基于盲源分离技术的高密度表面肌电分解

摘要

运动单位(Motor Unit,MU)是神经肌肉控制系统的最小功能单位。表面肌电信号(Surface Electromyogram，SEMG)是肌肉兴奋时所募集的运动单位产生的运动单位动作电位序列(Motor Unit Action Potential Trains，MUAPT)经过肌肉、皮下脂肪以及皮肤组织等的滤波作用，在皮肤表面采集电极处叠加形成的信号。表面肌电信号的分解则是将表面肌电信号分解成其基本组成成分——运动单位动作电位序列的过程。肌电分解可以获得单个运动单位的募集和发放信息，以及运动单位动作电位(MUAP）的波形信息，进而能够了解单个运动单位在中枢神经系统中的活动状态，从根本上研究神经系统的运动控制策略。因此，研究表面肌电信号分解技术对神经肌肉系统的运动控制机理的研究和临床应用诊断均有着重要的意义和价值。
　　由于表面肌电信号的信噪比低、波形叠加严重，分解表面肌电信号十分困难。高密度柔性表面电极阵列的兴起和应用，使得表面肌电信号的分解成为可能。本文基于盲源分离技术（Blind Source Separation，BSS），提出了全新的高密度表面肌电信号分解的新框架，并对所提框架进行了验证。本文的主要研究内容和成果如下:
　　(1)提出了基于FastICA的高密度表面肌电分解的新框架——逐步独立分量剥离法(Progressive FastICA Peel-off,PFP)。该框架的分解过程可以看成是运动单位发放时间序列集合逐渐扩充的过程。整个框架基于线性卷积模型。首先利用FastICA算法逐个估计出运动单位发放时间序列;再通过剥离策略利用发放时间序列估计出这些运动单位的动作电位序列并将它们从原始信号中剥去，以减少已经识别的运动单位对FastICA收敛性的影响;接着在剥离后的残余信号中利用FastICA继续找到更多的运动单位发放时间序列。不断重复这样的剥离步骤，从而最终实现了高产量的表面肌电信号的分解。为了保证剥离法的准确性，在框架中还引入带时域约束的Constrained FastICA算法来评估所分解出的发放时间序列并纠正其中可能的错误或遗漏的发放。以上因素结合在一起使得整个框架具有良好的分解性能。
　　(2)基于PFP框架提出了自动化的表面肌电分解方法——Automatic Progressive FastICA Peel-off(APFP)。APFP针对PFP框架中的非自动化部分进行了自动化的改进。具体地，提出了偏度结合迭代阈值法的办法来自动设置阈值从FastICA的输出中提取运动单位发放时间序列，同时引入无监督的寻谷聚类方法对FastICA的输出中的发放波形进行聚类，以提高分解的产量和准确性。提出了有效的参数约束和缓存策略来对所提出的运动单位发放时间序列进行最后的筛选和鉴定。所有的自动化细节的改进很好地与PFP框架结合起来，并且实现了与人工分解相似的性能，最终实现了自动、高效、准确的表面肌电信号分解算法。
　　(3)对本文研究所提的表面肌电分解框架进行了全面、详细的验证。利用仿真的表面肌电信号对算法的性能与准确性进行了定量的分析和验证;在正常受试者和部分神经肌肉疾病患者的信号上实现了PFP/APFP框架的双源法验证;并与国际学术界比较公认的卷积核抵消算法(Convolution Kemel Compensation，CKC)的分解结果进行了对比。所有的结果均表明PFP/APFP框架是可靠准确的表面肌电分解算法。
　　本研究工作在实现了自动化的表面肌电分解同时，也给表面肌电信号分解的研究（算法、验证以及应用）提供了一些新思路。

目录

声明

摘要

第1章 绪论

1．1 肌电信号形成的生理学基础

1．1．1 神经肌肉系统

1．1．2 运动单位

1．1．3 运动单位动作电位

1．1．4 肌电信号的形成

1．2 肌电信号分解及其研究意义

1．2．2 肌电信号分解的研究意义

1．3 肌电信号分解的研究现状

1．3．1 肌电信号分解的难点

1．3．2 插入式肌电信号分解的研究现状

1．3．3 表面肌电信号分解的研究现状

1．4 本文研究内容

第2章 盲源分离理论简介

2．1 盲源分离简介

2．1．1 盲源分离的概念

2．1．2 盲源分离问题的形式化描述

2．1．3 盲源分离问题的不同解法

2．2 快速独立分量分析(FastICA)简介

2．3 本章总结

第3章 基于FastICA的表面肌电分解新框架

3．1 引言

3．2 FastICA与表面肌电分解

3．3 逐步独立分量剥离法

3．3．1 基于卷积模型的分解

3．3．2 剥离策略

3．3．3 带时域约束的FastICA

3．3．4 算法框架

3．4 算法性能测试

3．4．1 仿真信号分解测试

3．4．2 真实信号分解测试

3．5 本章总结

第4章 表面肌电分解的自动化实现

4．1 引言

4．2 自动提取运动单位发放时间序列

4．2．2 自动迭代阈值设置

4．2．3 寻谷聚类法

4．3 分解可靠性的自动判断

4．3．1 参数约束

4．3．2 缓存策略

4．4 APFP分詹事眶架

4．5 分解性能测试

4．5．1 仿真信号分解测试

4．5．2 真实信号分解测试

4．6 本章总结

第5章 表面肌电信号分解的验证

5．3 双源法验证

5．3．1 实验配置和方案

5．3．2 数据分析

5．3．3 结果

5．3．4 小结

5．4 神经肌肉病变条件下的双源法验证

5．4．1 实验设想

5．4．2 数据采集和实验方案

5．4．3 结果分析

5．4．4 小节

5．5 与CKC方法对比

5．5．1 CKC方法简介

5．5．2 实验设想

5．5．3 数据采集与实验方案

5．5．4 结果分析

5．5．5 小节

5．6 本章总结

第6章 总结与展望

6．1 论文总结

6．2 研究展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果