肌电信号的神经生理基础与应用

肌电信号的神经生理基础与应
用
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。