2026《表面肌电信号研究的国内外文献综述》4600字.docxVIP

1绪论

PAGEi

PAGEi

表面肌电信号研究的国内外文献综述

国外研究现状

表面肌电信号被发现至今已有已有约100年时间，期间的主要处理方法也在不断更迭。总体上讲，有基于时域的角度分析，有频域的角度分析，进而有时频域兼而有之的方法，建立参数模型的方法，或者从一些非线性特征的角度入手的方法等。

在上世纪90年代前，由于电子硬件的发展限制，计算机行业与传感器行业都远没有当下的发展程度，测量设备并不便捷，当时国外主要使用的处理方法多为时域，频域，以及时频域的经典方法，并在功能强大的计算机上寻求突破。如P.Gogia等人[3]使用IBM-XT计算机、实验室接口系统和定制软件，提取表面肌电信号的中值频率特征对颈椎椎旁肌的肌电信号进行分析。而在90年代开始，由于数学学科、硬件行业等的进一步发展，已有的算法可以在计算机上实现，学者们又对原有算法进行改进和创新，甚至提出了全新的算法，这一时期对于表面肌电信号的处理更加多样。

90年代初，学者K.Kuribayashi[4]提出了一种利用神经网络生成指令来控制肌电控制的外动力上肢假肢的识别系统，该系统利用神经网络学习快速傅里叶变换等经典分析方法，达到了很好的效果。不少曾经难以与计算机结合的方法，在这一时期得以大规模应用和发展，如主成分分析法，小波变换等。

而在90年代末更是有学者提出了新的数据处理理论，得以在之后广泛的数据处理研究中应用。在大约2010年左右，人工智能研究的相关成果厚积薄发，“人机大战”家喻户晓，主流的表面肌电信号处理趋势，也越来越偏向与人工智能相结合。而与此同时全球学者也在更多地参与到原有算法的更新迭代与新算法的发明之中。在2011年，丹麦奥尔堡大学的J.L.Dideriksen等人[5]还将迭代希尔伯特变换后的表面肌电信号，用于评估病理性肌肉震颤的特征。该方法在没有先验知识条件下，效果好于一般流行的经验模态分解方法，能够更加准确地表征表面肌电信号中的震颤特征信号。

国外长时间的预处理研究过程当中，慢慢传承下来一些发展脉络清晰，相对较独立的成体系算法，国外大多数学者至今仍然以其为基本原理，广泛研究使用，更新换代，在原生理论的基础上进行创新。下文选取其中一部分如主成分分析法、小波变换、经验模态分解和非负矩阵分解，作简单的介绍。

主成分分析法（PrincipalComponentsAnalysis,PCA），其起源要追溯到相当早的1901年。名为KarlPearson的英国人，后来的“统计学之父”，开创了这一分析技术。它是一种能够分析、简化数据集的算法，适用性很强，自诞生起经常用于信号分析等诸多方面，直到当代也再次应用在热门的人工智能等相关技术上。主成分分析技术是降维的经典方法，降维的标准是保留数据中对方差影响最大的特征，因而在结果上数据中的低阶主成分得以保留，高阶主成分被忽略，而低阶成分保留了数据的最明显特征。在硬件条件成熟后，主成分分析技术等算法很快便应用在了当时新兴的表面肌电信号分析上，用以精确辨识正确的信号。

小波变换最早可追溯到1910年，名为Haar的学者构造了有记载最先出现的小波基底，但是当时连小波的概念都没有雏形。在断断续续的科学发展，尤其是信息处理方面的发展后，1974年，法国工程师J.Morlet，通过直观地观察与信号处理方面的研究相结合，在其从事的处理石油相关信号的工作当中，推算出小波变换的公式，第一次在文章中使用“小波”的英文单词，明确了所谓“小波分析”的定义，并附带了自己名字命名的小波。在大约十年后，1986年，著名的数学家Y.Meyer成功推算出类似今天普遍使用的小波变换基底，之后为了进行有关构造小波基的统一方法--多尺度分析相关研究，他与S.Mallat合作，此时这项技术才慢慢开始走进人们的视野之中。小波变换之所以在信号处理，数据分析上被称为“数学显微镜”，是因为相比于传统的傅氏变换与视窗傅氏变换，小波变换提取数据特性的能力要更加强大，时频局部化特性更良好。

1998年，在美国国家宇航局工作的华人院士黄锷（N.E.Huang），与其同事提出了一项创新性的矩阵数据计算方法，名为经验模态分解（EmpiricalModeDecomposition,EMD）[6]。这是一种颇具引领性的处理方法，自适应性强，在分析处理非线性非平稳数据方面十分有效。与传统的傅氏分解、小波分解相比，该方法的没有必要提前设置基函数，例如谐波基函数和小波基函数等，根据数据原本的特征来解构信号，方法特别，与经典方法本质差别明显。由于具有理论上的优势，几乎任何种类的信号都可以尝试EMD方法，而在非平稳、非线性的信号上则更加优势明显，经常得到理想的信噪比，因而在相关方面经常得到应用和发展。目前在自然信号研究方面，例如天气、海洋、天文观察、