表面肌電信號(hào)的運(yùn)動(dòng)單位動(dòng)作電位檢測(cè).pdf

1、肌肉自主收縮或受到外部刺激時(shí)，神經(jīng)肌肉系統(tǒng)中的運(yùn)動(dòng)神經(jīng)元被激活，所募集運(yùn)動(dòng)單位(MU)形成的運(yùn)動(dòng)單位動(dòng)作電位(MUAP)經(jīng)過由肌肉、脂肪及皮膚等組織構(gòu)成的容積導(dǎo)體后在皮膚表面測(cè)量位置處與各種噪聲信息綜合疊加形成的電位波形就是表面肌電信號(hào)(sEMG)。 肌電信號(hào)是一種復(fù)雜的生物電信號(hào)，不同肌肉收縮狀態(tài)和收縮力水平會(huì)引起MU募集和發(fā)放過程的變化，為了能夠相對(duì)穩(wěn)定地研究MU功能信息，本文采用的是肌肉自主且持續(xù)恒力收縮過程時(shí)的sEMG信

2、號(hào)。由于sEMG信號(hào)與肌肉收縮力直接相關(guān)，因而需要根據(jù)收縮力水平的不同采用不同的研究方法。低收縮力時(shí)募集的MU較少，可采用sEMG信號(hào)分解方法獲取MUAP波形信息及MU募集發(fā)放信息；而在高收縮力時(shí)，募集的MU增多且MUAP波形間的疊加程度較高，則可采用sEMG信號(hào)MUAP數(shù)目估計(jì)方法獲取MU的總體發(fā)放信息。研究成果可用于探討神經(jīng)肌肉系統(tǒng)的控制特性和神經(jīng)肌肉疾病的輔助診斷等。 圍繞sEMG信號(hào)的MUAP檢測(cè)研究，本文的主要工作和成

3、果有： 1.sEMG信號(hào)的采集和預(yù)處理。為測(cè)量sEMG信號(hào)，自行設(shè)計(jì)了一套采用雙極性電極配置方式的多通道sEMG信號(hào)采集系統(tǒng)。由于受到測(cè)量儀器、環(huán)境以及肌肉自身生理復(fù)雜性等眾多因素的影響，實(shí)測(cè)sEMG信號(hào)會(huì)被噪聲干擾，故需要對(duì)sEMG信號(hào)進(jìn)行降噪預(yù)處理。采用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法將sEMG信號(hào)分解為具有局部特征信息的內(nèi)在模態(tài)函數(shù)(IMF)和冗余分量，對(duì)這些IMF分量作適當(dāng)?shù)拈撝堤幚聿⑾哂囗?xiàng)后進(jìn)行重構(gòu)便可得到降噪后的信號(hào)；

4、采用頻譜插值法來削弱工頻干擾，以避免50Hz及其諧波頻率處肌電信息成分的丟失。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的信號(hào)采集系統(tǒng)能夠有效獲取多通道sEMG信號(hào)；經(jīng)過降噪預(yù)處理后，sEMG信號(hào)質(zhì)量得以改善且動(dòng)作電位波形分辨率得以明顯提高。 2.sEMG信號(hào)仿真研究。建立一個(gè)綜合型的sEMG信號(hào)生理學(xué)仿真模型，為后續(xù)工作中的MUAP檢測(cè)效果定量分析作準(zhǔn)備。在單纖維動(dòng)作電位(SFAP)及運(yùn)動(dòng)單位動(dòng)作電位(MUAP)仿真基礎(chǔ)上，本模型不僅引入了神經(jīng)激勵(lì)

5、對(duì)MU募集與發(fā)放的控制功能，還考慮了肌肉收縮力和疲勞等因素對(duì)sEMG信號(hào)特性的影響，能夠定量仿真運(yùn)動(dòng)神經(jīng)元在不同激勵(lì)水平下的sEMG信號(hào)和相應(yīng)的收縮力情況，并設(shè)計(jì)完成了sEMG信號(hào)仿真界面，較本實(shí)驗(yàn)室的前期工作有了很大進(jìn)步。實(shí)驗(yàn)結(jié)果表明，在時(shí)域上，仿真sEMG信號(hào)的動(dòng)作電位波形能夠與真實(shí)信號(hào)的進(jìn)行相似性匹配；在頻域上，仿真信號(hào)的頻譜變化情況能與真實(shí)信號(hào)的相似，通過調(diào)節(jié)肌纖維傳導(dǎo)速度參數(shù)可使仿真sEMG信號(hào)表現(xiàn)出肌肉實(shí)際收縮過程中的疲勞現(xiàn)

6、象，研究說明該模型能夠有效描述sEMG信號(hào)的生理形成過程。 3.sEMG信號(hào)分解研究。肌電信號(hào)分解是通過對(duì)觀測(cè)信號(hào)的求逆運(yùn)算來取得構(gòu)成信號(hào)的主體MUAP波形序列。在對(duì)比特征矩陣聯(lián)合近似對(duì)角化(JADE)、二階盲辨識(shí)(SOBI)、獨(dú)立分量分析(FastICA)、二階非平穩(wěn)源分離(SEONS)和基于時(shí)頻分析的盲源分離(TFBSS)五種算法分離性能的基礎(chǔ)上，主要選用后三種盲源分離(BSS)算法用于低收縮力水平下的sEMG信號(hào)分解實(shí)驗(yàn)，

7、其中SEONS算法的應(yīng)用是較新的?；贐SS算法模型的仿真信號(hào)分解結(jié)果表明，所用算法能夠有效分離仿真信號(hào)及其疊加動(dòng)作電位波形，且SEONS算法的分離性能稍好。生理學(xué)仿真sEMG信號(hào)和真實(shí)sEMG信號(hào)的分解結(jié)果均表明，從分離信號(hào)中提取的MUAP信息是對(duì)sEMG信號(hào)有主要貢獻(xiàn)的MU發(fā)放產(chǎn)生的，BSS算法并不能分離出所有的MUAP信息，且不同算法的檢測(cè)結(jié)果也可能會(huì)有所不同。 4.sEMG信號(hào)MUAP數(shù)目估計(jì)研究。肌肉收縮力越大，募集M

8、U越多，sEMG信號(hào)MUAP波形間的疊加程度和波形變異越高，分解方法也就不再適用；而不需要探究具體MUAP波形及其混疊情況的MUAP數(shù)目則可表征MU的總發(fā)放率，其相當(dāng)于肌電信號(hào)中募集MU數(shù)量與它們平均發(fā)放率的乘積。MUAP波形檢測(cè)是該研究的關(guān)鍵，針對(duì)已有的連續(xù)小波變換(CWT)量圖分析方法和非線性能量算子(NEO)方法，采用改進(jìn)的基于CWT和假設(shè)檢驗(yàn)的方法對(duì)sEMG信號(hào)中的MUAP波形進(jìn)行檢測(cè)，并與前兩種算法的檢測(cè)效果進(jìn)行對(duì)比，進(jìn)而用于