肌电信号的神经生理基础与应用

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

肌电信号的神经生理基础与应

主讲人:戴晨赟
副研究员
智慧医疗电子中心(CIME),电子工程系
信息科学与工程学院,复旦大学
1
目录
•肌电信号的神经生理基础与工程模型
•肌电信号的采集原理与技术
•肌电信号的特征提取
•肌电信号常用的处理及分析方法与应用实例2
肌电信号的神经生理基础与工程模型
•肌肉收缩的神经控制机理
•肌电信号的产生过程
•肌电信号的工程模型
3
肌肉收缩的神经控制机理
l运动控制过程:
图:肌肉收缩的神经控制机理
1.大脑发出控制指令
2.激活脊柱(spinal cord)里的阿尔法运
动神经元(alpha motoneuron)
3.阿尔法运动神经元激活其所支配的肌
肉纤维
4.肌肉纤维收缩
5.产生运动或力矩
l两种收缩模式:
1.等张收缩(isotonic contraction):张力恒定、长度变化产生运动
2.等长收缩(isometric contraction):长度恒定、张力变化的产生力矩
4
肌电信号的产生过程
l基本控制单位:运动单位(motor unit)
1.阿尔法运动神经元(alpha motoneuron)
2.支配的肌纤维(muscle fibres)
l肌电信号的产生过程
1.运动神经元电化学放电
2.激活肌纤维
3.肌纤维去极化(depolarize)
4.肌纤收缩
5.产生电信号
6.电信号沿着肌纤维传输图:运动单位生理结构
图:肌电信号的产生与传导肌电信号(Electromyography, EMG)
l运动单位募集(motor unit recruitment) 1.需要大量运动单位同时放电引起肌纤维收缩
Ø根据肌肉不同及力的大小不同通常需要数十到数百个运动单位
2. 持续发力时需要同一运动单位不断放电收缩
Ø放电频率通常为5-35 Hz
Ø放电频率与力的关系成近似正比例关系
3.小的运动单位先被募集,提供较小的力;大的运动单位
后被募集,提供较大的力
4.不同运动单位在肌肉放电位置不同
l肌电信号:成百上千个运动单位电势在时间与空间上的叠加
图:神经元放电与力的关系图:被激活程度与放电频率的关系
肌电信号的工程模型l工程模型
Ø肌电信号:成百上千个运动单位电势在时间与空间上的叠加
控制脉冲运动单位系统冲击响应序列
噪音
肌电
l数学模型
Ø宏观上肌电信号是高斯过程
7
肌电信号采集原理l侵入式电极
l传统表面电极
l阵列式高密度电极
8
侵入式电极
l侵入式电极
图:单通道针电极图:四通道针电极
1.采集的信号肌肉范围很小
2.通常只能观测到10个左右运动单位
3.非常接近运动单位放电区
4.能显著观测到运动单位电势波形
5.临床肌电图,广泛应用在临床诊断中
9
侵入式电极
l侵入式肌电信号图例
10
传统表面电极
l传统表面电极
图:单通道表面电极(monopolar)图:差分电极(bipolar)
1.采集的信号肌肉范围较大,可采集一小块肌肉肌电的总和
2.在体表采集,非侵入,采集方便
3.很难观测到运动单位电势波形
4.通常只能观测到大量运动单位的叠加活动,这些运动单位通常分布
在体表
5.应用最广泛,目前几乎所有肌电相关应用都使用传统表面电极
11
传统表面电极
l传统表面肌电信号图例
12
高密度肌电电极
l高密度肌电电极
图:8*20高密度肌电阵列电极
1.采集的信号肌肉范围很大
2.在体表采集,非侵入,采集方便
3.可观测到肌肉空间放电信息
4.能通过如盲源分离等信号处理的方法提取单个运动单位放电的信息
5.肌电领域未来发展的新方向
13
高密度肌电电极
l高密度肌电信号图例
14
肌电信号的特征提取
l宏观特征(传统或高密度表面肌电)
l微观特征(侵入式肌电或高密度表面肌电)
l空间特征(高密度表面肌电)
15
宏观特征
l宏观肌电特征
Ø包括信号的均方根值(RMS),平均绝对值(MAV),积分(IEMG),平均绝对值斜率(MAVS),波长(WL),方差(VAR),过零点(ZC),坡度符号变化
(SSC),频谱中位数(FMD),频谱中值(FMN)等等
图:宏观肌电图例图:肌电信号概率密度函数图:信号频谱16
宏观特征
l数学模型(类似于调制过程)
Ø即肌电幅值(EMG Amplitude)在零均值、单位方差的稳态(WSS)高斯/拉
普拉斯过程上调制
Ø宏观肌电最重要的特征即为肌电幅值,它直接反应了大脑对肌肉的控制
图:肌电信号数学模型
17
肌电幅值特征的最优数学估计
l假定为高斯分布
Ø概率密度函数的数学表达
Ø对此概率密度函数s 求最大似然估计,得到s 的最优估计
即为肌电信号的均方根值(root mean square value)
RMS特征
18
肌电幅值特征的最优数学估计
l假定为拉普拉斯分布
Ø概率密度函数的数学表达
Ø对此概率密度函数s 求最大似然估计,得到s 的最优估计
即为肌电信号的平均绝对值(mean absolute value)
MAV特征
RMS值以及MAV值为最佳以及最常用的肌电信号特征
19
实例举例
l若EMG信号较长,通常取窗分割为数个小段(segment)
Ø窗口长度:越长越平滑,但缺失瞬时信息,一般根据具体应用取10ms-
400ms,步长为5-50ms
15-s肌电信号
10ms窗口, 5ms步长RMS
400ms窗口, 50ms步长RMS
10ms窗口, 5ms步长MAV
400ms窗口, 50ms步长MAV
20
其他常用宏观特征1
l 宏观肌电特征
Ø积分(integrated EMG)类似于平均绝对值,只是不取平均,表征每个小窗内的肌电信号面积
Ø波长(wave length)
肌电信号的一阶差分,表征每个肌电信号样本之间的变化率
IEMG %='()*
+
|x (|
WL %='()*
+0*
|x (1*−x (|
21
其他常用宏观特征2
l 宏观肌电特征
Ø平均绝对值斜率
(mean absolute value slope)平均绝对值的一阶差分,表征平均绝对值的变化率
Ø方差(variance)
肌电信号的方差,表征信号幅值的变化程度
MAVS %=MAV %1*−MAV %
VAR %=1
N '()*
+
(x (−x);
22
其他常用宏观特征3
l 宏观肌电特征
Ø过零点(zero crossing)
表征肌电信号过零点的频率
Ø坡度符号变化(slope sign change)
表征肌电信号峰值出现的频率
x (>0and x
(1*<0
or x (<0and x
(1*>0
and |x (−x (1*|≥ε
x (>x (0*and x (>x (1*or x (<x (0*and x (<x
(1*
and |x (−x (1*|≥εor |x (−x (0*|≥ε
23
其他常用宏观特征4
l 宏观肌电特征
Ø频谱中位数(frequency median)
表征肌电频谱能量的中位数Ø频谱中值(frequency mean)
表征肌电频谱能量的频率中值
F EF =1
2'()*E
PSD (
F E+=∑()*E f (PSD (
∑()*E PSD (
24
微观特征
l主要为运动单位的特征
Ø包括运动单位电势波形、放电频率等
Ø需要利用聚类或盲源分离等手段分解出单个运动单位的放电信号
25
微观特征
l运动单位电势波形
Ø得到每个运动单位放电时刻
Ø取窗得到电势波形(侵入式肌电约取3ms,表面肌电约取30ms)
Ø将所有窗内的波形平均
26
微观特征
l放电频率
27
高密度肌电特征
l高密度肌电特征
Ø包括所有传统宏观特征及微观特征,以及空间特征、运动单位传导速度、神经支配区等
28
常用高密度肌电特征1
l 空间特征
Ø能量中心点位置
C MN =∑()*O ∑P)*Q
(RMS (P R i)
∑()*O ∑P)*Q
(RMS (P )
C TF =∑()*O ∑P)*Q
(RMS (P R j)
∑()*O ∑P)*Q
(RMS (P )
29
常用高密度肌电特征2
l 运动单位神经支配区(innervation zone)
Ø行间差分
Ø求相邻波形相关系数
Ø相关系数的最小值即为神经支配区R k,τ=1/N ∑()*+(x %,(−x %)(x %1*,(1Z −x %1*)
1/N ∑()*+(x %,(−x %);∑()*+(x %1*,(−x %1*);
30
常用高密度肌电特征3 l电势传导速度
Ø空间长度除以波形延时
31
三种肌电信号的优缺点比较l宏观特征
Ø优点:提取方法简便,普适性高,应用最广泛
Ø缺点:受信号串扰(crosstalk)、肌电幅值抵消
(amplitude cancellation)、电极摆放位置影响
l微观特征
Ø优点:解决了信号串扰(crosstalk)、肌电幅值抵消
(amplitude cancellation)、电极摆放位置的影响
Ø缺点:采集不便,计算复杂,目前尚无法应用于需要实
时分析的系统中
l空间特征
Ø优点:分辨率高、信息多
Ø缺点:采集不便,计算复杂,冗余信息多
32
肌电信号的处理及分析方法与应用实例
l常用滤波器
l主成分分析(principle component analysis)
l独立成分分析(independent component analysis)
l最小二乘法(least-squares)
l人机系统控制
Ø模式识别(pattern recognition control)
Ø比例控制(proportional control)
Ø神经驱动控制(neural drive control)
33
常用滤波器
l带通滤波器
Ø通常为10-900Hz (采样频率>1800Hz)或10-500Hz (采样频率
>1000Hz)
Ø去除高频环境噪音及低频运动伪迹
Ø若运动伪迹严重可适当提高低频的截止频率
滤波后
l陷波滤波器
Ø通常为50或60Hz电源噪音
34
主成分分析(PCA)
l最简单2维数据的启发
–找到一个新的正交基,使得其在某一方向差异最大,而另一
方向正交
35
主成分分析
l方法步骤(不做详细数学推导)
Ø对数据进行奇异值分解(singular value decomposition)
Ø得到特征值以及每个特征值对应的特征向量
Ø保留较大的特征值的维度,去除较小的特征值对应的维度,例如一般将大于最大特征值1/10可保留,去除小于最大特征值1/10的所有维度
Ø将数据向新的低维度特征向量映射
Ø降低数据维度
36
主成分分析应用实例
l15通道1秒肌电信号
Ø保留最大的5个特征值,并映射至新特征向量
37
主成分分析应用实例
l使用PCA降维后的五个信道结合特征向量重构原始15个信
道的肌电信号
38
主成分分析应用实例
l肌电信号数据维度过高
Ø例如采样频率为2KHz,20秒,160通道的高密度肌电有
2000*20*160个数据点,若对每个通道提取10个特征,即得到
2000*20*160*10的特征数据
Ø大量的冗余信息
Ø通常将大于最大特征值1/10的维度保留后,后续数据处理结果与
不降维处理无明显区别
39
独立成分分析(ICA)
l独立成分分析ICA
Ø假设观察到的随机信号x服从模型x=As,其中s为未知源信号,其分量相互独立,A为未知混合矩阵。

ICA的目的是通过且仅通过观察x来估计混合矩阵A以及源信
号s
Ø经典的鸡尾酒宴会问题
假设在鸡尾酒宴中有n个人,他们
可以同时说话,我们也在房间中一些
角落里共放置了m个麦克风用来记录
声音。

宴会过后,我们从m个麦克风中
得到了一组数据x1,x2,…xm,也就是说
共得到了m组采样数据。

我们的目标是
单单从这m组采样数据中分辨出每个人
说话的信号
40
独立成分分析(ICA)
l方法步骤(不做详细数学推导)
1.信号拓展(signal extension)
2.白化(whitening)
3.基于ICA的信号分解(ICA)
4.聚类(cluster)
5.基于神经信号特征后处理(post-processing)控制脉冲运动单位系统冲击响应序列
噪音
肌电
41
独立成分分析应用实例l运动伪迹去除
Ø运动伪迹会被当做一个不同于运动单位放电的独立成分
Ø可完全去除运动伪迹
去除后
42
独立成分分析应用实例
l 运动单位分解
Ø可分解获得靠近体表的运动单位放电信息
43
智能人机系统控制应用
CPU 数据线发出指令算法
解码器
控制
算法
反馈解码器电子机械设备l 智能人机系统
Ø将电子或机械设备与人体神经系统相连,由人体信号直接(intuitive)控制,并将获取的信息反馈回大脑
44
智能人机系统控制应用
l人工智能的分支:人与机器相结合
l新型交叉学科:电子电气、机械、生物医学、计算机等
l应用前景广泛:
l肌电控制的优势:信号易于采集、质量高,直接反应运动状态;绝
大部分商用人机系统使用肌电信号
脑卒中等患者康
截肢者恢复运动能力增强运动能力
复或辅助运动
45
智能人机系统控制应用
l经典控制方法1:模式识别(pattern recognition control)
Ø原理:根据在不同运动时,不同电极采集到的信号不同,对不同运动加以区分,归类至预设的动作,机器自动完成预设运动
Ø提取生物特征信号:所有宏观特征
Ø模式识别算法:线性判别分析linear discriminant analysis (LDA)、支持向量机support vector machine (SVM)、随机森林random forest (RF) 、神经网络
neural network (NN)
46
智能人机系统控制应用
l经典控制方法1:模式识别(pattern recognition control)
Ø不同分类器20手势分类的效果
Ø优点:简便,精确度很高
Ø缺点:只能完成预设动作,无法连续控制
47
智能人机系统控制应用
l经典控制方法2:比例控制(proportional control)
Ø原理:找出力矩/运动对应的肌肉,利用信号特征与力矩/运动的强正相关性,用信号特征的幅值对运动成比例控制
Ø提取生物特征信号:所有宏观特征
Ø信号幅值与运动模型:线性,非线性,神经网络等训练模型
l最小二乘法拟合(least-squares)
Ø基于肌电信号特征的幅值与力矩/运动的幅值成强正相关性
Ø假设观察到的力矩/运动轨迹服从模型T=bX+e,其中b为未知的拟合系数,X 为肌电特征矩阵,e为未知噪音
Ø则系统的误差为e=T−bX
Ø求得最佳拟合系数b,使得其与观测的误差最小,即min y−bX2
Ø可对其微分求极值得最佳拟合系数为b=(X T X)01X T y
48
智能人机系统控制应用
l 线性拟合可很好地预测力矩/运动的轨迹
l 使用更复杂的模型可获得更好的轨迹预测效果,但训练时间更长l 使用更多特征可获得更好的轨迹预测效果
l 混合使用复杂的模型及更多特征,对力矩/运动的轨迹预测提升越来越小
49
智能人机系统控制应用
l 经典控制方法缺陷Ø肌电幅值抵消
Ø肌肉运动导致电极偏移Ø运动伪迹
Ø环境噪音变化
Ø受肌群串扰影响严重,导致多自由度控制精度很低l 解决缺点的新方法(Dario Farina et al., 2017, Nature BME):Ø利用ICA分解得到运动单位放电信息
Ø利用运动单位的放电频率作为控制输入
Ø以系统输入信号取代输出信号作为控制输入
脉冲序列肌单元系统冲击响应序列噪音表皮肌电信号50
智能人机系统控制应用l新方法整体流程
51
智能人机系统控制应用l新方法控制效果
52
智能人机系统控制应用
l最大挑战:实时控制效果
Ø信号分解及控制的运算时间是否可以满足假肢实时控制要求
Ø需要一小段信号获取信号分离矩阵
Ø迭代盲源分离方法
Ø更新分离矩阵
Ø尚未成功测试于真实假肢与截肢患者
53
非常感谢!
若需要ppt内各EMG常用方法的相关论文介绍及matlab代码请发邮件至chenyundai@
54
课后习题
l使用matlab实现肌电信号特征提取以及力矩轨迹拟合
Ø提供一组高密度肌电数据以及对应的真实力矩轨迹
Ø对每个通道提取常用的肌电信号特征
Ø利用PCA对159通道的特征数据降维
Ø使用最小二乘法将降维后的特征与所提供的真实力矩轨迹拟合
Ø得出拟合结果与真实结果的均方根误差值(RMSE)
Ø注:数据的肌电采样频率为2048Hz、159通道,力矩采样频率为1000Hz,两者数据时间轴对应,均为26秒
55。

相关文档
最新文档