肌电组研究方向

表面肌电（sEMG）信号简介：

表面肌电（sEMG）信号是肌肉收缩时伴随的电信号，是在体表无创检测肌肉活动的重要方法。sEMG信号的临床应用可以追溯到上个世纪60年代。随着电子工业和医学的发展，研究人员开始研制各种肌电假手，自从上世纪60年代苏联研制出世界上第一个实用肌电假肢以来，使用sEMG信号进行假肢的控制已成为国内外研究人员的工作重点。

我们研究表面肌电信号的检测与分析方法，应用于在康复医学和人体增强等领域。

图 1 表面肌电信号采集

通过美国NORAXON公司的肌电信号采集设备，受试者位于前臂上的肌肉所产生的sEMG信号被采集到计算机中并实时显示。采集后，数据将以一定格式存储，方便使用MATLAB等软件进行特征提取和分类。图2中可见随着受试者动作，其相关肌肉sEMG信号幅值变化强烈。

肌电信号处理流程：

图 2 肌电信号处理流程

工作原理：

首先在对应肌肉位置粘贴电极，连接传感器。开始采集后，传感器通过无线方式将sEMG信号传送到接收器，再通过USB方式传入计算机，随后在计算机上得进行后续处理。

表面肌电（sEMG）信号离线分类：

图 3 sEMG信号分类流程

图3中展示了sEMG信号的常见分类流程，使用肌电信号进行假肢控制一般有信号采集、预处理、特征提取和动作分类等步骤。

特征提取的意义在于利用较少的数据表征sEMG信号，是处理和识别信号的一个重要步骤。优秀的特征具有良好的表征能力和可分性能，可以减少识别算法的识别难度。国内外学者就肌电信号的特征提取方法已经进行了相当多的研究，主要方法有时域、频域、时-频域、非线性动力学、高阶谱以及混沌与分型等。

动作分类即使用现有数据构造分类模型，以将sEMG信号特征映射到给定动作。早期的分类方法使用肌电信号线性包络线均值作为评价肌肉活动的标准。具体做法是根据患者肌肉参数设定阈值，当线性包络线均值大于阈值时判定肌肉动作，反之则表示静息。这种方法算法简单，响应速度快，但单个传感器无法区分两个以上的动作。智能识别算法的出现则为利用少数传感器识别多个动作带来了可能。目前，应用于sEMG信号分类的算法主要有：神经网络、支持向量机、模糊分类、K近邻模型等。

水下肌电信号识别

传统的时域特征和频域特征容易受到噪声影响，水下肌电信号的特征因噪声干扰而发生变化。张量分解提取的特征不易受到噪声影响，可以反应肌肉活动状态，通过张量分解提取的特征能够体现肌电信号的真实信息，有利于提高水下肌电信号的识别准确率。本研究提出了基于张量分解的肌电信号特征提取方法。图4展示了水下肌电信号采集。

图 4 水下肌电信号采集

基于脉冲神经网络（SNN）的手势识别

脉冲神经网络(SNN)是第三代人工神经网络。信息在SNN中的传输和表达都是通过脉冲序列进行的，这使得SNN具有计算速度高、功耗低的优点。表面肌电信号编码器可能导致信息丢失，而网络解码器可能导致训练性能不佳。被刺激的神经元的强度可以用输入或输出峰值的频率（即折射率）来表示。受折射率原理的启发，我们提出了平滑的频域分解编码器，它将表面肌电信号转换为尖峰序列。此外，我们还提出了网络平均能量解码器，它将网络输出转换为识别结果。所采用的SNN是一个由灰狼优化器训练的三层全连接网络。通过一个手势识别任务，验证了所提出的方法。

图 5 脉冲神经网络的手势识别分析图

基于多模态信号的步态识别

神经生理学信号是潜在的大脑活动的表现，它们包含了丰富的神经信息。对这些信号的解码和理解有助于开发机器人外骨骼，有利于设备辅助的运动康复。到目前为止，已经进行了许多努力来探索神经生理信号和运动能力之间的关系。这些研究大多集中在神经生理信号的单一模式上，而忽略了其多种模式。本研究将两种生物传感器的模式(脑电信号(EEG)和肌电信号(EMG))融合，提出了一种新的深度学习模型(多尺度学习，MSL)对四种行走模式进行分类。

图 6 深度学习模型