表面肌电采集信号的系统设计与算法分析

针对表面肌电信号的微弱性、低频性和强噪声性,设计了高共模抑制比、抗干扰能力强的表面肌电信号采集系统,并对采集到的信号进行处理分析.系统中包含放大电路、滤波电路、电平抬升电路、主控电路,采集受试者手臂放松、握拳、展臂、模拟震颤四种姿势的表面肌电信号,经串口通信将传感器所采集到的数据上传至上位机,之后将采集到的表面肌电信号...     

表面肌电信号前端处理系统

设计了高共模抑制比的表面肌电信号前端处理系统。采用并联型双运放差动放大器、阻容耦合电路以及仪器放大器INA128构成初级放大电路对微弱的表面肌电信号进行放大,并获得高输入阻抗和高共模抑制比;引入屏蔽驱动、右腿驱动以及浮地电源来进一步提高系统的共模抑制比和抗干扰能力;设计高通和低通滤波器以及50 Hz工频陷波器,对不同频段的噪声进行滤除。通过实验测试,该系统具有较强的抗干扰能力,并且能够有效滤除噪声、抑制工频干扰,满足表面肌电信号去噪和放大的要求。     

脑电信号在线采集系统设计与实现

为了实现对脑电信号的实时采集,设计了一种基于ADS1299的无线脑电信号采集系统。该系统由硬件和软件两部分构成,硬件部分由以ADS1299为核心构成的信号采集模块、ATmega328主控制模块、RFD22301数据传输模块组成;软件部分则使用Java编写上位机检序,能够实时显示与处理脑电信号。高共模抑制比和高信噪比的前置放大器设计是信号采集模块设计的关键。同时,对经典的双T陷波电路进行改进,使得Q因子可调。通过一系列的采集和处理,最终实现脑电信号在上位机上的实时显示。     

表面膈肌肌电的测量系统的设计与实现

膈肌肌电信号能很好地反映人的呼吸情况,针对传统一般用食道电极采集的现状,设计一个基于表面电极的膈肌肌电测量系统;在体表采集膈肌肌电信号并放大、滤波,采用以AD620为核心的前置放大器,其共模干扰抑制比大于100DB,通过高、低通滤波和50Hz陷波器分别滤除极化电压、高频噪声和工频噪声等干扰信号;多级放大后的信号经数学形态法滤除心电干扰后得到比较纯净的膈肌肌电信号;对该信号求取均方根值即可估算膈肌肌电强度,作为今后呼吸机机械通气触发和辅助支持的依据;实验验证了该测量系统能有效抑制工频等干扰,得到良好的膈肌肌电信号。     

基于USB数据采集便携式心电监护仪的设计

主要针对人体心电信号微弱,易干扰,不易放大的特点,设计了心电信号采集放大的前端电路,并以此为基础进行模数转换,利用USB接口实现数据的PC上传,并对采集到心电信号数据进行分析和处理,同时存储、回显心电波形。设计了基于MFC可视化的上位机软件,具有简单,易用的特性。系统电路具有小型化,模块化,低功耗的特点,适用于家庭便携式的心电监。     

低功耗便携式心电仪的设计

介绍了一种低功耗便携式心电仪的设计与实现.采用MSP430F169作为核心控制器,配有心电信号采集调理电路、液晶显示模块和数据存储模块等.该心电仪能够对心电进行实时采集处理、显示,而且可以将存储在SD卡内的数据通过USB接口在上位机上进行显示、分析,功耗低、方便携带,有较强的通用性.     

从肌电信号中减少工频干扰方法的性能比较分析

如何从肌电信号中有效地减少工频干扰一直是肌电信号检测与应用中的突出问题。本文总结数字陷波、LMS自适应滤波、卡尔曼(Kalman)滤波和S变换等几种适合进行实时工频干扰去除的方法,研究和分析它们在去除肌电信号中工频干扰的性能。初步结果表明:Kalman滤波方法在从肌电信号中减少工频干扰方面表现出了较好的整体性能,而S变换方法对具有严重工频干扰的肌电信号具有较好的噪声抑制效果。     

基于USB的pH值控制器数据通讯的实现

介绍了基于ATMEL公司的AT91M55800的糖厂pH值控制器与上位机USB通讯的实现.包括三个方面:一是AT91M55800上USB软硬件的设计;二是上位机上USB驱动的编写;三是上位机应用软件的实现.采用USB方式传输现场数据,具有数据传输快速稳定,使用方便、即插即用、支持热插拔等等优点.配合上位机软件,可以清晰直观的采集和显示现场澄清工段的pH值数据.     

高共模抑制比脑电放大电路设计

脑电信号的获取受到各种噪声的干扰,设计一种高共模抑制比的放大电路对脑电信号探测具有重要的意义。从仪表放大器的原理出发,对脑电信号特征进行分析,采用交流耦合、并联放大、差分放大与右腿驱动电路技术,设计了一种高共模抑制比的脑电放大电路,用PSpice仿真工具分析与验证,结果显示理想情况下电路的CMRR可达155dB,而实际应用中应精心挑选电子元器件。     

基于SOPC的复合式生理信号检测系统设计

设计完成了一种多生物电信号采集能力并能完成生物电信号模式识别和辅助诊断的复合式生物电信号检测系统。系统通过具备双通道的低噪声高共模抑制比的前置采集放大电路,可实现心电信号和表面肌电信号两种体表生物电信号的检测。通过FPGA硬件化实现的小波分解模块和在NiosⅡ软核中实现的FFT和BP神经网络算法,可以完成对采集到的心电信号心率监测、QRS波群的检测和ST段形态识别反馈监护者的健康信息;并通过提取表面肌电信号活跃段数据和时频域参数为运动性肌肉疲劳评估提供参考。系统通过LCD屏、音频输出和SD卡存储能够完成对信号实时波形和监护参数显示、报警输出和长时间监护数据的存储。     

基于小波阈值的sEMG信号消噪方法研究

在表面肌电（sEMG）信号采集过程中,不可避免的会出现噪声,特别是人体运动时,肌肉动态收缩,采集的结果含噪就会更多。针对含噪情况,提出基于小波阈值的sEMG信号消噪方法。通过选择肌电信号的采集位置,在采用高精度的肌电采集系统的基础上,采集正常行走过程中胫骨前肌的sEMG信号,利用matlab小波工具箱,用dbN小波函数进行分解后,用detcoef函数提取不同尺度的细节系数,将与噪声相关的细节系数进行强制阈值消噪,对信号相关的细节系数用minimaxi阈值规则进行软阈值消噪,并与分层阚值得到的降噪信号进行比较,分层阈值得到的降噪信号过于光滑,降噪后的信号能量保留成份仅为46．48％,失去了原信号本身的一些信息。而采用软闯值消噪,不仅较好的去除了噪声,而且与原信号保持了很好的相似性,能量保留成份达到86．38％,说明比分层阈值具有更好的消噪效果。     

基于表面肌电和组织阻抗信息融合的手势识别研究

手势识别中的一种常见方式是通过表面肌电信号来实现。为提高手势识别的稳定性和精度, 通常需要采集多个通道的肌电信号,但这会增加电极传感器的数量以及识别系统的复杂度。因此,如 何利用较少量的通道采集信号并确保手势识别的性能一直是肌电信号应用到意图识别的研究方向之 一。该研究设计了一款便携式四通道肌电和阻抗双模信号采集器,在不增加额外传感器和通道数的情 况下,能同时采集肌电信号和差分电极对之间的组织阻抗信号。初步实验结果表明,通过该系统采集 的四通道融合信息可以提升手势识别的准确率和稳定性。与仅采集肌电信息相比,该研究采用的肌电 与阻抗信息融合方法可以将手势识别性能提升 3% 以上,达到 96.2% 的识别率。     

高密度表面肌电信号无线数据采集同步机制研究

高密度表面肌电信号研究需要获取高精度、高空间分辨率、高质量的肌电信号,同时也对采集系统的便捷性、响应性、续航能力等方面提出了更高要求.本文在考虑可穿戴性、实时性、高通量等基础上,对sEMG采集系统架构和传输网络设计进行了深入研究,设计了基于模块化分层架构、有线USB结合无线WIFI传输模式、异步采集和同步聚合方法、双缓存和时隙切换的高精度同步机制的实时肌电采集通信系统.为验证系统功能和算法机制,本文还构建了实验平台装置,实现了128通道1 kHz采样率16 bit精度sEMG信号的实时采集、处理和传输.通过测试,在采用通信周期为50 ms下,通道间同步误差小于320μs,刷新率可达20 Hz,系统的平均延时小于80 ms.     

Signal processing evaluation of myoelectric sensor placement in low‐level gestures: sensitivity analysis using independent component analysis

Surface electromyogram (sEMG) is a technique in which electrodes are placed on the skin overlying a muscle to detect the electrical activity. Multiple electrical sensors are essential for extracting intrinsic physiological and contextual information from the corresponding sEMG signals. The reason, why more than just one sEMG signal capture has to be used, is as follows: Due to signal propagation inside the human body in terms of an electrical conductor, there cannot be a one‐to‐one mapping of activities between muscle fibre groups and corresponding sEMG sensing electrodes. Each of such electrodes rather records a composition of many, and widely activity‐independent signals, and such kind of raw signal capture cannot be efficiently used for pattern matching due to its linear dependency. On the other hand, Independent component analysis (ICA) provides the perfect answer of separating skin surface recordings into a set of independent muscle actions. Hence, there is a need for a method that indicates the quality of the sensor placements in sEMG. The purpose of this paper is to describe the use of source separation for sEMG using ICA. The actual use in practical sEMG experiments is demonstrated, when the number of recording channels for electrical muscle activities is varied.     

基于谱插值与经验模态分解的表面肌电信号降噪处理*

根据表面肌电(surface electromyography, sEMG)信号的噪声特性来探讨其降噪方法的应用问题。采用谱插值法来削弱工频干扰以避免工频处的肌电信息成分丢失,再选取通过经验模态分解(empirical mode decomposition, EMD)方法获得的内在模态函数(intrinsic mode function, IMF)分量作小波软阈值分析,并将部分明显的低频IMF干扰分量及冗余分量去除,然后对相应IMF分量进行重构便可得到降噪处理后的sEMG信号。仿真和真实信号的降噪实验结果     

基于ZigBee的无线肌电检测系统设计

针对目前表面肌电信号采集系统尺寸大,不易携带的缺陷,设计了一种基于ZigBee技术的无线表面肌电信号检测系统。系统由前置放大电路、带通信号调理电路和基于单片机CC2430的无线数据收发电路组成。该电路系统能有效覆盖带宽为10～500Hz的表面肌电信号,实现肌电信号的采集和与上位机的无线射频通信。应用实践表明,此系统能够通过ZigBee无线网络对人体肌电信号进行实时采集,具有移动性和便携性,因此能广泛适用于健康运动监测和医院移动监测等领域。     

基于EEMD和二代小波变换的表面肌电信号消噪方法

为了更好地消除混杂在表面肌电信号(sEMG)中的噪声,提出了一种基于总体平均经验模式分解(EEMD)和二代小波变换的sEMG消噪新方法。首先对信号加入白噪声处理后进行经验模态分解(EMD),然后对高频的内蕴模式函数(IMF)分量进行二代小波阈值消噪处理,最后把处理后的高频IMF分量与低频IMF分量进行叠加,重构后的信号即为去噪信号。实验结果表明,该方法融合了二代小波与EEMD的优点,能更好的消除噪声,最大限度的保留有用信号,并具有更高的信噪比。     

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集.利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据.采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%.研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展.     

多通道表面肌电信号降噪与去混迭研究

通过数据采集装置同时采集多路表面肌电信号(sEMG)时,信号之间往往存在相互混迭的现象。为了得到有效的sEMG,提出了一种基于二代小波变换和独立分量分析(ICA)相结合的降噪与去混迭方法。先利用二代小波变换对sEMG降噪再利用改进的FastICA算法对降噪后的信号进行ICA分离,最后通过互相关系数验证去混迭效果。实验结果表明,所提方法能够有效降低噪声并去除相邻通道间产生的混迭。     

基于表面肌电信号的肌肉疲劳状态分类系统

为了实现肌肉疲劳状态的准确检测分类,提出一个完整的基于人体表面肌电（sEMG）信号的肌肉疲劳分类与检测系统。首先,通过AgCl表面贴片电极和高精度模拟前端ADS1299采集人体sEMG信号,进行小波消噪等预处理之后,提取可反映人体肌肉疲劳状态的sEMG信号时域和频域特征。然后,在常用特征如积分肌电图（IEMG）、均方根（RMS）、中值频率（MF）以及平均功率频率（MPF）基础上,为更加精细地刻画人体肌肉疲劳状态,引入sEMG信号的频域特征带谱熵（BSE）;为弥补傅里叶变换分析非平稳信号的不足,引入sEMG信号时频特征——基于经验模态分解-希尔伯特变换（EEMD-HT）的平均瞬时频率。最后,为提高肌肉非疲劳和疲劳状态分类的准确度,利用含突变的粒子群优化算法优化支持向量机（PSO-SVM）并对sEMG进行分类,实现人体肌肉疲劳状态检测。征集15名健康男青年进行sEMG信号采集实验,建立sEMG信号库,提取特征进行分类实验。实验结果表明,所提的系统能够进行高精度sEMG信号采集和肌肉疲劳程度的高准确度分类,分类准确率大于90%。