【《表面肌电信号研究的国内外文献综述》4600字（论文）】

1绪论i表面肌电信号研究的国内外文献综述国外研究现状表面肌电信号被发现至今已有已有约100年时间，期间的主要处理方法也在不断更迭。总体上讲，有基于时域的角度分析，有频域的角度分析，进而有时频域兼而有之的方法，建立参数模型的方法，或者从一些非线性特征的角度入手的方法等。在上世纪90年代前，由于电子硬件的发展限制，计算机行业与传感器行业都远没有当下的发展程度，测量设备并不便捷，当时国外主要使用的处理方法多为时域，频域，以及时频域的经典方法，并在功能强大的计算机上寻求突破。如P.Gogia等人[3]使用IBM-XT计算机、实验室接口系统和定制软件，提取表面肌电信号的中值频率特征对颈椎椎旁肌的肌电信号进行分析。而在90年代开始，由于数学学科、硬件行业等的进一步发展，已有的算法可以在计算机上实现，学者们又对原有算法进行改进和创新，甚至提出了全新的算法，这一时期对于表面肌电信号的处理更加多样。90年代初，学者K.Kuribayashi[4]提出了一种利用神经网络生成指令来控制肌电控制的外动力上肢假肢的识别系统，该系统利用神经网络学习快速傅里叶变换等经典分析方法，达到了很好的效果。不少曾经难以与计算机结合的方法，在这一时期得以大规模应用和发展，如主成分分析法，小波变换等。而在90年代末更是有学者提出了新的数据处理理论，得以在之后广泛的数据处理研究中应用。在大约2010年左右，人工智能研究的相关成果厚积薄发，“人机大战”家喻户晓，主流的表面肌电信号处理趋势，也越来越偏向与人工智能相结合。而与此同时全球学者也在更多地参与到原有算法的更新迭代与新算法的发明之中。在2011年，丹麦奥尔堡大学的J.L.Dideriksen等人[5]还将迭代希尔伯特变换后的表面肌电信号，用于评估病理性肌肉震颤的特征。该方法在没有先验知识条件下，效果好于一般流行的经验模态分解方法，能够更加准确地表征表面肌电信号中的震颤特征信号。国外长时间的预处理研究过程当中，慢慢传承下来一些发展脉络清晰，相对较独立的成体系算法，国外大多数学者至今仍然以其为基本原理，广泛研究使用，更新换代，在原生理论的基础上进行创新。下文选取其中一部分如主成分分析法、小波变换、经验模态分解和非负矩阵分解，作简单的介绍。主成分分析法（PrincipalComponentsAnalysis,PCA），其起源要追溯到相当早的1901年。名为KarlPearson的英国人，后来的“统计学之父”，开创了这一分析技术。它是一种能够分析、简化数据集的算法，适用性很强，自诞生起经常用于信号分析等诸多方面，直到当代也再次应用在热门的人工智能等相关技术上。主成分分析技术是降维的经典方法，降维的标准是保留数据中对方差影响最大的特征，因而在结果上数据中的低阶主成分得以保留，高阶主成分被忽略，而低阶成分保留了数据的最明显特征。在硬件条件成熟后，主成分分析技术等算法很快便应用在了当时新兴的表面肌电信号分析上，用以精确辨识正确的信号。小波变换最早可追溯到1910年，名为Haar的学者构造了有记载最先出现的小波基底，但是当时连小波的概念都没有雏形。在断断续续的科学发展，尤其是信息处理方面的发展后，1974年，法国工程师J.Morlet，通过直观地观察与信号处理方面的研究相结合，在其从事的处理石油相关信号的工作当中，推算出小波变换的公式，第一次在文章中使用“小波”的英文单词，明确了所谓“小波分析”的定义，并附带了自己名字命名的小波。在大约十年后，1986年，著名的数学家Y.Meyer成功推算出类似今天普遍使用的小波变换基底，之后为了进行有关构造小波基的统一方法--多尺度分析相关研究，他与S.Mallat合作，此时这项技术才慢慢开始走进人们的视野之中。小波变换之所以在信号处理，数据分析上被称为“数学显微镜”，是因为相比于传统的傅氏变换与视窗傅氏变换，小波变换提取数据特性的能力要更加强大，时频局部化特性更良好。1998年，在美国国家宇航局工作的华人院士黄锷（N.E.Huang），与其同事提出了一项创新性的矩阵数据计算方法，名为经验模态分解（EmpiricalModeDecomposition,EMD）[6]。这是一种颇具引领性的处理方法，自适应性强，在分析处理非线性非平稳数据方面十分有效。与传统的傅氏分解、小波分解相比，该方法的没有必要提前设置基函数，例如谐波基函数和小波基函数等，根据数据原本的特征来解构信号，方法特别，与经典方法本质差别明显。由于具有理论上的优势，几乎任何种类的信号都可以尝试EMD方法，而在非平稳、非线性的信号上则更加优势明显，经常得到理想的信噪比，因而在相关方面经常得到应用和发展。目前在自然信号研究方面，例如天气、海洋、天文观察、地理信号分析等，以及大型工程设计模态参数分析方面，例如大型土木工程结构，大型动力系统结构，大型机械结构等，已经有了相当深入的应用发展，当然也包括表面肌电信号的相关研究。1999年末，在自然杂志上D.D.Lee与H.S.Seung提出非负矩阵分解方法（NonnegativeMatrixFactorization,NMF）[7]，这种矩阵分解方法要求分解后的矩阵分量非负，旨在保证实际物理意义同时，实现非线性的数据的降维。虽然提出的时间较之前的传统理论较晚，但是与经验模态分解一样具有新鲜的时代冲击力。非负矩阵分解已经成为最受青睐的多维统计数据的计算方法之一，一经提出就被广泛应用于各类研究领域中的数据分析，发展迅速。国内研究现状直到上世纪80年代左右，国内对于肌电信号的相关研究仍然处于起步阶段，如叶丽英[8]曾对相关领域进行跟进，设计了肌电信号控制的三自由度肌电假手，对三对电极直接采集到的肌电信号进行了完整的模数转换电路处理，50Hz以及倍频信号的过滤。虽然相关研究起步较晚，但在改革开放后，随着教育秩序的恢复和1986年863计划的实施，国内高新科技研究速度整体上升。在1987年，严洁，孙平生等前辈即对肌电信号的基本的时域频域特征研究有了一定成果。而在90年代之后，国内学者对相关领域前沿研究成果的跟进已相当敏锐，国内表面肌电信号相关研究如火如荼，持续向世界前沿靠拢。1998年，杨基海等前辈[9]对中值频率与主动肌拮抗肌之间的关系进行了研究。1999年，雷敏，王志中等前辈[10]已经进行了基于学习矢量量化神经网络的表面肌电信号的模式分类研究，已经开始尝试与人工智能相结合。2010年左右至今，人工智能技术在全世界范围内声名大噪，在几代人艰苦奋斗，不断的努力追赶下，国内也涌现了足够多的前沿科研成果，比如在下文将列举一些前辈所做的工作。2020年刘若汐等人[11]整合先前他人研究的优点，改进其不足之处，先将传统指标进行正向化和均值化，在预处理时不破坏基础指标之间原有的相互差异，再通过CV定权确定权重，将预处理后的原始指标加权组合为复合指标。杨汉嘉等人[12]设计了新型的可穿戴电生理信号采集系统，最主要的是设计了一种干电极，其材料为多壁碳纳米管与粘性聚二甲基硅氧烷的混合物。这是在材料层面上，表面肌电信号相关研究领域的创新。在该设计中新材料的发送端轻便小巧，因而可以通过穿戴方式布置在全身主要部位，接收常用的表面肌电信号。这种混合物电极粘性及柔性非常理想，不需要额外附着导电介质，可在皮肤表面直接贴附，不存在类似湿电极因为电极干燥导致的数据质量下降问题。景甜甜等人[13]为提高手腕动作的识别率，提出了一种将主成分分析和极限学习机相结合的手腕动作肌电信号识别方法。Y.Zhou等人[14]用自适应噪声全系综经验模态分解和罗吉斯回归，开发了一种具有时变参数的功能电刺激时数据驱动的自愿性肌电提取算法。石欣等人[15]提出的基于LMS-随机森林方法在数据预处理方面相比于传统的支持向量机方法和时频域分析法要迅速，且只采集动作行为的前120ms，改善了传统表面肌电信号分类的实时性不足问题，为人体与外骨骼设备融合提供了解决方案。研究现状评述总体看下来，在大约1990年之前，由于受到电子硬件发展的制约，人们对表面肌电信号的采集与现在相比，既不够准确，也不够方便，也难以做到较为快速复杂的处理。彼时常用的分析方法为经典的时域，频域的特征分析方法，较少有复杂的算法，例如小波分析方法在那时才初出茅庐。而在1990年以后，随着硬件条件的飞速发展，更尖端的仪器，更高算力的计算机是的复杂算法的应用和开发成为了可能，开始出现从几个到多个通道的表面肌电信号采集方法，更复杂的成体系算法也得以应用到计算机上，人们开始追求处理的实时化，甚至早已出现了信号处理与人工智能相结合的趋势。而到了近十年，成体系算法与人工智能相结合的机器学习方法大规模应用已成为主流，但对于其核心算法的实践、研究和升级，这部分数学性质的创新性研究工作，人工智能目前难以代替，其依然是近百年来一以贯之的研究核心。国外的表面肌电信号相关研究起步早，研究早，外加第二次工业革命之后相关电气等技术成熟较早，其研究成果世界领先。基本上现存的重要基础算法和特征提取方法上的发明，绝大部分都来自于国外的长期研究成果。而这些研究成果也早已深入到了世界范围内各类医学、各类生物学、自动化、计算机、人工智能等广泛的领域。另一方面，国内所做的表面肌电信号研究工作，大致在90年代前，几乎都是在观察学习国外的已有方法基础上，进行整合或筛选，或者是基于这些技术进行的实际工程的设计用应用工作。但是90年代之后，在国内大环境持续向好的大背景下，科学家们敏锐的捕捉到了最前沿的表面肌电信号处理发展方向。国外相关技术创新的步伐并不算快，因而在国家政策的大力支持下，在近十年国内基本已赶上前沿的研究成果。在各强国航空航天事业蓬勃发展的当下，尤其是在我国全面实现小康社会，迈向基本实现社会主义现代化的历史机遇下，表面肌电信号处理相关技术在太空中的应用是显然的，相关技术的竞争也必将更加激烈。然而结合本次课题而言，所研究的环境具有一定的特殊性，是在太空中，无重力情况下，甚至肌力会发生较为明显的萎缩时的表面肌电信号处理。信号处理的方法应当与具体的数据条件相适应，在上述环境之中，其表面肌电信号更适合怎样的预处理方法未有定论。而且在轨情况下的表面肌电信号数据更是极难获得，所以该次课题将结合具体的应用，比较研究各种不同方法各自的特点，以期望找到一个适合航天应用背景下的可能的数据处理方法能滤除大部分噪声或者找到多通道中的有用信息，降低肌电数据应用的计算量。参考文献罗秀英.基于肌电协同活动特征的运动模式识别研究[D].重庆大学,2019.[1.1.1]丁其川,熊安斌,赵新刚等.基于表面肌电的运动意图识别方法研究及应用综述[J].自动化学报,2016,42(01):13-25.[1.2.1]P.Gogia,M.Sabbahi,Medianfrequencyofthemyoelectricsignalincervicalparaspinalmuscles[J].ArchivesofPhysicalMedicineandRehabilitation,71(6):408-414,1990.[2.1.1]K.Kuribayashi;S.Shimizu;K.Okimura,etal,AdiscriminationsystemusingneuralnetworkforEMG-controlledprostheses-IntegraltypeofEMGsignalprocessing[C]//Proceedingsof1993IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems(IROS'93),1993:1750-1755.[2.1.2]J.L.Dideriksen,F.Gianfelici,L.Z.P.Maneskietal.EMG-basedcharacterizationofpathologicaltremorusingtheiteratedHilberttransform[J],IEEETransactionsonBiomedicalEngineering,58(10):2911-2921,2011.[2.1.3]N.E.Huang,Z.Shen,S.R.Longetal.TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-Stationarytimeseriesanalysis[J].Proceedings:Mathematical,PhysicalandEngineeringSciences,1998,454(1971):903-995.[2.1.4]D.D.Lee,H.S.Seung.Learningthepartsofobjectsbynon-negativematrixfactorization[J].Nature,401(6755):788-91,1999.[2.1.5]叶立英.肌电假手[J].自然杂志,8:623-627,1981.杨基海,孙路遥,胡文军等.主动肌和拮抗肌的针电极EMG信号中值频率关系研究[J].生物物理学报,1998(01):189-192.雷敏,王志中.基于学习矢量量化神经网络的表面肌电信号的模式分类研究[J].中国康复医学杂志,1999(06):26-28.刘若汐,饶家声,魏瑞晗等.恒河猴表面肌电信号小波去噪的复合评价指标[J].中国医学物理学杂志,2020,37(09):1169-1174.[2.2.4]杨汉嘉,赵楠,高鲲鹏等.基于CNT/aPDMS柔性干电极的可穿戴电生理信号采集系统[J].传感器与微系统,2020,39(01):60-62+67.[2.2.5]景甜甜,洪洁.基于PCA和ELM的表面肌电信号手腕动作识别研究[J].重庆理工大学学报(自然科学),2019,33(12):96-100.[2.2.6]Y.Zhou,ZBi,MJietal.Adata