【肌电信号EMG】改进小波阈值去噪的表面肌电信号动态分析【含Matlab源码 4463期】

Matlab领域

于 2024-05-10 11:59:41 发布

阅读量623

点赞数 24

分类专栏： Matlab信号处理（高阶版）文章标签： matlab

本文链接：https://blog.csdn.net/weixin_63266434/article/details/138659756

版权

Matlab信号处理（高阶版）专栏收录该内容

230 篇文章 2 订阅

订阅专栏

在这里插入图片描述
✅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：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、表面肌电信号肌肉疲劳状态检测（时域频域分析）简介

1 肌电信号
肌电信号又称为EMG；EMG（electromyography）是一种生物电流信号，它产生于任意组织器官，一般是一种时间和一系列的振幅、频率和波形函数。肌电信号是伴随肌肉收缩动作产生的一种生物电信号,采集皮肤表面的肌电信号称为表面肌电信号sEMG。
sEMG信号是人体表面肌肉通过收缩产生的生物电流。神经系统控制肌肉的活动（收缩或者放松），在表面皮肤不同的肌肉纤维运动单元在同一时间产生相互不同的信号。

肌电信号的产生
表面肌电信号是由多个运动单元发放的动作电位序列，在皮肤表面呈现的时间和空间上综合叠加的结果；
在这里插入图片描述

肌电信号的特点
（1）sEMG是一维时间动作电位序列
（2）sEMG是交流信号，幅值一般和肌肉运动力度成正比
（3）sEMG是一种非平稳的微电信号，其幅值在 0~1.5mv，有用信号频率位于 0~500HZ，主要能量集中在 20~150HZ
（4）SEMG一般比肢体运动超前 30~150ms产生，可以进行运动提前判断

2 表面肌电信号
表面肌电信号（Surface Electromyography）是众多生物电信号中的一种，也是相对来说最容易获取的一种电生理信号。将电极片放置在人体的皮肤表面，可以记录到皮肤表面因肌肉收缩而产生的微弱的电位差，而这个微弱的电位信号通过肌电采集电路的放大和转换就形成了可用作处理的表面肌电信号。sEMG是及其微弱的，下面是肌电与常见电源的电压值比较。

3 表面肌电信号肌肉疲劳状态检测（时域频域分析）
表面肌电信号（Surface Electromyography，简称sEMG）是一种用于测量肌肉活动的技术。sEMG可以通过电极贴附在皮肤表面来记录肌肉收缩时产生的电信号。肌肉疲劳状态检测是通过对sEMG信号进行时域和频域分析来评估肌肉疲劳程度的方法。

时域分析是指对sEMG信号在时间域上的特征进行分析。常见的时域特征包括均值、方差、峰值、波形形状等。通过对这些特征的计算和比较，可以评估肌肉的疲劳状态。例如，当肌肉疲劳时，sEMG信号的均值可能会增加，方差可能会减小。

频域分析是指对sEMG信号在频率域上的特征进行分析。通过将sEMG信号转换为频谱图，可以观察到不同频率成分的能量分布情况。常见的频域特征包括功率谱密度、频带能量等。通过对这些特征的计算和比较，可以评估肌肉的疲劳状态。例如，当肌肉疲劳时，sEMG信号的低频能量可能会增加，高频能量可能会减小。

综合时域和频域分析的结果，可以更全面地评估肌肉的疲劳状态。这种方法可以应用于运动训练、康复医学等领域，帮助人们了解肌肉的疲劳程度，优化训练计划或康复方案。

⛄二、部分源代码

clc; clear; close all;
format compact; %命令行显示不换行

%==========================================================================
%-----------------------------常量设置与文件导入-----------------------------
%==========================================================================

%读取PPG文件
file1 = readmatrix(“data.csv”);
file1 = file1(1:length(file1),1);
rowPpg1 = file1; %补零延拓为2幂次的数据
clear file1;

%==========================================================================
%---------------------------------阈值作图对比------------------------------
%==========================================================================
%常量定义
miu_test = 3;
delta_test = 0.01;
lambda_test = 25;

%-----------调整delta与miu两个参数，绘制图像与硬阈值，软阈值对比---------------
x = -100 : 1 : 100;

%新阈值返回系数
coefficent1 = 1 : length(x);
for index = 1 : 1 : length(x)
coefficent1(index) = improvedWaveletThreshold(x(index), miu_test, delta_test, lambda_test);
end

%-------------------------------硬阈值返回系数------------------------------
coefficent2 = 1 : length(x);
for index = 1 : 1 : length(x)
if abs(x(index)) > lambda_test
coefficent2(index) = x(index);
else
coefficent2(index) = 0;
end
end

%-------------------------------软阈值返回系数------------------------------
coefficent3 = 1 : length(x);
for index = 1 : 1 : length(x)
if x(index) > lambda_test
coefficent3(index) = x(index) - lambda_test;
elseif x(index) < -lambda_test
coefficent3(index) = x(index) + lambda_test;
else
coefficent3(index) = 0;
end
end

%---------------------------------作图-------------------------------------

figure(1);
grid on;
hold on;

plot(x, coefficent1, “r”);
plot(x, coefficent2, “b”);
plot(x, coefficent3, “k”);

legend(“new Thresholding”, “hard Thresholding”, “soft Thresholding”, ‘Location’,‘northwest’)
hold off;

%==========================================================================
%-----------------------------sym4小波分解----------------------------------
%==========================================================================
%论文中使用试错法选定为sym4小波分解
%论文中使用试错法选定分解层数，这里简化为分解为最低层数

%---------------------------------小波分解----------------------------------
[C, L] = wavedec(rowPpg1, 14, “sym4”);

%-------------------------------第14层近似系数------------------------------
cA_14 = C(1 : L(1));

%---------------------------第1层到第14细节系数数组--------------------------
startIndex = L(1) + 1;
for level = 2 : 1 : 15
endPoint = startIndex + (L(level) - 1); %向量拆分的终点：起始点加数据长度
cD{16 - level, 1} = C(startIndex : endPoint); %拆到第16 - index层时细节系数
startIndex = endPoint + 1; %起始点迭代为终点加1处
end

%==========================================================================
%-----------------------------新方法阈值去噪--------------------------------
%==========================================================================
%常量定义
miu = 6;
delta = 0.1;

%对每一层细节系数进行阈值去噪
for level = 1 : 1 : 14
%每一层计算该层的新阈值(我感觉这个阈值计算方式有问题)
%sigma = sqrt(median(cD{level, 1}) / 0.6745);
sigma = 4;
lambda_j = (sigma * sqrt(2 * log(length(rowPpg1)))) / log(level + 1);

for index = 1 : 1 : length(cD{level, 1})
    %使用封装好的阈值操作去噪
     cD{level, 1}(index) = improvedWaveletThreshold(cD{level, 1}(index), miu, delta, lambda_j);
end

end

%合成新系数向量new_C
new_C = [];
new_C = cat(1, new_C, cA_14);

for level = 14 : -1 : 1
wj = cD{level, 1}; %分解到第j层时的细节系数向量
new_C = cat(1, new_C, wj);
end

%==========================================================================
%------------------------------sym4小波重构---------------------------------
%==========================================================================

denoisiedPpg1 = waverec(new_C, L, “sym4”);
figure(2);
plot(rowPpg1, “b”);

grid on;
hold on;

plot(denoisiedPpg1, “r”);

hold off;
legend(“RowPPG”, “FilteredPPG”)

figure(3);
plot(denoisiedPpg1);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]刘淼,俞俊生,郭敬林.基于小波分解的脉搏信号的分析[J].中国科技论文在线，2015.

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