基于小波变换的肌肉疲劳表面肌电信号特征提取的研究*

宋方禹，刘烨辉，朱立华，朱峻岭，亓勤德，朱江

(1.山东济南市人民医院神经内科，莱芜 271100；2.湖南科技大学机电工程学院，长沙 410000)

1 引 言

人体运动离不开肌肉的支持，肌肉在进行一定时间的反复运动后会出现肌肉疲劳。肌肉疲劳的出现会影响人的活动状态，也有可能造成一定程度上的肌肉损伤。为了对治疗和缓解肌肉疲劳所带来的肌肉损伤和疾病，需要准确的检测出肌肉的疲劳状态。sEMG是人体在活动过程中所产生的弱电信号，可以有效的评价肌肉功能、状态。采用对sEMG进行特征提取的方式来评价肌肉的疲劳程度是医学界和生物界的常用手段。文献[1]根据手部肌肉疲劳后部分动作辨识度较低的问题，采用大脑与肌电信号的特征融合提取方法，对大脑信号的时域特征进行提取。引入AR模型对积分机电数值进行特征提取，结合小波变换方法研究手部肌电信号的频域特征，采用编码方法对频域和时域进行整理，输出脑信号特征信息。文献[2]为了对疲劳状态下脑信号特征进行提取，采用滑动均值法对不同自由度的序列号进行信息筛选，结合模糊熵理论对脑电信号时域和频域特征进行分析，达到对脑信号特征进行提取。该方法能够快速有效的识别脑信号的主要意图，但不能对非线性跳变信号进行特征提取，容易忽略脑电信息，造成大脑信号信息分析不全。文献[3]采用对肌电信号的疲劳特征进行降维提取，来完成肌肉运动信息的预测，通过对肌电信号信息描述的时域和频域功能特征进行泛化处理，结合主成分进行脑电信号特征分析。该方法能够较为准确的预测关节状态，但针对同样频域和时域信号的采集只能在平稳状态下进行，特征提取准确度差。

根据上述分析可知，当前肌肉疲劳的sEMG特征提取方法，均忽略了非线性跳错信号的影响，且不能在非平稳状态下进行特征提取，存在特征提取准确度差的问题。根据这些问题提出基于小波变换的肌肉疲劳表面肌电信号特征提取研究。

2 小波变换去噪

sEMG的信号状态非常微弱，最大值也仅在10 Mv以内，可用信号能量范围不超过10 ～15 Hz。sEMG信号构成相对较为复杂，信号内部平稳有效的储存着肌电信息[4]，在采用仪器在人体表层对肌电信号进行采集的过程中，容易受到脉搏信号、基线漂移、白噪声和工频噪声的干扰[5]。对于信号噪声滤除方面，常规方法有限幅方法和中值滤波方法，但这两种方法在肌电信号提取非平稳性的信号处理状态下效果非常差，而小波变换方法则能够在运动状态下肌电信号的处理方面，取得较好的效果。

为了使肌电信号能够达到滤除噪声的目的，根据噪声的基本模型,对信号频域采用小波变换对高频和低频信号进行分解，噪声模型如下：

s(n)=f(n)+σ·e(n)

(1)

式中，原始信号采用f(n)表示，被噪声信号干扰后的信号采用s(n)表示，白噪声信号采用e(n)表示，并且σ=1。小波变换的最终目的是将携带干扰噪声的信号s(n)逐渐分层，将高频噪声信号滤除，留下频率较低、状态微弱的肌电信号，流程见图1。

图1小波变换去噪流程

Fig1Wavelettransformdenoisingprocess

3 肌肉疲劳表面肌电信号特征提取

3.1 肌电信号的时域特征提取

在sEMG信号的时域特征刻画过程中，采用均方根和积分肌电图对sEMG信号的变化幅度进行描述[6]。当肌肉等长收缩达到峰值时，由于其细胞内氧源含量下降，造成运动神经元的激活速率同步减小，以及sEMG信号幅值的减小。这时人体会通过调节肌肉的收缩幅度，保障肌肉在得到力量及氧源输送补给前为非最大收缩幅度，待到肌肉细胞得到力量及氧源输送补给时，此时sEMG信号幅值将逐渐稳定且有升高趋势[6-7]。为了客观反映肌电信号的变化，采用计算RMS(均方根)以及IEMG(积分肌电图)方法，其计算公式为：

(2)

(3)

3.2 肌电信号的频域特征提取

疲劳sEMG信号的频域特征提取，需要采用傅里叶转化方法将sEMG信号的疲劳特征反映在频域上，再结合频谱或功率谱对sEMG信号的疲劳特征进行提取[8]。

伴随肌肉的疲劳状态下，静态负载环境中的MF(中值频率)和MPF(平均功率频率)会逐渐减小。其计算公式为：

(4)

(5)

式(4)和式(5)中sEMG信号的频谱采用PS(f)表示，其范围采用f1和f2表示。

通过傅里叶转换方法可以成功提取到sEMG信号的疲劳特征描述，通过傅里叶变换对MF、MPF的特征提取，具有线性信号提取的特点，需要采用带谱近似熵理论对非线性跳变sEMG信号进行归一化分析。

3.3 非线性跳变信号特征提取

根据傅里叶转换方法得到的MPF和MF更能够描述肌肉的疲劳变化。但傅里叶转换方法较为适合描述线性的sEMG信号，当sEMG信号产生非线性跳变时，该方法容易陷入局部解中，采用带谱近似熵理论对跳变得到的sEMG信号进行回归提取[9-10]。

将带谱近似熵用于sEMG信号的特征提取中需要按照以下步骤进行归一化：

(1)根据相应的频带宽度对所采集的sEMG信号分解为对应的子频带，并对其进行编号。

(2)结合傅里叶简单变换方法计算各个子频道的频谱能量，且构建信号序列Ei(i=1,2,...,n),对所有能量频谱求和：

(6)

(3)根据频谱的总能量将每个子频带进行归一化，从而得到各个频谱的能量分布：

Pi=Ei/E

(7)

(4)结合带谱近似熵理论，sEMG信号熵值BSE计算如下：

(8)

通过以上操作，可以将sEMG信号的频域疲劳特征分为线性特征提取和非线性特征提取，这样sEMG信号的频域疲劳特征提取的精度能够得到较好的保障。

3.4 肌电信号的时频疲劳特征提取

为了提高肌电信号疲劳特征的提取精度，采用EEDM(集合经验拟态分解函数，IMF)对sEMG信号在非平稳状态下的时域和频域疲劳特征进行结合描述[11]。在拟态分解函数中采用平均瞬时频率特征提取方法，对sEMG信号进行非平稳状态下的疲劳信号特征提取[12]。采用逆向分析方式，假设集合拟态分解后得出N个IMF，且所有单个IMF都具有n个点，则：

(9)

(10)

式中：IMF所计算的第j个MIF(平均瞬时频率)采用mif(j)表示，IMF所计算的第j个MIF上的第i个点与其对应的幅度值采用γj(i)表示，IMF所计算的第j个MIF上的第i个点的瞬时频率采用δj(i)表示。

4 实验结果及分析

本次实验对人体右臂肱二头肌进行sEMG信号疲劳特征提取。采用ADS1246低噪声同步采样模数转换器，利用AgC2电极贴片对人体表皮的sEMG信号进行无创提取。实验选取我国某大学20名21岁健康大学生，且在实验前24 h内无剧烈运动，保证其肱二头肌为非疲劳的健康状态下，采集1 000个sEMG信号样本进行特征提取。

根据采集的sEMG信号结合带谱近似熵理论对跳变信号进行线性回归操作，即研究其中10个受试者的肱二头肌在非疲劳状态和疲劳状态，其发力动作和放松动作的周期带谱近似熵的拟合度结果分析，见图2。

由图2可知，在非疲劳状态下，受试者的肱二头肌发力中肌电信号所带的带谱近似熵无明显的曲线波动，其拟合度曲线斜率为0.0041806。 在疲劳状态下，肱二头肌发力中肌电信号所带的带谱近似熵开始出现下滑，拟合度曲线为负数，验证了带谱近似熵对非线性跳变肌电信号的特征采集有效性，回归后的线性拟合线为断定肱二头肌疲劳特征的依据，验证了本研究所提方法为可行方法。

为了验证所提方法对肌肉疲劳表面肌电信号特征提取性能的研究，采用所提方法与文献方法对比形式，将1 000个样本分成5组，对其非线性跳错信号和非平稳状态下sEMG信号特征进行提取和准确度性能对比实验。

图2 肱二头肌带谱近似熵拟合度

实际跳错信号数量文献[1]方法提取数量文献[2]方法提取数量本研究方法提取数量2012100100001101

由表1可以看出，将1 000个样本分成5组后，共发现4个跳错信号，文献[1]方法对1个跳错信号进行了特征提取，准确度为25%，文献[2]方法对1个跳错信号进行了特征提取，准确度为25%，本研究方法对4个跳错信号进行了特征提取,准确度为100%。本研究方法相较于文献[1]和文献[2]方法准确度高出75%。

在非平稳状态下，采用以上两种文献方法和本研究方法对其中200个信号样本进行特征提取，结果见表2。

由表2可知，在非平稳状态下，文献[1]方法对200个sEMG信号特征进行提取，共提取出106个，其准确率为53%， 文献[2]方法对200个sEMG信号特征进行提取，共提取出154个，准确率为77%，本研究方法对200个sEMG信号特征进行提取，共提取出196个，其准确率为98%。在非平稳状态下，文献方法信号提取准确率平均为65%，本研究方法较文献方法高33%。

表2 非平稳状态sEMG信号特征提取Table 2 Non-stationary state sEMG signal feature extraction

5 结论

提出基于小波变换的肌肉疲劳表面肌电信号特征提取研究，并进行了实验验证。结果表明了本研究方法的可行性，此方法准确度优于当前文献方法，并且对肌肉疲劳表面肌电信号特征进行了较为全面的提取，为医学界和生物界对肌肉疲劳的研究提供了研究数据。