论文部分内容阅读
表面肌电信号(surface Electromyography,sEMG)作为一种无创、安全和易采集的生物信号,是肌肉活动的电生理根源,被广泛用于运动生物力学相关领域的分析与研究。研究表明,为了适应不同的力学任务,骨骼肌内部存在不均匀的激活状态,单电极或若干对电极采集肌电的方式无法充分捕获肌肉激活的不均匀性,因而无法完成精确的肌肉激活分析和肌肉力估计等任务。高密度阵列等多通道表面肌电采集技术可捕获高时空分辨率信号,是肌肉力估计和运动分析等研究中的主流数据采集技术。尽管多通道表面肌电可采集到丰富的信息,同时也带来冗余和干扰信息,在实际应用时需对其进行较为深入的处理,以提取最合适的肌电特征。针对表面肌电-肌力估计的多通道肌电信息融合需求和爬行运动中肌肉协同提取存在的不稳定及不彻底等问题,本文对基于主成分分析(principalcomponent analysis,PCA)、独立成分分析(independentcomponentanalysis,ICA)、非负矩阵分解(nonnegative matrix factorization,NMF)、因子分析(factor analysis,FA)和典型相关分析(canonical correlation analysis,CCA)等盲源分离算法的多通道表面肌电特征提取问题展开了深入探索。论文主要研究内容和成果可归纳如下:(1)高密度阵列表面肌电-肌力估计中的特征提取研究。本文将力估计模型的输入特征(输入信号)提取分为三个步骤:信号预处理、数据融合和滤波器设计。在信号预处理方面,提出了以PCA为基础的阵列表面肌电去噪方案。利用信噪比或CCA辅助辨识噪声主成分,利用非噪声主成分重构得到去噪后的阵列表面肌电。在数据融合方面,在利用盲源分离算法分析不均匀激活信息的基础上,提出并实现了一系列基于盲源分离算法的阵列表面肌电融合框架,具体包括:基于ICA和权重组合聚类的ICA_Clustering框架,基于不均匀性最大化的PCA_Selecting框架,基于多主成分最优快速融合的PCA_FixedPoint框架,以及新颖的基于CCA的通用源信号融合框架(PCA-CCA、ICA-CCA、CCA-CCA和FA-CCA)。在滤波器设计方面,针对低通滤波器参数选择困难等问题,提出利用肌电调制模型进行滤波器参数寻优的思想,设计了一种基于峭度的高效滤波器参数优选算法。以静态等长线性增长-维持屈肘力任务为研究对象,本研究募集了 10位受试者,开展了目标力为20%MVC(最大自主收缩力)、40%MVC和60%MVC的数据采集。数据分析结果表明:本研究提出的噪声源辨识方法有效,通过主成分重构可显著提升低信噪比通道的信号质量(p<0.05);基于不均匀性的数据融合框架可较好的捕获肌肉激活信息,将融合后的信号经过所设计的峭度引导的低通滤波器后,可得到高质量的力模型输入信号(输入信号与实测力的皮尔逊相关系>0.95);最终,将输入信号输入多项式模型,实现了高精度的力估计(均方根误差(root mean square difference,RMSD)<10%)。(2)稳定高效的爬行运动肌肉协同特征提取研究。鉴于爬行运动中肌肉激活差异大,分析了采用传统NMF算法提取肌肉协同存在的不稳定性和协同分离不彻底性两大难题,探索了两种NMF改进思路。首先,为解决协同提取不稳定性问题,提出了一种基于PCA的NMF协同初始值设定方法。其次,针对协同分离不彻底问题,提出了基于能量分层和协同不相关约束的两种NMF协同提取方案。本研究对10位受试者开展了爬行运动和数据采集,数据分析结果表明:PCA指定协同初始值的方法显著提升了基于NMF算法的肌肉协同提取的稳定性,大多数情况下多次运行算法,协同可收敛到同一个解;HNMF中的高能层信号主要代表少数强激活肌肉的信息,无法表征爬行运动的特点,低能层信号代表大多数弱激活肌肉的信息,可充分表征爬行运动特点;HNMF的高低能层划分减少了协同提取受肌肉激活差异大的影响,协同分离度高;UNMF通过一个不相关约束,对NMF的迭代准则加入正则项,显著提升了协同分离度,得到较为稀疏的协同结构,具有潜在的神经控制意义。总之,本文系统研究了基于盲源分离算法的多通道表面肌电特征提取问题,其主要创新点如下:(1)考虑到肌肉激活不均匀性问题,提出了一系列基于盲源分离的框架并将其用于信号预处理和数据融合;(2)基于肌电调制模型提出了一种新颖的滤波器参数寻优方法,实现了阵列表面肌电-肌力估计中的高质量力模型输入特征提取;(3)考虑到爬行过程中肌肉间激活差异大带来的协同提取问题,试图从不同角度改进NMF算法,实现了对爬行运动的稳定高效肌肉协同提取。本论文研究成果可用于假肢控制、人机接口设计、康复训练、运动评估等领域。