武 壮, 王 勇, 肖飞云

(合肥工业大学 机械工程学院,安徽 合肥 230009)

0 引 言

表面肌电(surface electromyogram,sEMG)信号是神经肌肉伴随的所有电生理信号在表面肌电拾取电极处时间和空间上的电位综合过程[1-2],它能够反映神经肌肉的相关活动信息,已经被广泛应用于临床医学、康复工程、假肢控制等领域。sEMG信号是一种非线性非平稳信号,其有用信号能量主要分布在10～500 Hz之间且幅值仅为μV级,非常微弱[3]。与其他电生理测量一样,sEMG信号易受采集设备的固有噪声、环境噪声、移动伪迹噪声、工频干扰和生理因素形成的噪声等影响,使sEMG信号难以分析且信噪比较低。因此,如何去除混杂在sEMG信号中的噪声是一个值得研究的问题。

目前,sEMG信号的消噪方法主要为软件去噪法[4],软件去噪法是根据sEMG信号与噪声的内在特性,利用数学方法将噪声从信号中分离出去。常用的软件去噪法有数字滤波器[5]、自适应滤波器[6]、经验模态分解[7](empirical mode decomposition,EMD)、小波变换[8]等。

EMD能够自适应地根据信号的时频信息将信号分解为若干本征模态函数(intrinsic mode function,IMF),各IMF分量包含了原信号不同时间尺度的局部特征信号,是一种处理非线性非平稳信号的有效方法[9],但其易产生模态混叠。为降低模态混叠的影响,文献[10-11]将噪声辅助信号分析法引入到 EMD理论中,提出了总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)理论,EEMD在很大程度上抑制了模态混叠的问题,从而提高了分解得到的IMF分量的准确性;但是EEMD方法中如果加入的白噪声不合适,会引起重构误差和IMF伪分量等问题,针对此问题,有学者提出了改进的经验模态分解(modified ensemble empirical mode decomposition,MEEMD)方法[12]。……