训练过程中识别痉挛并及时中断训练，文中通对下肢表面肌电信号的采集，采用基于形状的模版匹配法来识别痉挛信号，具体以皮尔逊相关系数来实现表面肌电信号的下肢痉挛信号的模版匹配分析测得下肢痉挛信号。测试结果表明，模版匹配法在个人痉挛信号识别中的准确性，显示了在泛用痉挛信号识别中的可行性。

表面肌电信号；下肢痉挛信号；模板匹配法；皮尔逊相关系数

肌肉痉挛俗称抽筋是肌肉发生不自主的强直收缩所产生的一种现象，不受主体意识支配。目前痉挛在国际上还未有统一定义，被学者普遍采用的痉挛定义为：痉挛是属于运动神经元综合征的运动障碍表现之一，其特征为肌张力随肌肉牵张反射的速度增加而增高，伴随着由于牵张反射过度兴奋导致的腱反射亢进肌肉痉挛的一个主要外在表现是肢体运动阻力增加[1-2]。尤其在下肢康复训练中，患者的下肢肌肉常常会因为康复训练时间过长，或因为肌肉疲劳等因素，而出现肌肉痉挛，从而对患者造成二次伤害。识别出患者康复训练中的痉挛状态有着重要的意义[3-4]。在生物反馈电刺激治疗系统里增加痉挛识别功能，将更有助于提高康复治疗的效果。

国内外尚无成熟的通过肌电评估判定痉挛的仪器或设备，而从其他角度出发已有了多种评估方法，包括神经生理学评定法、生物力学评定法、药理学评定法、Ashworth量表、痉挛指数CSS评定等。本文采用基于形状的模版匹配法来识别痉挛信号，并以皮尔逊相关系数来实现表面肌电信号的下肢痉挛信号的模版匹配分析测得下肢痉挛信号。

1 模版匹配法

模版匹配法是将已知的一段信息作为模版，与其他信息比较，当信息与模版相似度到达阀值时则可称信息与模版相匹配。在图像比较中，模版是已知的小图像，其它信息是一幅已知的大图像。若已知大图像中有与已知小图像相同的图像，那么就一定可以通过算法将其找出。模版匹配算法分为基于灰度值的模版匹配算法、基于边缘点的模版匹配算法和基于形状的匹配算法[5-7]。

1.1 波形识别中的模版匹配法

模版匹配法在波形识别中早有运用。在脑电信号的识别中，可以通过模版匹配法来找出具有代表性的癫痫信号：棘波和尖波。以此来识别痉挛信号。棘波在癫痫脑电信号最为常见，它由复数的神经元快速超同步放电产生。棘波拥有明显的特征，出现时限约为20～70 ms，其幅值一般<100 μV，波形是尖锐的，相对于背景极为突出。故可利用模版匹配法在脑电信号中找出棘波以此来判断癫痫的发生[8]。

在心电图波形识别中，研究者人工截取R波信号及T波信号作为模版，再对整段的ECG信号进行模版匹配计算，找出最匹配的波形，从而到达波形识别的目的[9-10]。

1.2 形状模版匹配法的适用性

通过对波形图像进行分析，得到下肢痉挛信号波形的以下特性[11-12]。

(1)高波形重复率。如图1所示，痉挛波形是一个波形在痉挛的持续时间内的重复出现，从生理学角度上来解释是肌肉发生不自主的强直收缩所引起的。肌肉不断地重复不完全收缩使表面肌电信号也出现大量重复。而一般人体运动的肌肉运动复杂多变，不可能出现这样高的重复率。在实验中还让被测人员保持一个姿势肌肉持续发力，发现采集到的波形还是有极大的差异，显示人体无法刻意地保持这种特征波形，因此痉挛信号与普通运动时的肌电信号有很大不同，可以作为识别方法的一个参考；

(2) 波形简单。如图2所示，不难发现痉挛波形的基本单位波形较为简单，波形的幅值跨度不大，波形的变化趋势也较为简单，在基本单位波形中波峰波谷出现的较少。从生理学的角度来解释是因为肌肉发生不完全收缩，肌肉运动不完全且较为机械，产生的表面肌电波形也简单。

从以上来两点来看，痉挛信号的模版制作是可行的。简单的基本单位波形及交稿的重复率，为模版的选取带来便利。而痉挛信号波形与一般表面肌电信号波形的巨大差异也保证了波形匹配的准确性。

图1 痉挛波形

图2 基本单位波形

(3) 信号离散程度低。通过将5组痉挛信号与5组正常步态信号随机采用的一段数据量为40 000的信号，通过STDEVP函数做离散值统计比较，结果如表1所示。痉挛信号的离散值与正常步态的离散值相比明显偏小。因此痉挛信号的离散程度较低，与简单和高重复的波形特征相符。

表1 离散值

2 模版匹配法的痉挛信号识别

在痉挛信号的识别中以基于形状的模版匹配法为核心思想，利用皮尔逊相关系数作为主要参数来实现模版匹配法在痉挛信号识别中的运用。

皮尔逊相关系数r是统计学概念，又名皮尔逊积矩相关系数(Pearson Product-moment-correlation Coefficient)，由卡尔·皮尔逊从弗朗西斯·高尔顿的统计思想衍化而来。该系数运用于度量两个定距变量之间的线性相关性。它介于-1～1[13-14]。0.8

线性关系显示了当两个变量中一个变量发生变化时，另一个变量的变化情况。从波形图像上来看代表了其波形走向的相似度；从图像的整体来看，表明了两个变量的波形图像形状的相似度。因此皮尔逊相关系数可以作为基于形状的模版匹配法在痉挛信号识别中的主要参数，来匹配出一段被测表面肌电信号中的痉挛信号。

皮尔逊相关系数的计算公式为[15]

(1)

其中，n为样本量；X，Y为两个变量值。

3 数据采集

仿真实验准备阶段：研究目的是下肢表面肌电信号的痉挛信号的识别，因此在Matlab仿真实验前要先收集下肢痉挛的表面肌电信号。同时由于痉挛一般出现在剧烈运动后和偏瘫病人并发症中，并且具有突发性、及时性，采集难度较大。从上海市第一康复医院选取了相应的被测试人员：发生痉挛症状的4名男性患者，年龄42～55岁，4名女性脑卒中患者，年龄45～58岁；正常对照组，3名男性，年龄43～53岁，3名女性正常患者，年龄42～57岁。

实验采用芬兰Mega的ME6000表面肌电测试仪，其拥有8个通道的数据记录系统和无限遥控装置。运用MegaMin系统来分析处理采集到正常表面肌电信号和痉挛信号，将得到的数据调出后再导入Matlab中进行运算，达到识别痉挛信号的目的。

数据采集时间为151 s，共采集12组痉挛数据，信号图像如图3所示。为了与痉挛信号做对比，还采集了正常步态中的表面肌电信号。分别从腓肠肌(小腿内侧)1通道，胫骨前肌(小腿外侧)2通道，股内侧肌(大腿内侧)3通道及股外侧肌(大腿外侧)4通道。采集时间为151 s。在肌电采集过程中，运用表面电极以避免对被测人员带来不必要的身体伤害，共获得11组正常步态数据，信号图像如图4所示。

图3 下肢痉挛信号波形

图4 正常步态信号

仿真实验：从不同组的在下肢痉挛表面肌电信号中截取出模版信号如图5所示，同时截取有效数据，共300个数值。将其与同组和不同组的痉挛信号分别进行仿真，再截取一般人正常步态的表面肌电信号将其与痉挛信号模版信号进行仿真。

图5 痉挛模版信号波形

4 数据分析

模版信号与同组痉挛信号实验。将截取的模版信号与同组的痉挛信号进行Matlab仿真实验后结果如表2和图6所示。

表2 仿真数值结果

图6 仿真图像与判断结果

表2中代表皮尔逊相关系数的r为0.959 7，这表明了模版信号与同组的痉挛信号有较高的相关度。在图6中，两个信号的波形也基本重叠，佐证了模版信号与被测信号拥有高相关度。判断语句也显示了被测信号是痉挛信号，显示结果正确。证明了运用的算法在能识别出同一人的痉挛信号。

模版信号与不同组痉挛信号实验。将截取的模版信号与不同组的痉挛信号进行Matlab仿真实验后结果如表3和图7所示。

表3 仿真数值结果

图7 仿真图像与判断结果

表3中代表皮尔逊相关系数的r为0.643 8，这表明模版信号与不同组的痉挛信号一定的相关度，但是不足够将其认为是同一波形。在图7中，两个信号的波形也不重叠，但形状略有相似，佐证了模版信号与被测信号拥有一定相关度。判断语句显示了被测信号不是痉挛信号，这显然不是理想的结果。说明了研究过程会中运用的算法目前无法运用在不同人的痉挛信号识别中，但有一定的可行性。

模版信号与一般人步态实验。将截取的模版信号与一般人步态实验信号进行Matlab仿真实验后结果如表4和图8所示。

表4 仿真数值结果

图8 仿真图像与判断结果

表4中代表皮尔逊相关系数的r为-0.094 8，这表明模版信号与一般人正常步态信号的相关度较低。在图8中，两个信号的波形也完全不重叠且有较大差异，佐证了模版信号与被测信号没有相关度。判断语句显示了被测信号不是痉挛信号，给出了正确结果。证明了本课题运用的算法在识别不是痉挛信号时是可行的。

5 结束语

综合上述各组的实验仿真情况，可以发现以皮尔逊相关系数作为理论依据的基于波形形状的模版匹配算法，在将采集到的痉挛表面肌电信号和正常人的表面肌电信号导入Matlab系统中，进行仿真实验后。得到了痉挛信号的判断结果，判断出了个人特定模版信号在病人判断痉挛中的可行性。可以得出基于形状的模版匹配算法在同一患者的痉挛识别上有较高的准确性，能基本达到预设的效果。但由于个体的表面肌电信号的差异性，算法目前无法通过一个共用模版准确的识别不同患者的痉挛信号，不同的患者需要使用自身采集的模版信号。算法有一定病人依赖性，一般情况下正常步态肌电信号与痉挛信号相关度极小，因此不会出现将正常信号识别成痉挛信号的情况。对于模版适用性的问题，目前有两个解决方案：一是通过大量的数据采集，进行大量的仿真实验来逐渐优化模版，并最终得到一个通用性的模版信号；二是将模版信号与被测型号进行二次的数据处理，提高周期在形状相似度中的比重，减少幅值的影响。

[1] 仉冠生.表面肌电信号测试系统研究[D].天津:河北工业大学,2007.

[2] 刘卫,李玲,李薇.痉挛的治疗[J].中国临床康复,2003(5):59-62.

[3] Oboe R,Tonin A,Yu K,et al.Robotic finger rehabilitation system for stroke patient using surface EMG armband[C].Florence,Italy:IECON 2016 - 42nd Annual Conference of the IEEE Industrial Electronics Society,2016.

[4] Nawab S H,Wotiz R P,De Luca C J.Multi-receiver precision decomposition of intramuscular EMG signals[C].New York: International Conference of the IEEE Engineering in Medicine and Biology Society,2006.

[5] 蒋大林,李琳.图像匹配技术的研究[C].乐山：全国第19届计算机技术与应用(CACIS)学术会议,2008.

[6] Weber J H,Swart T G,Schouhamer Immink K A.Simple systematic pearson coding[C]. Barcelona:IEEE International Symposium on Information Theory (ISIT),2016.

[7] 孙凡军,唐启桂.SBHCF:基于奇异值分解的混合协同过滤推荐算法[J].电子科技,2016,29(1):44-47.

[8] 袁琦.癫痫脑电的分类识别及自动检测方法研究[D].济南:山东大学,2014.

[9] 江依法,周青,陈伟燕.一种改进的模板匹配算法及其在ECG波形识别中的应用[J].中国生物医学工程学报,2012,31(5):775-778.

[10] Winslow J,Martinez A,Thomas C K.Automatic identification and classification of muscle spasms in Long-term EMG recordings[J].IEEE Journal of Biomedical and Health Informatics,2015(4):464-470.

[11] Paek A Y,Brown J D,Gillespie R B,et al.Reconstructing surface EMG from scalp EEG during myoelectric control of a closed looped prosthetic device[C].Osaka:35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC),2013.

[12] 邱青菊.表面肌电信号的特征提取与模式分类研究[D].上海:上海交通大学,2009.

[13] 于颜儒.加入皮尔逊相关系数的局部保持投影方法[J].中国科技纵横,2016(17):14-16.

[14] 吕俊.基于头皮和表面肌电信号假手控制系统[J].电子科技,2011,24(7):1-2,17.

[15] 李宏彬,赫光中,果秋婷,等.基于皮尔逊相关系数的有机质谱相似性检索方法[J].化学分析计量,2015,24(3):33-37.

Feature Analysis and Recognition of Lower Limb Spasm Signal of Surface EMG Signal

JIANG Yabin,ZOU Renling,LIU Jian,XU Xiulin,HU Xiufang

(School of Medical Instrument and Food Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)

It is of great practical significance to identify the spasticity and interrupt the training in the process of training for patients with spasticity of lower extremity muscle spasticity during the rehabilitation of stroke patients,which brings great harm to the rehabilitation training of patients. In this paper,we used the template-based matching method to identify the spasm signal,and the spikes signal of the lower extremity spasticity signal was detected by the Pearson correlation coefficient. The results showed that the accuracy of template matching method in the identification of spasticity signal of the individual,showing the feasibility of the signal in the identification of universal spasms.

surface electromyography; muscle cramp of lower limbs signal; template matching method; Pearson’s correlation coefficient

TN911.7;TP274+.2

A

1007-7820(2017)11-038-04

2016- 12- 30

上海市科学技术委员会科研计划(14441905100)

姜亚斌(1992-)，男，硕士研究生。研究方向：肌电信号分析。

10.16180/j.cnki.issn1007-7820.2017.11.011