一种表面肌电信号伪迹去除方法

本发明属于人体生物信号处理领域，具体的说是一种表面肌电信号伪迹去除方法。

背景技术：

1、表面肌电信号(semg)作为反映肌肉活动状态的重要生物电信号，在康复医学、运动训练、人机交互等领域具有广泛的应用价值。然而，在实际应用中，semg信号常常受到各种伪迹的干扰，如电极移动、电磁噪声、肌肉疲劳、心电伪迹等，这些伪迹严重影响了semg信号的质量，进而制约了其在相关领域的应用效果。

2、为了有效去除semg信号中的伪迹，研究者们提出了多种信号处理方法。其中，小波变换以其良好的时频局部化特性在信号处理领域得到了广泛应用。通过选择合适的小波基和分解层数，小波变换可以有效地分离出信号中的不同成分，从而实现伪迹的去除。然而，传统的小波变换方法在处理semg信号时，往往存在参数选择困难、计算量大等问题，这在一定程度上限制了其在实际应用中的效果。

3、另一方面，独立成分分析(ica)作为一种有效的盲源分离技术，能够从混合信号中提取出统计上独立的成分。在semg信号处理中，ica可以有效地分离出与肌肉活动相关的独立成分，从而实现伪迹的去除。然而，传统的ica算法在处理高维数据时，存在计算复杂度高、收敛速度慢等问题，难以满足实时处理的需求。

4、如此，如何提供一种表面肌电信号伪迹去除方法，以提高表面肌电信号伪迹去除的效果和效率，是当前亟需要解决的问题。

技术实现思路

1、为了弥补现有技术的不足，解决背景技术中所提出的至少一个技术问题。

2、本发明解决其技术问题所采用的技术方案是：

3、一种表面肌电信号伪迹去除方法，所述伪迹去除方法包括：

4、采集人体上肢肌肉原始表面肌电信号：其通过肌电信号传感器采集人体上肢肌肉原始表面肌电信号，记为semg(t)＝{semg1，semg2，...，semgl}，其中5000≤l≤10000；通过心电信号传感器采集人体心脏部位的心电信号，记为ecg(t)＝{ecg1,ecg2，...，ecgl}，其中5000≤l≤10000；

5、原始表面肌电信号去噪处理：去除原始表面肌电信号中的背景噪声和工频干扰，得到去噪表面肌电信号；

6、去噪表面肌电信号成分分离：基于盲源分离分析理论，对去噪表面肌电信号成分分离；

7、心电伪迹成分识别与消除：基于模糊熵算法，识别分离后的去噪表面肌电信号ecg成分，完成ecg伪迹去除。

8、优选的，所述原始表面肌电信号去噪处理的步骤包括：采用改进的多层小波变换算法对原始表面肌电信号进行去噪处理，去除原始表面肌电信号中的背景噪声和工频干扰，得到去噪表面肌电信号；

9、其中，对原始表面肌电信号semg(t)进行小波变换可表示为：

10、wa,b(t)＝∫semg(t)ψ*[(t-b)/a]dt a≠0

11、式中wa，b(t)为小波系数，semg(t)为原始表面肌电信号，a和b为尺度参数和位移参数，t为时移，ψ(t)为小波基函数且满足能量有限、无零频成分准则，定义为：

12、优选的，所述原始表面肌电信号去噪处理的步骤还包括：

13、对原始表面肌电信号semg(t)通过低通滤波器和高通滤波器完成分解得到不同尺度下的小波系数，由低通滤波器提取原始表面肌电信号semg(t)的近似系数，记为：ylow；由高通滤波器用于提取原始表面肌电信号semg(t)的细节系数，记为：yhigh，计算公式如下：

14、

15、其中，ylow为输出信号的低通分量，表示原始表面肌电信号semg(t)通过低通滤波器g后得到的结果，semg(k)表示输入信号在k时刻的采样值，g[2n-k]表示低通滤波器在2n-k时刻的响应；

16、

17、其中，yhiqh表示输出信号的高通分量，表示原始表面肌电信号semg(t)经过高通滤波器h后得到的结果，semg(k)表示输入信号在k时刻的采样值，h[2n-k]表示高通滤波器h在2n-k时刻的系数或响应；

18、得到不同尺度下的小波系数后，通过选择阈值函数实现有效成分的保留以及噪声含量的去除，得到新小波系数；

19、根据分解得到的新小波系数进行信号重构，得到经小波分解后的去噪表面肌电信号，记为semg*(t)，重构计算公式如下：

20、

21、其中，c′j，k和d′j，k分别表示第j层的小波近似系数和细节系数，h和g表示小波分解和重构的滤波器系数，n和k表示系数索引。

22、优选的，所述通过选择阈值函数实现有效成分的保留以及噪声含量的去除得到新小波系数中阈值函数计算公式如下：

23、

24、其中，w′j，k表示经阈值函数处理后的新小波系数，wj，k表示经小波分解后得到的新小波系数，λ为设定的阈值大小。

25、优选的，所述伪迹去除方法还包括：

26、对去噪表面肌电信号semg*(t)进行去均值处理，得到去均值后的去噪表面肌电信号semg(t)′，其中去均值的计算公式如下：

27、semg(t)′＝semg*(t)-μ

28、其中，semg(t)′表示去均值后的去噪表面肌电信号，semg*(t)去噪表面肌电信号，μ表示观测向量的期望。

29、优选的，对semg(t)′进行白化处理以去除观测信号之间的相关性，白化处理过程为：

30、定义输入采样数据：

31、x′＝semg(t)′

32、

33、其中，其中，x′表示去均值后的去噪表面肌电信号，n表示数据的维数，m表示样本个数；

34、计算均值相减后的协方差矩阵：

35、

36、采用特征值分解对协方差矩阵进行分解：

37、cx′＝uλut

38、其中，λ表示特征值对角矩阵，u表示特征向量矩阵，ut表示特征向量矩阵的转置；

39、对数据进行旋转：

40、xrot，i＝utx

41、缩放每个主成分轴上的数据，使其方差为1：

42、

43、主成分分析的白化处理描述为：

44、

45、其中，xpcawhiten表示白化后的数据。

46、优选的，对白化后数据进行固定点迭代，直到收敛，计算公式如下：

47、w+＝e{xg(wtx)}-e{g’(wtx)}w

48、其中，w+表示更新后的权值向量，e{·}表示期望运算，x表示观测信号，即混合后的信号，g(wtx)表示非线性函数，用于衡量信号的非高斯性，w表示权值向量，代表混合矩阵的某一列，用于从观测信号中提取一个独立成分；

49、通过采用gram-schmidt过程对迭代后的权重向量进行正交化处理；

50、使用迭代公式重复上述固定点迭代和正交化处理步骤，迭代计算公式为：

51、

52、优选的，所述心电伪迹成分识别与消除具体包括：

53、令长度为n的时间序列记为{x(i)，i∈(1，n)}；

54、以滑动窗口的大小为m，依次生成一组m维向量，记为：

55、

56、计算任意两个向量之间的距离，即两个对应元素之差的最大值：

57、

58、由模糊隶属函数计算序列间的相似度，计算公式为：

59、

60、其中，ρ为相似度容差参数；

61、向量与之间的相似性为：

62、

63、定义函数：

64、

65、将滑动窗口m增加到m+1，并重复以滑动窗口的大小为m，依次生成一组m维向量和定义函数步骤得到

66、fuzzyen(t)＝lnφm(t)-lnφm+1(t)

67、通过阈值判断识别表面肌电信号中的心电分量，阈值判别法作为阈值判断准则：

68、φ(￡+1)-φ(￡)<φ(￡)-φ(￡-1)

69、其中，φ(￡)表示独立分量按升序排列的熵值；

70、若￡值满足所述阈值判断准则中的条件，则￡为满足条件的最小整数，将第一个￡熵值对应的fast-ica分量确定为心电伪影并剔除。

71、本发明的有益效果如下：

72、本发明提供一种表面肌电信号伪迹去除方法，该方法通过结合多层小波变换和快速ica算法，既能够充分利用小波变换的时频局部化特性，又能够降低ica算法的计算复杂度，从而实现对semg信号中伪迹的高效去除。不仅为semg信号的伪迹去除提供了一种新的有效方法，而且有望推动semg信号在康复医学、运动训练等领域的应用发展。同时，本发明的方法也具有一定的通用性，可推广应用于其他类似生物电信号的处理和分析中。