40、均方根指数与希尔伯特 - 黄变换在肌电信号起止检测中的比较

均方根指数与希尔伯特 - 黄变换在肌电信号起止检测中的比较

1. 引言

主动假肢是用于替代缺失肢体以恢复其功能的设备。这些外部设备在构建时会考虑重量和人体工程学，采用多种材料制成。它们还包含由肌电信号激活的电动机械装置，以实现肢体的运动。当残肢肌肉（残端）收缩时，皮肤表面会产生可检测的动作电位，通过这些电位可获取肌电信号，从而观察到肌肉纤维兴奋所产生的电活动。

假肢在上肢截肢者中越来越受欢迎，因为它们能提高患者的日常活动能力，显著改善其肢体功能。假肢的发展对肢体缺失者意义重大，不仅能恢复外观的和谐，还能通过帮助患者重新融入社会环境带来情感上的益处。

在假肢装置的实施过程中，需要考虑多个因素和任务，以确保假肢能够正常发挥功能：
1. 信号采集 ：获取肌电信号。
2. 信号调理 ：包含电子系统，用于采集信号并实施算法以对信号进行调理。
3. 激活/停用阈值识别 ：确定受试者执行特定动作时的阈值。
4. 决策系统 ：使假肢能够执行受试者所做出的动作。
5. 电动机械装置 ：执行具体的动作。
6. 计算机辅助设计（CAD） ：用于假肢的构建。

近年来，不同的研究独立开发了主动假肢的构建流程，包括信号调理和处理，以对动作进行分类并确定受试者正在执行的动作。然而，大多数研究都侧重于通过模式识别进行动作分类。同时，识别激活阈值是假肢开发中的关键步骤，它有助于及时检测肌肉的起始和停止活动，能显著提高肌电控制的响应性和直观性。

此前有研究对不同的动作起始检测方法进行了比较。例如，Staude等人使用模拟肌电数据，测试了各种起始检测技术和统计优化算法，结果显示这些方法对肌电参数（如肌肉活动起始时间、信噪比和活动水平）有高度依赖性，统计优化算法在鲁棒性方面表现更好。Tabie和Kirchner比较了三种基于肌电信号的运动预测预处理方法，分析了它们在运动预测和早期起始检测中的性能，以及不同运动速度对预测时间和性能的影响。

虽然有许多研究提出了使用肌电信号检测肌肉激活的算法，且取得了较高的检测率，但大多数研究是基于模拟信号或健康个体进行的。考虑到肌肉激活在主动肌电假肢开发和实施中的重要性，本文将比较均方根（RMS）和希尔伯特 - 黄变换两种技术，以检测一组肌肉的起始/停止阈值，并评估它们的准确性。研究使用了来自六种动作（肘部屈伸、手部开合、前臂旋前和旋后）的肌电信号，信号采集自一名健康个体和一名肘部离断的个体。这些信号在进行统计分析和比较肌肉收缩的起始/停止准确性之前，会经过调理和处理阶段。

2. 起始/停止阈值的确定

肌肉起始/停止检测的分析基于患者指示的动作开始和结束时所获得的信号。在主动控制中，特别是在实时肌电控制系统中，准确自动地识别自愿肌肉收缩的起始至关重要。

肌肉起始/停止检测可以通过视觉检查来进行，但这种技术具有主观性，依赖于操作者的经验和对肌电信号特征的熟悉程度。视觉检查可用于评估不同的检测算法，由操作者通过视觉识别信号特征并计算检测过程的误差。最常用的收缩起始/停止检测技术基于肌电振幅定义，这种方法简单且易于实现。其他先进技术则采用更复杂的自适应方法，考虑到运动类型、肌肉类型和潜在病理状况等因素导致的肌肉激活水平的变化。

2.1 均方根（RMS）

均方根的一般计算公式如下：
[RMS_k = \sqrt{\frac{1}{N} \sum_{i=1}^{N} x_i^2}]
其中，(N) 对应信号样本的数量，(k) 是数据段的编号。该技术用于确定激活阈值，会考虑所选窗口的时间以及收缩过程中信号振幅强烈增加时的相位变化。RMS 指数描述了电压振幅的特征，能够反映肌肉的激活情况，振幅越高，肌肉的神经支配越强，从而可以确定哪些肌肉对特定动作做出反应。

2.2 希尔伯特 - 黄变换

希尔伯特 - 黄变换分析基于经验模态分解（EMD），它将信号分解为有限数量的时间序列，这些序列由称为本征模态函数（IMF）的特征振荡组成。IMF 能够捕捉信号的振荡行为，有助于对非平稳信号进行分析，在模式识别中具有重要应用。每个 IMF 函数由振幅和频率调制的信号组成，需满足两个条件：
1. 最大值和过零点的数量必须相等或相差不超过 1。
2. 局部最大值和局部最小值插值轮廓的平均值必须为零。

原始信号可以自适应地表示为不同时间尺度的 IMF 分量之和，其中第一个分量与较小的时间尺度相关，对应于信号的快速变化。然后，对每个分量应用希尔伯特 - 黄变换，将信号表示为相量形式。通过提取希尔伯特谱的统计矩，可以实现对信号特征的自适应表示。计算解析信号时，使用 Matlab Mathworks® 的 HHT 函数，公式如下：
[z_i(t) = x_i(t) + jH{x_i(t)}]
其中，(z_i(t)) 表示解析信号，(x_i(t)) 表示实部（即原始数据），(jH{x_i(t)}) 是包含希尔伯特 - 黄变换的虚部（虚部是原始实序列相移 90° 后的版本）。希尔伯特 - 黄变换后的序列与原始序列具有相同的振幅和频率内容，变换还包含依赖于原始信号相位的相位信息。

3. 研究方法

3.1 研究对象

本研究的肌电信号（MES）数据集来自一名 21 岁的健康人和一名 37 岁的右肘部离断个体，该个体上肢截肢已有 13 年。研究遵循赫尔辛基宣言，并获得了哥伦比亚圣地亚哥德卡利大学伦理委员会的批准，受试者在实验前自愿签署了知情同意书。

3.2 数据采集

使用 Covidien H124SG 电极连接到 MyoWare 传感器（AT - 04 - 001）来采集肌电信号。信号在 Beaglebone 板上以 1 kHz 的采样频率进行数字化，并在 0（GND）至 1.8 V 的电压范围内进行缩放。BeagleBone 有六个模拟输入引脚，配备 12 位模数转换器（ADC），可将模拟输入电压转换为数字电压读数，最大输入电压为 1.8 V。

四个电极分别放置在肱二头肌（短头）、三角肌（中间头）、肱三头肌（外侧头）和肱三头肌（长头）上。记录的动作模式包括肘部屈伸、前臂旋前和旋后、手部开合以及休息。参与者坐在座位上，背部挺直，截肢手臂垂直于桌面。在不同日期进行了六次实验，每次实验持续 65 秒，记录十三次试验。每个动作重复 5 秒，试验之间休息 5 秒，开始时先进行 5 秒的肢体放松。每次活动之间，参与者休息 3 分钟以避免肌肉疲劳。

3.3 信号处理

信号处理包括预处理和处理两个阶段，以检测肌肉在运动过程中的起始/停止阈值。
1. 预处理 ：
- 使用二阶非移相高通巴特沃斯滤波器，截止频率为 25 Hz，以去除电线移动或电极电阻产生的伪影。
- 使用 10 阶低通巴特沃斯滤波器，截止频率为 300 Hz。
- 使用陷波滤波器，以减少 60 Hz 电源线干扰。
2. 处理阶段 ：
- 对于 RMS 指数，定义阈值为 0.1 V。
- 对于希尔伯特 - 黄变换，通过获取信号的包络并进行平滑处理来生成解析信号。使用自适应阈值检测信号活动，确保有最少数量的样本高于阈值，该阈值会根据信号噪声和活动水平在线不断更新。

信号处理使用 Matlab Mathworks®，窗口大小为 200 ms（段），重叠 100 ms。

3.4 数据分析

通过与专家的视觉识别结果进行比较，以正确检测的百分比来评估 RMS 指数和希尔伯特 - 黄变换技术在肌肉起始/停止检测中的有效性。同时，分析这两种技术与视觉检测技术在起始/停止检测时间上的差异。计算 RMS 指数和希尔伯特 - 黄变换与视觉检查结果之间差异的中位数、最大值、最小值、平均值和标准差，以了解数据的离散程度。整个数据集在分析时未按动作类型进行分类，目的是在包含多种动作特征的广泛数据中识别肌肉的起始和停止检测情况。

以下是研究方法的流程图：

graph TD;
    A[研究对象] --> B[数据采集];
    B --> C[信号处理];
    C --> D[数据分析];
    C1[预处理] --> C;
    C2[处理阶段] --> C;

4. 结果与讨论

图 1 - 6 展示了残疾受试者每种动作的样本情况。总体而言，希尔伯特 - 黄变换在信号的起始/停止检测以及肌肉的起始/停止时刻检测方面表现更好。

动作	希尔伯特 - 黄变换表现	RMS 指数表现
肘部屈曲	大多数收缩时，该技术在停止检测时表现出更早停止的情况	激活检测时与希尔伯特 - 黄变换无明显差异
肘部伸展	第一次收缩时，能更精确地检测停止	仅将较高振幅部分作为激活窗口
手部张开	能准确检测所有收缩	仅能充分检测两次收缩，且仅检测到一次激活
手部闭合	能充分检测六次收缩	仅检测到两次收缩
前臂旋前	与 RMS 指数表现相似，能检测到起始/停止	与希尔伯特 - 黄变换表现相似，能检测到起始/停止
前臂旋后	起始检测与 RMS 指数相似，但在某些情况下，RMS 指数无法检测到收缩的停止	起始检测与希尔伯特 - 黄变换相似，但在某些情况下，无法检测到收缩的停止

表 1 展示了 216 个样本中起始/停止检测的成功率。样本通过执行 6 种动作，每种动作重复 6 次获得，每个动作有 6 次起始和 6 次停止。处理的肌电信号对应于每个动作中涉及的主要肌肉。

技术	残疾个体 - 起始	残疾个体 - 停止	健康个体 - 起始	健康个体 - 停止
RMS 指数	33.33%	24.54%	77.78%	68.06%
希尔伯特 - 黄变换	68.52%	73.15%	88.43%	59.26%

为了研究起始/停止检测的时间，将检测时刻与视觉检查结果进行了比较。表 2 和表 3 展示了测试受试者起始/停止时间的统计变量摘要。

表 2：起始检测时刻

统计变量	残疾个体 - RMS	残疾个体 - 希尔伯特 - 黄	健康个体 - RMS	健康个体 - 希尔伯特 - 黄
中位数	-0.0045	-0.0780	-0.0335	-0.1667
最大值	0.7360	0.5664	0.8365	0.6274
最小值	-0.8250	-0.5982	-0.9648	-0.8041
平均值	0.2137	0.1464	0.1974	0.2213
标准差	0.2150	0.1394	0.1938	0.1781

表 3：停止检测时刻

统计变量	残疾个体 - RMS	残疾个体 - 希尔伯特 - 黄	健康个体 - RMS	健康个体 - 希尔伯特 - 黄
中位数	0.1004	0.0823	0.1007	0.2410
最大值	0.9205	0.7431	0.9911	0.9961
最小值	-0.3999	-0.7204	-0.9500	-0.4790
平均值	0.2504	0.2157	0.3000	0.3320
标准差	0.2086	0.1896	0.2669	0.2665

从结果可以看出，希尔伯特 - 黄变换在起始/停止检测方面表现更优，具有更高的成功检测率、更快的检测速度和更小的统计数据离散度。这些都表明希尔伯特 - 黄变换适用于自动检测过程。

综上所述，本研究对肘部离断个体和健康个体的两种起始/停止检测技术进行了定量比较，结果显示希尔伯特 - 黄变换在肌电信号的起始/停止检测中具有明显优势，为主动肌电假肢的开发和应用提供了有价值的参考。

均方根指数与希尔伯特 - 黄变换在肌电信号起止检测中的比较

5. 技术优势与应用前景分析

希尔伯特 - 黄变换在本次研究中展现出了多方面的优势，这些优势使其在肌电信号处理及假肢控制领域具有广阔的应用前景。

5.1 希尔伯特 - 黄变换的优势

• 适应性强 ：该变换基于经验模态分解，能够自适应地将信号分解为不同时间尺度的本征模态函数，这使得它可以很好地处理非平稳的肌电信号。在实际应用中，人体肌肉活动产生的肌电信号往往具有复杂的特性，会受到多种因素的影响而呈现非平稳性。希尔伯特 - 黄变换能够有效地捕捉这些信号的特征，准确地反映肌肉的活动状态。
• 检测性能好 ：从实验结果来看，希尔伯特 - 黄变换在起始/停止检测方面具有更高的成功率，能够更准确地检测到肌肉活动的起始和停止时刻。这对于假肢的实时控制至关重要，能够使假肢更及时、准确地响应人体的运动意图，提高假肢的使用效果。
• 数据离散度小 ：其检测结果的数据离散度较小，说明该方法具有较好的稳定性和可靠性。在实际应用中，稳定性是非常重要的指标，能够保证假肢控制的一致性和准确性，减少误操作的发生。

5.2 应用前景

• 假肢控制 ：希尔伯特 - 黄变换可以应用于主动肌电假肢的控制系统中，通过准确检测肌肉活动的起始和停止时刻，实现假肢的精确控制。例如，当患者想要进行肘部屈曲动作时，假肢能够根据希尔伯特 - 黄变换检测到的肌电信号及时做出响应，完成相应的动作，提高患者的生活自理能力。
• 康复治疗 ：在康复治疗领域，该技术可以用于监测患者肌肉功能的恢复情况。通过对患者肌电信号的分析，医生可以了解患者肌肉的活动状态和恢复进程，制定更加个性化的康复治疗方案，提高康复治疗的效果。
• 运动科学研究 ：在运动科学研究中，希尔伯特 - 黄变换可以用于分析运动员的肌肉活动情况，帮助教练了解运动员的运动技术和肌肉疲劳程度，制定科学的训练计划，提高运动员的运动成绩。

6. 研究局限性与未来研究方向

尽管本研究取得了一定的成果，但也存在一些局限性，需要在未来的研究中加以改进。

6.1 研究局限性

• 样本数量有限 ：本研究仅选取了一名健康人和一名肘部离断个体作为研究对象，样本数量相对较少。这可能导致研究结果的代表性不足，无法全面反映不同人群的肌电信号特征和起始/停止检测情况。
• 动作类型单一 ：研究中记录的动作模式主要集中在肘部屈伸、前臂旋前和旋后、手部开合等基本动作，动作类型相对单一。在实际应用中，人体的动作非常复杂多样，需要进一步研究更多类型的动作，以提高检测技术的通用性和实用性。
• 缺乏长期跟踪 ：本研究没有对受试者进行长期跟踪，无法了解检测技术在长期使用过程中的稳定性和可靠性。在实际应用中，假肢需要长期稳定地工作，因此需要进行长期跟踪研究，以确保检测技术的有效性。

6.2 未来研究方向

• 增加样本数量和多样性 ：扩大研究样本的数量，涵盖不同年龄、性别、健康状况的人群，以及更多类型的肢体残疾患者，以提高研究结果的代表性和普遍性。
• 研究更多动作类型 ：进一步研究更复杂、多样化的动作模式，如精细的手部动作、全身的运动等，以满足实际应用的需求。
• 长期跟踪研究 ：对受试者进行长期跟踪，观察检测技术在长期使用过程中的性能变化，及时发现问题并进行改进，提高检测技术的稳定性和可靠性。
• 结合其他技术 ：将希尔伯特 - 黄变换与其他信号处理技术或传感器技术相结合，如机器学习算法、惯性传感器等，以提高检测的准确性和智能化水平。

7. 总结

本研究对均方根（RMS）和希尔伯特 - 黄变换两种技术在肌电信号起始/停止检测中的性能进行了比较。通过对一名健康人和一名肘部离断个体的实验研究，发现希尔伯特 - 黄变换在检测成功率、检测速度和数据离散度等方面均表现出明显的优势，更适合用于自动检测过程。

研究过程涵盖了从研究对象的选择、数据采集、信号处理到数据分析的完整流程，为肌电信号处理和假肢控制领域提供了有价值的参考。然而，研究也存在一定的局限性，需要在未来的研究中进一步改进和完善。

未来，随着技术的不断发展和研究的深入，希尔伯特 - 黄变换有望在假肢控制、康复治疗、运动科学等领域得到更广泛的应用，为提高人们的生活质量和运动能力做出更大的贡献。

以下是研究的整体流程总结表格：
| 步骤 | 具体内容 |
| — | — |
| 研究对象选择 | 选取一名健康人和一名肘部离断个体 |
| 数据采集 | 使用特定电极和传感器，记录多种动作的肌电信号 |
| 信号处理 | 包括预处理（滤波）和处理阶段（设置阈值等） |
| 数据分析 | 比较两种技术与视觉识别结果，计算统计变量 |
| 结果评估 | 评估两种技术的起始/停止检测性能 |

研究的整体流程还可以用以下 mermaid 流程图表示：

graph LR;
    A[研究对象选择] --> B[数据采集];
    B --> C[信号处理];
    C --> D[数据分析];
    D --> E[结果评估];
    F[技术优势分析] --> G[应用前景探讨];
    H[研究局限性分析] --> I[未来研究方向];
    E --> F;
    E --> H;

通过以上的研究和分析，我们对均方根指数和希尔伯特 - 黄变换在肌电信号起止检测中的性能有了更深入的了解，为相关领域的发展提供了重要的理论和实践依据。