利用AR模型参数和BP神经网络辨识损伤神经的针电极肌电信号

在临床中,通过观察异常募集的肌电信号可以用来判断肌神经的损伤程度。异常募集的主要特征值包括MUP的幅度、时限、发放频率、单位时间的转折数等。本文作者提出了一种对前臂肌神经损伤肌肉的针电极肌电信号建立AR模型,提取AR系数并通过BP神经网络判别肌神经损伤的方法。通过实验证明,这种方法判别准确度高、速度快,在计算机辅助诊疗肌神经损伤中有着良好的应用前景。

利用神经网络估计针电极肌电信号的AR模型参数和功率谱

本文介绍利用隐层神经元为线性传递函数的三层人工神经网络对针电极肌电信号(NEMG)的 AR模型参数和功率谱进行估计的方法。实验结果显示 ,由神经网络法估计的 NEMG信号 AR模型参数和功率谱与自相关法基本一致 。

基于模糊识别理论的针电极肌电信号的辨识

针对针电极肌电信号的不确定性 ,提出了一种利用模糊识别理论辨识针电极肌电信号的方法 ,对前臂异常募集时的针电极肌电信号进行辨识 ,给出了模糊识别所需的特征量 ,隶属度函数和特征关系矩阵。与选取相同特征值和样本数量的贝叶斯分类器的对比实验表明 ,这种方法所需样本少 。

利用NEMG信号AR模型参数对局部肌疲劳的研究

探讨如何利用针电极肌电信号来评价人体的肌肉疲劳。采用参数化模型的方法提取针电极肌电信号的AR模型a1参数,并对反映肌肉疲劳时间过程的a1参数进行直线拟合。实验结果发现拟合的直线变化趋势能够较好地反映肌肉的疲劳过程。

表面肌电在膝关节运动创伤康复中的应用

表面肌电（surface electromyography,sEMG）是一种安全、易掌握、非侵入性记录肌电的量化方法。它不需要穿透皮肤记录单个运动单位的活动来获得有意义的相关肌肉的信息。sEMG信号检测相对于针电极肌电信号更易为患者所接受,

NEMG信号运动单位动作电位的分类研究

提出了一种对于构成针电极肌电信号(NEMG)的不同形状的运动单位动作电位(MUAP)进行分类的新方法.该方法采用小波变换(WT)的多尺度分析提取表征MUAP特性的时 频特征,再用无导师 有导师混合模式识别网络完成对输入样本的学习和分类.实验结果表明,这种方法对不同波形的MUAP具有较强大的分类能力,整个分类过程完全人工干预,且所需的时间不多,可以应用于临床实际,为神经肌肉疾病的诊断提供实时、有效的信息.

利用自组织竞争神经网络提取NEMG信号的MUAP模板

采用自组织竞争人工神经网络 ,完成对针电极肌电信号 (NEMG)的运动单位动作电位 (MU AP)的模式分类。MU AP波形的特征取自于其自回归 (AR)模型系数 a1 ～ ap 及激励白噪的功率 εp构成的特征向量。模拟NEMG信号和真实 NEMG信号的实验结果表明 ,这种分类方法具有很高的正确率 ,从而为 NEMG信号分解研究中提取 MU

表面肌电的基本原理及在康复医学中的应用

表面肌电（Surface electromyography，SEMG）是一种安全，容易掌握、非侵入性的记录肌电的办法，能使肌肉的能量客观量化。它能不需要穿透皮肤记录单个运动单位的活动来获得有意义的相关肌肉的信息。表面肌电信号检测相对于针电极肌电信号更易为患者所接受，有广泛的应用前景，但存在干扰人，以别困难，难以定位及定量、分析等问题。