基于经验模态分解建模法检测肌肉疲劳研究

本文针对表面肌电信号的非平稳特性,采用自回归模型（auto regression,AR）对表面肌电信号进行分析,对短时间内的表面肌电信号的肌肉疲劳迅速做出判定。首先对表面肌电信号进行经验模态分解,得到本征模态函数和趋势项,然后对趋势项进行零化处理,再对本征模态函数分量进行重构处理,重构后的信号可视为均值为零的平稳信号,最后将去势化的信号进行建立自回归模型,采用基于该模型的第一个时变参数（first time-varying parameter of auto regression modle,ARC1）作为检测肌肉疲劳灵敏度的快速指标。用疲劳前后的相关特征值的灵敏度波动比（sensitivity to variability ratio,SVR）来表征肌肉疲劳的灵敏度,较平均功率频率对疲劳反应灵敏度要高。该方法通过表面肌电信号对肌肉疲劳检测时,具有时间短、灵敏度高和将表面肌电信号细微特征信息放大、便于识别的效果等优点。     

基于表面肌电的工人上肢肌肉疲劳试验研究

当人体进入疲劳状态时,表面肌电信号会发生相应的变化。为了探讨工人在持续上肢作业时肌肉疲劳对人体肌电信号的影响,针对疲劳与肌电信号的关系提出评价肌肉疲劳的数学模型,选取10名健康受试者进行机械操作与重物搬举作业。同时,使用表面肌电测试分析仪对肌电信号进行实时监测,采用方差分析、t检验和非线性拟合方法对疲劳与肌电信号的关系进行分析。结果表明,肌电信号的波动程度对生理疲劳有显著变化,上肢肌肉疲劳程度越重,其肌电信号恢复至正常值越久。非线性拟合结果显示,上肢肌肉疲劳的发展趋势呈现出"S型"的趋势。据此提出,疲劳失稳期前让受试者休息,可以减缓或延迟生理疲劳的发生。     

一种基于sEMG信号多重分形的肌肉疲劳特征分析方法

针对由表面肌电信号(sEMG)非平稳、非线性、自相似性等复杂特性导致的肌肉疲劳估计不准的问题,提出一种基于sEMG信号多重分形降趋移动平均法(MFDMA)的肌肉疲劳特征分析方法。首先,利用MFDMA方法对采集的sEMG信号、洗牌信号和高斯白噪声信号进行非线性动力学分析;其次,利用MFDMA方法计算sEMG信号的多重分形谱宽度、Hurst指数变化差值、概率测度值和峰值奇异指数4种多重分形特征;最后,利用t-检验法分析肌肉疲劳与非疲劳状态下的多重分形特征的显著差异性。结果表明,MFDMA方法能够描述sEMG信号的多重分形行为,谱宽等多重分形特征在肌肉疲劳与非疲劳状态下具有显著性差异。所提方法能够可靠表征运动性肌肉疲劳,可为肌肉疲劳识别模型建构、康复医学研究提供特征参考。     

肌肉组织疲劳过程的超声衰减特征

基于超声波在生物软组织中的传播机理以及肌肉疲劳过程中组织厚度、弹性等特征的变化,研究了超声衰减特性与肌肉疲劳过程的相关性,理论分析了超声波幅度随肌肉疲劳的变化规律。设计针对右肱二头肌的实验,探讨了激励声波在逐渐疲劳的组织中传输的响应规律。同步采集表面肌电信号,研究肌肉疲劳过程中肌电信号与超声衰减特征的相关性。理论分析及实验结果表明,在肌肉疲劳过程中,随着疲劳程度的增强,超声波传输后平均能量幅度逐渐减小,其减小趋势满足指数衰减规律,同时同步采集的表面肌电信号均方根值呈线性增加趋势。     

肌肉疲劳过程中电诱发表面肌电信号的小波分析

分析由电刺激腓肠肌得到的表面肌电信号(Surface electromyography, SEMG),研究肌肉疲劳过程中表面肌电信号的特征,采用小波分析的方法,选择与M-波形状相似的小波函数,对其两个半波进行小波变换,分别分析两个半波在时域波形的拉伸程度,确定以小波变换尺度为主要依据的肌肉疲劳指数,实现疲劳状态的定量描述.该方法克服了傅里叶变换在时域中没有分辨率,信号在某一时刻变化将影响整个频谱特性的缺点,确定了特异性和可靠性良好的表征肌肉疲劳的SEMG指标,为进一步应用这些指标评价肌肉功能状态提供理论依据.     

基于积分肌电值结合双阈值的s-EMG活动段的检测

为了寻找一个表征肌肉疲劳程度效果较好的参数,分别从时域分析、频域分析中提取相关特征参数进行对比分析.采用基于积分肌电窗口移动平均值结合双门限阈值的方法来区分肌肉动态收缩区和静态收缩区.利用肌肉动态收缩区相关特征值的灵敏度波动比(SVR指数)来表征肌肉疲劳的灵敏度,程序设计采用MATLAB编程.通过仿真实验对时域、频域特征参数随疲劳程度的变化趋势、灵敏性进行分析,发现时域中均方根特征参数对疲劳程度表征效果相对较好;频域中中值频率特征参数对疲劳程度表征效果相对较好.该方法应用在检测肌肉疲劳上具有区分动态、静态收缩区的特点,相比单门限阈值法具有将表面肌电信号的细微特征信息放大、便于识别等优点.     

基于互Wigner-Ville分布的表面肌电信号瞬时频率估计

当一块肌肉完成持续的收缩时,所记录的表面肌电信号的分析是一个用于评价局部疲劳进行性的有用的工具.在肌肉静态收缩期间,表面肌电信号功率谱的平均频率和中值频率常被用作肌肉疲劳的指示器.为了评价周期性动态收缩期间的局部肌肉疲劳,针对肌肉动态收缩时表面肌电信号的特点,提出了基于互Wigner-Ville分布的瞬时频率检测方法.通过一个类似于表面肌电信号统计性质的模拟的随机过程,评价了这一算法的估计误差.理论和实验证明,瞬时频率可以在较低的信噪比下很好地适合跟踪由于肌肉疲劳引起的频谱变化.     

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD).使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量.应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行...     

手臂疲劳时表面肌电信号特征

为了解表面肌电信号(surface electromyography, sEMG)特征的变化规律,找出更加有效的疲劳特征参数组合,通过回归分析和皮尔逊相关系数分析的方法研究了6名受试者负重状态下,手臂表面肌电信号的时域、频域和时频域特征参数与主观疲劳感量表(rating of perceived exertion, RPE)之间的关系。结果表明:随着负重时间的持续,sEMG的时域特征均方根值(root mean square, RMS)和积分肌电值(integrated electromyography, iEMG)有上升趋势,频域特征平均功率频率(mean power frequency, MPF)、中值频率(media frequency, MF)有下降趋势,而时频域特征瞬时平均频率(instantaneous mean power frequency, IMPF)、瞬时中值频率(instantaneous median frequency, IMF)出现先短暂上升然后下降趋势。对各特征参数进行非线性拟合,发现RMS和iEMG幂函数拟合优于指数函数拟合,而MPF、MF、IMPF和IMF指数函数拟合优于幂函数。对联合特征参数进行多元回归分析,发现RMS与MF组成的回归模型判定系数R~2最大。可见RMS与MF相结合作为评估肌肉疲劳的联合参数更加合理有效。     

草原公路行车驾驶员肩部表面肌电信号分析

内蒙古草原具有线形特殊,景观单调等特点,长时间在草原公路行车时极易引起肌肉疲劳。通过检测驾驶员肩部斜方肌的表面肌电信号,使用MPF指标并结合主观问卷调查评估在草原公路驾驶过程中的驾驶员肩部肌肉疲劳。结果表明6名驾驶员的MPF随着驾驶时间延长呈现波动下降趋势,但仅有17%的驾驶员主观感觉到肩部疲劳。实验结束后驾驶员肩部肌肉疲劳累积加重。     

基于超声图像的运动肌肉疲劳研究?

分析了运动肌肉疲劳前后肌肉形态结构参数的变化,为运动肌肉疲劳评价提供参考.文中应用B型超声技术,测量9名男性志愿者在递增负荷功率自行车运动疲劳前后下肢肌肉的肌肉厚度、羽状角并对其进行分析.结果表明功率自行车运动疲劳后,不同被测肌肉的肌肉厚度、羽状角较疲劳前显著增加(P0.05),其中大腿股外侧肌、股内侧肌的厚度变化率、羽状角变化率较大.得出了运动肌肉疲劳前后肌肉的肌肉厚度和羽状角发生变化,提示其可结合传统的表面肌电信号评估肌肉疲劳.     

基于双向长短时记忆神经网络的步态时空参数脑肌电解码方法

针对脑电(EEG)信号对连续步态轨迹解码结果与实际轨迹相关性低的问题,提出一种基于双向长短时记忆(BiLSTM)神经网络的步态参数解码方法。首先,构建基于双向长短时记忆神经网络的步态时空参数解码模型,根据脑肌电信号特性设计解码模型的超参数;其次,同步采集脑电、下肢运动相关肌肉的表面肌电信号(sEMG)和下肢关节运动信号,并对脑电和表面肌电信号的步态相关特征进行分析;然后,以多通道脑电和下肢运动相关表面肌电信号作为解码模型的输入,自动提取脑肌电融合信号中步态相关特征并构建膝踝关节运动轨迹与特征之间的非线性回归模型;最后,以多通道脑电作为解码模型的输入,构建步态相关脑电信号和表面肌电信号之间的非线性回归模型。实验结果表明：所提方法与传统支持向量机方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数提高了0.12;与单独采用脑电、表面肌电信号和脑肌电信号平均绝对值特征融合信号进行解码方法相比,对踝关节解码轨迹与实测轨迹形状相似性Pearson相关系数分别提高了0.81、0.19和0.63。该方法可实现从脑电信号中对部分表面肌电信号波形的解码,解码波形和实测波形的平均Pears...     

基于CEEMDAN算法及NARX神经网络的短期负荷预测

为了提高电力负荷预测精度,提出一种基于自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)算法和外部输入非线性自回归(nonlinear auto regressive with exogenous inputs,简称NARX)神经网络的短期负荷预测模型.首先,通过CEEMDAN算法对电力负荷原始信号进行分解,得到若干个本征模态函数分量和1个残差分量;然后,将得到的若干个本征模态函数分量和1个残差分量输入NARX神经网络进行预测;最后,将各分量的预测结果进行叠加得到短期负荷预测的最终结果.实验结果表明:CEEMDAN算法与NARX神经网络相结合的负荷预测模型有较强的收敛性能,能减少噪声对预测结果的不良影响、有效提高预测精度.     

基于广义回归神经网络的上肢关节角度预测

针对人体上肢运动意图识别问题,基于上肢表面肌电信号,提出广义回归神经网络(general regression neural network,GRNN)预测受试者的上肢关节角度.GRNN预测模型的输入为处理后的表面肌电信号,预测的3个关节角作为输出,将GRNN预测结果和径向基函数(radial basis function,RBF)神经网络的预测结果对比,并用均方根误差对上肢关节角度的预测结果做评估,验证GRNN模型预测上肢关节角度的可行性.结果表明,GRNN模型能较好地估计人体关节角度.     

拮抗肌对的自回归滑动平均模型的参数分析

将自回归滑动平均模型运用于肘关节桔抗肌对的肌电信号分析中，利用该模型所提供的丰富的参数，来研究在同一关节上的拮抗肌对的疲劳关系．模型中的一些自回归系数和肌疲劳程度具有相似的变化趋势．而且，对于同一伸展或屈曲过程，关节上的拮抗肌的疲劳参数要大于主动肌的参数．     

基于时差估计的管道漏点定位方法

时差估计精度是影响管道漏点定位准确与否的重要因素。针对复杂噪声环境下管道泄漏点定位不准确问题,提出一种基于经验模态分解重构的互相关时差估计管道漏点定位方法。首先对含噪信号进行经验模态分解,得到一系列按频率从高到低排列的本征模态函数,利用Pearson相关系数法在本征模态函数中判定出噪声分量与信号分量的分界,把信号分量重构,实现信号降噪;最后基于广义互相关法对降噪后的求取两路信号的时差后,再使用线性定位法对管道泄漏位置定位。实验表明,该方法能有效滤除漏点定位监测过程中的非平稳随机噪声,获得了较高的时差估计精度,提高了管道漏点定位的准确性。     

基于表面肌电信号的绝缘手套法带电作业人员上肢肌肉疲劳分析

绝缘手套法是配网带电作业的主要作业方式,为获取穿戴绝缘手套的带电作业人员上肢肌肉的疲劳特性及其诱发的肌肉骨骼系统疾患(work-related musculoskeletal disorders,WMSDs)的风险,开展了基于表面肌电信号(surface electromyogra-phy,sEMG)的绝缘手套法带电作业人员上肢肌肉疲劳评估研究.针对配网绝缘手套法的典型作业工况,搭建了绝缘手套法带电作业上肢的sEMG试验平台,采集受试者上肢(右手)各目标肌肉在是否穿戴绝缘手套下的sEMG信号;基于时域特征参数积分肌电值(integrated electromyography,IEMG)、均方根值(root mean square,RMS)及频域特征参数平均功率频率(mean power frequency,MPF)、中位频率(median frequency,MDF)对绝缘手套的上肢肌肉疲劳特征进行评估;基于支持向量机(support vector machine,SVM)构建了带电作业人员上肢肱桡肌疲劳状态识别模型.结果表明:穿戴绝缘手套作业时各目标肌肉更容易进入疲劳状态;穿戴绝缘手套作业时,作业人员上肢部位的肱桡肌、肱二头肌、肱三头肌、三角肌的疲劳程度依次递减,与仿真计算的分析结果一致;sEMG时域特征参数IEMG、RMS对作业人员上肢肌肉疲劳的表征效果要优于频域特征参数MPF和MDF;带电作业人员上肢肱桡肌疲劳状态识别模型总体平均准确率为86.56％,能有效识别上肢肱桡肌肌肉疲劳状态.     

EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

基于时序预测与异常检测的烟草违法销售预警

为提升烟草市场监管水平，通过某烟草专卖局的协作调研和历史销售数据，构建基于深度自回归网络(Deep auto regression network, DARN)和季节性自回归差分移动平均模型(Seasonal auto regression integrated moving average, SARIMA)的混合预测模型。然后以预测销量为基础进行异常检测，设计了烟草商户违法销售预警模型。实验表明混合预测模型较单个模型预测误差均有改善。预警模型在测试集上达到50%查实率，满足市场监管预警基本要求。     

采用集合经验模态分解和改进阈值函数的心电自适应去噪方法

针对心电信号中存在基线漂移、工频和肌电干扰等噪声对后续的分析和诊断带来干扰的问题,提出了集合经验模态分解(EEMD)改进阈值函数的心电自适应去噪方法。运用EEMD将含噪心电信号分解得到一组由高频到低频分布的固有模态函数(IMF)。采用过零率自适应判断各IMF的噪声类别:若IMF包含高频噪声,采用结合软硬阈值优缺点所提出的改进阈值函数以去除IMF分量中的高频噪声;若IMF包含低频的基线漂移,则采用中值滤波器抑制基线漂移。最后将处理后的IMF分量叠加,即可重构去噪后的心电信号。实验结果表明,与已有的小波阈值法去噪后的信噪比(SNR)和均方根误差(RSME)对比,所提方法对心电信号去噪效果更加显著,而且能完整地保留波形特征。