Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp lọc ngưỡng sóng cải tiến cho tín hiệu điện cơ bề mặt
Tóm tắt
Tín hiệu điện cơ bề mặt (sEMG) gặp phải những thách thức đáng kể trong phân tích động và kiểm tra sau đó các chuyển động của cơ do năng lượng tín hiệu thấp, sự phân bố tần số rộng và sự can thiệp nhiễu vốn có. Tuy nhiên, các kỹ thuật lọc ngưỡng sóng truyền thống cho tín hiệu sEMG gặp phải hiện tượng tương tự Gibbs và giảm đáng kể biên độ tín hiệu, dẫn đến sự biến dạng tín hiệu. Bài viết này nhằm thiết lập một phương pháp lọc ngưỡng sóng cải tiến có khả năng lọc các loại tín hiệu khác nhau, với sự nhấn mạnh đặc biệt vào tín hiệu sEMG, bằng cách điều chỉnh hai yếu tố độc lập. Do đó, nó tạo ra tín hiệu đã lọc với tỷ lệ tín hiệu trên nhiễu (SNR) cao hơn, lỗi bình phương trung bình (MSE) thấp hơn và chất lượng tín hiệu tốt hơn. Sau khi loại bỏ nhiễu từ các tín hiệu Doppler và Heavysine, tín hiệu đã lọc cho thấy SNR cao và MSE thấp hơn so với tín hiệu được tạo ra từ các thuật toán lọc truyền thống. Tín hiệu sEMG đã lọc có đường cơ sở nhiễu thấp hơn trong khi vẫn giữ được cường độ tín hiệu sEMG cực đại. Kết quả đánh giá thực nghiệm cho thấy chất lượng tín hiệu được xử lý bởi thuật toán giảm nhiễu mới tốt hơn so với các phương pháp ngưỡng cứng, ngưỡng mềm và ngưỡng Garrote truyền thống. Hơn nữa, hiệu suất lọc trên tín hiệu sEMG được cải thiện đáng kể, nâng cao độ chính xác và độ tin cậy của các phân tích thí nghiệm tiếp theo.
Từ khóa
#điện cơ bề mặt #tín hiệu sEMG #lọc ngưỡng sóng #tỷ lệ tín hiệu trên nhiễu #giảm nhiễuTài liệu tham khảo
D. Zeping, Q. Dawei, L. Jing, Surface muscle advances in electric human lower limb action recognition and prediction. Comput. Eng. Appl. 2023, 1–15 (2023)
H. Haiyan, Semg-based lower limb knee angle prediction method. Thesis, Shanghai Normal University (2022). https://doi.org/10.27312/d.cnki.gshsu.2022.001951
F. Wenyuan, Research and design of semg gesture recognition system for artificial intelligence education. Thesis, Shanghai Normal University (2021). https://doi.org/10.27312/d.cnki.gshsu.2021.000827
W. Wei, J. Hong, C. Wang, L. Wang, De-noising surface electromyograms using an adaptive wavelet approach. J. Xray Sci. Technol. 25(4), 711–720 (2017). https://doi.org/10.3233/xst-17301
T. Wang, F. Yang, J. Yang, Experimental analysis of the effect of window length on blind source separation algorithms in the time-frequency domain. Netw. New Media Technol. 11(05), 8–14 (2022)
C. Liyu, W. Zhizhong, Z. Haihong, A surface emg signal identification method based on short-time Fourier transform. Chin. J. Med. Instrum. 24(3), 133–136 (2000)
H. Giv, Directional short-time Fourier transform. J. Math. Anal. Appl. 399(1), 100–107 (2013). https://doi.org/10.1016/j.jmaa.2012.09.053
K. Veer, R. Agarwal, Wavelet and short-time Fourier transform comparison-based analysis of myoelectric signals. J. Appl. Stat. 42(7), 1591–1601 (2015)
H.D. Wu Shuicai, W. Yijie, Medical signal processing and application, in Wavelet Analysis of Biomedical Signals, vol. 1, ed. by W. Shuicai (Beijing University of Technology Press, Beijing, 2014), pp.123–129
K.L. Jun, Matlab wavelet analysis super learning handbook, in Discrete Wavelet Transform, vol. 1, ed. by E. Zaimis (People’s Posts and Telecommunications Press, Beijing, 2014), pp.494–523
F. Meziani, S.M. Debbal, A. Atbi, Analysis of phonocardiogram signals using wavelet transform. J. Med. Eng. Technol. 36(6), 126–133 (2012)
L. Weisong, X. Weijie, Z. Tao, Improvement of threshold denoising algorithm based on wavelet transform. Comput. Simul. 38(06), 348–351356 (2021)
M.V. Berry, Z.V. Lewis, On the Weierstrass-Mandelbrot fractal function. Proc. R. Soc. A 370(1743), 459–484 (1980)
E. Guariglia, S. Silvestrov, Fractional-wavelet analysis of positive definite distributions and wavelets on d′(c), in Engineering Mathematics II. ed. by S. Silvestrov, M. Rani (Springer, Heidelberg, 2016), pp.337–353
E. Guariglia, R.C. Guido, Chebyshev wavelet analysis. J. Funct. Spaces (2022). https://doi.org/10.1155/2022/5542054
L. Yang, H.L. Su, C. Zhong, Z.Q. Meng, H.W. Luo, X.C. Li, Y.Y. Tang, Y. Lu, Hyperspectral image classification using wavelet transform-based smooth ordering. Int. J. Wavelets Multiresolut. Inf. Process. (2019). https://doi.org/10.1142/s0219691319500504
X.W. Zheng, Y.Y. Tang, J.T. Zhou, A framework of adaptive multiscale wavelet decomposition for signals on undirected graphs. IEEE Trans. Signal Process. 67(7), 1696–1711 (2019). https://doi.org/10.1109/tsp.2019.2896246
E. Guariglia, Primality, fractality, and image analysis. Entropy (2019). https://doi.org/10.3390/e21030304
E. Guariglia, Harmonic sierpinski gasket and applications. Entropy (2018). https://doi.org/10.3390/e20090714
M. Srivastava, C. Anderson, J. Freed, A new wavelet denoising method for selecting decomposition levels and noise thresholds. IEEE Access 4, 3862–3877 (2016). https://doi.org/10.1109/access.2016.2587581
R.C. Guido, F. Pedroso, A. Furlan, R.C. Contreras, L.G. Caobianco, J.S. Neto, Cwt x dwt x dtwt x sdtwt: Clarifying terminologies and roles of different types of wavelet transforms. Int. J. Wavelets Multiresolut. Inf. Process. (2020). https://doi.org/10.1142/s0219691320300017
D. Yujuan, Based on wavelet transform speech threshold denoising algorithm research. Thesis, Chongqing University (2009)
R.C. Guido, A note on a practical relationship between filter coefficients and scaling and wavelet functions of discrete wavelet transforms. Appl. Math. Lett. 24(7), 1257–1259 (2011). https://doi.org/10.1016/j.aml.2011.02.018
R.C. Guido, Wavelets behind the scenes: practical aspects, insights, and perspectives. Phys. Rep. Rev. Sect. Phys. Lett. 985, 1–23 (2022). https://doi.org/10.1016/j.physrep.2022.08.001
R.C. Guido, Effectively interpreting discrete wavelet transformed signals. IEEE Signal Process. Mag. 34(3), 89 (2017). https://doi.org/10.1109/msp.2017.2672759
J. Tianyong, Y. Chenyu, H. Ke, Z. Jie, W. Lei, Optimization of vmd parameter joint based on ao algorithm bridge signal denoising method based on wavelet thresholding. J. China Highway Soc. 2023, 1–19 (2023)
G. Xuan, Z. Wei, L. Shanshan, L. Fu’e, L. Donghua, Research on ecg emg signal denoising based on improved wavelet thresholding algorithm. Chin. J. Med. Phys. 40(02), 212–219 (2023)
H. Wenwen, Research on physiological signal analysis and processing algorithms for wearable devices. Thesis, University of Electronic Science and Technology of China (2021). https://doi.org/10.27005/d.cnki.gdzku.2021.005082
D. Valencia, D. Orejuela, J. Salazar, J. Valencia, Comparison analysis between rigrsure, sqtwolog, heursure and minimaxi techniques using hard and soft thresholding methods, in 2016 XXI Symposium on Signal Processing, Images and Artificial Vision (STSIVA), pp. 5–5 (2016). https://doi.org/10.1109/stsiva.2016.7743309
M.A. Hassanein, M.T. Hanna, N.P.A. Seif, M.T.M.M. Elbarawy, Signal denoising using optimized trimmed thresholding. Circuits Syst. Signal Process. 37(6), 2413–2432 (2018)
Z. Jun, G. Xingguang, Z. Yitao, Y. Fei, W. Yunfeng, Z. Haiying, Application of translation wavelet transform with new threshold function in pulse wave signal denoising. Technol. Health Care 31, 551–563 (2023)
R. Qiwen, Theory and application of wavelet transform and fractional Fourier transform, in Wavelet Time-Frequency Characteristics and Applications. ed. by R. Qiwen (Harbin Institute of Technology Press, Harbin, 2016), pp.494–523
L. Breiman, Better subset regression using the nonnegative garrote. Technometrics 37(4), 373–384 (1995). https://doi.org/10.2307/1269730
L. Chun, A. Yuan, L. Xin, Research on the improvement of denoising based on garrote threshold method. Mod. Inf. Technol. 2(04), 1–5 (2018)
B. Zou, H. Liu, Z. Shang, R. Li, Proceedings of 2015 IEEE 6th international conference on software engineering and service science. Image Denoising Based On Wavelet Transform, pp. 366–368 (2015)
F. Xiaolong, X. Weicheng, J. Wenbo, L. Yi, H. Xiaoli, A kind of stationary wavelet transform power quality disturbance signal denoising method with improved threshold function. Acta Electrotech. 31(14), 219–226 (2016). https://doi.org/10.19595/j.cnki.1000-6753.tces.2016.14.025
X.L. Cui, L. Mili, G. Wang, H.Y. Yu, Wavelet-based joint ct-mri reconstruction. J. Xray Sci. Technol. 26(3), 379–393 (2018). https://doi.org/10.3233/xst-17324
R.C. Guido, Paraconsistent feature engineering. IEEE Signal Process. Mag. 36(1), 154–158 (2019). https://doi.org/10.1109/msp.2018.2874549