英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
ICA和分形维数在肌电信号处理中的微妙运动分析应用：综述
摘要
表面肌电图（sEMG）信号分离和解体一直是康复和医学研究领域中一个有趣的研究课题。微妙的肌电控制是一项先进的技术，涉及检测，处理，分类和应用肌电信号来控制人体辅助机器人或康复设备。本文回顾了最近在独立分量分析和分形维分析方面对表面肌电图模式识别的研究和发展，并就其类型，结构和潜在应用提出了最新的成果。简要概述了未来研究的方向。
关键词：独立分量分析，盲源分离，分形理论，分形维数，表面肌电图
介绍
表面肌电信号（sEMG）是从骨骼肌表面记录的肌电信号，它表明肌肉纤维的功能状态[25,53]。它是一个具有低信噪比（SNR）的复杂和非平稳信号。虽然肌电图的基本机制复杂，但有许多不同的因素，它已被用于从康复到运动医学的各种应用。一些应用程序包括：
- 康复-例如：为残疾人提供辅助系统[76，77]
- 人机控制-例如：指向设备的控制[108]
- 机器人和假肢手[74，90]
- 临床应用-例如：评估肌肉疲劳[73]和腰痛[96]。
精确解释表面肌电信号的能力将启用和控制神经电接口系统。这些系统的设计要求[28]提出以下两个重要因素：
1.肌电信号的特征可以与不同的肌肉和肌肉活动有关
2.对这些特征进行分类以确定这些行为。
康复过程，临床诊断和基本调查严重依赖于记录和分析生理信号的能力，如电子心电图（ECG），脑电图（EEG）和肌电图。然而，这些信号的传统分析并没有跟上主要技术的进步，这些技术允许记录和存储持续波动信号的海量数据集。虽然这些通常复杂的信号最近已被证明代表非线性，非平稳和非平衡的过程，但用于分析这些数据的方法通常假定为线性，平稳性和平衡状态。这些常规技术包括直方图的均值，标准偏差和其他特征的分析，以及经典功率谱分析[34]。
最近的发现[17,57,68]表明，表面肌电信号可能包含隐藏的信息，这些信息不能用传统的分析方法提取。这些隐藏信息具有临床价值，并与肌肉性质和活动功能的基本机制有关。基于分形理论的分析是从生理时间序列信号中提取隐藏信息的最有前途的新方法之一，如肌电信号，可以提供有关特征时间尺度和肌肉活动反应适应性的信息[13,14,32,34]。 研究人员已经确定肌电图的幅度和光谱特征与肌肉收缩力之间的强关系[25]。各种类似的措施如：
- 均方根（RMS）[12]，
- 窗式集成和零交叉计数[12,23]，
- 自动回归[9,58]，
- 小波系数[61，98]
已被用于将信号分类为期望的运动或姿态。
当肌肉活动水平较高的单个活动肌肉时，这些功能很容易实现并且是肌肉活动强度较好的衡量指标。然而，当肌肉活动非常微妙并且有多个肌肉同时活动时，这些措施是不可靠的。替代使用全局参数，如均方根值，是分解表面肌电信号并识别动作电位[53,57,103]。这些技术的缺点是需要高水平的人工监督，并且对电极的位置高度敏感。肌电图的复原和防御应用有许多是目前不可行的，因为没有可靠的肌电图特征可以与低水平的肌肉收缩相关联而无需人工监督。
这些特征的分类已经通过一系列参数和非参数技术实现，包括贝叶斯统计分类器，神经网络[18,62]和预测方法[19]。 最近关于手部运动分类的一些研究工作如下：
- Nagata等人提出了一种使用96通道矩阵型（16 6）多通道表面肌电图[76]的手部运动分类方法。
- 克劳福德等人提出了用于机器人控制的电子肌病信号的分类，其中使用五信道肌电信号的振幅作为特征和支持向量机作为分类器[21]。
- Englehert等人使用模式识别来处理肌电信号的四个通道，其任务是区分多个类别的肢体运动[28]。
- Momen等人使用两通道肌电图的均方根作为特征，并使用模糊C均值聚类进行分割[74]。
- Tenore等人[107]已经报道了一种精确的手部和手指手势识别系统，该系统使用放置在前臂上的16个双极表面肌电图电极。该系统通过使用电极阵列克服了串扰的缺点。大量电极和通道数量增加了系统的复杂性和成本，并因此限制了该系统的应用。此外，安装电极阵列可能不具有用户可接受性，可能需要专家的帮助并且不会被外行人轻松使用。
这些技术中使用的特征是高水平肌肉激活的良好指标。然而，在低水平的肌肉收缩时，这些措施不能从背景活动中识别肌肉激活，并需要更好的分类器来分离运动类别。为了确定低水平肌肉活动的可靠测量，需要从肌电图中提取特征集，其解释微妙活动期间肌肉的复杂属性。
用于建模和分析肌电图的大多数方法都是线性的。然而，更复杂的活动，例如小型复杂的手部肌肉活动记录，不能用这种线性技术建模。随着识别复杂而细微的动作和手势的需求，非线性方法正在出现以表征肌电图。[89]中提出了以下三种新方法用于表面肌电图：
1.表面肌电图谱分布的方法，即表面肌电图谱的对数表示
2.表面肌电图谱的泊松表示
3.检查原始表面肌电图的“复杂性”，表面肌电图的分形维数（特征提取）的方法
在这些方法中，肌电信号的特征提取被发现对量值和力的变化敏感，因为肌电图在一定范围内是自相似的，而且一部分（MU的结构）的统计特性与整体的统计特性成正比[33,37]。
诸如肌电图的生物信号是通过穿过组织并经历光谱和量值压缩的相同电动机单元的总和的结果。瞬时肌电图的爆发行为内的突发具有这样的性质，即在一个采样率下观察到的图案与在较低采样率下观察到的图案在统计学上相似。这些嵌套模式表明肌电图具有自相似性[4]。研究人员已经研究了肌电图的分形，以表征正常和病理信号[2]。为了更好地表示肌电图信号的属性，肌电图的分形特性已被提出[4,43,115]。
在肌电图记录中，多个传感器用于记录一些生理现象。通常这些传感器彼此靠近，以便它们同时记录彼此高度相关的信号。因此，传感器不仅能够记录来自少数动态肌肉的体积传导所传递的肌肉活动，而且还能够记录人造信号中的肌肉活动，例如独立于肌肉活动的噪音，其与所有传感器中可能存在的实际肌肉活动重叠。从这种肌电信号中提取有用的信息变得更加困难，主要是由于低信噪比引起的低收缩水平。在低收缩水平下，从背景活动中很难辨别出肌电图的活动。因此，要正确识别肌肉（肌肉）的数量，需要分解肌肉。几乎没有或没有肌肉活动的先验信息，并且信号具有时间和频谱重叠，使得问题适合盲源分离（BSS）技术。
这些文献回顾基于对ICA的研究，分形理论和使用肌电图的分形分析来确定微妙活动期间肌肉的复杂性质。这张纸提供了对肌电图测量和人体手部肌肉运动特性分析所进行的各种研究的全面综述。本部分的评论涵盖两个主要研究领域：
- 使用肌电图信号识别微妙的人手运动
- 基于分形理论的肌电图测量分析，用于识别细微的人手动作。
表面肌电图
表面肌电图是从皮肤表面记录肌肉的电活动。在临床应用中，表面肌电图用于诊断神经肌肉疾病和康复。它也可用于设备控制应用，其中信号用于控制假肢装置，机器人和人机等设备接口。表面肌电图的优势在于其非侵入式记录技术，它提供了一种安全和简便的记录方法。表面肌电图的基本机制是非常复杂[35]， 因为有许多因素，如神经元放电速率，运动单位募集以及有助于记录的肌肉和周围组织的解剖结构。 表面肌电图是一个快速简便的过程，可以方便大量单位动作电位的采样[12,27]。
表面肌电图也被用作鉴定神经肌肉疾病的诊断工具，评估腰痛，肌肉运动和运动控制障碍。除了医疗应用，表面肌电图已被提出用于控制计算机接口。也可以用来感测没有运动产生的等距肌肉活动。这使得能够定义一类微妙的静止手势来控制界面而不会被注意到并且不会破坏周围的环境。
影响表面肌电图的因素
记录在肌电信号中的动作电位是由肌肉中的电活动产生的。该信号包含与肌肉收缩和状况有关的信息。因此，分析信号以显示信息而不需要干预肌肉是有用的。沉浸在表面肌电图信号中的信息与影响信号的下列因素有关。
- 收缩水平 收缩水平影响表面肌电图记录的幅度[20]。随着收缩水平的增加，肌电图的幅度增加，因为收缩所涉及的运动单位数量有所增加。
- 局部肌肉疲劳 局部肌肉疲劳可以从信号的中间频率向较低频率的移动和增加来观察在信号的幅度[12,20,61]。这是由于不同运动单位刺激的同步以及肌肉纤维电特性的变化。
- 身体组织的厚度 身体组织倾向于衰减信号的高频分量。身体组织越厚，信号的频率和振幅越低。从面部肌肉记录的表面肌电图信号具有高达500Hz的频率，而从深部肌肉记录的表面肌电图具有较低的频率范围。
- 电极间距离 尺寸和电极间距离对信号也有已知的影响。如果电极之间的距离增加，录音覆盖范围更广。结果，记录的信号由较大数量的动作电位组成，这降低了频率并增加了信号的幅度。
- 人工制品和噪音 某些噪音和人造制品的特性是可预测的。电源线干扰在50赫兹时显着，而心电图人工制品出现频率高达60 Hz [20]。尽管电源线和ECG部件的频率分量可以很好地预测，但由于人为因素和肌电图谱之间的频率重叠，它们不易去除。
- 串扰肌肉信号串扰是在肌肉上检测到的信号，但是由靠近第一个肌肉的另一个肌肉产生。这种现象仅出现在表面记录中，当来自不同来源的探测点与来源的距离可能相关且相似时[31]。
表面肌电信号分析技术
表面肌电信号是一个时间和力（可能还有其他参数）相关信号，其幅度在零值之上和之下随机变化。从而，信号的简单平均老化将不会提供任何有用的信息。下面将解释表面肌电图的一些措施[22]：
- 整流 一个简单的方法，通常用于在执行之前克服信号。
- 平均值或整流信号的均值 数字意义上的平滑操作的平均操作是求平均值。通过取一个信号的随机变化值的平均值，可以消除较大的波动，从而获得与模拟平滑操作相同的结果。
- 整合 肌电图（EMG）中最常用和滥用的数据缩减程序是整合。它适用于信号或曲线下的区域。这些参数的单位是伏秒（Vs）。很明显，观察到的平均值为零的表面肌电信号也将具有零的总面积（积分值）。因此，积分的概念可能仅适用于表面肌电信号的整形值。
- 均方根值对信号的信息内容进行了更严格的测量，因为它可以测量信号的能量。最近增加了执行均方根值操作的模拟芯片的可用性，并提高了表面肌电图的技术能力。
- 零交叉和计数 这种计算单位时间内信号幅度包含峰值或交叉点的次数的方法信号的零值。
- 频域分析 表面肌电信号在频域中的分析涉及描述信号频谱的特定方面的测量和参数。快速傅里叶变换技术通常是可用的，并且便于获得信号的功率密度谱。
这些不同的措施被用来从表面肌电图中为各种应用提取一些有意义的信息。目前，表面肌电图有三种常见的应用[22]。 他们是：
- 确定肌肉的激活时间; 也就是说，当对肌肉的激励开始和结束时
- 估计肌肉产生的力量。
- 通过分析信号的频谱来获得肌肉疲劳速率的指数。
表面肌电图的这些信息被用作控制输入来激活或控制各种设备。为了从前臂确定这些表面肌电图的信息，有必要研究低水平肌肉激活的解剖学和生理学特性。当运动很少时，肌肉激活处于低水平相应的肌肉群。当肌肉收缩的力量很小时，MUAP的重叠很小，例如，在简单的手腕和手指的运动中。结果显示记录的肌电图有轻微的变化，这反过来需要采取不同的措施来识别这些微小的变化。
影响肌电图这些微小变化的主要标准是肌肉之间的串扰。这是由于体积传导特性与源特性的结合，并且是解释表面肌电图信号时最重要的误差来源之一。这个问题在不同肌肉激活的时机非常重要的情况下尤为重要，例如运动分析[31]。目的是解释手指和手腕运动过程中肌电图的这些微小变化，在假肢和人机界面上有很多应用。
独立向量分析
独立向量分析（ICA）是一种数据分析程序，试图估计观察到的混合物中未观测到的信号或“来源”。独立向量分析在各个领域都取得了相当的成功; 在诸如脑电图和肌电图的生物信号中，它已被用于信号伪影减少和源分离。这里说明了独立向量分析背后的概念。
独立向量分析是一种发现多维（多变量）统计数据或信号的潜在因素或成分的方法[46,47]。独立向量分析为测量的多变量数据建立一个生成模型，其中数据被假定为一些未知隐变量（来源）的线性或非线性混合;混合系统也是未知的。为了克服算法的不确定性，假设隐藏信源具有非高斯性和统计独立性。这些来源被称为独立组件（IC）。独立向量分析算法被认为是基于信息论的无监督学习规则。给定一组多维观测值，假设这些观测值是通过未知混合源的未知独立源的线性混合，独立向量分析算法执行非混合矩阵的搜索，通过该矩阵可以将观测值线性转换为独立的输出分量。关于独立向量分析，大多数研究人员的基本框架一直假设混合是即时和线性的，就像在Infomax中一样。独立向量分析通常被描述为主成分分析（PCA）的扩展，它不对高阶矩的信号进行相关并产生非正交基础。更复杂的模型假设例如噪声混合[39,69]，非平凡源分布[51,102]，卷积混合[6,63]，时间依赖性，未确定的来源[45,67]，以及独立成分的混合和分类[60,65]。一般的介绍和概述可以在[64]中找到。
生物信号处理中信源分离的挑战
在生物医学数据处理中，目的是根据低质量测量的参数提取临床，生物化学或药学相关信息（例如脑中的代谢物浓度），以便改进医学诊断[88,97]。通常，生物医学数据会受到大量测量误差的影响，这主要是由于测量的非侵入性过程或严格的限制，以保证输入信号尽可能低，以达到安全和生物伦理的原因。准确和自动的量化这些信息需要将以下四个问题巧妙地结合起来：
- 对数据进行适当的预处理，
- 设计合适的
全文共5882字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[16710]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
