基于临床诊断肌电信号的自动分解算法及研究

论文摘要

针电极肌电信号是以针电极和肌电仪为检测手段,获取肌肉收缩时被激活的所有运动单元所发放的动作电位序列,以及检测仪器噪声和周围环境产生的噪声迭加后所产生的信号。它包括电极检测范围内的运动单元动作电位(MUAP)、远离电极的运动单元产生的动作电位,以及仪器产生的随机干扰和工频干扰等。肌电信号分解是对检测信号中的噪声进行抑制、提取有意义的MUAP、按照发放它们的运动单元的不同对其识别和分类的过程。肌电信号分解包括四个必要步骤,即:去除噪声和提取有用的MUAP、选择和提取MUAP波形的特征、对MUAP聚类,以及对已分类MUAP进行有监督分类。本文针对这些步骤,在对目前已有肌电信号分解方法进行分析的基础之上,基于对现有先进的模式分类和信号处理技术的改进方法,提出了一些自动的肌电信号分解系统改进方案。第一,在数据的预处理过程中,本文首先采用对数据归一化、再利用小波阈值估计技术抑制随机噪声、然后利用小波滤波技术滤除背景噪声、最后采用幅度滤波法提取MUAP波形的方法。不仅克服了以往方法中信号对阈值敏感所带来的阈值计算方法难以确定的不足,而且跟以往研究方法相比,滤波过程运行时间缩短、滤除噪声效果更好。其次,针对肌电信号中偶尔混入的工频干扰,采用基于独立成分分析方法和小波滤波技术相结合的方法,可以把工频成分有效滤除,并克服了以往方法中引入时移和总是需要输入一个可能与实际工频信号不完全吻合的参考输入信号的缺陷。第二,在对MUAP波形进行特征提取过程中,本文提出了基于原始数据和形态特征参数相结合的方法、小波系数和形态特征参数相结合的方法,以及基于线性判别分析和模糊集合的面向分类目的的最优小波包系数特征提取方法。跟现有基于原始信号数据特征方法、波形形态特征方法、小波系数特征方法相比,在保持了其良好的分解效果和运行速度的情况下,小波包系数特征方法明显具有占用内存小的特点。第三,在MUAP波形的分类过程中,本文在借鉴了传统多次运用单链聚类技术和最小分类器对MUAP波形进行聚类和有监督分类方法结果的可靠性和可检验性,采用了基于模式对所有类别隶属度的模糊C均值聚类技术,对波形聚类和有监督分类方法进行了优化。结果表明,比现有没有进行分类优化的肌电信号分类方法具有更好的分类效果,有效提高了识别正确率。第四,在对肌电信号分解结果的定量检验过程中,本文按照符合肌电信号的生理特点的大小原理和发放模式等规则的信号模拟方法来分配发放模式,与现有的随机分配各个MU的发放模式相比,使得模拟的信号更加符合肌电信号的生理特性。其次,采用先进的模式识别和信号处理技术,设计开发了一种新的手工分解肌电信号新方法,克服了传统的利用目测和手工测量的方法中客观性不好、准确度不高的缺点,得到更为理想的分解结果,并将此结果作为本文肌电信号自动分解结果的检验标准。虽然本论文基于肌电信号分解基本步骤,提出并实现了一系列改进措施,对模拟和真实肌电信号进行了分解,获得了较好的肌电信号分解结果,但是,通过分析本文分解结果发现,分解方法还存在不完善和不完整之处,需进一步改进和完善,对此在本论文最后一章的展望部分提出了一些初步想法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 课题研究意义
• 1.3 肌电信号分解研究现状
• 1.4 本文研究内容简介
• 第二章 信号预处理
• 2.1 小波信号去噪技术
• 2.2 独立成分分析（ICA）理论和算法
• 2.3 幅度单阈值滤波方法
• 2.4 基于小波变换和ICA 分解算法的信号去噪和MUAP 提取
• 2.5 信号去噪和MUAP 提取的执行结果
• 2.6 数据预处理结果与讨论
• 2.7 本章小结
• 第三章 MUAP 波形的特征提取与分类
• 3.1 MUAP 波形特征的选择与提取
• 3.2 用于肌电信号分解的MUAP 聚类算法
• 3.3 MUAP 有监督分类算法
• 3.4 基于模糊聚类技术的优化分类法
• 3.5 本章小结
• 第四章 模拟肌电信号、真实肌电信号的采集与手工分解
• 4.1 肌电信号模型的建立
• 4.2 实验数据的采集
• 4.3 真实肌电信号的手工分解
• 4.4 本章小结
• 第五章 肌电信号分解的结果与定量检验
• 5.1 结果检验方法介绍
• 5.2 模拟肌电信号的分解结果
• 5.3 真实肌电信号的分解结果
• 5.4 结论
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读博士学位期间发表及完成论文情况