本發(fā)明涉及一種肌電信號的去噪方法，應(yīng)用于仿生機械手，屬于信號處理領(lǐng)域。

背景技術(shù)：

1、semg是人體進行肢體運動時從皮膚表面采集到的微弱電信號，它與肌肉力的產(chǎn)生密切相關(guān)，可用于反映肌肉的活動情況，表面肌電信號被廣泛應(yīng)用于康復(fù)工程中，用于設(shè)計和控制康復(fù)和輔助設(shè)備，以及手勢識別等應(yīng)用。然而，由于semg是一種具有非線性、非平穩(wěn)、低幅值和低頻性特點的隨機信號，容易受人體與環(huán)境噪聲的干擾，嚴(yán)重時將影響檢測的準(zhǔn)確性及可靠性，甚至造成醫(yī)療事故。因此，最小化肌電信號中的有害噪聲是一個需要考慮的嚴(yán)肅問題。

2、為了去除semg中的噪聲干擾，國內(nèi)外已提出多種方法進行試驗，均取得了一定的成果。比如經(jīng)驗?zāi)B(tài)分解法、小波閾值法和變分模態(tài)分解法(variational?modedecomposition，vmd)。其中，經(jīng)驗?zāi)B(tài)分解(empirical?mode?decomposition,emd)是經(jīng)常被用到的去噪策略之一,它是將信號分解為一組零均值和幾乎相同數(shù)量的極大和極小分量的最著名方法。它遞歸地將一個非平穩(wěn)信號分解成一個數(shù)據(jù)相關(guān)的基函數(shù),稱為本征模態(tài)函數(shù)(intrinsicmodefunction,imf)。emd的一個重要特征是它能夠?qū)⒎蔷€性和非平穩(wěn)信號表示為具有物理意義的時頻分量的總和。emd在從生物信號中提取生命信號、從信號中去除干擾、氣候分析等方面得到了滿意的應(yīng)用。然而,emd的結(jié)果受到極值點查找和插值方法的影響較大。因此，為了解決對噪聲的低魯棒性和缺乏數(shù)學(xué)理論的問題,開發(fā)了一些類emd方法。vmd法是將semg自適應(yīng)地分解為多個固有模態(tài)分量(intrinsic?mode?function，imf)，把變分約束問題轉(zhuǎn)為非變分約束問題，從而實現(xiàn)對semg的分解，克服了emd方法中模態(tài)混疊的問題。基于vmd對非平穩(wěn)序列的高適應(yīng)性，vmd的去噪已成功應(yīng)用于地震時頻分析，齒輪故障診斷，生物信號去噪，風(fēng)速預(yù)測等領(lǐng)域，但是vmd分解也存在手動設(shè)置懲罰因子α和分解層數(shù)k參數(shù)的缺陷。目前國內(nèi)外學(xué)者嘗試使用優(yōu)化算法求解vmd中的兩個參數(shù)，此方法可以節(jié)省人為尋找參數(shù)的時間，但是由于算法和適應(yīng)度函數(shù)的不同選取，求解的結(jié)果差異很大。小波閾值法兼具多分辨率和時頻局部化的特點，可以更好的捕捉信號的細節(jié)特征，因此被廣泛地應(yīng)用于隨機信號去噪過程，心電，腦電，肌電等神經(jīng)性電信號均適用于小波去噪。但是小波變換也存在小波基選取，閾值函數(shù)選取，分解層數(shù)選取等影響因素，這些因素對信號去噪精度有一定影響，同時計算量相對較大。鑒于此情，本文提出一種新的信號降噪方法，解決上述問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于rime優(yōu)化svmd的肌電信號去噪處理方法，通過使用svmd對肌電信號進行分解，同時通過rime優(yōu)化svmd的最大平衡參數(shù)并提高分解精度，計算分解后各imf的ncc，對ncc小于0.3的分量直接去除，對ncc大于0.3的分量做小波閾值去噪處理，更好的保留原始肌電信號的完整特征，以便后續(xù)的研究。

2、為了解決上述的技術(shù)問題，本發(fā)明提出了如下技術(shù)方案：

3、一種基于rime優(yōu)化svmd的肌電信號去噪方法，包括以下步驟：

4、s1、獲取原始肌電信號，通過rime算法自適應(yīng)迭代搜索svmd算法的最優(yōu)平衡參數(shù)；

5、s2、使用svmd對所述原始肌電信號進行逐次變分模態(tài)分解，獲取分解后的imf；

6、s3、計算各imf對應(yīng)的ncc，以0.3為標(biāo)準(zhǔn)，大于0.3的部分認(rèn)定為有用信號，小于0.3認(rèn)定為無用信號；

7、s4、對所述ncc大于0.3的信號進行去噪重構(gòu)，獲取降噪處理后的肌電信號。

8、可選的，所述的步驟s1具體包括：

9、s11通過肌電信號傳感器采集受試者的原始肌電信號，并對采集的原始肌電信號做放大，擬合歸一化處理；

10、s12設(shè)置rime算法的適應(yīng)度函數(shù)；

11、s13初始化rime算法的冰霜粒子種群，設(shè)置最大平衡參數(shù)α的范圍，計算粒子的適應(yīng)度值；

12、s14使用軟霜搜索策略，模擬粒子的凝結(jié)過程，計算粒子的位置；

13、s15使用硬霜穿刺機制，更新粒子的位置；

14、s16進行貪婪選擇機制，將霜冰晶體更新后與更新前的適應(yīng)度值比較，取最優(yōu)值；

15、s17判斷是否滿足終止條件，若是則輸出α，若不是則返回s14；

16、具體的，將原始肌電信號的最小包絡(luò)譜峰值因子作為rime算法的適應(yīng)度函數(shù)，將原始肌電信號的包絡(luò)譜峰值因子最小值作為粒子個體的適應(yīng)度。

17、可選的，通過如下公式計算原始肌電信號的包絡(luò)譜峰值因子：

18、

19、式中x(z)代表包絡(luò)譜幅值序列，x(z)(z＝1,2,3……z)；ec是一種無量綱指標(biāo)。

20、可選的，所述的s14具體通過如下公式計算計算粒子的位置：

21、

22、其中，rijnew是更新粒子的新位置，i和j表示第i個霜冰晶體中的第j個粒子；rbest.j是霜冰群體r中最佳霜冰晶體的第j個粒子；參數(shù)r1是在(-1，1)范圍內(nèi)的隨機數(shù)；cosθ隨著迭代次數(shù)而變化，θ控制粒子的運動方向；h表示粘附度，是一個在(0，1)范圍內(nèi)的隨機數(shù)；β是環(huán)境因子，其中β的數(shù)學(xué)模型是階躍函數(shù)，ω1表示階躍函數(shù)的段數(shù)且默認(rèn)為5，[]代表舍入運算；ubij和lbij分別是霜冰空間的上界和下界,它們限制了粒子運動的有效區(qū)域；t1代表當(dāng)前迭代次數(shù)，t2表示最大迭代次數(shù)；r2是(0,1)范圍內(nèi)的隨機數(shù)，e是附著系數(shù)，e的表達式為：

23、

24、r2與e是(0,1)區(qū)間內(nèi)的一個隨機值，它決定了粒子是否凝聚即粒子位置是否更新。

25、可選的，所述的s15通過如下公式計算更新硬霜的粒子位置：

26、在實現(xiàn)硬霜冰穿刺機制階段，粒子之間的置換公式如下式所示：

27、rijnew＝rbest.j,r3<fnormr(si)；

28、其中r3是(-1,1)范圍內(nèi)的隨機數(shù)；si代表霜冰晶體，fnormr(si)表示當(dāng)前晶體適合度值的歸一化值；最后進行正貪婪選擇機制階段，將霜冰晶體更新后與更新前的適應(yīng)度值進行比較，如果更新后的適應(yīng)度比更新前的值更好，則用更新后的值替換更新前的值。

29、可選的，所述的步驟s2具體包括：

30、s21、定義輸入的所述原始肌電信號被分解為l階，每一階對應(yīng)的模態(tài)為ul(t)，則各模態(tài)ul(t)圍繞其中心頻率緊湊，構(gòu)建第l階模態(tài)最小化準(zhǔn)則j1并使得所述最小化準(zhǔn)則j1達到最小化；

31、s22、構(gòu)建最小化準(zhǔn)則j2使得最小化殘差信號和第l階模態(tài)的頻譜重疊；

32、s23、通過所述最小化準(zhǔn)則j1和所述最小化準(zhǔn)則j2更新濾波器的脈沖頻率響應(yīng)，并建立附加判據(jù)j3；

33、s24、基于所述最小化準(zhǔn)則j1所述最小化準(zhǔn)則j2以及附加判據(jù)j3對變分問題求解，構(gòu)造增廣拉格朗日公式；

34、s25、使用乘法器算法對所述模態(tài)u(t)、svmd分解中的中心頻率ω以及輸入信號f(t)進行一次迭代更新優(yōu)化，并通過交叉乘子法修正拉格朗日乘子λ。

35、可選的，所述的步驟s21中信號分解表示為：

36、f(t)＝ul(t)+fr(t)；

37、殘差信號fr(t)是除了ul(t)之外的輸入信號，它包含兩部分：l-1階的模態(tài)和信號未處理部分fu(t)，即

38、

39、最小化準(zhǔn)則j1表示為：

40、

41、ωl為第l模態(tài)的中心頻率；*為卷積運算符，是時間t的偏導(dǎo)數(shù)，δ(t)是狄拉克函數(shù)，t表示采樣的時間序列，j是虛數(shù)并無實際意義。

42、可選的，所述的步驟s22最小化準(zhǔn)則j2表示為：為了使殘差信號fr(t)和ul(t)之間的頻譜重疊最小化，通過合適的濾波器來實現(xiàn)，頻率響應(yīng)的表達式為：

43、

44、為了使βl(ω)濾除fr(t)能量最小化，因此建立j2準(zhǔn)則來最小化殘差信號與lth模態(tài)的頻譜重疊：

45、

46、其中βl(t)代表第l階模態(tài)的脈沖響應(yīng)；

47、所述的步驟s23附加判據(jù)為：

48、

49、所述的步驟s24構(gòu)造公式為：

50、

51、當(dāng)已知l-1個約束時，第l個模態(tài)可以轉(zhuǎn)化為約束最小化問題，根據(jù)上式的約束使得j1、j2和j3的組合最小化，建立最小化約束模型：

52、

53、式中α為最大平衡參數(shù)，可使用拉格朗日乘子法求解；

54、

55、其中λ時拉格朗日乘子，根據(jù)parseval定理，可將上式轉(zhuǎn)化并使用交叉乘子法求解，最終得到分解后的分量imf。

56、可選的，所述的步驟s3具體包括：

57、s31計算各imf與原始信號的相關(guān)系數(shù)ncc，通過如下公式計算：

58、

59、上式中，f(t)表示原始信號，表示為imf的信號，表示原始信號的均值，表示imf信號的均值。

60、s32計算各imf的ncc后，對大于0.3的噪聲分量做保留，小于0.3的分量做去除。

61、可選的，所述的步驟s4具體包括：

62、s41對保留的肌電信號做小波閾值處理；

63、s42去噪后的信號進行重構(gòu)，得到去噪后的信號。

64、與現(xiàn)有的技術(shù)相比具有以下有益效果：

65、本發(fā)明通過svmd算法對含噪肌電信號進行分解，svmd中的優(yōu)化可以近似視為k個一維優(yōu)化問題,與現(xiàn)有的vmd相比，具有更低的計算復(fù)雜度,并且能夠很好避免確定與vmd相關(guān)的imf數(shù)量的麻煩，同時也回避了vmd中初始中心頻率難以確定的問題,即能夠提高肌電信號分解的效率和效果，從而能夠提高有用信號特征提取的準(zhǔn)確性。

66、本發(fā)明在通過svmd算法進行信號分解的基礎(chǔ)上，針對svmd算法需預(yù)先設(shè)置平衡參數(shù)且不同的平衡參數(shù)值決定了svmd分解精度的問題，通過rime(霜冰優(yōu)化算法)優(yōu)化svmd的平衡參數(shù)選取，利用rime算法實現(xiàn)簡單、全局搜索能力強、求解精度與收斂速度快等優(yōu)點，高效且準(zhǔn)確為svmd算法選取最優(yōu)平衡參數(shù)以充分發(fā)揮其信號分解性能，即能夠?qū)崿F(xiàn)高精度的信號分解得到若干imf分量，并對有用信號進行去噪處理，得到有用的信息。