应用小波变换和ICA方法的肌电信号分解.pdf

《应用小波变换和ICA方法的肌电信号分解.pdf》由会员分享，可在线阅读，更多相关《应用小波变换和ICA方法的肌电信号分解.pdf（5页珍藏版）》请在三一文库上搜索。

1、第2 1 卷第3 期 2 0 0 6 年 9 月 数据采集与处理 J o u r n a l o f D a t a A c q u i s i t i o n色P r o c e s s i n g Vo l . 2 1 No . 3 S e p . 2 0 0 6 文章编号: 1 0 0 4 - 9 0 3 7 ( 2 0 0 6 ) 0 3 - 0 2 7 2 - 0 5 应用小波变换和 I C A方法的肌电信号分解 任小梅 王志中 胡晓 , 2 ( 1 . 上海交通大学生物医学工程系， 上海， 2 0 0 0 3 0 ; 2 . 华南师范大学激光生命科学研究所， 广州， 5 1 0 6

2、 3 1 ) 摘要: 基于单通道、 短时真实 肌电( E MG) 记录和模拟E MG信号， 提出一种改进的肌电信号分解方法。首先应用小波 滤波、 硬阀 值估计等方法去除背景噪声和白 噪声， 并将独立成分分析( I C A ) 方法和小波滤波方法相结合去除工频干扰 信号， 然后再进行幅度滤波， 从而提高了系统的速度和强健性。在运动单元动作电位( MU A P ) 聚类以及从原始信号中 去除已 识别的MU A P波形等方面也进行了改进。与已 有的E MG分解方法相比， 本文方法更快速、 稳定。 关键词: 肌电信号分解; 独立成分分析( I C A ) ; 小波滤波; 闲值估计 中图分类号: R3

3、1 8文献标识码: A E MG S i g n a l D e c o mp o s i t i o n B a s e d o n Wa v e l e t T r a n s f o r m a n d I C A Me t h o d R e n X i a o m e i ， Wa n g Z h i z h o n g ， Hu X i a o 2 ( 1 . D e p a r t m e n t o f B i o m e d i c a l E n g i n e e r i n g , S h a n g h a i l i a o t o n g U n i v e r

4、s i t y , S h a n g h a i , 2 0 0 0 3 0 , C h i n a ; ， 2 . L a s e r L i f e S c i e n c e I n s t i t u t e , S o u t h C h i n a N o r ma l Un i v e r s i t y , G u a n g z h o u , 5 1 0 6 3 1 ， C h i n a ) A b s t r a c t :A n e f f e c t i v e me t h o d f o r e l e c t r o m y o g r a p h y (

5、E MG)s i g n a l d e c o mp o s i t i o n i s d e v e - l o p e d b a s e d o n t h e r e a l E MG r e c o r d i n g o f s i n g l e - c h a n n e l s h o r t p e r i o d f r o m n o r m a l s u b j e c t s a n d a r t i f i c i a l g e n e r a t e d E MG s i g n a l s . F i r s t l y ，t h i s p a p

6、 e r u t i l i z e s t h e w a v e l e t f i l t e r i n g a n d t h e t h r e s h o l d e s t i m a t i o n i n t h e w a v e l e t t r a n s f o r m t o r e d u c e t h e n o i s e i n E MG s i g n a l s a n d t o d e t e c t m o t o r u n i t a c t i o n p o t e n t i a l s ( MU A P ) . T h e n ，

7、 t h e p o w e r l i n e i n t e r f e r e n c e i s r e m o v e d f r o m E MG r e c o r d i n g b y c o m b i n i n g t h e i n d e p e n d e n t c o mp o n e n t a n a l y s i s( I C A)a n d t h e w a v e l e t f i l t e r m e t h o d . F i n a l l y ， t h e I C A m e t h o d i s u s e d t o s u

8、b t r a c t a l l t h e s e MU A P s p i k e s f r o m o r i g i n a l E MG s i g n a l s . C o m p a r e d w i t h e x i s t i n g E MG d e c o m p o s i t i o n m e t h o d s ， t h e m e t h o d i s f a s t a n d r e - l i a b l e . K e y w o r d s :E MG s i g n a l d e c o m p o s i t i o n ;i n

9、d e p e n d e n t c o m p o n e n t a n a l y s i s( I C A) ;w a v e l e t f i l t e r i n g ; t h r e s h o l d e s t i m a t i o n 引言 针电极肌电( E l e c t r o m y o g r a p h y , E MG ) 信号 是由微小电极记录， 由肌肉收缩时募集的所有运动 单元动作电位序列( Mo t o r u n i t a c t i o n p o t e n t i a l t r a i n , MU A P T ) 、 背景仪器噪声和

10、白噪声迭加而 成 的信号， 其 中包 含 了运 动单 元 动 作 电位 ( MU A P ) 的形状特征和发放模式等信息。 E MG信 号分解就是检测 E MG信号中的MUA P成分， 并 分类到相应的MU A P T的过程。 由于E MG信号分解结果可以提供医生临床 诊断和神经肌肉系统控制所需要的重要信息， 近 2 0 年来 E MG信号分解一直是 E MG领域的研究 热点之一。在2 0 世纪 8 0 年代， 计算机的引进使得 E MG信号分解过程可以通过计算机的辅助来完 成 1 -3 ， 其分解方法主要有模板匹配法和匹配滤波 法等。近年来， 由于各种新的模式识别方法和数字 信号分析方法，

11、诸如人工神经网络和各种时频分析 等方法的出现， 使E MG信号分解逐步演化为自动 E MG信号定量分析 4 -6 本文首先应用小波滤波和小波硬A值估计法 去除针电极 E MG信号中的背景和仪器噪声， 然后 对信号中所包含的工频干扰应用独立成分分析 墓金项 目 收稿 日期 国家“ 九七三” 首席科学家课题( 2 0 0 5 C B 7 2 4 3 0 3 ) 资助项目。 2 0 0 5 - 0 9 - 2 6 ; 修订 日期 : 2 0 0 6 - 0 1 - 2 2 万方数据 第 3 期 任小梅， 等: 应用小波变换和I C A方法的肌电信号分解 2 7 3 ( I n d e p e n d

12、 e n t c o m p o n e n t a n a l y s i s , I C A ) 方法和小 波滤波法相结合来去除， 最后再应用幅度阂值滤波 法检测出信号中的MU A P波形。和以往先幅度滤 波、 后去噪的方法相比， MUA P波形提取的效率大 大提高， 同时， 由于应用了多种去噪方法去除了各 种可能出现在E MG信号中的噪声， 提高了系统的 强健性。去噪后再将检测到的MU A P波形基于小 波域的谱匹配技术用单链谱系聚类方法和最小距 离分类器进行分类识别， 最后将所有已识别出的 MU A P成分应用I C A分解技术从原始E MG信号 中去除。 本文采用I C A分解技术，

13、 而不是用传统的 直接剥落法， 从原始 E MG信号中去除已正确分类 的MU A P波形， 具有无需时域的时间位置校准、 准确性高和速度快等优点。 l . 1 . 2 I C A估计 I C A是一种将混和信号分解成若干相互独立 的成分的盲信号分离技术， 本文引用了文献 7 提 出的 I C A模型 x ( t ) =A s ( t ) ， 其中x ( t ) = x i ( t ) , . . . , X . ( t ) T 为一个零均值、 m维观察矢量， s ( t ) 为 假定相互独立的n维随机矢量。估计 I C A模型的 关键在于非高斯性度量， 假定以下非线性变换: y = w T X

14、 ( t ) =W T A s ( t ) =z s ， 其中z =A T W , W T X =z T : 相 当于一个独立成分， 矢量w为矩阵A - 的一个行估 计值。 由于独立随机变量Y的非高斯性度量之一就 是负嫡， 负嫡在高斯分布时其值为零， 否则其值总 是非负。本文采用由文献 7 提出的估计方法和文 献 8 开发的定点算法来估计负嫡。 1 . 1 . 3 信号去噪 1 E MG信号分解方法 本文设计的E MG信号分解过程包括: 信号去 噪、 MU A P波形检测, MU A P聚类和分类识别等。 1 . 1 基于I C A和小波滤波的E MG信号去噪 1 . 1 . 1 小波变换的硬

15、阂值估计算法 设一个包含噪声的信号表示为: x ( t ) =s ( t ) + w ( t ) ， 其中x ( t ) 为 E MG信号， 由无噪声信号 s ( t ) 和方差为a 2 的背景噪声w ( t ) 线性迭加而成。相应 的小波变换表示为: X , ( a , r ) = S , ( a , r ) +W, ( a , r ) , 其中X , ( a , r ) , S , ( a , r ) , W, ( a , r ) 分别为X ( t ) , S ( t ) , w ( t ) 信号在尺度为a 、 时延为二 的小波系数。 C SP I m EZ 为正交小波基， 本文采用 d

16、b 5小波基， 则 S , ( a , r ) 的估计值表示为 N - 1 33 , ( a , r ) 一D X一习d m ( X , ( a , r ) SPm ) ( 1 ) 式中: D为在小波基 T 的非线性投影; d 。 为硬阂 值的估计值， 可表示为 d m (x ， 一 P T (二 ， 一 x T xI 镇 T ( 2 ) 式中阂值T的设置依据小波变换的能量守恒关系 T=Y 。 。 确定， 通过多次实验参数 Y的值一般可 取 7 - 1 1 ， 而。 。 与式( 3 ) 在时域计算所得的噪声功 率E 6 1 相对应 i +Lo 一1 _ ，1 X - 1 ， 厂 ， 二 Q ,

17、= 不山S E M G L R J - K k =i ( 3 ) 式中: L * 为窗长; S E M G C 创为离散化的E MG信号。 则噪声功率 减可以按照式( 4 ) 来估计 a 盖 =m i n o r?( 4 ) 小波变换可以把信号分解成不同的频率成分， 本文首先确定将要被滤波的信号频带 ( 3 0 1 . O X 1 0 4 H z ) ， 将其相对应的小波系数置零， 来完成滤波 的功能。 比如9 层小波变换后将第 9 层低频系数a 9 置零， 相当于将其对应的0- 3 0 H z 频率成分滤除。 同理， 可以将要滤除的高频带对应的小波高频系数 置零以滤掉高频成分。 然后通过有用

18、信号和白噪声 以及背景噪声幅度的关系， 由小波变换硬阑值估计 法滤除背景噪声和白噪声。 最后， 对于包含工频干 扰 ( P o w e r n o i s e , P N)的信号， 将 I C A和小波滤 波方法相结合来滤除 P N， 具体就是先将信号分段 再经I C A分解。通过对分解所得的独立成分进行 分析看出，P N信息仅仅被包含在某些独立成分 中， 称为P N独立成分。 这些成分中还包含有用成 分， 这时只需对P N独立成分再次应用小波滤波滤 除P N成分而保留有用成分， 并基于处理后的独立 成分进行信号重构，即可得到去除P N后的E MG 信号。 1 . 2 E MG信号分段基于幅度

19、单闭值 滤波方法的MU A P提取 E MG信号分段的目的是检测采集数据期间 被激活的MU产生的所有 MUA P波形， 即信号活 动段， 其余波形为信号非活动段。 先通过式( 4 ) 估计 出噪声功率 a , ， 当信号样本点超出或者低于给定 阑值士.1 1 a， 就认为是一个活动段 MU A P的发生， 而活动段的起点和终点位置则分别定位在信号样 本点起点之前和终点之后至少 0 . 5 m s 、 数据位于 IN值一又 2 。 。 和又 2 。 。 之间的位置。参数 A ， 和 几 : 的值 万方数据 2 7 4数据采集与处理第 2 1 卷 由用户来确定， 本文根据实验样本数据分别取其值 为

20、7 -9 和3 -5 。 最后将所识别出的活动段中不满 足MU A P波形条件的活动段， 即相位数少于 2 和 时延低于 2 ms 的活动段去掉。 1 . 3 基于近邻算法的MU A P聚类 以上识别出的一个 MU A P活动段为单个 MU A P波形或者几个 MU A P迭加的波形， 聚类的 目的就是基于单链谱系聚类算法将所检测出来的 单个 MU A P波形的活动段正确分类到其所属的 MU A P T中。 本文采用距离量度作为近似性度量， 这两种距离量度分别定义为 2 数据采集与仿真 2 . 1 真实E MG数据采集 本文设计了一套肌电信号采集系统， 采用通常 医疗诊断过程使用的标准同心针电

21、极， 模拟放大由 标准肌电仪完成， 滤波器通带设置为 2 - 1 0 k H z , 放大倍数为 1 0 0 ， 所采集样本为 1 0 个正常人， 信号 来自 不同收缩力水平做等张收缩运动时的肮二头 肌的 5 s 连续记录， 并通过精度为1 2 b i t 、 采样频率 为3 0 k H z 的模拟数字转换器抽样后进行存贮。 2 . 2 E MG信号仿真 人工合成的 E MG信号可以提供 已知的 MU A P的发放模式和波形特征， 作为参照标准对分 解结果进行检验。 同时， 在检验E MG信号分解算法 对不同参数的灵敏性时， 用仿真信号是惟一的检验 方法。文献 1 叼提出了一种用于检验E MG

22、分解算 法的多通道信号仿真方法， 此方法基于MU A P库 里的每个波形在1 6 维空间的A s s o c i a t e d H e r m i t e 扩展函数表达式， 通过随机或者线性改变扩展函数 的A H系数和尺度参数引人MUA P波形的随机和 趋势变化。本文借鉴此方法仿真了时长为5 s 、 信噪 比各不相同的E MG信号， 随机噪声通过对高斯分 布白噪声滤波得到， 所有仿真信号均为抽样率为3 0 k H z 的单通道记录。文中MU A P库源于从真实的 E MG信号手工提取的4 0 个 MU A P波形， 只要设 定信号的MU数， 仿真系统可以完全自动地产生任 意给定信噪比的仿真E

23、 MG信号， 信号中MU的发 放模式基于3 种统计特征: 规则发放、 双重发放和随 机发放。 本文中各个MU的规则发放是在已选定募 集阑值的情况下根据大小原理计算得出。 3 实验结果 3 . 1 仿真E MG信号分解结果 图 1 为仿真信号去噪的实验波形， 其中图 1 ( b ) 为图1 ( a ) 信号通过小波滤波、 硬阑值估计法去 除背景和仪器等噪声后的信号， 图 1 ( c ) 为去噪后 信号通过幅度单阑值滤波方法消除毛刺后得到的 可以用于检测活动段MU A P波形的信号。图2 则 是所有检测出的活动段基于 MS T和最小距离分 类器进行聚类和有监督分类后的结果， 图中显示有 6 个已识

24、别出的MU A P模板波形和相应的发放模 式。 图3 为基于I C A分解算法从原始合成E MG信 号中去除正确分解 MUA P成分后识别出的迭加 、卫产、，夕 0八b 了己、了t、 d( X; , X k )= d ( s s 2 ) ( X ， 一X k ) T ( X ; 一X k ) E( e z ( n ) )一 Ez ( e ( n ) ) 二二 二一 VE( S ; ( n ) ) + V E( s z ( n ) ) 式( 5 , 6 ) 中: X ， 为第i 个MU A P的N维特征矢量; S l ( n ) 和: 2 ( n ) 为两个活动段特征矢量; e ( n ) 为:

25、 1 ( n ) 和: 2 ( n ) 的绝对值差信号。其中式( 6 ) 用于聚类， 而式 ( 5 ) 用于有监督分类。根据低频带小波系数用于 MUA P的聚类和分类时具有识别能力强和降低维数 的特点( 5 .8 1 ， 本文提取6 层小波变换后的 第3 - 6 层的 小波系数作为特征空间用于聚类和有监督分类。 计算出所有活动段的距离矩阵后， 应用单链谱 系聚类算法， 即最小生成树( Mi n i m u m s p a n n i n g t r e e , MS T) 方法对各活动段进行分类。由于MS T 方法不仅能够识别慢变波形， 而且结果不依赖于样 本出现的顺序， 所 以特别适用于 E

26、 MG信号聚 类E 9 1 。最后从所获的MU A P类中选取满足一定条 件的类， 即至少包括 5 个 MU A P活动段的聚类作 为候选的MU A P类， 而把相应 MU A P类中所有 MUA P波形的平均值作为MUA P模板。 1 . 4 基于最小距离分类器进行MU A P分类 分类的目 的就是对聚类后仍然未分类的、 非迭加 MU A P波形进行有监督分类， 并更新MUA P模板。 这里的有监督分类方法是基于低频带小波系数和上 一步的聚类结果， 而分类方法基于最小距离分类器。 此外， 加权平均技术则可用来更新MU A P模板: 三 ! + 卜 ， =x i ,， 一P ( x i ,，

27、一? i , ) ( 7 ) 式中: 要 + ， ， 为第j 个M U的第2 - I- 1 次分类后的模 板; x ; ,， 为最后一个被分类的信号; 月 E 0 , 1 为遗忘 因子。 最后， 应用 I C A分解技术将所有已正确分类 和识别的MU A P波形从 E MG原信号中去除， 从 而检测出迭加波形 。 万方数据 第 3期 任小梅， 等: 应用小波变换和I C A方法的肌电信号分解 2 7 5 波形的组成信号图。 表 1 为仿真E MG信号分解结 果， 可以看出， 仿真信号分解率、 分解正确率和未识 别率的平均值分别为9 4 . 9 5 %, 9 9 - 3 7 %和5 . 0 5

28、%. EMG 信号 表 1 识别率 / % 8 3 . 7 5 7 0 . 6 3 6 5 . 0 7 6 2 . 1 4 6 3 . 0 6 5 6 . 6 0 6 6 . 8 7 5 仿真 E MG信号分解结果 正确识 别率/ % 错误率 / % 未识别 率/ % 分解时 间/ s 87002377004405 1.0.101.7.9.5. 亡JQJ八钊亡J乃钊11CJ 宁口OJOOdOI上勺 . 八UOOC曰0110 ( a ) 仿真的E M G 信号( S N R = 2 0 d B ) 6 平均值 9 9 . 2 5 9 9 . 0 1 1 0 0 . 0 0 9 9 . 0 5 1

29、 0 0 . 0 0 9 8 . 8 9 9 9 . 3 7 9 9 . 9 4 3 5 1 1 6 . 5 6 3 4 1 2 8 . 5 1 4 3 1 6 0 - 1 0 9 1 1 4 4 - 4 1 3 6 1 3 3 - 0 9 4 0 门乙nj 势日、侧理势日、侧粤 ( b )图 ( a ) 信号的去噪信号 李日、侧理 ( c )图 ( b ) 信号的幅度滤波信号 . 5 2 . 5 5 2 . 6 2 . 6 5 2 . 7 2 . 7 5 2 . 8 2 . 8 5 2 . 9 2 . 9 5 3 . 0 t 1 s ( d ) 图( a ) 信号的一段细节信号 势日、侧暨

30、2 . 5 2 . 5 5 2 . 6 2 . 6 5 2 . 7 2 . 7 5 2 . 8 18 5 2 . 9 19 5 3 . 0 3 . 2 真实E MG信号分解结果 由于很多与发放统计特性有关的生理特征， 比 如共驱动、 同步发放以及 MU A P波形变化等在仿 真E MG信号时往往被简化甚至忽略， 因此用真实 E MG信号来检验分解算法对E MG信号的分解更 具有实际意义， 而且将分解算法用于对真实E MG 信号的分解也是最终研究目标。本文将基于模拟 E M G信号评价后的分解算法进一步用于分解真 实 E MG信号。图4 为从一个正常人的真实E MG 信号去除工频干扰的实验波形。

31、 表2 列出7 个真实 E MG信号分解结果， 这里以对真实信号进行手工 笋日、侧瞥 lin 奋旧、 t 1 s ( e ) 图 ( b ) 信号的一段细节信号 一LW 一一 ,V 4 1一一A 一 一行，、今4 - 卜 栅翩脚姗黑翩姗忌翩卿喃麟卜. ，“ - 2 .5 2 .5 5 0 0 . 5 1 .0 1 . 5 2 . 0 2 . 5 3 . 0 3 . 5 4 . 0 4 . 5 5 . 0 t 1 s ( a ) 真实E MG 信号 争日、侧理 10-l 势日、侧瞥 图 1 2 . 6 2 . 6 5 2 . 7 2 . 7 5 2 . 8 2 . 8 5 2 . 9 2 . 9

32、 5 3 . 0 t 1 s ( 0图 ( c ) 信号的 一段细节信号 仿真E MG信号去噪实验波形 概翩脚翩卿南蜘以翩卿.麟卜一 ( b ) 0 . 5 1 . 0 1 . 5 2 . 0 2 . 5 3 . 0 3 . 5 4 . 0 4 . 5 5 . 0 t / 5 经过小波滤波和硬闽值估计法去除千扰后的E MG 信号 洛日、侧瞥 ( a ) 去噪并经幅度滤波后的合成E M G 信号 1 咖 I III I III侧朋佃 1 邢mU !皿L 一咖丽抓 ! n兀 1 nU【 I 可 1 1 .1止 LLL 11 ! IL!】J 1 1 1 11 11 I IIl ! t 1 s ( c

33、 ) 去除工频千扰后的 E MG 信号 2 . 8 5 2 . 9 ( d ) 2 . 9 53 . 0 3 . 0 53 . 1 3 . 1 5 3 . 2 t / 5 图( a ) 信号的一段细节信号 0 . 5 ro ) 经聚类和监督分类后产生(c ) 从图 的MU 类的MU 发放模式的模( a ) 信号分解出的 M U 类板波形 0 - 0 . 5 2 小户 八 厂 少 丫 2 . 9 2 . 9 5 3 . 0 3 . 0 5 3 . 1 t / s e ) 图伪 ) 信号的一段细节信号 3 . 1 5 3 . 2 净日、侧暨 、n哎，乙 00 一 淤日、侧馨 图2 基于合成E MG

34、信号的分解结果 . 8 2 . 8 5 一水M肛 8 2 . 8 5 九 ，八协 齐 如 . 赤 人 凡 价 孤 砂 2 . 9 2 . 9 5 3 . 0 3 . 0 5 3 . 13 . 1 5 3 . 2 图3 剩余的迭加波形组成信号 t / s ( fl图( c ) 信号的一段细节信号 图4 真实E MG信号去除工频干扰实验波形 万方数据 2 7 6 数据采集与处理第 2 1 卷 分解所得的“ 金标准” 为参照来检验分解结果。 从表 中可以看出， 真实信号分解率、 正确率和未识别率 的平均值分别为9 2 . 9 7 0 o , 9 2 . 6 9 %和7 . 0 3 0 o 0 表 2

35、 正常人的真实E MG信号分解结果 E MG 信号 M U数 识 别 率正 确错 误 率 / %识 别 率/ %/ % 未 识别率 / % 分解时间 / s 1 4 6 7 . 2 4 9 3 . 1 7 6 . 8 3 1 7 . 0 9 1 2 2 . 0 9 3 0 00784119987803 0.107.5.5.2.7. 23 34 45 54 6 7 平均值 9 1 . 0 4 9 7 . 5 6 9 4 . 7 7 9 0 . 3 7 8 8 . 8 9 9 3 . 0 6 9 2 . 6 9 8 . 9 6 2 . 4 4 5 . 2 3 9 . 6 3 1 1 . 1 1 6

36、 . 9 4 7 . 3 1 04747502厂招加 八乙雌人On.卜UOO六U 曲卜U皿内了已J叹J八万U n、UCj目 4 结束语 本文首先将 I C A方法、 小波滤波和基于小波 变换的硬阑值估计方法相结合用于去除针电极 E MG信号中可能出现的各种噪声， 然后基于幅度 阑值滤波技术来提取MU A P波形， 提高了系统的 强健性。 分类后基于I C A分解技术从原始E MG信 号中去除已正确分类的MU A P波形成分。 和以往 的基于原始信号的幅度滤波 5 技术相比， MU A P 波形提取能力和强健性都有所提高。 参考文献: 1 L e F e v e r R S , D e L u

37、c a C J . A p r o c e d u r e f o r d e c o m - p o s i n g t h e m y o e l e c t r i c s i g n a l i n t o i t s c o n s t i t u e n t a c - t i o n p o t e n t i a l s - p a r t I: t e c h n i q u e , t h e o r y , a n d i m - p l e m e n t a t io n J . I E E E T r a n s B i o m e d E n g , 1 9 8

38、2 , B ME- 2 9 : 1 4 9 - 1 5 7 . 2 Mc G i l l K C， C u m m i n s K L ， D o r f m a n L J . A u t o m a - t i c d e c o m p o s i t i o n o f t h e c l i n ic a l e l e c t r o m y o g r a m J . I E E E T r a n s B i o m e d E n g ， 1 9 8 5 ， B ME - 3 2 ( 7 ) : 4 7 0 - 4 7 7 . 3 S t a l b e r g E ， F

39、a l c k B , S o n o o M， e t a l . Mu l t i - MU P 一 E MG a n a l y s i s -a t w o - y e a r e x p e r i e n c e i n d a i l y c l i n i - c a l w o r k J . E l e c t r o e n c e p h C l i n N e u r o p h s i o l ， 1 9 9 5 ， 9 : 1 4 5 - 1 5 4 . 4 H a s s o u n M H, Wa n g C ， S p i t z e r A R . N N

40、 E R V E : n e u r a l n e t w o r k e x t r a c t i o n o f r e p e t i t i v e v e c t o r s f o r e l e c t r o m y o g r a p h y - p a r t I : a l g o r i t h m 仁 J . I E E E T r a n s B i o m e d E n g , 1 9 9 4 , 4 1 : 1 0 3 9 - 1 0 5 2 . 5 F a n g J ， A g a r w a l G C ， S h a h a n i B T . D

41、 e c o m p o s i t i o n o f m u l t i u n i t e l e c t r o m y o g r a p h i c s i g n a l s J .I E E E T r a n s B i o m e d E n g , 1 9 9 9 , 4 6 : 6 8 5 - 6 9 7 . 6 Z e n n a r o D , K o c h V M， Mo s c h y t z G S , e t a l . A s o f t w a r e p a c k a g e f o r t h e d e c o m p o s i t i o

42、n o f l o n g - t e r m m u l t i c h a n n e l E MG s i g n a l s u s i n g w a v e l e t c o e f f i c i e n t s J . I E E E T r a n s B i o m e d E n g , 2 0 0 3 , 5 0 : 5 8 - 6 9 . 7 H y v a r i n e n A , O j a E . I n d e p e n d e n t c o m p o n e n t a n a l y - s i s : a l g o r i t h m s a

43、 n d a p p l i c a t io n s J . N e u r a l N e t - w o r k , 2 0 0 0 , 1 3 ; 4 1 1 - 4 3 0 . 8 H y v a r i n e n A . F a s t a n d r o b u s t f i x e d - p o i n t a l g o r i t h m s f o r i n d e p e n d e n t c o m p o n e n t a n a l y s i s J . I E E E T r a n s Ne u r Ne t wo r k ， 1 9 9 9 ，

44、 1 0 : 6 2 6 - 6 3 4 . 9 We l l ig P ， Mo s c h y t z G S . E l e c t r o m y o g r a m d e c o m p o - s i t i o n u s i n g t h e s i n g l e - l i n k a g e c l u s t e r i n g a l g o r i t h m a n d w a v e l e t s C / / P r o c e e d i n g s o f t h e 6 t h I E E E I n - t e r n a t i o n a l

45、C o n f e r e n c e o n E l e c t r o n i c s ，C i r c u i t s ，a n d S y s t e m s . P a f o s : s . n . ， 1 9 9 9 , 1 : 5 3 7 - 5 4 1 . 1 0 F a r i n a D, C r o s e t t i A, Me r l e t t i R . A m o d e l f o r t h e g e n e r a t i o n o f s y n t h e t i c i n t r a m u s c u l a r E MG s i g n

46、a l s t o t e s t d e c o m p o s i t i o n a l g o r i t h m s J . I E E E T r a n s B i o me d E n g , 2 0 0 1 , 4 8 : 6 6 - 7 7 . 作者简介: 任小梅( 1 9 6 9 - ) ， 女， 博士研究生， 研究方向: 生物 医学信号的时频分析和非线性检测与处理， E - m a i l , x m r e n s j t u . e d u . c n ; 王志中( 1 9 4 4 - ) ， 男， 教授， 博士生导师， 研究 方向: 医用信号处理及计算机应用; 胡晓( 1 9 6 9 - ) ， 男， 博士， 研究方向: 生物医学信号处理。 万方数据