时频分析技术理论研究及应用9787522905136

李长松博士，山东女子学院数据科学与计算机学院计算机科学与技术专业副教授，中国计算机学会会员，山东省统计应用学会理事，山东省人工智能学会专业委员会委员，长期致力于嵌入式系统设计、信号处理与机器人控制等领域的科研和教学工作。2019年被评为济南市优秀科技工作者，并获得济南市优秀自然科学学术成果奖二等奖。近年来主持教育部协同育人项目5项，主持山东省统计应用项目、山东女子学院高水平科研项目培育基金项目各1项，发表SCI期刊论文3篇，EI检索期刊3篇，获得软件著作权20余项，申请发明专利1项。在教学工作中，承担“数字逻辑”“智能设备开发”“人工智能导论”“嵌入式系统设计”等多门专业课程的授课任务。

第1章 绪论

1.1 时频分析技术理论研究背景

1.2 时频分析技术在sEMG信号分析处理中的应用

1.3 时频分析技术研究进展

1.4 sEMG信号时频分析面临的挑战与拟解决的关键问题

1.5 内容安排

第2章 高阶多次压缩变换

2.1 同步压缩变换概论

2.2 多次压缩变换

2.3 高阶多次压缩变换

2.4 仿真信号分析

2.5 本章小结

第3章 二阶多次瞬时压缩变换

3.1 瞬时压缩变换概论

3.2 多次瞬时压缩变换

3.3 二阶多次瞬时压缩变换

3.4 仿真信号分析

3.5 本章小结

第4章 微弱信号特征增强与去噪算法研究

4.1 具有抑噪能力的时变特征增强算法

4.2 具有抑噪能力的瞬态特征增强算法

4.3 仿真信号分析

4.4 本章小结

第5章 sEMG信号时频特征分析与应用

5.1 实验设置与数据采集

5.2 sEMG信号时频特征分析

5.3 模式分类

5.4 肌肉疲劳分析

5.5 本章小结

第6章 总结与展望

6.1 研究结论

6.2 研究创新点

6.3 研究展望

参考文献

第1章绪论

1.1时频分析技术理论研究背景

生物状态信号是反映生物体生命指征状态的信息载体。监测与处理生物状态信号能够更好地服务于临床疾病诊断、运动医学康复、人机交互等领域2]。其中，人体表面肌肉电信号(surface electromyography，sEMG）是一种产生于肌肉生理活动期间的电信号，承载着大脑运动意图与肌肉动作信息，具有监测方便、信息丰富、非侵入、无伤害等优点，受到广泛关注。但由于电极采集面积大、皮肤滤波效应及多源激励干扰等影响，sEMG信号具有信噪比低、特征微弱，并且有典型的非平稳、非线性特征等问题，这对sEMG信号的监测与处理提出了艰巨的挑战[3]。

生物信号的监测与处理是依托生物学和信息论，融合测试技术、数据处理和状态识别等的一体化交叉型学科。其中，sEMG信号的处理和典型特征的提取问题一直是生物信号处理研究的核心内容。随着疾病诊断、医学康复、人机交互等领域向着智能化、高速化、复杂化等方向发展，传统的信号处理和特征提取技术越来越难以满足复杂环境下生物信号的监测与处理需求。因此，探索新的信号处理方法及其应用，一直是国内外众多学者关注和研究的热点（4-8]。例如，经典的时频分析方法包括：短时傅里叶变换（short-timeFourier transform,STFT)、魏格纳一威尔分布（Wigner-Ville distribution,WVD)、小波变换（wavelet transform，WT）、希尔伯特—黄变换（Hilbert-Huang transform，HHT)等。这些方法越来越多地被应用于sEMG信号的处理和典型特征的提取问题中[9-15)。

当大脑产生运动意识时，指令经由皮层运动区、脑干传递到脊髓，最后由神经元驱动骨骼肌，从而产生完整的运动。因此，采集到的sEMG信号通常是多个运动单元电位变化的叠加结果，具有典型的非线性、非平稳及瞬态特征（16-19]。面对sEMG信号产生时表现出的复杂性、不确定性及多单元并发性等问题，构造能够有效刻画sEMG信号非线性、非平稳及瞬态特征的时频分析方法，是解决疾病诊断、医学康复等研究中诸多关键难题的有效工具。然而，传统时频分析方法往往受到海森堡不确定性原理的限制，时频谱能量发散严重、特征模糊，难以提供高分辨率的时频分析结果，极易造成分析系统精度低、可靠性差，甚至出现误断（1.3]。因此，研究适用于生物状态信号处理的时频分析方法，并应用到生物信号分析中，既可以极大地丰富sEMG信号特征提取理论，又能推动疾病诊断、医学康复等领域向着更深、更高层次发展，具有重要的临床应用与社会价值。

……

本书针对传统时频分析方法能量发散导致的特征模糊问题，阐述能够处理强时变信号的高阶多次压缩变换。针对瞬态信号处理与特征提取问题，描述能够处理瞬态信号的二阶多次瞬时压缩变换。针对传统时频分析方法难以刻画信号微弱特征的问题，提出能够用于时变信号与频变信号处理的微弱特征增强算法。将所提出的时频分析方法用于上肢sEMG信号分析与动作模式识别应用中，利用时频分析技术获得信号频率成分随时间变化的特性，用以挖掘更多有关运动单元状态的信息。