基于熵的表面肌电信号特征提取研究

论文摘要

表面肌电（surface electromyography, SEMG）信号为研究与收缩相关的肌肉电特性提供了安全便捷的无创性切入口,在临床医学、康复医学、运动医学、神经生理学和人机工效学等诸多领域都有着广泛的应用。SEMG信号的特征提取研究促进了这些应用。本文从基于熵的复杂性分析入手,对SEMG信号的特征提取问题和疲劳分析问题进行了深入的理论探索和实践研究。所做的主要工作及创新之处如下:针对SEMG信号数据短且信噪比低的特点,提出了模糊近似熵——FuzzyEn的概念。FuzzyEn突破了常用的非线性指标（如分形维数,Lyapunov指数,K-S熵等）应用于生理电信号时的局限性,而且,通过模糊集概念的引入,避免了近似熵（ApEn）和样本熵（SampEn）度量系统复杂性时所存在的一些问题。对模拟数据集的分析结果表明,FuzzyEn具有相对一致性强,对参数的依赖性小和抗噪性能强等优点,而且只需较短的实验数据即可获得较好的估计。对不同动作SEMG信号的特征提取的结果表明,通过FuzzyEn提取的特征能够更加有效地表征不同的动作。提出了一种研究时间序列演化模式的方法,及一个衡量信号规则性变化的指标——Dreg。通过一个沿时间轴平移的观察窗,观察时间进程中时间序列各演化模式相对概率的变化情况,捕捉其蕴含的时间信息。统计所有代表规则性变化的演化模式相对概率的总和,记为Dreg。Dreg越大,表明信号的规则性演化模式所占比重越大,反之则表示信号的规则性演化模式所占比重越小。通过研究静态持续收缩和动态重复收缩过程中肌电信号的演化模式相对概率和Dreg的变化,揭示了肌肉疲劳进程中肌电信号趋于规则性变化的规律。本文的工作证实了以往研究中关于疲劳肌电变化规律的猜测,从而为利用复杂度评价肌肉疲劳提供了有力的证据。提出了基于频带分解的相对带谱能量和带谱熵的概念,并将其应用于肌电疲劳特性的分析。通过对疲劳进程中带谱能量变化情况的研究,发现了在疲劳进程中肌电信号的不同频带会出现不同变化:对相对带谱能量（子频带带谱能量相对于信号总能量的比重）基本不随肌肉收缩时间而变的频带,称其为“不变频带”;频率低于“不变频带”的频带的相对带谱能量随时间而上升,而频率高于“不变频带”的频带的相对带谱能量则随时间而下降。鉴于肌电信号谱能量在不同频带处的不均匀分布,及其随肌肉状态的变化所产生的转移现象,本文提出了同时结合线性频谱分析和复杂性分析的带谱熵的概念,并将其应用于肌电信号疲劳特征的提取。带谱熵既可直接刻画疲劳进程中频率信息向低频转移的现象,同时也反映了多频率成分肌电信号的复杂度变化情况及其动力学特征。带谱熵可以直接应用FFT的结果,因而计算简单,易于实时实现。与已有的一些肌电指标相比,带谱熵在疲劳分析中具有更强的可靠性和一致性。最后,针对振动刺激对肌肉疲劳进程的影响进行了研究。通过比较振动力量训练和非振动力量训练方式下SEMG信号特征的变化规律,得出振动力量训练较非振动力量训练方式更不容易疲劳的结论,并探讨了其可能的内在生理机制,为振动刺激是否有助于恢复和提高肌肉力量这个争议性的话题提供了肯定性的结论和实践依据。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景
• 1.2 表面肌电信号特征提取的研究现状
• 1.2.1 线性分析
• 1.2.2 非线性分析
• 1.3 肌电信号用于疲劳评价
• 1.4 选题意义
• 1.5 论文的主要研究内容
• 第2章 肌肉电生理及肌肉疲劳
• 2.1 神经肌肉生理基础
• 2.1.1 肌肉的一般结构
• 2.1.2 肌肉的神经系统
• 2.1.3 肌肉的收缩运动
• 2.2 肌肉电信号的产生及检测
• 2.2.1 动作电位的产生
• 2.2.2 动作电位的传导
• 2.2.3 肌肉电信号的检测
• 2.3 表面肌电信号的特点
• 2.4 肌肉疲劳
• 2.4.1 疲劳的定义
• 2.4.2 疲劳的产生机制
• 2.4.3 疲劳的评价指标
• 2.5 本章小结
• 第3章 模糊近似熵及其在SEMG 信号特征提取中的应用
• 3.1 熵概念的发展及泛化
• 3.1.1 热力学的熵
• 3.1.2 统计物理学的熵
• 3.1.3 信息熵
• 3.1.4 K-S 熵
• 3.2 近似熵（ApEn）
• 3.3 样本熵（SampEn）
• 3.4 二值分类器和模糊集
• 3.5 模糊近似熵（FuzzyEn）
• 3.5.1 算法描述
• 3.5.2 参数选择
• 3.6 算法应用及其性能比较
• 3.6.1 对模拟信号的辨识
• 3.6.1.1 相对一致性和连续性
• 3.6.1.2 参数选择的自由性和对数据长度的依赖性
• 3.6.1.3 抗噪性
• 3.6.2 应用于动作SEMG 信号的特征提取
• 3.6.2.1 动作 SEMG 信号的采集
• 3.6.2.2 参数设定
• 3.6.2.3 不同动作的识别结果
• 3.7 讨论
• 3.8 本章小结
• 第4章 肌肉疲劳进程中SEMG 信号规则性变化的检测
• 4.1 时间序列的演化模式和规则度
• 4.2 正弦信号和i.i.d.随机数的规则性度量
• 4.3 肌肉疲劳进程中 SEMG 信号规则性变化的检测
• 4.3.1 静态收缩疲劳肌电
• 4.3.1.1 静态收缩疲劳肌电的采集
• 4.3.1.2 静态收缩疲劳肌电的规则性变化
• 4.3.2 动态收缩疲劳肌电
• 4.3.2.1 动态收缩疲劳肌电的采集
• 4.3.2.2 动态收缩疲劳肌电的规则性变化
• 4.4 讨论
• 4.5 本章小结
• 第5章 基于带谱能量和带谱熵的SEMG 信号疲劳特征分析
• 5.1 传统的 SEMG 疲劳指标
• 5.1.1 时域指标ARV 和RMS
• 5.1.2 频域指标MNF 和MDF
• 5.2 RQA 指标%DET
• 5.3 SEMG 的频谱特性
• 5.3.1 SEMG 信号的数学模型
• 5.3.2 影响SEMG 的因素
• 5.3.2.1 组织的过滤效应
• 5.3.2.2 肌纤维传导速度
• 5.3.2.3 电极的过滤作用
• 5.3.3 SEMG 信号功率谱的数学模型
• 5.4 带谱熵
• 5.5 统计分析——算法可靠性分析
• 5.6 实验结果及算法性能评估
• 5.7 讨论
• 5.7.1 几个疲劳指标间的相互联系
• 5.7.2 各指标用于疲劳分析时的优缺点
• 5.8 本章小结
• 第6章 振动刺激对肌肉疲劳进程的影响
• 6.1 振动刺激于机体的影响
• 6.2 振动刺激对骨骼肌的影响
• 6.3 振动训练的潜在益处
• 6.4 参数设定对振动训练效果的影响
• 6.5 振动和非振动力量训练对照实验
• 6.5.1 实验设计和数据采集
• 6.5.2 数据处理和分析
• 6.5.3 振动和非振动肌电变量的变化比较
• 6.6 讨论
• 6.7 本章小结
• 第7章 总结与展望
• 7.1 本文研究总结
• 7.2 课题研究展望
• 附录
• 参考文献
• 致谢
• 攻读博士期间发表和完成的学术论文