基于EEMD的表面肌电信号的分解
摘要：本文先介绍了表面肌电信号的产生原理，表面肌电信号的研究意义；然后
详尽的阐述了用于表面肌电信号(sEMG)分解的集合经验模板分解(EEMD)，经过集合经验模板分解（EEMD）的处理分解后，运动单元动作单位(MUAP)的形态，发放时间间隔等变的容易辨认，为MUAP的提取提供了必要的条件。最后我们通过编写Matlab程序实现这些方法并通过表面肌电信号的原始数据进行处理验证。 关键字：集合经验模板(EEMD)；表面肌电信号(sEMG)；小波分解；MUAP；
0 引言
肌电信号( EMG) 是产生肌肉力的电信号根源, 它是肌肉中许多运动单元动作电位在时间和空间上的叠加, 反映了神经、肌肉的功能状态, 在基础医学研究、临床诊断和康复工程中有广泛的应用。而且表面肌电信号在假肢控制，机械手设计，运动型功能疾病的诊断与康复方面具有相当重要的意义。然而由于表面肌电信号幅度弱，易受噪声和其它信号干扰，如心电信号，其信号滤波和分解困难，计算量大限制了其一定的发展，尤其是在信号分解方面没有相当成熟的算法。本文使用EEMD算法来实现表面肌电信号的分解，得到运动单位动作电位（MUAP）成分。
1 表面肌电信号（sEMG） 1.1表面肌电信号的产生
人体骨骼肌的活动是由中枢神经系统内部分运动神经元复杂的脉冲引起的。
弛伴随肌肉活动产生的电活动即
肌电Electromyographic(EMG)。本文研究的对象-动作表面肌电信号Surface Electromyographic(SEMG)则是在人体前臂发生动作时从骨骼肌表面通过电极记录下来的神经肌肉活动发放的生物电信号。肌电信号是一种复杂的生物医学信号具有很强的非平稳性和非线性。
1.2表面肌电信号产生的原理
表面肌电是当肌肉兴奋收缩时所有激活的肌纤维动作电位在皮肤表面电极处综合叠加的结果。骨骼肌在发挥功能时肌纤维就收缩肌肉的收缩在肌纤维内部有一系列的生物化学变化同时也有动作电位的变化。如果用一种实时的肌电电极将这种动作电位变化显示出来就形成一种波形图称为肌电图Electromyography(EMG)。从信号分析的角度讲也可称为肌电信号。它是肌肉中
肌纤维产生的动作电位即为肌电信号。其产生机理如下:当神经系统命令肌肉收缩时运动神经元的细胞体将产生冲动该冲动通过细胞体的轴突传递到肌纤维处然后与肌纤维融合使神经与肌肉的接点释放化学物质乙烯胆碱引起肌膜的去极
化从而产生肌纤维的动作电位而与每个神经元联系着的肌纤维不止一条这些部分合在一起就构成了运动单元。动作电位沿着肌纤维分别向各个方向传播引起了肌纤维内的一系列变化导致构成肌纤维的肌凝蛋白和肌球蛋白相互重叠从而产生了肌纤维的收缩这些肌纤维分别属于不同的运动单元单个运动单元内肌纤维几乎是同步兴奋的而各个不同的运动单元之间的兴奋是相互独立的。因此SEMG又可被看成是所有产生的运动单元动作电位串Motor Unit Action Motion Trains(MUAPT)的综合叠加。MUAPT就是一系列运动单元动作电位它是SEMG的基础。当脊髓中枢发出收缩指令时会有一系列兴奋信号即神经脉冲序列沿着运动神经元轴突传导至神经肌肉接头处这样就诱导出一个运动单元动作电位序列。不同的收缩力对应的产生运动单位数目不同所有被募集的运动单位的MUAPT叠加后
缩同时传播中的电信号在人体软组织中引起电流场并在检测电极间表现出电位差当检测点位于皮肤表面处检测电极是表面电极时此时检测的信号即为表面肌电信号
图1，表面肌电信号产生的生理结构
1.3肌电信号的特点
尽管肌电信号在不同肌肉有所不同不同人的肌电信号也有很大的个体差异多方面因素对肌电信号参数都会发生影响但仍有一定的规律性。肌电信号一般有以下典型特征:
1)肌电信号是一种交流电压它在幅值上与肌肉产生的力大致成比例。肌肉松弛和紧张度与产生的表面肌电电压幅度之间存在着良好的线性关系;
2)肌电信号是一种微弱的电信号。肌电信号的幅度范围一般在0~5mv肌肉收缩
时为60-300uV;松弛时约为20-30uV而且一般不会超过噪音水平。对于健康人肌电幅度的峰峰值可达1-3mV。对于残肢者其肌电幅值一般小于350uV有的甚至不足1uV约比正常人减小数倍至几十倍;
3)采用表面电极时肌电信号能量主要集中在1000Hz以下频谱分布在20-500Hz主要集中在500Hz以下300Hz以上显著减弱。其中绝大部分频谱集中在50-150Hz之间。功率谱最大频率随肌肉而定通常在30-300Hz
4)频域参数比时域参数更能反映肌电特征。因为当力大小稍有变化时其时域波形变化较大而频域特征变化不是很大;
5)同一块肌肉在作不同动作时其幅值谱频率特性曲线形状仍然相似从而说明不同肌肉的肌电发放存在着一定的规律性。
2．集合经验模态算法（EEMD）
经验模态分解( Empirical Mode Decomposition, 简称EMD )是一种新的信号分析方法, 对线性、非线性、平稳、非平稳信号都能进行有效的分析, 因而得到了较为广泛的研究和应用但是, 经验模态分解算法基于固有模态函数( Intrinsic Mode Function, 简称IMF)进行信号分解, 这种固有模态是??验??, 而且IMF分量的迭代求取是依靠极值包络线的平均值来近似局部平均值,因而IMF分量之间的正交性无法得到完全保证。
2.1 经验模态分解算法简介
经验模态分解算法首先通过提取信号在每一个时间局部的振荡模式, 将信号分解为有限个固有模态函数之和。其基本步骤为
1）信号X 提取所有极值点, 对所有的局部极大(小) 值用插值函数形成数据的上(下) 包络线, 用emax ( emin ) 表示； 2) 计算上下包络线的平均值m
m = ( emax + emin ) /2。
3) 将原数据X 减去m，得
h = X - m 。
4) 将h作为信号, 重复以上1) ~ 3) 过程, 直到h满足固有模态函数的两个条件, 此时的h为X的一个有效的IMF；
5) 由X 中减去得到的IMF, 再按照上面的步骤进行下一个IMF的迭代求取, 最终
将信号分解为一组IMF和一个残余信号。模函数和残量信号可以进行谱分析，但是这个谱分析不能从狭隘的角度来看。首先,需要强调一下，即使是谐振荡，应用上述方法产生的高频和低频也只是局部的，没办法产生一个预设的频带过滤（例如小波变换）进行辨识。选择的模函数对应了一个自适应（依赖于信号自身的）的时变滤波器。一个这方面的例子：一个信号由3个部分组成（这3个部分是时间频率上都明显叠加的信号），用上述方法成功的分解了。
2.2性能分析
自从EMD本质上定义为一种算法，但是并没有作为一种分析方法所承认，它的性能估计是困难的，并且需要大量的模拟实验。我们将从两方面报告他的原理，一方面是从先前将 应用到实数信号所表现出的非凡性，另一方面是从对分解的理解。EMD依据信号本身的时间尺度特征分解信号, 与傅立叶及小波等依据先验函数基的分解方法相比, 是自适应的、高效的。
3. 独立分量分析
3.1 ICA基本理论
独立分量分析Independent Component Analysis简称ICA的含义是把信号分解成若干个互相独立的成分它是为了解决盲源信号分离的问题而发展起来的。如果信号本来就是由若干独立信源混合而成的ICA就能恰好把这些信源分解开来。故在一般的文献中通常把ICA等同于BSS。ICA不同于主分量分析把目光投
研究信号间的独立关系。
3.2 ICA算法定义
独立分量分析的模型如下图所示它是从线性混合信号里恢复出一些基本的
源信号的方法。 假定第i个观测信号x 是由n个相互独立的未知信号s线性混
Xi=ai1s1+ai2s2+…+ainsn
假定每个观测变量xi和未知源变量都是随机变量矢量表示观测变量
i=1,2…m 3.2.1
医学信号处理
