肌肉自主收缩或受到外部刺激时,神经肌肉系统中的运动神经元被激活,所募集运动单位(MU)形成的运动单位动作电位(MUAP)经过由肌肉、脂肪及皮肤等组织构成的容积导体后在皮肤表面测量位置处与各种噪声信息综合叠加形成的电位波形就是表面肌电信号(sEMG)。肌电信号是一种复杂的生物电信号,不同肌肉收缩状态和收缩力水平会引起MU募集和发放过程的变化,为了能够相对稳定地研究MU功能信息,本文采用的是肌肉自主且持续恒力收缩过程时的sEMG信号。由于sEMG信号与肌肉收缩力直接相关,因而需要根据收缩力水平的不同采用不同的研究方法。低收缩力时募集的MU较少,可采用sEMG信号分解方法获取MUAP波形信息及MU募集发放信息;而在高收缩力时,募集的MU增多且MUAP波形间的叠加程度较高,则可采用sEMG信号MUAP数目估计方法获取MU的总体发放信息。研究成果可用于探讨神经肌肉系统的控制特性和神经肌肉疾病的辅助诊断等。围绕sEMG信号的MUAP检测研究,本文的主要工作和成果有:1.sEMG信号的采集和预处理。为测量sEMG信号,自行设计了一套采用双极性电极配置方式的多通道sEMG信号采集系统。由于受到测量仪器、环境以及肌肉自身生理复杂性等众多因素的影响,实测sEMG信号会被噪声干扰,故需要对sEMG信号进行降噪预处理。采用经验模态分解(EMD)方法将sEMG信号分解为具有局部特征信息的内在模态函数(IMF)和冗余分量,对这些IMF分量作适当的阈值处理并消除冗余项后进行重构便可得到降噪后的信号;采用频谱插值法来削弱工频干扰,以避免50Hz及其谐波频率处肌电信息成分的丢失。实验结果表明,所设计的信号采集系统能够有效获取多通道sEMG信号;经过降噪预处理后,sEMG信号质量得以改善且动作电位波形分辨率得以明显提高。2.sEMG信号仿真研究。建立一个综合型的sEMG信号生理学仿真模型,为后续工作中的MUAP检测效果定量分析作准备。在单纤维动作电位(SFAP)及运动单位动作电位(MUAP)仿真基础上,本模型不仅引入了神经激励对MU募集与发放的控制功能,还考虑了肌肉收缩力和疲劳等因素对sEMG信号特性的影响,能够定量仿真运动神经元在不同激励水平下的sEMG信号和相应的收缩力情况,并设计完成了sEMG信号仿真界面,较本实验室的前期工作有了很大进步。实验结果表明,在时域上,仿真sEMG信号的动作电位波形能够与真实信号的进行相似性匹配;在频域上,仿真信号的频谱变化情况能与真实信号的相似,通过调节肌纤维传导速度参数可使仿真sEMG信号表现出肌肉实际收缩过程中的疲劳现象,研究说明该模型能够有效描述sEMG信号的生理形成过程。3.sEMG信号分解研究。肌电信号分解是通过对观测信号的求逆运算来取得构成信号的主体MUAP波形序列。在对比特征矩阵联合近似对角化(JADE)、二阶盲辨识(SOBI)、独立分量分析(FastICA)、二阶非平稳源分离(SEONS)和基于时频分析的盲源分离(TFBSS)五种算法分离性能的基础上,主要选用后三种盲源分离(BSS)算法用于低收缩力水平下的sEMG信号分解实验,其中SEONS算法的应用是较新的。基于BSS算法模型的仿真信号分解结果表明,所用算法能够有效分离仿真信号及其叠加动作电位波形,且SEONS算法的分离性能稍好。生理学仿真sEMG信号和真实sEMG信号的分解结果均表明,从分离信号中提取的MUAP信息是对sEMG信号有主要贡献的MU发放产生的,BSS算法并不能分离出所有的MUAP信息,且不同算法的检测结果也可能会有所不同。4.sEMG信号MUAP数目估计研究。肌肉收缩力越大,募集MU越多,sEMG信号MUAP波形间的叠加程度和波形变异越高,分解方法也就不再适用;而不需要探究具体MUAP波形及其混叠情况的MUAF数目则可表征MU的总发放率,其相当于肌电信号中募集MU数量与它们平均发放率的乘积。MUAP波形检测是该研究的关键,针对已有的连续小波变换(CWT)量图分析方法和非线性能量算子(NEO)方法,采用改进的基于CWT和假设检验的方法对sEMG信号中的MUAP波形进行检测,并与前两种算法的检测效果进行对比,进而用于MUAP数目估计实验。研究结果表明,结合假设检验的CWT分析方法的波形检测效果要较另两种方法的好;随着收缩力的增加,相应的MUAP估计数目也会有所增大,当肌肉收缩力达到高水平时MUAF估计数目的变化不大。