[发明专利]基于表面肌电的特征提取方法及系统

说明书

本发明提供一种基于表面肌电的特征提取方法及系统，特征提取方法包括：接收sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；根据所述活动信号段的起止时间提取所述活动信号段；根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。本发明提供的基于表面肌电的特征提取方法及系统来可以利用所采集sEMG信号序列准确地获取sEMG信号序列的特征。

技术领域

本发明涉及信号处理领域，尤其涉及一种基于表面肌电的特征提取方法及系统。

背景技术

神经肌肉疲劳机理与预测研究是国内外运动医学研究的热点，同时也是运动人体科学研究的重点。在运动过程中，由于血液中的供养量，或者营养物质缺乏等都会使肌肉的结构、代谢以及能量等发生一系列变化，会使神经肌肉系统的效率下降，从而肌肉无法继续完成任务，导致肌肉疲劳。肌肉疲劳可能导致肌肉损伤，严重情况下的肌肉疲劳将不可恢复。肌肉疲劳的研究在人机工程学、人机接口、康复医疗、运动损伤、假肢等领域应用前景广泛。

目前，肌肉疲劳的临床检测工具主要有肌电信号(sEMG，surfaceelectromyography)、肌音(MMG，Mechanomyogram)、声肌图(SMG，Sonomyography)、近红外光谱(NIRS，Near-infrared spectroscopy)、声波描记图(AMG，Acoustic myography)、测角传感器等。其中，利用sEMG记录、研究肌肉是劳动生理学中常用的方法，作为一种简单、无创伤、科定量的研究方法，它可研究局部肌肉疲劳过程中的变化特征，是一种精确检测工具。

在实际应用中，由于采集的sEMG信号序列受各种因素影响会产生许多噪声，无法准确得根据所采集的sEMG信号序列获取特征，进而进行检测。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种基于表面肌电的特征提取方法及系统、基于表面肌电的交互训练系统以及基于表面肌电的康复度排序方法，来利用所采集sEMG信号序列准确地获取sEMG信号序列的特征。

本发明提供一种基于表面肌电的特征提取方法，包括：接收sEMG信号序列，所述sEMG信号序列包括至少一个活动信号段；根据所述sEMG信号序列的去均值化信号的TKE算子计算信号阈值，根据所述信号阈值检测所述sEMG信号序列中所述活动信号段的起始时间；根据时间阈值修正所述活动信号段的起始时间获得所述活动信号段的起止时间；根据所述活动信号段的起止时间提取所述活动信号段；根据所述活动信号段，获取所述sEMG信号序列的至少一个特征。

优选地，根据如下公式计算所述sEMG信号序列的去均值化信号及所述去均值化信号的TKE算子：

其中，为所述sEMG信号序列的去均值化信号，x(n)为所述sEMG信号序列的信号，ψ(n)为所述去均值化信号的TKE算子，N为所述sEMG信号序列的总长度，M为所述sEMG信号序列的背景噪声长度。

优选地，根据如下公式计算所述信号阈值：

Th＝u₀+j·δ₀，

其中，μ₀为所述sEMG信号序列在TKE域内的背景噪声均值，δ₀为所述sEMG信号序列在TKE域内的背景噪声标准差用于计算信号阈值Th，j为大于等于5小于等于30的参数。

优选地，根据如下公式判断所述sEMG信号序列的信号是否属于所述活动信号段：