(12)发明专利申请
(10)申请公布号 CN 112120697 A(43)申请公布日 2020.12.25
(21)申请号 202011019909.3(22)申请日 2020.09.25
(71)申请人 福州大学
地址 350108 福建省福州市闽侯县福州大
学城乌龙江北大道2号福州大学(72)发明人 姜海燕 陈艳 黄书萍 杜民 (74)专利代理机构 福州元创专利商标代理有限
公司 35100
代理人 丘鸿超 蔡学俊(51)Int.Cl.
A61B 5/0488(2006.01)A61B 5/00(2006.01)
权利要求书3页 说明书7页 附图2页
CN 112120697 A(54)发明名称
一种基于表面肌电信号的肌肉疲劳提前预测与分类方法(57)摘要
本发明涉及一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，包括以下步骤：（1）选取与关节运动相关肌肉的表面肌电信号；（2）对
然后对信号进获取的表面肌电信号进行预处理，
行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、LZ复杂度和多尺度熵；（3）分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测；（4）采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。该方法可以提前预测肌肉疲劳。
CN 112120697 A
权 利 要 求 书
1/3页
1.一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，包括以下步骤：
(1)选取与关节运动相关肌肉的表面肌电信号；(2)对获取的表面肌电信号进行预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、LZ复杂度和多尺度熵；
(3)分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测；
(4)采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。2.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(2)中，小波包熵的提取方法为：
(201)对表面肌电信号进行第j层小波包分解，得到2j个结点所对应的小波包系数：
其中，n为小波包系数长度，表示第j层小波包分解得到的系数长度为n的第k个结点的小波包系数；
(202)取第j层各结点的小波包系数进行重构，得到各结点的小波包重构信号Dj,k；(203)计算小波包重构信号Dj,k对应的能量Ej,k以及小波包重构信号的总能量E，其表达式如下：
其中，Dj,k(t)是Dj,k中的第t个离散数据，t＝1,2,...n；(204)对Ej,k进行归一化处理，归一化的能量Pj,k为：
(205)计算小波包重构信号Dj,k对应的小波包熵WEj,k和总熵值WEtotal，其表达式如下：WEj,k＝-Pj,klogPj,k (5)
如果表面肌电信号能量集中在一个子频带中，计算的WEtotal为零，即表面肌电信号为有序的，反之则相反。
3.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(2)中，LZ复杂度的提取方法为：
将表面肌电信号的数字序列转换成符号序列，即将表面肌电信号得到值x(n)与预设的阈值进行比较，得到二进制序列s(n)，序列之和即为LZ复杂度。
2
CN 112120697 A
权 利 要 求 书
2/3页
4.根据权利要求3所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，采用表面肌电信号的均值作为预设的阈值σ，表面肌电信号得到值x(n)大于阈值σ时，二进制序列取值为1，其他情况取值都为0，其具体公式为：
以上面计算得到的序列之和作为LZ复杂度的值，并根据其值判断信号的复杂度；计算得到的值越大说明该信号的复杂度大，反之则说明该信号的复杂度小。
5.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(2)中，多尺度熵的提取方法为：
设表面肌电信号的时间序列为：x1,x2...,xn，采样频率为fs，则信号的原时间尺度为1/fs；
采用非重叠式粗粒化数据，时间尺度为j，即每次跳跃j个数据，并取j个数据进行平均以产生新的数据，其计算公式为：
y1＝(x1+x2+…+xj)/j，y2＝(xj+1+xj+2+…+x2j)/j，……；以此类推，直至处理完所有数据；
然后计算每个尺度对应的样本熵及所选尺度范围内的样本熵值之和，即为多尺度熵；波动比较大的时间序列会产生比较大的熵值，反之则相反。
6.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(3)中，采用改进的自适应归一化最小均方滤波器NLMS算法对每个特征参量进行特征参量预测的具体方法为：
(301)设提前预测的时间点数为l，特征向量提前预测的时间t＝l/ft，其中ft为特征参量的频率；输入特征参量y、训练窗口尺寸m、提前预测的时间点数l、学习率u、特征向量的长度N，其中，y为非线性特征参量中的一个；根据训练窗口点数m，初始化权重系数矩阵z为m×1的零矩阵；
(302)执行for循环，循环点数n从m+l到N-l；
(303)取n-m-l到n-l之间的m个原始样本点数据组成m×1的矩阵，将权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n个样本点的输出值y'[n]；
(304)计算此时预测的输出值y'[n]与原始的数据点y[n]之间的误差e；
(305)根据误差e对权重z进行更新，更新公式为
(306)取n-m到n之间的m个原始样本点数据组成新的m×1矩阵，将更新后的权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n+l个样本点的输出值y'[n+l]；
(307)返回到步骤(303)计算后面的样本输出值y'，直到循环点数n＝N-l循环结束；输出预测的特征参量y'，其中y'为输入的非线性特征向量的预测值。
7.根据权利要求1所述的一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，其特征在于，所述步骤(4)中，采用改进的小脑模型神经网络对预测得到的特征参量进行疲劳分类识别的具体方法为：
小脑模型神经网络包括输入层、联想记忆层、感受野、权值记忆层以及输出层，所述联想记忆层的激活函数采用高斯型小波函数，具体为采用高斯函数的一阶导数作为小波函
3
CN 112120697 A
权 利 要 求 书
3/3页
数，其计算公式如下所示：
其中，x为输入到联想记忆层的信号，b和a分别为小波函数的平移和扩张参数；对于这种高斯型小波函数，b和a也是高斯函数的均值和方差；
输出层激活函数采用sigmoid函数：
其中x是输入到输出层的信号；输入层到输出层之间的表达式为：
其中，Ii为输入特征向量，m为特征向量维数；wik和wk分别是输入层与联想记忆层之间以及感受野与输出层之间的权值；n表示对输入向量特征的分辨率；为了增加网络的收敛性，误差函数使用的是交叉熵函数，其计算公式为：
其中，y为肌肉疲劳程度真实的输出值，是小脑模型神经网络的肌肉疲劳程度预测值；当小脑模型神经网络的输出值大于等于设定阈值g时，神经网络判断其状态为疲劳状态，当小于设定阈值g时，神经网络判断其状态为非疲劳。
4
CN 112120697 A
说 明 书
1/7页
一种基于表面肌电信号的肌肉疲劳提前预测与分类方法
技术领域
[0001]本发明属于表面肌肉信号分类技术领域，具体涉及一种基于表面肌电信号的肌肉疲劳提前预测与分类方法。
背景技术
[0002]在日常生活中，肌肉疲劳是一种常见的生理现象，通常是因为长时间运动或者发力而导致的肌肉无力或者酸痛的感觉。肌疲劳的定义是肌体由于肌肉运动系统的收缩能力暂时的下降而不能维持预期运动强度的动作。肌肉疲劳的评估在多个领域都具有广泛的应用，例如，在康复医学和体育运动学领域，肌疲劳可用于评估患者锻炼或运动员训练的强度，根据每个人的具体情况制定适合个体的锻炼或训练计划，防止过度疲劳引起的永久性肌肉损伤等等。
[0003]在康复训练治疗中，如果长时间不顾肌肉的疲劳而过量运动很可能会对肌体产生伤害，所以我们需要实时了解肌肉的疲劳状况，避免对肌体产生伤害。因此，对肌肉状态进行提前预测显得尤为重要。但是肌肉疲劳是一种复杂的生理状态，很难评估和量化，因为它同时反映了生理和心理方面的问题。此外，肌肉疲劳的时间进程和发展因受试者而异，这使得确定肌肉疲劳是个很严峻的问题。因此，研究一种能够适应个体并提前预测肌肉疲劳的方法具有必要性。实时监测并提前预测肌肉疲劳状态有助于医生和理疗师对患者进行康复治疗，并作为判断预后和诊断的指标。此外，预测肌肉活动和疲劳可以通过防止个人达到受伤风险的肌肉活动水平从而服务于更广泛的人群。
[0004]表面肌电信号(sEMG)是由运动时肌肉兴奋所产生的动作电位序列在皮肤表面叠加而成，是一种非平稳的微弱生物电信号。它可以反映神经肌肉系统的生理状态及活动情况，与肌肉疲劳之间有个重要关系，其特征能较好的表征肌体的疲劳状态，凭借它的反馈可以及时了解自身肌肉所处的状态。并且表面肌电信号的采集方式是无创采集，具有简便易操作的优势，所以基于表面肌电信号的疲劳研究是一种有效的方法。发明内容
[0005]本发明的目的在于提供一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，该方法可以提前预测肌肉疲劳。[0006]为实现上述目的，本发明采用的技术方案是：一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，包括以下步骤：[0007](1)选取与关节运动相关肌肉的表面肌电信号；[0008](2)对获取的表面肌电信号进行预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、LZ复杂度和多尺度熵；[0009](3)分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据
5
CN 112120697 A
说 明 书
2/7页
设定的提前预测时间段进行特征参量的提前预测；[0010](4)采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。
[0011]进一步地，所述步骤(2)中，小波包熵的提取方法为：[0012](201)对表面肌电信号进行第j层小波包分解，得到2j个结点所对应的小波包系数：
[0013][0014]
其中，n为小波包系数长度，表示第j层小波包分解得到的系数长度为n的第k
个结点的小波包系数；
[0015](202)取第j层各结点的小波包系数进行重构，得到各结点的小波包重构信号Dj,k；[0016](203)计算小波包重构信号Dj,k对应的能量Ej,k以及小波包重构信号的总能量E，其表达式如下：
[0017]
[0018][0019][0020][0021][0022]
其中，Dj,k(t)是Dj,k中的第t个离散数据，t＝1,2,...n；(204)对Ej,k进行归一化处理，归一化的能量Pj,k为：
(205)计算小波包重构信号Dj,k对应的小波包熵WEj,k和总熵值WEtotal，其表达式如WEj,k＝-Pj,klogPj,k (5)
下：
[0023][0024]
如果表面肌电信号能量集中在一个子频带中，计算的WEtotal为零，即表面肌电信号
为有序的，反之则相反。[0026]进一步地，所述步骤(2)中，LZ复杂度的提取方法为：[0027]将表面肌电信号的数字序列转换成符号序列，即将表面肌电信号得到值x(n)与预设的阈值进行比较，得到二进制序列s(n)，序列之和即为LZ复杂度。[0028]进一步地，采用表面肌电信号的均值作为预设的阈值σ，表面肌电信号得到值x(n) 大于阈值σ时，二进制序列取值为1，其他情况取值都为0，其具体公式为：
[0029][0030]
[0025]
以上面计算得到的序列之和作为LZ复杂度的值，并根据其值判断信号的复杂度；计算得到的值越大说明该信号的复杂度大，反之则说明该信号的复杂度小。[0031]进一步地，所述步骤(2)中，多尺度熵的提取方法为：
6
CN 112120697 A[0032]
说 明 书
3/7页
设表面肌电信号的时间序列为：x1,x2...,xn，采样频率为fs，则信号的原时间尺度
为1/fs；
[0033]采用非重叠式粗粒化数据，时间尺度为j，即每次跳跃j个数据，并取j个数据进行平均以产生新的数据，其计算公式为：[0034]y1＝(x1+x2+…+xj)/j，y2＝(xj+1+xj+2+…+x2j)/j，……；[0035]以此类推，直至处理完所有数据；
[0036]然后计算每个尺度对应的样本熵及所选尺度范围内的样本熵值之和，即为多尺度熵；波动比较大的时间序列会产生比较大的熵值，反之则相反。[0037]进一步地，所述步骤(3)中，采用改进的自适应归一化最小均方滤波器NLMS算法对每个特征参量进行特征参量预测的具体方法为：[0038](301)设提前预测的时间点数为l，特征向量提前预测的时间t＝l/ft，其中ft为特征参量的频率；输入特征参量y、训练窗口尺寸m、提前预测的时间点数l、学习率u、特征向量的长度N，其中，y为非线性特征参量中的一个；根据训练窗口点数m，初始化权重系数矩阵z为m×1的零矩阵；[0039](302)执行for循环，循环点数n从m+l到N-l；[0040](303)取n-m-l到n-l之间的m个原始样本点数据组成m×1的矩阵，将权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n个样本点的输出值y'[n]；[0041](304)计算此时预测的输出值y'[n]与原始的数据点y[n]之间的误差e；
[0042][0043]
(305)根据误差e对权重z进行更新，更新公式为
(306)取n-m到n之间的m个原始样本点数据组成新的m×1矩阵，将更新后的权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n+l个样本点的输出值y'[n+l]；[0044](307)返回到步骤(303)计算后面的样本输出值y'，直到循环点数n＝N-l循环结束；
[0045]输出预测的特征参量y'，其中y'为输入的非线性特征向量的预测值。[0046]进一步地，所述步骤(4)中，采用改进的小脑模型神经网络对预测得到的特征参量进行疲劳分类识别的具体方法为：
[0047]小脑模型神经网络包括输入层、联想记忆层、感受野、权值记忆层以及输出层，所述联想记忆层的激活函数采用高斯型小波函数，具体为采用高斯函数的一阶导数作为小波函数，其计算公式如下所示：
[0048]
[0049]
其中，x为输入到联想记忆层的信号，b和a分别为小波函数的平移和扩张参数；对于这种高斯型小波函数，b和a也是高斯函数的均值和方差；[0050]输出层激活函数采用sigmoid函数：
[0051]
7
CN 112120697 A[0052][0053][0054][0055]
说 明 书
4/7页
其中x是输入到输出层的信号；输入层到输出层之间的表达式为：
其中，Ii为输入特征向量，m为特征向量维数；wik和wk分别是输入层与联想记忆层
之间以及感受野与输出层之间的权值；n表示对输入向量特征的分辨率；为了增加网络的收敛性，误差函数使用的是交叉熵函数，其计算公式为：
[0056]
[0057]其中，y为肌肉疲劳程度真实的输出值，是小脑模型神经网络的肌肉疲劳程度预
测值；
[0058]
当小脑模型神经网络的输出值大于等于设定阈值g时，神经网络判断其状态为疲
劳状态，当小于设定阈值g时，神经网络判断其状态为非疲劳。
相较于现有技术，本发明具有以下有益效果：该方法选取与关节运动相关肌肉的表面肌电信号，提取肌肉的非线性特征作为疲劳特征向量，采用改进的自适应NLMS算法进行特征预测，最后采用改进的小脑模型神经网络进行疲劳分类识别，从而实现了基于肌肉的表面肌电信号提前预测肌肉疲劳的目的，可广泛应用于康复医学和体育运动学领域，评估患者锻炼或运动员训练的强度。
附图说明
[0060]图1是本发明实施例的方法实现流程图。
[0061]图2是本发明实施例中采用改进的自适应归一化最小均方滤波器算法预测特征参量的实现流程。
具体实施方式
[0062]下面结合附图及具体实施例对本发明作进一步的详细说明。[0063]请参见图1，本发明提供了一种基于表面肌电信号的肌肉疲劳提前预测与分类方法，, 包括以下步骤：[00](1)选取与关节运动相关肌肉的表面肌电信号，如腓肠肌、胫骨前肌、腓骨长肌等的表面肌电信号。[0065](2)对获取的表面肌电信号进行消噪等预处理，然后对信号进行分段处理，并对每段信号提取非线性特征参量作为疲劳特征向量，所述非线性特征参量包括小波包熵、 LZ(Lempel-Ziv)复杂度和多尺度熵。[0066]其中，小波包熵的提取方法为：[0067](201)对表面肌电信号进行第j层小波包分解，得到2j个结点所对应的小波包系数：
[0068][0059]
8
CN 112120697 A[0069]
说 明 书
5/7页
其中，n为小波包系数长度，表示第j层小波包分解得到的系数长度为n的第k
个结点的小波包系数；
[0070](202)取第j层各结点的小波包系数进行重构，得到各结点的小波包重构信号Dj,k；[0071](203)计算小波包重构信号Dj,k对应的能量Ej,k以及小波包重构信号的总能量E，其表达式如下：
[0072]
[0073][0074][0075][0076][0077]
其中，Dj,k(t)是Dj,k中的第t个离散数据，t＝1,2,...n；(204)对Ej,k进行归一化处理，归一化的能量Pj,k为：
(205)计算小波包重构信号Dj,k对应的小波包熵WEj,k和总熵值WEtotal，其表达式如WEj,k＝-Pj,klogPj,k (5)
下：
[0078][0079]
如果表面肌电信号能量集中在一个子频带中，计算的WEtotal为零，即表面肌电信号
为有序的，反之则相反。
[0081]LZ复杂度分析方法是分析肌电信号的一种非线性指标方法，该方法不需要过多的信号数据，并且具有良好的抗干扰性能。LZ复杂度的提取方法为：[0082]将表面肌电信号的数字序列转换成符号序列，即将表面肌电信号得到值x(n)与预设的阈值进行比较，得到二进制序列s(n)，序列之和即为LZ复杂度。本发明中，采用表面肌电信号的均值作为预设的阈值σ，表面肌电信号得到值x(n)大于阈值σ时，二进制序列取值为1，其他情况取值都为0，其具体公式为：
[0083][0084]
[0080]
以上面计算得到的序列之和作为LZ复杂度的值，并根据其值判断信号的复杂度。计算得到的值越大说明该信号的复杂度大，反之则说明该信号的复杂度小。[0085]多尺度熵的提取方法为：
[0086]设表面肌电信号的时间序列为：x1,x2...,xn，采样频率为fs，则信号的原时间尺度为1/fs；
[0087]采用非重叠式粗粒化数据，时间尺度为j，即每次跳跃j个数据，并取j个数据进行平均以产生新的数据，其计算公式为：[0088]y1＝(x1+x2+…+xj)/j，y2＝(xj+1+xj+2+…+x2j)/j，……；[00]以此类推，直至处理完所有数据；
9
CN 112120697 A[0090]
说 明 书
6/7页
本实施例中取j＝40，即每次跳跃40个数据，并取40个数据进行平均以产生新的数
据。其计算公式为：y1＝(x1+x2+...+x40)/40；y2＝(x41+x42+...+x80)/40，以此类推。[0091]然后计算每个尺度对应的样本熵及所选尺度范围内的样本熵值之和，即为多尺度熵。一个波动比较大的时间序列会产生比较大的熵值，反之则相反。[0092](3)分别对每个特征参量采用改进的自适应归一化最小均方滤波器NLMS算法进行特征参量预测，改进的自适应NLMS算法利用NLMS在每一个时间步自适应更新的特性，根据设定的提前预测时间段进行特征参量的提前预测。[0093]如图2所示，采用改进的自适应归一化最小均方滤波器NLMS算法对每个特征参量进行特征参量预测的具体方法为：[0094](301)设提前预测的时间点数为l，特征向量提前预测的时间t＝l/ft，其中ft为特征参量的频率；输入特征参量y、训练窗口尺寸m、提前预测的时间点数l、学习率u、特征向量的长度N，其中，y为非线性特征参量中的一个；根据训练窗口点数m，初始化权重系数矩阵z为m×1的零矩阵；[0095](302)执行for循环，循环点数n从m+l到N-l；[0096](303)取n-m-l到n-l之间的m个原始样本点数据组成m×1的矩阵，将权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n个样本点的输出值y'[n]；[0097](304)计算此时预测的输出值y'[n]与原始的数据点y[n]之间的误差e；
[0098][0099]
(305)根据误差e对权重z进行更新，更新公式为
(306)取n-m到n之间的m个原始样本点数据组成新的m×1矩阵，将更新后的权重系数矩阵z的转置与该矩阵相乘计算得到预测的第n+l个样本点的输出值y'[n+l]；[0100](307)返回到步骤(303)计算后面的样本输出值y'，直到循环点数n＝N-l循环结束；
[0101]输出预测的特征参量y'，其中y'为输入的非线性特征向量的预测值。[0102](4)采用改进的小脑模型神经网络对预测得到的这些特征参量进行疲劳分类识别。
[0103]小脑模型神经网络是基于神经生理学出的一种快速、泛化能力强、局部逼近的神经网络。本发明将改进的小脑模型神经网络用于对预测得到的特征参量进行疲劳分类识别，其具体方法为：
[0104]小脑模型神经网络包括输入层、联想记忆层、感受野、权值记忆层以及输出层，本发明中联想记忆层的激活函数采用高斯型小波函数，具体为采用高斯函数的一阶导数作为小波函数，其计算公式如下所示：
[0105]
其中，x为输入到联想记忆层的信号，b和a分别为小波函数的平移和扩张参数；对于这种高斯型小波函数，b和a也是高斯函数的均值和方差；[0107]输出层激活函数采用sigmoid函数：
[0106]
10
CN 112120697 A[0108][0109][0110][0111][0112]
说 明 书
7/7页
其中x是输入到输出层的信号；输入层到输出层之间的表达式为：
其中，Ii为输入特征向量，m为特征向量维数，此处m取值为3；wik和wk分别是输入层
与联想记忆层之间以及感受野与输出层之间的权值；n取值为9，表示对输入向量特征的分辨率；为了增加网络的收敛性，本发明的误差函数使用的是交叉熵函数，其计算公式为：
[0113][0114]
其中，y为肌肉疲劳程度真实的输出值，是小脑模型神经网络的肌肉疲劳程度预
测值；
[0115]
当小脑模型神经网络的输出值大于等于设定阈值g时，神经网络判断其状态为疲
劳状态，当小于设定阈值g时，神经网络判断其状态为非疲劳。
[0116]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
11
CN 112120697 A
说 明 书 附 图
1/2页
图1
12
CN 112120697 A
说 明 书 附 图
2/2页
图2
13
因篇幅问题不能全部显示，请点此查看更多更全内容