[发明专利]一种基于双线程的肌电在线实时分解方法

说明书

本发明公开了一种基于双线程的肌电在线实时分解方法，肌电实时分解方法包括主线程和副线程两个平行线程，具体包括以下步骤：步骤1：副线程用于运动单元在线识别，即运动单元特征信息在线提取与更新；步骤2：主线程用于运动单元放电事件实时检测，即利用步骤1提取的各个运动单元特征信息在线实时提取运动单元放电事件。本发明可有效应对肌肉持续收缩时运动单元交替放电带来的新募集运动单元识别问题，从而减少遗漏某些运动单元放电信息的可能性，保证肌肉收缩强度估计的准确性。本发明可有效应对肢体复杂随意运动时各种因素导致的运动单元特征信息非稳态问题，从而提高运动单元放电信息检测的准确性，保证肌肉收缩强度估计的准确性。

技术领域

本发明属于肌电实时分解技术领域，具体涉及一种基于双线程的肌电在线实时分解方法。

背景技术

肌电分解(EMG decomposition)是根据肌电信号形成的机理，逆向求解还原出构成肌电信号的各个运动单元动作电位(motor unit action potential，MUAP)序列或放电事件序列的过程。肌电分解所得各个运动单元放电事件信息可用于估计肌肉收缩强度，进而解码人体复杂运动意图并控制假肢等外部辅助运动设备。与传统基于肌电信号时频域特征的肌肉收缩强度估计方法相比，利用运动单元放电事件信息估计肌肉收缩强度，不仅更具有生理学上的合理性，同时避免了肌电信号形成过程中各种干扰因素对肌肉收缩强度估计的影响。

离线状态下肌电分解技术发展较早，早期的肌电分解算法以Carlo J.De Luca及其团队提出的MUAP模板匹配法为代表，尽管获得了广泛应用，但是其存在分解过程耗时长和分解所得运动单元个数少等问题。此后，盲源分离技术的出现为肌电分解提供了新的思路，主要包括卷积核补偿法(Convolution Kernel Compensation，CKC)和独立成分分析法(Independent Component Analysis，ICA)。CKC放弃了对MUAP波形(卷积核)的直接估计，转而直接重建各运动单元的放电事件序列，但不同MUAP重叠增加会导致其分解性能下降，因此CKC法较适用于低肌肉收缩强度情形。ICA法假设各个运动单元放电活动的独立性，依据对源成分独立性测量的不同，又可细分为基于FastICA(负熵)、InformaxICA(互信息)和RobustICA(峰度)的肌电分解方法。此外，一些改进算法也被相继提出，如结合K-means聚类分析和CKC的分解算法，结合FastICA和CKC的分解算法，以及增加运动单元分解个数的Peel-off-FastICA算法等。上述算法仅适用于离线状态下的肌电分解，运动单元放电事件提取过程耗时长，无法满足运动意图实时解码和假肢等外部设备实时控制的需求。

为了实现在线实时肌电分解，Holobar教授提出一种基于CKC法的肌电在线分解算法，但分解输出运动单元个数较少且无法满足一般外部设备实时控制要求。