在信号调理中加入Teager-Kaiser能量算子（TKEO）提高了流行的肌电图（EMG）发病检测方法的准确性研究（Matlab代码实现）

👨‍🎓个人主页：研学社的博客    

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

准确识别肌肉活动的开始是人体运动生物力学分析的重要因素。在信号调理中加入Teager-Kaiser能量算子（TKEO）提高了流行的肌电图（EMG）发病检测方法的准确性。 非线性TKEO，由凯撒引入（凯撒1990;Kaiser 1993），测量由单个时变频率组成的信号的瞬时能量变化。 与其他起始检测方法相比，TKEO输出的一个优点是计算的能量来自信号的瞬时幅度和瞬时频率。因此，TKEO可以提高我们分析肌肉活动的能力，因为收缩过程中肌肉细胞膜的去极化会产生信号幅度和频率的快速波动。因此，TKEO强调了运动单元动作电位、幅度和频率的两个特性，从而改善了SNR，理论上开始检测变得更加准确。 Teager-Kaiser 算子的离散版本根据以下公式计算： y[n] = x[n]^{2/m} - （x[n-M]*x[n+M]）^{1/m} m 是指数参数，M 是滞后参数，对于常规运算符，它们通常都等于 1。

Accurate identification of the onset of muscle activity is an important element in the biomechanical analysis of human movement.  Inclusion of the Teager–Kaiser energy operator (TKEO) in signal conditioning increases the accuracy of popular electromyography (EMG) onset detection methods.

The non-linear TKEO, introduced by Kaiser (Kaiser 1990; Kaiser 1993), measures instantaneous energy changes of signals composed of a single time-varying frequency.

One advantage of TKEO output, compared with other onset detection methods, is that the calculated energy is derived from instantaneous amplitude and instantaneous frequency of the signal. Therefore, TKEO may improve our ability to analyze muscle activity as depolarization of the muscle cell membrane during contraction produces rapid fluctuations in signal’s amplitude and frequency. TKEO, thus, emphasizes both properties of motor unit action potentials, amplitude and frequency, whereby SNR is improved and onset detection, theoretically, becomes more accurate.

The discrete version of the Teager-Kaiser operator is computed according to:

y[n] = x[n]^{2/m} - (x[n-M]*x[n+M])^{1/m}

with m the exponent parameter and M the lag parameter which both are usually equal to 1 for a conventional operator.

精确地识别肌肉活动的初始阶段，对于深入理解人体运动生物力学机制至关重要。在这个领域，肌电图（Electromyography, EMG）作为一种无创检测技术，被广泛应用于监测肌肉激活情况。为了进一步提升EMG信号在发病检测方面的精确度，研究者们引入了Teager-Kaiser能量算子（Teager-Kaiser Energy Operator, TKEO）。这一创新方法不仅强化了信号处理能力，也深刻影响了生物力学分析的精度与深度。

TKEO，最初由Kaiser提出并在其后续工作中进行了拓展（Kaiser, 1990; 1993），是一种针对时间序列信号的独特分析工具，尤其擅长于捕获那些由单一或复合时变频率构成的信号中的瞬时能量变化。它的非线性特性使之能够洞察到传统方法难以捕捉的复杂动态信息。相较于其他肌肉活动起始点识别技术，TKEO的一大优势在于它直接从信号的即时幅度和即时频率中估算能量，这使得它能够更加敏感地响应肌肉细胞膜在收缩期间发生的快速去极化过程所带来的幅度和频率波动。

肌肉活动的这一特征—即动作电位的产生伴随着幅度和频率的显著变化—为TKEO提供了一个理想的场景，使其能通过突出这些关键特征来优化信噪比(Signal-to-Noise Ratio, SNR)。理论上，这一增强效果使得肌肉活动起始时刻的判定更加精准，进而促进了对人体运动模式的深入理解和分析。

具体到算法实现上，离散形式的Teager-Kaiser算子遵循一个简洁而高效的计算公式：[y[n] = x[n]^{\frac{2}{m}} - (x[n-M]\cdot x[n+M])^{\frac{1}{m}}]其中，𝑚m作为指数参数调节了算子的敏感度，而𝑀M作为滞后参数控制了信号前后样本的考虑范围。在常规应用中，为了简化计算同时保持算法的有效性，𝑚m和𝑀M常被设定为1，这样的设计既保留了算法的实时性，又不失其强大的信号分析能力，进一步巩固了TKEO在肌肉生物力学分析领域的独特地位。

在对肌电图（EMG）信号进行深入分析的研究领域中，精确识别肌肉激活的初始时刻对于理解人体运动机能及优化生物力学评估至关重要。引入Teager-Kaiser能量算子（TKEO）作为信号预处理的关键步骤，为现有的EMG发病检测技术带来了显著的精度提升。这一创新策略不仅深化了我们对人体运动控制机制的认识，还为相关疾病的诊断与康复提供了更为精准的工具。

TKEO，这一由Kaiser于1990年代提出的非线性分析方法（参见Kaiser, 1990; 1993），其独特之处在于能够有效地捕捉并量化包含单一时间变异频率信号的即时能量变化。与传统的基于阈值或频谱特征的起始点检测方法相比，TKEO通过同时考虑信号的瞬时振幅与瞬时频率信息，为肌肉活动的细微动态描绘了一幅更为细腻且全面的图像。这一特性对于揭示由肌肉纤维膜去极化引起的收缩初期信号快速振荡尤为关键，进而使得对动作电位特征的捕捉更为敏锐，增强了信号与噪声的比例(SNR)，理论上促进了起始时间点判定的更高准确度。

具体而言，TKEO的离散实现遵循如下数学表达式：

其中，𝑚m为指数参数，调节着能量估计的敏感度；𝑀M则代表滞后参数，控制着运算中的时间窗口大小，一般情况下两者均取值为1，以维持运算的简洁性和实用性。

通过在信号调理流程中融入TKEO，EMG数据分析不仅克服了传统方法在复杂动态环境下易受噪声干扰的局限，还极大地提高了对肌肉激活起始阶段微弱信号的检测能力。这项技术的进步不仅拓宽了肌电图学在运动科学、神经生理学及康复医学等领域的应用边界，而且促进了对人类运动控制机制深层次探索的方法革新。总而言之，TKEO的应用为精准医疗和高性能运动训练领域开启了新的研究视角，推动了生物信号处理技术向更高精度与智能化迈进。

📚2 运行结果

部分代码：

%% Plot
emgnorm=emg./max(emg); %normalize original emg signal
emgfiltnorm=emgfilt./max(emgfilt); %normalize filtered emg signal
subplot(211)
plot(emgtime,emgnorm,'k')
hold on
plot(emgtime,emgfiltnorm,'r')
legend('Original','Filtered')
title('EMG energy (TKEO)')
xlabel('Time (ms)')
ylabel('Amplitude')
subplot(212)
plot(emgtime,emgZ,'k') %plot zscore of original emg signal
hold on
plot(emgtime,emgfiltZ,'r') %plot zscore of filtered emg signal
legend('Original','Filtered')
title('Zscore of EMG')
xlabel('Time (ms)')
ylabel('Zscore') 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]帅国彬,胡伟波.基于新型能量算子和多尺度熵的癫痫自动检测[J].计算机应用与软件,2023,40(03):137-141.

[2]黄梓幸,宋冬利,董俭雄,田光荣.基于改进VMD和Teager能量算子解调的轴箱轴承故障诊断方法[J].机械,2022,49(12):39-47.

🌈4 Matlab代码实现