【肌电信号ECG】 BP神经网络表面肌电信号识别【含Matlab源码 4174期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、案例简介

1 引言
表面肌电（sEMG，surface electromyography）信号是在皮肤表面记录的神经肌肉系统的生物电活动，反映神经、肌肉的功能状态[1]。它是运动单位动作电位（MUAP）在时间和空间上的叠加，在肌肉收缩程度不同或疲劳发生时，肌纤维的募集，运动单位的放电率，肌纤维的传导速度都会发生不同程度的改变，在sEMG上表现为幅度、频率的变化。开始运动时MUAP的发放率增加，募集其它肌纤维参与到活动中来，sEMG的频谱高移，随着力量的增加，会募集更多的运动单位，表现为频谱的继续高移，在没有疲劳的情况下再继续用力，则运动单位电位出现叠加，表现为幅度的上升，频率的增加趋缓或停止[2]。
sEMG是一种无创的检测肌肉电活动的方法，易于使用，运用生物电信号分析方法可以方便的实现对表面肌电信号的分析，因此它广泛应用于临床医学，运动医学，康复工程，人体工效学研究，虚拟现实，假肢控制等方面[3-6]。目前手部力量的测量装置多采用力量传感器，使用这种方法的缺陷是使用不方便且价格昂贵，而用sEMG来估计握力是一种无创且方便可行的方法，其应用范围要远远广于使用握力计。利用表面肌电信号辨识人手握力大小的研究具有重要意义。因为辨识的结果不仅可以作为机械手和人工电子假肢的控制信号，还可以作为人体康复治疗的反馈信号。
目前对表面肌电信号的处理方法有很多，比如时域分析、高阶功率谱估计、参数模型法、小波分析、混沌分形、复杂度分析等等。小波变换是时频分析中常用的一种方法，它既能在整体上提供信号的全部信息，又能提供在一局部时间段内，信号变化激烈程度的信息。由于表面肌电信号是非平稳的信号，而小波变换这一时频分析的方法是处理非平稳信号的一强有力的工具，因此本文使用小波变换来处理表面肌电信号，并用人工神经网络对握力进行识别。
本文利用实验装置记录了不同握力下的肌电信号，提取这些肌电信号的特征值，并将该特征值作为神经网络模型的输入信号，运用BP网络，对20％和60%MVC（maximal voluntary contraction，最大自主收缩）的握力进行了识别。

2 数据采集
本实验采用RM6240多道生理记录仪记录肌电信号，握力计测量手的握力。实验对象为8名大学生志愿者。实验时，受试者正坐于经过改装的座椅上，上身直立，为保证身体在测试过程中不移动，将上身缚于座椅椅背。前臂水平放置于固定在座椅扶手上的实验板上，掌心向内，腕处于中立位置，手握握力计。
本实验选择将两对电极分别贴于指浅屈肌（FDS，flex digitorum superficials）和指伸肌（ED，extensor digitorum）[7]。指浅屈肌的作用主要是屈近侧指间关节、屈掌指关节、屈腕和屈肘，指伸肌的作用主要是伸指和伸腕，除此以外还能协助伸肘[8]。活动电极贴于肌腹，参考电极贴于非活动端，活动电极与参考电极之间的间距为2cm。实验任务是，受试者要完成三个环节的实验：测MVC；两次20%MVC、60%MVC握力测试，这两次的2个力量水平的检测均按照随机顺序进行。实验中用多道生理记录仪的一通道和二通道分别记录指浅屈肌和桡侧腕长伸肌的肌电信号。

3 数据处理
3.1 小波变换提取特征参数
小波变换的基本方法是:选择满足时域积分为零的函数作为基本小波，通过对基本小波的伸缩平移生成一函数族，该函数族可以构成函数空间的一个框架，将待分析的信号向该框架上投影得到分解。原时间域上的信号在小波的变换域上得到表示，通过多个尺度的分解，便能得到信号的时间-尺度表达，从而能在变换域上达到最有效的信号处理目的[9]。
在信号处理中，基本小波函数的选择非常重要，常用的小波有Daubechies小波、3次样条小波、墨西哥帽小波、Morlet小波等，不同的小波基函数具有不同的特性，需根据具体的应用要求选取，实际使用时需要根据任务目的通过实验比较才能确定[10]。我们通过实验比较，选取Daubechies 5为基函数处理采集的肌电信号。
本文首先对信号进行数字带通滤波，带通频带为10-500HZ。然后进行小波分解，分解层数为4层，母小波为Daubechies5小波。取a4,d3,d2,d1这四层分解系数每一层的较大的四个值组成4*4的方阵，取方阵的特征值的第一个值作为采集信号的特征值[11]。将测得的20%和60％MVC的特征值与其MVC的特征值的比值作为待识别信号的特征参数。实验中使用两道进行记录，所以将这两道的特征参数作为神经网络的输入。

3.2 神经网络识别握力
人工神经网络所具有的非线性分类能力使其在模式识别等领域显示出非常好的性能, 近些年开始逐渐被用于表面肌电的模式分类研究，网络由输入层、隐层、输出层组成。本研究采用如图1所示的三层结构的前馈神经网络作为EMG 信号运动模式分类器, 采用弹性BP算法（RPROP）对网络进行训练。该算法应用于模式识别时，其速度是最快的[12]。该算法的目的是消除梯度幅度的不利影响，所以在进行权值的修正时，仅仅用到偏导的符号，而其幅值却不影响权值的修正，权值大小的改变取决于与幅值无关的修正值。当连续两次迭代的梯度方向相同时，权值和阈值的修正值乘以一个增量因子，使其修正值增加；当方向相反时，乘以一减量因子，使其修正值减小；梯度为零时，权值和阈值的修正值保持不变；当权值的修正值发生振荡时，其修正值会减小。如果权值在相同的梯度上连续被修正，则其幅度必将增加，从而克服梯度幅度的不利影响[12]。

⛄二、部分源代码

% lwn 2,3,1,4,2,4,3,1
% sp 3,2,4,1,2,4,1,3
% km 3,1,2,4,4,1,3,2
% lyk 3,4,1,2,1,2,3,4
% hj 4,2,3,1,1,3,2,4
% lm 4,3,1,2,1,3,4,2
% zyl 4,3,2,1,2,4,3,1
% zh 3,2,4,1,4,1,2,3
clear all;

%读出每段数据起始位置
load(‘select.mat’);

%将数据读出滤波，且按照%MVC从大到小依次排列
load(‘lwn.txt’);
[FDS_1,ED_1]=filterdat(lwn);
seq=[3,2,1,4,2,4,3,1];
FMVCNO1=FDS_1(lwn1(1,3)+1000:lwn1(1,3)+3047,1);
EMVCNO1=ED_1(lwn1(1,3)+1000:lwn1(1,3)+3047,1);
FDSNO1=exaction(FDS_1,lwn1,seq);
EDNO1=exaction(ED_1,lwn1,seq);

load(‘sp.txt’);
[FDS_1,ED_1]=filterdat(sp);
seq=[3,2,4,1,2,4,1,3];
FMVCNO2=FDS_1(sp1(1,3)+1000:sp1(1,3)+3047,1);
EMVCNO2=ED_1(sp1(1,3)+1000:sp1(1,3)+3047,1);
FDSNO2=exaction(FDS_1,sp1,seq);
EDNO2=exaction(ED_1,sp1,seq);

load(‘km.txt’);
[FDS_1,ED_1]=filterdat(km);
seq=[3,1,2,4,4,1,3,2];
FMVCNO3=FDS_1(km1(1,3)+1000:km1(1,3)+3047,1);
EMVCNO3=ED_1(km1(1,3)+1000:km1(1,3)+3047,1);
FDSNO3=exaction(FDS_1,km1,seq);
EDNO3=exaction(ED_1,km1,seq);

load(‘lyk.txt’);
[FDS_1,ED_1]=filterdat(lyk);
seq=[3,4,1,2,1,2,3,4];
FMVCNO4=FDS_1(lyk1(1,2)+1000:lyk1(1,2)+3047,1);
EMVCNO4=ED_1(lyk1(1,2)+1000:lyk1(1,2)+3047,1);
FDSNO4=exaction(FDS_1,lyk1,seq);
EDNO4=exaction(ED_1,lyk1,seq);

load(‘hj.txt’);
[FDS_1,ED_1]=filterdat(hj);
seq=[4,2,3,1,1,3,2,4];
FMVCNO5=FDS_1(hj1(1,1)+1000:hj1(1,1)+3047,1);
EMVCNO5=ED_1(hj1(1,1)+1000:hj1(1,1)+3047,1);
FDSNO5=exaction(FDS_1,hj1,seq);
EDNO5=exaction(ED_1,hj1,seq);

load(‘lm.txt’);
[FDS_1,ED_1]=filterdat(lm);
seq=[4,3,1,2,1,3,4,2];
FMVCNO6=FDS_1(lm1(1,3)+1000:lm1(1,3)+3047,1);
EMVCNO6=ED_1(lm1(1,3)+1000:lm1(1,3)+3047,1);
FDSNO6=exaction(FDS_1,lm1,seq);
EDNO6=exaction(ED_1,lm1,seq);

load(‘zyl.txt’);
[FDS_1,ED_1]=filterdat(zyl);
seq=[4,3,2,1,2,4,3,1];
FMVCNO7=FDS_1(zyl1(1,3)+1000:zyl1(1,3)+3047,1);
EMVCNO7=ED_1(zyl1(1,3)+1000:zyl1(1,3)+3047,1);
FDSNO7=exaction(FDS_1,zyl1,seq);
EDNO7=exaction(ED_1,zyl1,seq);

load(‘zh.txt’);
[FDS_1,ED_1]=filterdat(zh);
seq=[3,2,4,1,4,1,2,3];
FMVCNO8=FDS_1(zh1(1,2)+1000:zh1(1,2)+3047,1);
EMVCNO8=ED_1(zh1(1,2)+1000:zh1(1,2)+3047,1);
FDSNO8=exaction(FDS_1,zh1,seq);
EDNO8=exaction(ED_1,zh1,seq);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 沈再阳.精通MATLAB信号处理[M].清华大学出版社，2015.
[2]高宝建,彭进业,王琳,潘建寿.信号与系统——使用MATLAB分析与实现[M].清华大学出版社，2020.
[3]王文光,魏少明,任欣.信号处理与系统分析的MATLAB实现[M].电子工业出版社，2018.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除
🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置