阅读说明：本技术 一种基于神经网络的肌肉运动单元提取方法 (muscle movement unit extraction method based on neural network ) 是由 何金保 安鹏 胡庆波 骆再飞 于 2019-09-11 设计创作，主要内容包括：本发明提供了一种基于神经网络的肌肉运动单元提取方法,针对肌肉动态收缩过程中,通过阵列式表面肌电信号,采用神经网络提取肌肉运动单元。本发明采用ART2神经网络对肌肉运动单元波形进行分类,分类过程中不需要进行神经网络训练,直接输入实际波形信号进行识别,简化了识别过程,节约运行时间。在分类过程中,为了应对肌肉动态收缩时运动单元的变化,动态更新分类模板。本发明在确认肌肉运动单元时,考虑了波形传播特性,提高了提取肌肉运动单元的准确性。本发明实现简单,满足实际应用的需要。(the invention provides a muscle movement unit extraction method based on a neural network, which is used for extracting a muscle movement unit by adopting the neural network through array type surface electromyographic signals in the dynamic muscle contraction process. According to the invention, the ART2 neural network is adopted to classify the waveform of the muscle movement unit, the neural network training is not needed in the classification process, the actual waveform signal is directly input for identification, the identification process is simplified, and the operation time is saved. In the classification process, the classification template is dynamically updated in order to deal with the change of the motion unit when the muscle is dynamically contracted. When the muscle movement unit is confirmed, the waveform propagation characteristic is considered, and the accuracy of extracting the muscle movement unit is improved. The invention is simple to realize and meets the requirement of practical application.)

一种基于神经网络的肌肉运动单元提取方法

技术领域

本发明涉及一种基于神经网络的肌肉运动单元提取方法。

背景技术

表面肌电信号(surface EMG,sEMG)是利用表面电极从人体体表检测肌电信号，与针电极肌电信号(Needle EMG,NEMG)相比，它具有无创性、易于接受的特点，因此应用前景广阔，尤其是阵列式sEMG信号的检测分析。在临床上，通过阵列式sEMG可以较全面地了解神经肌肉的功能状态。目前，对sEMG信号分析处理主要针对的是肌肉静态收缩的表面肌电信号，对肌肉动态收缩的研究非常少，本发明就是针对肌肉动态收缩，提出一种基于神经网络的肌肉运动单元(Motor Unit，MU)提取方法。

发明内容

鉴于上述问题，本发明的目的在于提供一种基于神经网络的肌肉运动单元提取方法，其特征是包括以下步骤：

步骤一，采集肌肉在动态收缩时阵列式表面肌电信号，对信号滤波，削弱干扰；

步骤二，提取每个通道上的肌肉运动单元发放波形；

步骤三，将每一个通道的肌肉运动单元发放波形输入ART2神经网络，在神经元中设置非线性函数抑制噪声；

步骤四，在ART2识别分类过程中，动态更新分类模板，比较发放波形相似程度，输出分类结果；

步骤五，将各通道输出的分类结果进行差分运算，根据传播特征，确认肌肉运动单元；

步骤六，对所有发放序列归类整理，剔除重复以及不合理的发放时刻向量，合并同一肌肉运动单元发放波形，计算波形均值，优化结果。

优化的措施包括：

步骤四中，利用动态收缩过程中，发放波形的变化动态更新分类模板，具体更新公式如下：

z_i+1＝ηz_i+(1-η)s_i

其中z_i+1是更新后模板，z_i是更新前模板，η是更新系数，s_i是肌肉动态收缩变化因子，即p_i是动态输入变化的波形，N是波形长度。

与现有技术相比，本发明提供一种基于神经网络的肌肉运动单元提取方法，提取过程不需要进行神经网络训练，直接输入实际波形信号进行识别，简化了识别过程，节约运行时间。当新的输入波形不同时，如果波形变化是在动态收缩变化的范围内时，分配到现有模板并更新模板，否则，生成新的模板。本发明在确认肌肉运动单元时，考虑了波形传播特性，提高了提取肌肉运动单元的准确性。

附图说明

图1是本发明流程图。

图2是本发明实施例的肌肉运动单元位置示意图。

具体实施方式

以下结合附图实例对本发明作进一步详细描述，本领域技术人员可由本说明书所揭露的内容轻易地实现。

如图1所示为本发明的流程图。

本发明提供一种基于神经网络的肌肉运动单元提取方法，其特征是包括以下步骤：

步骤一，采集肌肉在动态收缩时阵列式表面肌电信号，对信号滤波，削弱干扰。由于sEMG信号中包含各种干扰信号，预处理首先需要采用带通滤波器，保留10Hz--500Hz频段信号，然后采用陷波滤波器，滤除50Hz工频干扰。

步骤二，提取每个通道上的肌肉运动单元发放波形。提取时，设置峰值阈值，高于阈值，提取峰值时刻前后40ms长度的波形，否则不提取。

步骤三，将每一个通道的肌肉运动单元发放波形输入ART2神经网络，在神经元中设置非线性函数抑制噪声。首先，将ART2神经网络初始化，将参数赋予初值，然后将待分类的肌肉运动单元发放波形输入，最后计算ART2比较层和识别层矢量，找到获胜节点。在神经元中设置非线性函数抑制噪声，非线性函数为：

其中θ∈(0,1)为常数，x为输入的发放波形。

步骤四，在ART2识别分类过程中，动态更新分类模板，比较发放波形相似程度，输出分类结果。ART2神经网络由识别层的获胜节点送回顶向下矢量，计算相似程度。利用动态收缩过程中，发放波形的变化动态更新分类模板，具体更新公式如下：

z_i+1＝ηz_i+(1-η)s_i

其中z_i+1是更新后模板，z_i是更新前模板，η是更新系数，s_i是肌肉动态收缩变化因子，即p_i是动态输入变化的波形，N是波形长度。

根据上述更新后的分类模板，计算输入的肌肉运动单元发放波形与模板的相似程度，将输入的发放波形接收或不接受为获胜节点，并调整ART2神经网络的顶向上矢量和底向上矢量。

步骤五，将各通道输出的分类结果进行差分运算，根据传播特征，确认肌肉运动单元。根据时序对应关系，将各电极上的波形做差分运算，如图2所示，根据图上的信号和肌肉运动单元发放波形向两侧传输的特性，终板区的波形最小，确定肌肉运动单元，图2中“*”处为肌肉运动单元终板区。

步骤六，对所有发放序列归类整理，剔除重复以及不合理的发放时刻向量，合并同一肌肉运动单元发放波形，计算波形均值。

综上所述，本发明采用ART2神经网络对肌肉运动单元波形进行分类，分类过程中不需要进行神经网络训练，直接输入实际波形信号进行识别，简化了识别过程，节约运行时间。在分类过程中，为了应对肌肉动态收缩时运动单元的变化，动态更新分类模板。本发明在确认肌肉运动单元时，考虑了波形传播特征，提高了提取肌肉运动单元的准确性。本发明实现简单，满足实际应用的需要。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。