一种基于经验模态分解的对肌电图的预处理方法专利检索-有限脉冲响应滤波器滤波器信号处理专利检索查询-专利查询网

一种基于经验模态分解的对肌电图的预处理方法

阅读：727发布：2020-05-11

专利汇可以提供一种基于经验模态分解的对肌电图的预处理方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于经验模态分解的对肌电图的预处理方法，包括步骤：(1)选用不同截止频率的线性相位有限长脉冲响应滤波器对肌电图信号分别进行滤波；(2)对每一个经过滤波后的信号进行EMD分解，得到每一个信号对应的IMF；(3)将得到的所有IMF的熵和极值作为特征参数用于肌电图分析。本发明提出了一种改良的基于经验模态分解对肌电图的预处理方法，选用的滤波器的多少和截止频率的不同决定了特征参数的数量和种类，故而达到灵活的目的。特征参数越多，可获得的肌电图的信息越多。在后续使用中，可由此建立肌动图特征参数和需要检测神经或肌肉或者其他功能的联系，对医疗诊断、日常体测等提供极大的参考作用。，下面是一种基于经验模态分解的对肌电图的预处理方法专利的具体信息内容。

权利要求

1.一种基于经验模态分解的对肌电图的预处理方法，其特征在于，包括步骤：
(1)选用不同截止频率的线性相位有限长脉冲响应滤波器对肌电图信号分别进行滤波；
(2)对每一个经过滤波后的信号进行EMD分解，得到每一个信号对应的IMF；
(3)将得到的所有IMF的熵和极值作为特征参数用于肌电图分析，具体为：
(301)建立X－Y 坐标系，X轴表示各组信号的IMF个数，Y轴表示IMF的极值点个数，连接各点得到折线，取每段折线的Y截距为c、斜率为|m|；
(302)解第一个无约束的二次规划问题，将J(m,c)作为一个特征参数，其中，表示k个IMF的极值的总数，k是IMF的个数；
(303)根据各组信号单组IMF的最大数量m建立一个n阶多项式，m≤2n<2m，对应各阶系数为an；
(304)解第二个无约束的二次规划问题，将作为一个特征向量，
其中，E(k)表示第k个IMF的熵，表示第k个IMF的估计误差；
(305)将所得到的|m|，c，J(m,c)以及作为肌电图的特征参数。
2.根据权利要求1所述的基于经验模态分解的对肌电图的预处理方法，其特征在于，在步骤(2)中，包括：将滤波后信号分组分别进行EMD分解，得到它们各自的一组IMF。
3.根据权利要求1所述的基于经验模态分解的对肌电图的预处理方法，其特征在于，所述不同截止频率的线性相位有限长脉冲响应滤波器的数量分别为一个以上。

说明书全文

一种基于经验模态分解的对肌电图的预处理方法

技术领域

[0001] 本发明涉及肌电图处理技术，更具体地说，涉及一种基于经验模态分解的对肌电图的预处理方法。

背景技术

[0002] 肌电图(electromyography)(英文简称EMG)，是应用电子学仪器记录肌肉静止或收缩时的电活动，及应用电刺激检查神经、肌肉兴奋及传导功能。肌电图可以用于记录神经和肌肉活动以判断其功能。肌肉运动时会有微小的生物电变化,肌电图作为一种无创的检测方法来检测这种生物电变化。运动时肌电图的振幅、频率等指标均会产生相应的变化,而且这些变化与运动方式、运动状态、肌肉疲劳密切相关。由此可见肌电图的应用十分广泛，已被应用于临床检测。

[0003] 但是，传统的肌电图仍然含有许多人体的噪声，现代方法对肌电图信号进行预处理后效果仍然较差，造成肌电图的识别和应用有一定的局限性，许多时候仍不能对肌电图进行直接解读，需要借助其他工具。

[0004] 经验模态分解(empirical mode decomposition，以下简称EMD)是基于信号时域局部特征的，因此分解是自适应的，也是高效的，特别适合用来分析非平稳非线性的时变过程，它能清晰地分辨出交叠复杂数据的内蕴模式，挖掘数据之间的内在联系。在许多领域已经得到了很好的应用。在医学上，利用EMD方法对一些电流图信号进行分析，可以帮助医生更好地识别患者的身体信息，对医生的诊断可以起到一定的辅助作用。也可以将该方法利用于日常生活中，通过对某些仪器(例如可穿戴设备)获得的人体信号进行分析，可以对使用者有可能出现某种疾病或者隐患进行有效预警，以免耽误治疗。但现的EMD分解对肌电图的处理所选择的参数固定，仍然混杂了较多的噪声，特征不够明显，并且选用特征的数量不够灵活。

发明内容

[0005] 针对现有技术的缺点，本发明的目的在于提供一种基于经验模态分解的对肌电图的预处理方法，对其预处理效果进行提升，从而提高肌电图的去噪效果。

[0006] 为了实现上述目的，本发明的技术方案为：一种基于经验模态分解的对肌电图的预处理方法，包括步骤：(1)选用不同截止频率的线性相位有限长脉冲响应滤波器对肌电图信号分别进行滤波；(2)对每一个经过滤波后的信号进行EMD分解，得到每一个信号对应的IMF；(3)将得到的所有IMF的熵和极值作为特征参数用于肌电图分析。

[0007] 作为上述技术方案的一种改进，在步骤(2)中，包括：将滤波后信号分组分别进行EMD分解，得到它们各自的一组IMF。

[0008] 作为上述技术方案的一种改进，所述不同截止频率的线性相位有限长脉冲响应滤波器的数量分别为一个以上。

[0009] 作为上述技术方案的一种改进，在步骤(3)中，得到所述IMF的熵和极值的步骤包括：

[0010] (301)建立X-Y 坐标系，X轴表示各组信号的IMF个数，Y轴表示IMF的极值点个数，连接各点得到折线，取每段折线的Y截距为c、斜率为|m|；

[0011] (302)解第一个无约束的二次规划问题，将J(m,c)作为一个特征参数，[0012]

[0013] 其中，表示k个IMF的极值的总数，k是IMF的个数；

[0014] (303)根据各组信号单组IMF的最大数量m建立一个n阶多项式，m≤2n<2m，对应各阶系数为an；

[0015] (304)解第二个无约束的二次规划问题，将作为一个特征向量，[0016]

[0017] 其中，E(k)表示第k个IMF的熵，表示第k个IMF的估计误差；

[0018] (305)将所得到的|m|，c，J(m,c)以及作为肌电图的特征参数。

[0019] 与现有技术相比，本发明提出了一种改良的基于经验模态分解对肌电图的预处理方法，由于滤波器的截止频率不同，故而每一个处理后的信号的EMD分解得到的IMF都是线性无关的，故而用来作为特征参数的熵和极值也是线性无关且独立的，选用的滤波器的多少和截止频率的不同决定了特征参数的数量和种类，故而达到灵活的目的。特征参数越多，可获得的肌电图的信息越多。在后续使用中，可由此建立肌动图特征参数和需要检测神经或肌肉或者其他功能的联系，对医疗诊断、日常体测等提供极大的参考作用。附图说明

[0020] 下面结合附图和具体实施方式，对本发明的结构及其有益技术效果进行详细说明。

[0021] 图1为本发明的每张肌电图的误差近似图。

[0022] 图2为本发明的肌电图的本质模态函数指数对应的熵图。

[0023] 图3为本发明的不同噪声下肌电图的本质模态函数对应的熵图。

[0024] 图4为本发明的肌电图、滤波指数与斜率、截距和误差近似的图。

具体实施方式

[0025] 为了使本发明的发明目的、技术方案及其有益技术效果更加清晰，以下结合附图和具体实施方式，对本发明进行进一步详细说明。应当理解的是，本说明书中描述的具体实施方式仅仅是为了解释本发明，并非为了限定本发明。

[0026] 对肌动电流图信号进行预处理，然后利用三次样条插值法提取处理后的信号的包络，通过EMD分解，能得出信号的一系列本质模态函数(intrinsic mode function,以下简称IMF)，将这些IMF的极值和熵作为特征可以用于作为进一步检测和分析的基础。

[0027] 本实施例基于经验模态分解对肌电图的预处理方法包括如下步骤：

[0028] 1、灵活选用不同截止频率的线性相位有限长脉冲响应滤波器对肌电图信号进行预处理，得到滤波后的信号；

[0029] 2、将滤波后的各组信号分别进行EMD分解，得到它们各自的一组IMF；

[0030] 3、建立X-Y坐标系，X轴表示各组信号的IMF个数，Y轴表示IMF的极值点个数，连接各点得到折线。取每段折线的Y截距为c、斜率为|m|；

[0031] 4、解第一个无约束的二次规划问题(1)，将J(m,c)作为一个特征参数；

[0032]

[0033] 其中，表示k个IMF的极值的总数，k是IMF的个数；

[0034] 5、根据各组信号单组IMF的最大数量m建立一个n阶多项式，m≤2n<2m，对应各阶系数为an；

[0035] 6、解第二个无约束的二次规划问题(2)，将作为一个特征向量；E(k)表示第k个IMF的熵，表示第k个IMF的估计误差；

[0036]

[0037] 其中

[0038] 7、将所得到的|m|，c，J(m,c)以及作为肌电图的特征参数。

[0039] 请参阅图1、图2、图3和图4，显示了本实施例方法的检验效果。

[0040] 根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行适当的变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

标题	发布/更新时间	阅读量
自适应均衡与定时恢复之间的减缓交互	2020-05-12	831
包括传感器驱动电路的电磁流量传感器接口	2020-05-12	256
控制信号路径的噪声传递函数以减少电荷泵噪声	2020-05-11	633
一种旋转机械无键相无试重动平衡方法和分析装置	2020-05-12	638
基于机器学习模糊特征选择的癫痫发作脑电信号分类方法	2020-05-12	49
电池组的电池单元的容量的自动估计方法	2020-05-08	396
子块的边界滤波	2020-05-12	753
信号发生装置及使用了该装置的频率特性显示方法	2020-05-11	181
一种基于经验模态分解的对肌电图的预处理方法	2020-05-11	727
时间交织数模转换器校正	2020-05-11	143

一种基于经验模态分解的对肌电图的预处理方法

一种基于经验模态分解的对肌电图的预处理方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：