脑卒中幸存者肌电模式识别的多元经验模式分解

抽象的

本研究提供了一种新颖的特征提取方法，用于使用经验模式分解（EMD）的多变量延伸，即多变量EMD（MEMD）。该方法同时处理多个表面电谱（EMG）通道，而不是逐个通道的方式。从模式对齐的内在模式功能（IMFS，表示来自多个尺度的信号分量）导出的MEMD分析，将不同信道的相同模式/级别IMF的归一化幅度分布作为特征计算，其用于揭示底层关系跨多个肌肉的对齐的内在尺度。评估所提出的方法，用于识别18个不同的功能运动模式，通过从12个受试者的垂直前臂肌肉记录的27通道表面EMG信号，其具有偏热行程。利用线性判别分类器，所提出的基于MEMD的特征组，对于所有不同运动的分类，平均误差率为4.61±4.70％，显着低于传统时域特征集（7.14±6.15％，P<0.05）。结果表明，多通道表面EMG数据的MEMD基于特征提取提供了有希望的肌肉联轴器建模和不同磁石图案的识别方法。

参考文献

1. J. Li，Z. J. Wang，J.Wang，J. J. Eng和M. J. McKeown，“贝叶斯网络建模”发现在达到运动的肌肉中发现“依赖协同效应”，“生物医学工程上的IEEE交易，pp。55-535,2008。视图:谷歌学者
2. J. Roh, W. Z. Rymer, E. J. Perreault, S. B. Yoo, R. F. Beer，“慢性中风幸存者上肢肌肉协同结构的改变”，神经生理学杂志，第109卷，第2期。3，第768-781页，2013。视图:谷歌学者
3. S. H. Roy，M. S. cheng，S. S. Chang等，“一种用于监测中风功能活动的组合SEMG和加速度计系统，”关于神经系统和康复工程的IEEE交易，第十七卷，第二期6，第585-594页，2009。视图:谷歌学者
4. M. A. Oskoei和H Hu，“Myoelectric Control Systems-A调查”生物医学信号处理和控制，卷。2，不。4，pp。275-294,2007。视图:谷歌学者
5. B.哈金斯，P. A.帕克，R.斯科特，《多功能肌电控制的新策略》，生物医学工程上的IEEE交易，第40卷，第5期。1，页82-94,1993。视图:谷歌学者
6. “基于肌电图模式识别的经桡骨截肢患者运动分类研究”，神经工币和康复杂志，卷。9:74，2012。视图:谷歌学者
7. K. Englehart和B. Hudgins，“一种用于多功能肌电控制的鲁棒实时控制方案”，生物医学工程上的IEEE交易，第50卷，第5期。7，页848-854,2003。视图:谷歌学者
8. C. CHOI，Y.NA，B. RIM，Y.Kim，S. Kang和J. Kim，使用三个Myoelectric站点的SEMG计算机界面进行比例二维光标运动控制，并点击具有脊髓损伤的个体，“医学工程与物理学，卷。35，不。6，PP。777-783,2013。视图:谷歌学者
9. L. Dipietro, M. Ferraro, J. J. Palazzolo, H. I. Krebs, B. T. Volpe，和N. Hogan，“定制交互机器人治疗中风:肌电刺激疗法，”关于神经系统和康复工程的IEEE交易，第13卷，第2期3, 2005。视图:谷歌学者
10. 宋锐，佟科，胡昕，李力，“连续肌电信号在机器人辅助手臂训练中的辅助控制系统，”关于神经系统和康复工程的IEEE交易，第16卷，第5期。4，第371-379页，2008。视图:谷歌学者
11. P. Zhou, M. M. Lowery, K. B. Englehart et al.，“解码控制假肢的新的神经机器接口”，神经生理学杂志第98卷第1期5, pp. 2974 - 2982,2007。视图:谷歌学者
12. 张欣、周鹏，“高密度肌电模式识别对脑卒中康复的促进作用”，生物医学工程上的IEEE交易，第59卷，第59期6, pp. 1649-1657, 2012。视图:谷歌学者
13. J. Liu和P. Zhou，“一种新的宫颈脊髓损伤后手功能恢复的新型肌电模式识别策略”关于神经系统和康复工程的IEEE交易第21卷第2期1, pp. 96-103, 2013。视图:谷歌学者
14. M.Rojas-Martínez，M.A.Mañanas，J.F. Alonso和R. Merletti，“基于高密度EMG地图的等距收缩识别”肌电图和运动机能学杂志，第23卷，第2期。1，第33-42页，2013。视图:谷歌学者
15. H. Daley，K.Nglehart，L. Hargrove和U.Kuruganti，“常用肢体截肢者的高密度电拍摄数据，用于多功能假肢控制”，肌电图和运动机能学杂志，卷。22，没有。3，pp。478-484,2012。视图:谷歌学者
16. X. Zhang和P. Zhou，“对隐藏肌肉活动检测的表面EMG基线分析”，神经工程杂志，第11卷，第5期。1:016011, 2014年。视图:谷歌学者
17. 张旭东，李勇，陈旭东，“不自主运动对慢性脑卒中患者肌电模式识别的影响:以慢性脑卒中患者为例”，神经工程杂志，第10卷，第5期。4:046015, 2013年。视图:谷歌学者
18. L. Li, D. Looney, C. Park, N. U. Rehman，和D. P. Mandic，“基于功率独立肌电图的机器人手势识别”，Conf Proc IEEE Eng Med Biol Soc，pp.793-796，2011。视图:谷歌学者
19. N.Rehman和D.P.Canfic，“多元经验模式分解”，皇家社会的诉讼程序a，第466卷，第1291-1302页，2010。视图:谷歌学者
20. N. E. Huang，Z. Shen，S. Long等，“用于非线性和非静止时间序列分析的经验模式分解和Hilbert光谱，”皇家社会的诉讼程序a，第454卷，第903-995页，1998。视图:谷歌学者
21. H. Amoud, H. Snoussi, D. Hewson, M. Doussot，和J. Duchene，“非线性判别分析的固有模态熵”，IEEE信号处理通信汇刊第14卷第2期5, 2007。视图:谷歌学者
22. V. E. Kosmidou和L. J. hadjilontiadis，“基于表面肌电信号和加速度计数据的本征模式样本熵的手语识别”，生物医学工程上的IEEE交易，卷。56，没有。12，PP。2879-2890,2009。视图:谷歌学者
23. M. Hu和H. Liang，“基于多元经验模式分解的内在模式熵及其在神经数据分析中的应用”，认知神经动力学，卷。5，pp。277-284,2011。视图:谷歌学者
24. 周鹏，“基于集合经验模态分解的表面肌电信号滤波”，医学工程与物理学，卷。35，不。4，pp。537-542,2013。视图:谷歌学者
25. 闵利民，“基于经验模态分解的表面肌电信号分析”，《电子学报》IEEE康复机器人国际会议(ICORR)，pp。230-233,2009。视图:谷歌学者
26. A. H. Al-Timemy, G. Bugmann, N.奥特姆，J. Escudero，“基于经验模式分解的单通道手部运动肌电控制”，发表于Conf Proc IEEE Eng Med Biol Soc，pp。6059-6062，2011。视图:谷歌学者
27. “基于神经机器接口的肌电图电极构型分析”，“神经机器接口的肌电图电极构型分析”，关于神经系统和康复工程的IEEE交易，第16卷，第5期。1，pp。37-45,2008。视图:谷歌学者
28. Y. Li，X. Chen，X. Zhang和P. Zhou，“实施中风康复的肌电模式识别控制系统的几个实际问题”医学工程与物理学，卷。36，不。6，pp。754-760,2014。视图:谷歌学者
29. N.Rehman和D.P.Mangic，[在线]。MATLAB源代码的MEMD，可用：http://www.commsp.ee.ic.ac.uk/~mandic/research/emd.htm。
30. C. Liu和H. Wechsler，“从大型人脸数据库中索引和检索的健壮编码方案”，图像处理的IEEE事务，卷。9，不。1，pp。132-137,2000。视图:谷歌学者

版权

版权所有©2014 Hindwi Publishing Corporation。这是分布下的开放式访问文章创意公共归因许可证如果正确引用了原始工作，则允许在任何媒体中进行无限制使用，分发和再现。