基于神经网络和递归模板对准技术的表面肌电信号分解

为了提高表面肌电信号(surface electromyography,sEMG)分解的准确率,我们利用空间相邻两通道sEMG信号的信息,采用联合低频小波分解系数作为运动单位动作电位(motor unit action potential,MUAP)活动段的特征,并将自组织特征映射(self-organizing feature map,SOFM)与学习向量量化(learning vectorquantization,LVQ)网络结合起来,完成对MUAP波形的分类。同时为了实现对sEMG信号分解的完整性,采用一种基于递归的模板对准技术分解叠加波形。仿真信号和真实信号的实验表明,本方法具有较高的分解准确率,对于中低收缩力度下sEMG信号的分解十分有效。

利用运动单位发放信息建立多通道信息的表面肌电信号分解

目的基于多通道信息的表面肌电(surface electromyographic,sEMG)信号分解有助于弥补单通道分解时空间和发放信息不足的缺点。本文提出利用运动单位(motor unit,MU)的发放信息建立多通道sEMG信号中属于同一MU的模板映射关系,实现多导信号的信息互补,从而提高分解的准确率。方法对四导仿真信号先分别进行单通道分解,然后利用各通道之间的发放信息建立模板映射关系进行多通道分解。结果仿真实验结果显示单通道分解准确率平均为75%,多通道分解准确率为88%,表明利用MU发放信息建立模板映射关系进行sEMG信号分解能够提高分解有效性。结论将该方法应用于真实信号分解,也能有效得到MU的波形和发放信息。