信号处理算法（3）：肌肉激活度（Muscle Activation）

   近两年，生命科学及医疗相关的研究逐渐得到了投资界的认可。脑机接口、康复机器人、手术机器人、智能假肢等相关技术蓬勃发展，创业公司也逐渐增多，未来10年整个行业必然会有较大的变革。
   表面肌电信号（sEMG）因为可以反应人的运动意图，且和肌力大小相关，所以在康复机器人应用中举足轻重。利用sEMG估计肌力就要求解肌肉激活度，本文介绍了利用原始sEMG信号求解肌肉激活度的方法。
   本文的Matlab源代码、sEMG原始数据和最大自主收缩时sEMG信号数据可以从这里下载【肌肉激活度Matlab代码及数据】

1.肌肉激活度求解方法

   整个求解肌肉激活度的流程如图所示：

 1.1数据预处理

   首先对原始sEMG信号进行预处理，预处理主要包括3步：（1）50Hz陷波，去除工频干扰；（2）30Hz零相移高通滤波，去除运动伪迹；（3）全波整流，将信号取绝对值，信号的负半轴会翻转到正半轴。

 1.2低通滤波器

   低通滤波器采用5Hz零相移低通滤波器，低通滤波器主要是模拟肌肉的低通滤波器特性。

 1.3归一化

   用同样的方法（数据预处理–>低通滤波器）处理最大自主收缩(MVC)时的sEMG信号，找到最大自主收缩sEMG信号的最大值，将该最大值视为100%肌肉激活度时的信号。
   将处理过的（数据预处理–>低通滤波器）正常运动时的肌电信号，除以该最大值，得到归一化后的信号e(t)。

 1.4神经激活模型

   利用归一化后的肌电信号求解神经激活强度u(t)，方程如下：

   这是一个递归模型，单次的神经激活强度u(t)和前2次的神经激活强度u(t-1)、u(t-2)有关。电极延迟时间d一般取10ms。

 1.5肌肉激活模型

   根据神经激活度u(t) 求解肌肉激活度a(t) 的方法有很多种，这里采用比较常用的非线性模型。

   A是非线性形状系数，代表神经激活强度u(t) 和肌肉激活强度a(t) 的非线性程度。A可以取-1.5。
   到这里就实现了利用原始sEMG信号求解肌肉激活度。

2.实验结果

   利用上面提出的方法，计算1次屈肘运动时肱二头肌的肌肉激活度，各步骤得到的结果如图所示：

   图中紫色的线是肱二头肌肌肉激活度，肌肉激活度很好地反映了肌肉的收缩状况，其类似于原始肌电信号的包络线，但是比原始肌电信号更加稳定，因此可以用来控制康复机器人等设备。

3.Matlab代码

   本文使用的Matlab源代码、sEMG原始数据和最大自主收缩时sEMG信号数据可以从这里下载【肌肉激活度Matlab代码及数据】
   是以为记！