基于小波降噪和时序数据图像化的表面肌电信号识别

摘要

表面肌电信号（sEMG）是人体肌肉收缩时发出的信号，能很好地反映人体肌肉功能，因此被广泛应用在临床、假肢控制、康复评估等领域。由于受采集器、佩戴位置和环境等因素的影响，电脑接收的信号包含随机噪声，严重影响信号的分析和研究。因此，本文提出了一种基于新的小波阙值降噪和时序数据图像化的表面肌电信号识别方法。首先，本文采集五种基本上肢运动的sEMG，并采用小波分解对其降噪。提出了一种新的阈值函数以弥补传统小波分解任务中软阈值函数的失真现象和硬阈值函数会产生振荡的缺陷，并在理论上证明了该函数在阈值处的连续性和与原小波系数的无偏差性。然后，受计算机视觉中卷积神经网络成功应用的启发，本文利用短时傅里叶变换将时序数据转换成图像数据。随后，在原始数据集和不同阈值函数降噪后的数据集上的实验表明，本文方法降噪后的数据集上分类性能更优；在降噪后的数据集上，使用二维卷积神经网络（Two Dimensional Convolutional Neural Networks, 2DCNN）模型在四个动作的数据上准确率最高、一个次高。说明本文方法可以有效提高sEMG的识别率，具有较好泛化能力。

关键词

表面肌电信号 / 小波降噪 / 时序数据 / 图像数据 / 短时傅里叶变换

基金资助

国家自然科学基金（61976128）; 山西省教育厅（2022-008）; 山西省教育科学“十四五”规划课题（GH-220176）