基于熵的表面肌电信号特征提取研究

表面肌电(surface electromyography, SEMG)信号为研究与收缩相关的肌肉电特性提供了安全便捷的无创性切入口,在临床医学、康复医学、运动医学、神经生理学和人机工效学等诸多领域都有着广泛的应用。SEMG信号的特征提取研究促进了这些应用。本文从基于熵的复杂性分析入手,对SEMG信号的特征提取问题和疲劳分析问题进行了深入的理论探索和实践研究。所做的主要工作及创新之处如下: 针对SEMG信号数据短且信噪比低的特点,提出了模糊近似熵——FuzzyEn的概念。FuzzyEn突破了常用的非线性指标(如分形维数,Lyapunov指数,K-S熵等)应用于生理电信号时的局限性,而且,通过模糊集概念的引入,避免了近似熵(ApEn)和样本熵(SampEn)度量系统复杂性时所存在的一些问题。对模拟数据集的分析结果表明,FuzzyEn具有相对一致性强,对参数的依赖性小和抗噪性能强等优点,而且只需较短的实验数据即可获得较好的估计。对不同动作SEMG信号的特征提取的结果表明,通过FuzzyEn提取的特征能够更加有效地表征不同的动作。 提出了一种研究时间序列演化模式的方法,及一个衡量信号规则性变化的指标——Dreg。通过一个沿时间轴平移的观察窗,观察时间进程中时间序列各演化模式相对概率的变化情况,捕捉其蕴含的时间信息。统计所有代表规则性变化的演化模式相对概率的总和,记为Dreg。Dreg越大,表明信号的规则性演化模式所占比重越大,反之则表示信号的规则性演化模式所占比重越小。通过研究静态持续收缩和动态重复收缩过程中肌电信号的演化模式相对概率和Dreg的变化,揭示了肌肉疲劳进程中肌电信号趋于规则性变化的规律。本文的工作证实了以往研究中关于疲劳肌电变化规律的猜测,从而为利用复杂度评价肌肉疲劳提供了有力的证据。 提出了基于频带分解的相对带谱能量和带谱熵的概念,并将其应用于肌电疲劳特性的分析。通过对疲劳进程中带谱能量变化情况的研究,发现了在疲劳进程中肌电信号的不同频带会出现不同变化:对相对带谱能量(子频带带谱能量相对于信号总能量的比重)基本不随肌肉收缩时间而变的频带,称其为“不变频带”;频率低于“不变频带”的频带的相对带谱能量随时间而上升,而频率高于“不变频带”的频带的相对带谱能量则随时间而下降。鉴于肌电信号谱能量在不同频带处的不均匀分布,及其随肌肉状态的变化所产生的转移现象,本文提出了同时结合线性频谱分析和复杂性分析的带谱熵的概念,并将其应用于肌电信号疲劳特征的提取。带谱熵既可直接刻画疲劳进程中频率信息向低频转移的现象,同时也反映了多频率成分肌电信号的复杂度变化情况及其动力学特征。带谱熵可以直接应用FFT的结果,因而计算简单,易于实时实现。与已有的一些肌电指标相比,带谱熵在疲劳分析中具有更强的可靠性和一致性。 最后,针对振动刺激对肌肉疲劳进程的影响进行了研究。通过比较振动力量训练和非振动力量训练方式下SEMG信号特征的变化规律,得出振动力量训练较非振动力量训练方式更不容易疲劳的结论,并探讨了其可能的内在生理机制,为振动刺激是否有助于恢复和提高肌肉力量这个争议性的话题提供了肯定性的结论和实践依据。