相关实验视频
Updated: Aug 10, 2026
07:16
Extraction of the EPP Component from the Surface EMG
Published on: December 16, 2009
12.5K
使用高效的统计特征,实时识别表面电肌图信号中受污染的噪声类型
Pornchai Phukpattaranont1, Nantarika Thiamchoo1, Paramin Neranon2
1Department of Electrical and Biomedical Engineering, Faculty of Engineering, Prince of Songkla University, 90110, Songkhla, Thailand.
Medical engineering & physics
|September 16, 2024
概括
本研究引入了一种高效的实时系统,用于识别干净和杂的表面电肌图 (EMG) 信号. 该系统使用统计特征准确检测心电图,尖峰和电力线噪声.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 表面电肌图 (EMG) 信号质量对于准确的解释至关重要.
- 噪音污染,如心电图 (ECG) 干扰,尖端噪音和电线干扰,显著降低了EMG信号识别.
- 有效的消除噪音需要准确识别EMG信号中存在的噪音类型.
研究的目的:
- 开发和验证一个实时,高效的系统来分类干净的EMG信号与受特定噪音类型污染的信号.
- 调查统计描述符,kurtosis和斜率的有效性,用于EMG信号中的噪声识别.
- 提出一种计算效率高的方法来计算 kurtosis 和 skewness,以减少处理时间和内存需求.
主要方法:
- 使用曲率和斜率作为级联四次差异分析 (QDA) 分类器的输入特征.
- 开发了一个优化的算法来计算 kurtosis 和 skewness,减少计算负载.
- 使用ATmega 2560微控制器实时实现和测试该系统.
主要成果:
- 与传统技术相比,提出的高效计算方法表现出较低的平方根平均误差 (分别为0.08和0.09).
- QDA分类器实现了96.00%的高识别准确性,并进行了五次交叉验证.
- 该系统展示了实时能力,可以区分干净的EMG信号与被ECG,尖峰或电线噪声污染的信号.
结论:
- 拟议的实时系统有效地识别EMG信号中的不同类型的噪音.
- 简化的曲率和斜率计算为EMG噪声分析提供了计算效率高的方法.
- 该方法为临床和研究环境中先进的EMG信号处理和解释提供了坚实的基础.
