测量分析表面肌电信号

时域分析特征值的选择
❖ 平均值的可分性不强 ❖ 绝对值积分类间距离很大，相应的标准差较小 ❖ 均方根值可在时间维度上反映肌电信号振幅的变化特征，它
直接与肌电信号的电功率有关取决于肌肉负荷性因素和肌肉 本身的生理、生化过程之间的联系 因此，RMS最为常用，可在时间维度上反映sEMG信号振幅的 变化特征。我们选择提取信号的RMS值。
❖ 目前一些常用的提取方法如下：
1. 时域分析 2. 频域分析 3. 参数模型 4. 小波分析 5. 高阶谱分析
什么是时域分析？
❖ 时域分析的目的是建立一个时间—频率的二 维函数，这个函数能用时间和频率描述信号 的能量分布密度
时域分析：
❖ 时域方法将肌电信号看做时间的函数，提取其统计 特征用于sEMG的动作识别，方法有平均值（AV）、 肌电积分值（iEMG）、均方根值（RMS）、绝对 值积分平均值（IAV）、过零点数（ZC）、方差 （VAR）、Willson幅值（WAMP）、标注差（STD） 等。
RMS
t T
EMG2 (t)dt
t
T
其中EMG（t）是连续信号 T是采样间隔
最后得到类似下图的信号示意图
进度安排
❖ 3.1~3.3 熟悉软硬件并采集数据 ❖ 4.1~4.20 阅读，学习时域分析相关过程 ❖ 4.21~5.10 对数据进行时域分析，提取均方
根等特征值 ❖ 5.10~5.30 完成论文
❖ 软件部分 MyoResearch Xp Master
采集过程
❖ 为保证电极与皮肤的良好接触，先用酒精 棉擦拭电极所在的手臂部位，去除皮表的死 皮、油脂。
❖ 将肱桡肌表面肌电信号作为研究对象
软件部分：MyoResearch Master处理过程
测量（Measure):
分析（Analyze）：
选择报告（Select Report）
选择通道（Select Channels）
定义周期（Define Periods）
选择对比（
Choose Comparison）
生成报告：
百度文库
将测量所得的数据以Txt文本导出
sEMG 的特征提取研究现状
❖ sEMG的定量辨识中需要对sEMG进行处理，提取 分离度大、鲁棒性好、运算复杂度低的模式特征 ，进而实现模式分类和定量辨识
后续工作
❖ 时域采样，在连续的信号上截取离散时刻上 的信号瞬间值。以等距离的单位脉冲序列乘 连续时间信号，各采样点的瞬间值就变成脉 冲序列的强度。
❖ 连续信号为EMG（t），从t=0开始采样，采 样得到的离散时间序号为EMG(n) EMG(n)=EMG(nT) T为采样间隔
RMS值的计算方法如下
sEMG的产生机理
❖ sENG是中枢神经系统支配肌肉活动时伴随的电位 变化。正常的肌电信号是在中枢神经的控制下，由 运动神经元产生电脉冲序列，并沿轴突传导到肌纤 维，从而在该神经元支配的所有纤维上引起动作电 位序列。
信号采集硬件与软件系统
❖ 硬件部分 表面肌电图仪（Myosystem 1400a） 医用表面电极
课题研究的目的
❖ 目的： 基于sEMG的采集和时域分析，通过时域分 析直观准确的体现出sEMG信号特征。
sEMG的作用意义以及动作辨识现状
❖ 作用： sEMG能在一定程度上反映神经肌肉的活动，在临床医学的 神经肌肉疾病诊断，康复医学领域的肌肉功能评价等方面都 有重要的使用价值。
❖ 现状： 国内有很多研究专注于sEMG进行模式识别，实现多自由度 假肢控制。但在单个运动模式中价值的运动状态如运动速度 、运动幅度、和手臂位置等却无法控制。