介绍
生物医学电信号是从生物系统测量的复杂时域数据。表面肌电图 (sEMG) 是一种测量由神经系统控制的肌肉电活动的技术。通常，肌肉活动可分为两种状态：收缩和放松。肌电信号广泛应用于运动科学、康复、医疗诊断等各个领域。然而，由于负载、压力以及肌肉的解剖和生理特性等多种因素的影响，肌电图信号经常受到噪声和伪影的污染。因此，研究人员做出了广泛的努力来开发更好的算法，改进现有的方法和检测技术，以减少噪声并提高肌电信号配准的准确性。1为了正确分析 EMG 信号，许多研究人员采用了各种先进的方法，例如最小均方 (LMS) 滤波、2小波变换、Wigner-Ville 分布、独立分量分析、经验模态分解和高阶统计。3 – 5肌电图作为一种诊断方法，可评估调节肌肉和神经的健康状况。这种神经细胞也称为运动神经元，向肌肉发送电脉冲，导致肌肉收缩和放松。肌电图将这些脉冲转换成有助于诊断的图表或数字数据。6当患者出现肌肉或神经疾病的迹象时，医生通常会进行肌电图诊断测试。这些症状可能是刺痛、麻木或不明原因的肢体无力。肌电图的结果可以帮助临床医生诊断影响肌肉、神经或肌肉与神经之间关系的疾病。7

无论医学诊断如何，肌电图都有多种用途。作为一种人机交互，它也被用作手势识别技术，使人类的物理动作能够输入到计算机中。8此外，还有一些举措利用肌电图作为控制电子移动设备、5、9假肢、10甚至飞行控制系统的信号。11电动轮椅是可以通过基于 EMG 的界面控制的众多移动物体之一。12这对于任何使用操纵杆有困难的人来说可能特别有益。有计划采用表面肌电图读数作为游戏控制器。13肌电图也是一种确定患者如何受到技术设备影响的方法。制造康复设备的工程师就利用了肌电图的这种用途。14 – 16 EMG 的另一个有趣的应用是通过观察与言语器官相关的肌肉活动来识别清音或无声语音。17 号

肌电信号的特征
肌肉激活并不是肌电图信号的唯一来源。生物、环境、电和数字声音、电心率、皮肤和电极之间的电接触（可能是可以想象的）基于患者运动的变化、模拟系统输入阻抗引起的低频偏移、50/60 Hz 电源线噪声以及更高光谱的成分就是其中的一些。识别基于电子设备的数字输出产生的频率噪声、模拟电路中的噪声以及高频频谱域中的采样周期。由于所使用的特定数字信号处理技术（频谱泄漏、群延迟、非线性相位特性等），记录的数据以数字方式表示，因此信号被舍入和失真。18肌电图有多种形式。在这项工作中，我们仅关注基于皮肤表面传感器的表面肌电图（sEMG）。sEMG 的主要优点是它比肌内肌电图疼痛更少，这导致了它更大的临床用途。19这些传感器的放置位置和皮肤的制备方式必须符合特定要求。20 , 21通过处理这些信号，可能有助于各种神经肌肉疾病的诊断、治疗和康复。彻底检查负载和压力对肌电图信号的影响至关重要，因为这会显着影响其准确性。

离散小波变换
离散小波变换涉及应用高通滤波器（HPF）和低通滤波器（LPF），并在每个滤波器之后使用下采样器以使变换高效。LPF 产生平均信号，而 HPF 产生细节信号，从而区分信号和近似信号。离散小波变换在分析和合成中充当滤波器，称为二进离散化。构建滤波器组类似于离散化尺度参数。在这些情况下，每个小波滤波器组都充当带通滤波器，仅允许特定的频率范围。在二进离散化过程中，小波的尺度参数被视为二的幂，这意味着两倍的平移会将频率拉伸两倍，将频率分量移动两倍，并将频率改变两倍。在这种情况下，每个滤波器组都必须与其他滤波器组不同。

DWT 在频域中使用连续的低通和高通滤波过程，将信号分解为其粗略近似值和详细信息。输入信号被每个滤波器分成两个半带频率，其中一个半带进入低通滤波器，用H 1表示，另一半带进入高通滤波器，用H 0表示。频率的下半部分由低通滤波器提取并被称为近似信息，而上半部分由高通滤波器提取并被称为细节信息。

材料和方法
开发的电极由绣花聚酰胺-银混合导电线、支撑织物和底纱组成。支撑织物是弹性纺织带。使用聚酯复丝导电混合线 (CleverTex) 来制作刺绣纺织电极。为了准备刺绣区域，聚酯复丝导电混合线用作面线，而 100% 聚酯马德拉线用作底线。将由 BXT 集团有限公司制造的 8 毫米弹性尼龙 + 聚酯（黑色）绷带（尺寸为 2.95 × 27.5 英寸）粘贴到粘合纸上，以确保在刺绣机下正确固定。这款绷带采用自粘式紧固带，通过网状设计提供舒适性和透气性。刺绣电极的设计是使用 Ink/Stitch 软件（Inkscape 的刺绣插件）完成的。使用由聚酯复丝导电混合线 (CleverTex) 开发的纺织电极从健康受试者收集表面肌电图数据，该电极直接绣在嵌入 Velcro 的弹性绷带上。23将绷带放置在目标肌肉上，同时在不同的负荷和压力下执行不同的活动，如我们之前发表的作品中所述。23通过可洗性、拉伸性能来评估所开发的绣花电极的耐用性，并与功能电极进行比较。23在这项工作中，我们的主要目标是评估所提出的向数据添加随机噪声的去噪方法的性能。

为了确保准确的测量，在 sEMG 记录期间将参考电极放置在肌肉收缩活动较低的身体区域至关重要。表面肌电图数据记录应在患者友好的环境中进行，以增强患者对实验各个步骤的注意力。作为这项研究的一部分，从二头肌收集了不同组的 sEMG 信号样本。图 3中的框图说明了如何使用 DWT 和阈值方法对 sEMG 数据进行去噪。

数据库
进行的实验研究遵循科学研究的道德标准。该研究得到了季马大学伦理委员会和季马理工学院机构审查委员会的批准。在同意参与这项研究之前，参与者收到了有关其目的和记录程序培训的信息。对两名健康男性和一名健康女性进行了 3 次记录，年龄在 20 至 41 岁之间，BMI 范围为 19.6 至 27.4 kg/m 2。将皮肤电极接触点放置在皮肤上并稳定 5 分钟，然后记录二头肌的数据。24参与者坐下来收集基线表面肌电图数据。为了捕捉来自二头肌的肌肉收缩信号，肘部弯曲（屈曲）直至达到 90°，然后伸展（伸展）至 0°。屈伸周期持续约 10 秒，每个参与者至少完成 5 个周期。为了避免系统误差，三名志愿者以随机顺序接受四个级别的负载效应（0、2、4、6 kg）和四个级别的压力效应（0、5、10、20 mmHg）。在负载实验中，参与者被要求在手掌或手中举起0至6公斤的不同重量，同时记录表面肌电图如图4所示。在研究压力对表面肌电图的影响时，将血压监测袖带固定在放置纺织电极的感兴趣的肌肉上，并充气至所需的压力值。

添加随机噪声
发生 sEMG 信号污染的原因有多种。每种污染物都具有独特的特征，这些特征会影响其对肌电图信号的影响。通常导致信号处理问题的三种主要污染物是基线噪声、干扰噪声和伪影。使用正确的工具可以避免放大器饱和、ACD 削波和量化等其他污染物。25基线噪声（BL），也称为固有噪声，代表肌肉不收缩时设备检测到的信号。26它包括热噪声或来自放大系统的噪声，通常表示为高斯白噪声 (WGN)。这表明其功率在整个频率范围内是一致的。最成问题且最常见的背景噪声源是电源线干扰 (PLI)，这也是大多数研究的主题。电极阻抗的差异以及电缆或患者体内的位移电流可能会导致 PLI。PLI 的频率以 50 Hz（欧洲）或 60 Hz（北美）为中心，因为它来自电力线。27

与其他污染物不同，伪影并不总是表现为连续波形（例如突然的峰值）。它可以被认为是肌电图信号测量方式的改变。记录过程中的身体运动是最常见的干扰源，它会改变皮肤-电极界面的阻抗，甚至会因电缆运动而引起振荡，这被称为运动伪影（MA）。由皮肤电极界面阻抗变化产生的28 MA 的频率通常在 0 到 20 Hz 之间，但由电缆运动产生的 MA 的频率可能高达 50 Hz。29因此，向 sEMG 信号添加随机产生的噪声是检查噪声如何影响信号的最佳技术。
信号分解
为了找到用于 sEMG 信号去噪的最佳小波族，本研究研究了不同的小波族：Daubechies、Symlets 和 Coiflets。使用 MATLAB Wavelet Toolbox，依次应用高通和低通滤波器，对信号进行分解。30我们使用了不同类型的小波，例如 Db（5 和 10）、Sym（5 和 6）、Coif（3 和 5），其母小波分别是 Daubechies、Symlet 和 Coiflet。这里，db5或db10中的整数，例如分别为5或10，表示小波基函数的消失点。

这种方法的结果是短尺度高频信号分量的详细系数和大尺度低频分量的近似系数。使用不同类型的小波滤波器对非平稳脑电图生物信号进行的比较研究表明。31分解级别 5 足以实现~0.01 的 MSE。同样，之前的作品。EMG 上的32表明，对于 db2、coif1、sym5、bior2.2、bior4.4 和 rbior2.2 等小波，第 4 级分解足以分析运动单位电位 (MUP)。此外，针对肌电控制的 sEMG 进行基于小波的去噪研究，提出了噪声信号的分解级别为 4。33因此，在本研究中，我们将所有考虑的小波的最大分解级别固定为 4。
应用于详细系数的阈值方法和函数
为从 4 级分解获得的每个细节信号选择正确的小波系数集对于有效重建去噪信号至关重要。“阈值方法”评估不同级别的小波变换细节信号中存在的噪声的方差。34 – 37在这项研究中，使用了四种不同的阈值选择方法来观察它们在信号去噪方面的表现如何。38 , 39

信号重建
最后一步涉及使用特定小波或重构滤波器 h 和 g 执行一维小波重构。图 5显示了使用逆离散小波系数的信号重建。

绩效评估
去噪处理后，可以通过将去噪后的信号与原始信号进行比较来测量性能。已使用多种技术来测量去噪算法的有效性。确定信号中存在多少噪声的常用指标是通过 SNR。还使用均方根误差 (RMSE) 和百分比均方根差 (PRD) 来评估去噪算法的性能。

结果
所提出的技术找出最佳（最合适）的小波算法参数来对 sEMG 信号进行降噪，从而帮助医生诊断神经肌肉疾病。为了评估所提出的使用最流行的小波族的降噪方法的有效性，将随机噪声添加到检查的肌电图信号中。使用 DWT 在所有四个分解级别上有效地消除了噪声。我们采用了多种小波阈值函数，例如具有各种阈值方法/规则（Rigrsure、Sqtwolog、Heursure 和 Minimaxi）的硬阈值和软阈值，以消除在不同负载和压力水平下采集的 sEMG 信号中的噪声。为了证明所设计算法的效率，还考虑了其​​他过滤技术进行比较

使用带有软阈值函数的 sym5 小波函数和四种不同阈值选择规则（Heursure、Rigrsure、Minimax 和 Sqtwolog）从 EMG 信号去噪中获得的 SNR、RMSE 和 PRD 值。该表显示了每个阈值选择规则的 SNR、RMSE 和 PRD 的平均值以及在不同条件（5 mmHg & 6 kg、10 mmHg & 6 kg 和 20 mmHg & 6 kg）下记录的三个不同 sEMG 信号。RMSE 值表示去噪信号与原始信号之间的均方根误差，其中较低的值表示在准确性方面性能较好。

PRD值表示去噪信号与原始信号之间的均方根差的百分比，其中较低的值表示在相似性方面更好的性能。该表显示阈值选择规则的性能根据 EMG 信号和评估指标而变化。例如，Rigrsure 规则对于 20 mmHg & 6 kg EMG 信号具有最高的 SNR 值，对于 10 mmHg & 6 kg EMG 信号具有最低的 RMSE 值，对于 20 mmHg & 6 kg EMG 信号具有最低的 PRD 值。

当比较三个 sEMG 信号的这些结果时，Rigrsure 规则通常在 SNR、RMSE 和 PRD 方面显示出最佳性能，而 Heursure 和 Sqtwolog 规则则显示出几乎相同的评估指标，但性能最低。Minimax 规则的性能介于 Rigrsure 和 Heursure 或 Sqtwolog 之间。Rigrsure 规则对于 20 mmHg & 6 kg EMG 信号具有最高的 SNR 值，对于 10 mmHg & 6 kg EMG 信号具有最低的 RMSE 值，对于 20 mmHg & 6 kg EMG 信号具有最低的 PRD 值。

讨论
虽然纺织电极具有多种优点，但为了在生物监测应用中有效使用它们，还需要解决一些挑战。为应对这些挑战，我们正在不断努力，重点是在将纺织电极集成到服装中之前评估不同场景中的信号质量。在本研究中，我们比较了使用四种不同阈值方法（选择规则）和两种阈值函数（软或硬）的三种不同小波族与其他滤波器（如巴特沃斯、等波纹、IIR 和 FIR）的效率。基于小波的信号去噪需要正确选择基小波函数（db、sym、coif 等）、阈值方法（Bayes、SURE（严格 SURE、启发式 SURE）、BlockJS、minimax、FDR、Universal 等）和阈值函数（硬阈值、软阈值）。

小波的几个功能特性决定了它是否适合去噪应用。其中一些是基函数的正交性、对称性、消失点的数量、对转换为数字滤波器的支持、可微性（规律性）等。本研究中使用的所有三个小波（db、sym coif）都有其独特的缩放函数和它们的小波与其缩放函数正交。这表明在分解和阈值化（分析步骤）之后去噪信号的重建（合成步骤）将具有最小的伪影。当设计为数字滤波器时，小波的对称形状决定了其相位特性。换句话说，输出信号的相位将根据输入信号的频率而变化。线性相位变化是理想的，与随频率增加的非线性相位变化相比。与表现出近线性相位变化的近对称、sym 和 coif 小波相比，Db 使用不对称基础并表现出非线性相位特性。消失点由小波名称后面的数字表示，例如 db5 有 5 个消失点。

消失点越多，小波形状就会显得越平滑/规则，但振荡也越多。此外，小波的消失点决定了硬件实现所需的数字滤波器（或其脉冲响应）的点数。消失点由小波名称后面的数字表示，例如 db5 有 5 个消失点。消失点越多，小波形状就会显得越平滑/规则，但振荡也越多。此外，小波的消失点决定了硬件实现所需的数字滤波器（或其脉冲响应）的点数。消失点由小波名称后面的数字表示，例如 db5 有 5 个消失点。消失点越多，小波形状就会显得越平滑/规则，但振荡也越多。此外，小波的消失点决定了硬件实现所需的数字滤波器（或其脉冲响应）的点数。42在我们的分析中，不同小波的性能参数（即 db 或 sym 或 coif）之间观察到的差异与不同阈值方法（Rigrsure、Heursure、Sqtwolog、Minimax）或阈值函数（hard ， 柔软的）。

基于 Rigrsure 的阈值方法和硬阈值函数优于所有其他组合。之前针对神经信号进行的基于小波的去噪研究也报道过硬阈值函数相对于软阈值函数的优越性能。43用于确定阈值的阈值方法对于有效去噪也至关重要。Rigrsure 计算每个级别的“Stein 无偏风险估计”（详细信息：D1、D2、D3），并确定阈值，

每个级别
。我们的分析表明，对于 sEMG 信号，具有硬阈值函数的 rigrsure 会产生最佳的 SNR、RMSE、PRD 分数。这一发现有利于研究人员和从业者选择合适的滤波器来预处理不同应用的 sEMG 信号。事实上，具有硬阈值方法的最佳性能 sym 小波可以在未来实现为硬件数字滤波器，并与纺织电极集成。因此，基于小波的处理算法已经证明了其在消除生物医学信号噪声方面的有效性，并且可以探索用于其他目的。

结论
所提出的使用小波算法对 sEMG 信号进行去噪的技术在消除信号噪声方面显示出了有希望的结果。将 DWT 的效率与其他预处理不同压力和负载水平的 sEMG 信号的滤波技术进行了比较。不同小波族、阈值函数和阈值选择规则的性能根据 SNR、RMSE 和 PRD 等各种指标进行评估。小波多分辨率滤波器在 SNR 值方面始终优于其他滤波器，而巴特沃斯滤波器始终表现出最低的 SNR 值。这些研究证明了小波阈值技术在消除表面肌电信号中的噪声方面的有效性，并建议正确选择小波族和阈值方法，以实现更好的去噪应用。