小波包分析与人工神经网络相结合探索运动性肌肉疲劳过程中sEMG变化特征

目的:利用小波包分析与人工神经网络相结合的方法探索60s全力蹬踏自行车致股直肌疲劳过程中表面肌电信号(sEMG)的变化特征及其与输出功率之间的关系,探索利用sEMG定量评价运动性肌肉疲劳的方法;方法:先按等时间间隔将sEMG划分为不同的段,通过比较不同分解层数下各频段能量与输出功率之间的关系,以此确定最优的小波包分解层数,计算各频段的能量并进行归一化处理,在此基础上以归一化后的各频段能量作为输入,以运动过程中归一化后的输出功率作为输出,构造Elman人工神经网络进行建模,经过网络优化过程建立了最佳的人工神经网络模型;结果:随着运动时间的延长和疲劳程度的加深,股直肌sEMG信号经小波包分解后的低频段能量增加,高频段能量衰减,但能量的增加与衰减集中在比较大的频段范围内,人工神经网络预测结果显示出良好的精度;结论:60s全力蹬踏自行车过程中表面电极处肌肉组织低通滤波作用不断变化导致运动过程中能量的增加与衰减集中在比较大的频段范围内。在利用sEMG定量诊断肌肉疲劳方面,通过小波包分析结合人工神经网络的方法具有较高的可行性和准确性。

基于DSP的疲劳驾驶检测仪研制

通过设计一种高输入阻抗,低噪,抗干扰性强的前端表面肌电信号(SEMG)采集器将驾驶员的腰部肌肉疲劳信号采集到DSP处理器上。采用小波分析的方法确定肌肉疲劳过程中表面肌电信号的特征。选择与M波形状相似的gaus1小波函数,对其两个半波进行小波变换,分别分析两个半波在时域波形的拉伸程度,确定以小波变换尺度为主要依据的肌肉疲劳指数,实现疲劳状态在DSP处理器上的定量描述。从而实现疲劳驾驶检测。

肌肉疲劳过程中电诱发表面肌电信号的小波分析

分析由电刺激腓肠肌得到的表面肌电信号 (Surfaceelectromyography, SEMG),研究肌肉疲劳过程中表面肌电信号的特征,采用小波分析的方法,选择与M-波形状相似的小波函数,对其两个半波进行小波变换,分别分析两个半波在时域波形的拉伸程度,确定以小波变换尺度为主要依据的肌肉疲劳指数,实现疲劳状态的定量描述。该方法克服了傅里叶变换在时域中没有分辨率,信号在某一时刻变化将影响整个频谱特性的缺点,确定了特异性和可靠性良好的表征肌肉疲劳的SEMG指标,为进一步应用这些指标评价肌肉功能状态提供理论依据。