详细说明
应用于减少前臂肌电图交叉效应的的信号处理术
摘要
尽管义肢在机械和电子元件方面有了巨大的步，但是它们与真正的人类的手相比仍旧缺乏度自由度。那不是因为术的缺乏，而是因为当在前臂残肢或其它人传感器上使用表面肌电图时可用立控制信号数量的大大减少。在相邻肌肉间产生干扰的交叉效应隐藏了表面肌电图的目标肌肉和减少选择性。
在个单的个案研究中，当测试者成十个不同的等长收缩时，从个健测试者的前臂上获得的表面肌电图信号会记录在个表面的5x13电阵列上。为了减少不同肌肉的表面肌电图信号的交叉效应，我们应用了个称作为JADE的盲信号分离术（BSS）。
尽管没有确定结果，但是他们出BSS术可以明显减少表面肌电图信号的交叉效应并且因此BSS能够增加对肌电控制的选择性记录。
引言
当前的肌电义肢通常只有或二个自由度（DOF），各种运动非常有限。而且，它们的控制只是开-关或简单比例模式。因此，使用者还不能很自然的控制它们。这就是为什么大多数用户尽管有很的术水平还是选择不依赖肌电来控制假手。
另方面，机器人手和手臂有好几个自由度；然而， 它们不是很适合装在膝盖或假肢连接处，主要因为控制它们需要很多的信号。
尝试着结合机器人手和义肢的好特点，几个实验室已经研究出了自由度（甚至在10以上）的新型义肢。为了能以自然的方式控制那些设备（举例来说，通过受体激动剂-拮抗剂的成对肌肉），需要从位于使用者残肢的肌肉中收集比往常的两个多许多的立肌电信号。
在前臂中有19对肌肉，所有的肌肉都很小，紧挨着彼此，并且经常交叉和重叠。因此，当我们尝试着记录表面肌电图信号时，不得不面对在不同的肌肉之间形成的个很程度的交叉效应。
在近的作中，我们通过使用BSS来试着解决前臂肌肉产生的交叉效应；联合近似对角化（JADE）[1]。我们已经用JADE来使表面肌电图信号分离成组成件（运动单元动作电位序列）[2]。另外，其他研究人员已经令人满意的运用了减少前臂表面肌电图信号的交叉效应的其他BSS术[3]。
然而，他们使用的这个术也以从频率域获得的信息采集为基础，由于随着时间和疲劳此类因素使得表面肌电图改变的频率特性，可能使得这个术不适合长期记录[4]。
方法
数据采集
经协商，选定个健康的男性受试者行测试。请他坐在椅子上，姿势以他舒适为准，将其右臂固定在我们的机械装置上，保证手掌和手腕不会乱动（见图1），每个等距收缩测量外露的力矩，它组成了：骨2 到 5（从食到小拇）的末端骨弯曲，然后是中间骨；之后，手腕外展，内缩；后，手腕（前臂）内转。每次的收缩运动都行3次，对称，10秒，向上&向下弯曲达到半受试者的大肌肉随意收缩力（MVC）；每个动作立重复，间歇3秒适当行放松。
给每个等长力矩制定s-EMG记录，个13×5的电排列（OT Bioelettronica, Torino, 意大利模型 ELSCH064）放在前臂的前面分，如图2所示，使用单模式(远程参考电——ARBO 儿科 ECG-放置到腕)。每个孔有个特色的金属环，粘有传导凝胶；电间距离是8mm。以2048 samples/s的速度采集。
信号处理
，通过列减法（方向垂直于肌肉纤维）将65通道的单记录转到双60通道的信号中。将JADE 应用到60通道，每个有11种不同的收缩，为每个收缩获取各自的通道。得到分离矩阵（在混合过程中带来逆矩阵），之后会用到，经过标准处理后，建重量矩阵，代表每个收缩“纹”通道的佳线性组合。图3 所示为获取的重量矩阵的二维代表，对应每个收缩。个“重要”矩阵建成，用于它的每个线中，如果是JADE，则为1×60矩阵。这矩阵可应用到每个记录中，是输出(严格意义上讲是较的均方根值)强大的通道，可作为代表性收缩，因此是强大的活动。
结果分析和讨论
图 4 显示了已识别的收缩。在11种收缩外，6个被正确分类。其余的4个只达到 10%，比起获胜的收缩强度差些，其中的个和公认的收缩样强大。但它没有什么作用，整个程都是自动的，无需行更正，如，JADE算法还不能作为s-EMG活动的目标收缩代表。因为若加入些步的信号处理，如过滤处理，可获得更好的结果。
结论
这种方法是可减少s-EMG 信号中发生串道的频率，是个很有前景的法案。与其他复杂的统计或者人神经网络算法相比，这也是分类肌肉活动更快、 更经济的方式。使用些额外的处理程序，可以步改善这些结果。
