0 引言

    人體在自發運動或者肌肉在受到外界刺激時產生的信息在檢測電極處時間和空間的疊加構成了表面肌電信號^[1]。該信號作為仿生假肢的控制源信號已經成為人工智能領域的重要應用。手臂肌電信號的幅度在10 mV以內，其能量主要集中在20 Hz～500 Hz頻段^[2]。由于各種環境因素的存在，使得肌電信號的獲取經常受到干擾，其噪聲來源主要有以下幾種^[3-4]：(1)檢測電路中大多電子元件本身工作存在噪聲；(2)檢測各種肌電信號時，電極跟皮膚接觸產生的偽信號；(3)由其他電場輻射引起的電磁干擾等噪聲。因此，如何提高手臂肌電信號識別的準確率，成為重要的研究領域。

    傳統消除肌電信號干擾算法有很多，如卡爾曼濾波法、譜相減法等算法^[5]。這些傳統處理方法對于去除含噪肌電信號是比較困難，去噪效果特別不明顯。DONOHO D L等學者提出基于小波的閾值去燥理論^[6]，這種方法在微弱電信號處理、圖像去噪處理等領域應用廣泛。

    常用的基于閾值的小波去噪方法有軟閾值和硬閾值選取法^[7-8]。本文研究了軟、硬閾值存在不連續點和恒定偏差等缺點，引入非線性函數，并且利用控制系數，以此對小波閾值去噪算法進行改進。改進的小波閾值去噪方法可以有效提高肌肉電信號去噪效果，促進后期信號識別的準確性和可靠性。

1 小波變換理論分析

    常用的小波濾波方法包括貝葉斯法和非貝葉斯法[9]。非貝葉斯法又分為3種方法：(1)空域相關濾波算法；(2)模極大值重構濾波算法；(3)小波閾值濾波。通過分析比較3種濾波方法得出，小波閾值濾波算法具有實時操作簡單、計算量小等特點，所以本文對小波閾值去燥方法展開研究。

    通過研究分析，由于經過小波變換后，C_j會產生很多的冗佘量，因此對含噪信號進行去噪和恢復處理可以利用這個冗余性。當滿足一定條件時，f(t)能夠構成平方可積函數的基函數，則可以用平方可積函數中的一組基線性表示。經過理論分析，該小波變換生成基的方式簡單。

2 基于改進的閾值算法

2.1 基于閾值的小波去噪方法

    在去噪過程中，通過優化選擇閾值來提高信號去噪的效果是本文主要研究內容?；陂撝档倪x取方法包括軟閾值和硬閾值兩種，介紹如下：

    (1)硬閾值函數分析

    硬閾值函數如式(5)所示^[11]：

其中，λ為設定的門限閾值，為閾值濾波后的小波系數。當小波系數C_j小于-λ或者大于λ時，這部分小波系數被認定為原始信號的小波系數；相反，小波系數為0。

    基于硬閾值小波去噪方法可以獲得具有相似性較強的重構信號。但是在該方法中信號邊緣容易產生振蕩閾值，形成突變信號。其函數曲線圖如圖1所示。

    （2)軟閾值函數

    軟閾值函數如(6)所示^[12]：

式中，當C_j大于λ時，小波系數減去λ；當C_j小于λ時，小波系數加上λ，這些可以作為重構對象；當C_j處于-λ和λ之間時，濾除掉這部分小波系數，處理后的小波系為0。

    通過基于小波軟閾值去噪法可以獲得具有較好光滑性的重構信號。但是該方法中設定的閾值是有偏差的，會導致濾波后的信號有時會過于平滑，從而導致誤差較大。其函數曲線圖如圖2所示。

2.2 改進閾值去噪法的分析

    在肌電信號去噪的初始階段，硬閾值算法雖然會獲得相似性較強的重構信號，但由于其門限閾值函數是有跳變的，其在含有多重振蕩信號中會產生許多突變噪聲點，這時，濾波后的信號出現許多失真現象^[13]。對于軟閾值算法函數來說，雖然它是一個連續函數，其在處理振蕩信號的小波系數時，會顯得較為平滑，很大程度上克服了硬閾值算法的缺點。同樣該算法對絕對值大的小波系數有較大的影響，還會造成信號高頻分量信息的損失，使處理后信號過于平滑，導致信號邊緣模糊，也會在重構信號中增大誤差。為此，在函數過渡階段引入一個非線性函數與控制系數，就可以利用這樣的閾值函數設定閾值參數。

    通過以上對軟、硬閾值函數優缺點的分析，本文采用非線性函數進行過渡，同時引入控制系數，改進的閾值算法的表達式如式(7)所示。

式中，a為引入的控制系數，在不同范圍內，a都影響小波系數C_j在該區域內的變化程度。其函數曲線圖如圖3所示。

    小波軟閾值方法計算出的估計值為使重構后的信號無限接近原始信號，就要減小這個偏差。因此，本文提出的改進閾值法就是為了減小這個偏差，但從實際應用中分析，這個偏差不可能減小為零。因為如果把偏差λ減小成零，這就成為了小波硬閾值方法，這樣達不到改進效果。如果讓之間，這樣得出小波系數估計值就更加近似于原始信號。

    因此，由式(7)可知，基于改進的閾值函數不僅具有軟閾值的連續性，還具有偏差比軟閾值小等特點。在式(7)中，當a=0時，該閾值函數與軟閾值函數等效；當a→λ/(e^λ-1)時，隨著原始小波系數C_j的增大，估計值更加接近C_j。因此，改進后的閾值函數偏差比軟閾值函數偏差小。本文提出的改進閾值函數是在軟閾值函數基礎上引入控制系數，使得原始信號和噪聲信號之間過度相對平滑，經過濾波處理后的信號更加接近原始信號。該方法思路簡單，有利于提高去噪效果。

2.3 3種閾值小波去噪方法仿真結果分析

    本文采用控制系數a=0.3對手臂表面肌電信號進行去噪實驗分析，對同一個含噪聲信號，分別利用軟閾值、硬閾值及改進閾值去噪法進行仿真分析。以仿真結果與信噪比作為其性能指標，信噪比越高，去噪效果越好，更加能恢復出原始信號，以此驗證改進閾值去噪法的可靠性及有效性。仿真結果如圖4所示。

    由圖4可知，硬閾值去噪算法產生了多余的突變噪聲，軟閾值去噪算法使得一部分頻率點變得平滑，誤差較大。改進閾值去噪法比軟閾值去噪法減少了誤差，比硬閾值去噪法更平滑，恢復出的信號更加近似于原始信號。為了克服軟、硬閾值方法存在的缺點，利用改進閾值方法對表面肌電信號去噪的效果更好。對實驗進行進一步的研究，將3種方法進行信噪比進行對比分析，其結果如表1所示。

    由表1可以得出，在3種去噪結果中，硬閾值信噪比較低，改進閾值去噪法的信噪比最高。改進閾值去噪法保留了軟閾值的連續性和平滑性，比軟、硬閾值去噪法的去噪效果更好。因此，改進閾值去噪法可以應用在肌電信號去噪檢測領域，而且有利于提高信號去噪的準確性。

3 基于改進閾值法處理含噪聲信號

    在肌電信號中，需要考慮的噪聲來源有：工頻干擾、高頻電磁場干擾、電極極化干擾、肌電干擾、測量儀器自身的干擾等。由于這些干擾信號的存在，使得在實際檢測過程中采集到的肌電信號不夠準確。將單通道獲取到的肌電含噪聲信號，利用小波變換處理后，得到一系列的小波系數。其中，有些小波系數包括原始信號的重要信息。原始信號對應的小波系數具有幅值較大、數量較少等特點。其他噪聲對應的小波系數數量較多，但其幅值較小。因此，可以利用改進后的小波閾值去噪算法，將處理后的幅值較大的小波系數保留，將幅值較小的小波系數去掉。把濾波后剩余的小波系數進行構建函數，將恢復出原始信號與原始信號對比。本文利用改進后的閾值算法對含白噪聲和工頻干擾信號的肌電含噪聲信號進行仿真分析，結果如圖5、圖6所示。

    對仿真結果進行對比分析可以得出，改進閾值算法在對疊加白噪聲和工頻干擾的混頻信號處理時，減少了誤差，處理效果更接近于原始信號。將處理后的肌電信號的信噪比進行對比分析，結果分析如表2所示。

    由表2可以得出，利用改進閾值小波去噪法處理含噪聲信號具有較高的信噪比。

4 結論

    本文首先運用軟、硬閾值去噪法及改進閾值去噪法對同一個含噪聲信號進行分析處理，經過仿真分析得出改進閾值去噪法比軟、硬閾值去噪法效果好，提高肌電信號的信噪比。其次，利用改進閾值去噪法對疊加白噪聲與疊加工頻干擾信號進行去噪處理，經仿真分析，該方法可以很好地抑制信號的零點漂移，能夠準確地恢復出原始信號。

    本文在研究肌電信號去噪方法過程中，還有一些可以改進的地方。首先，本文是利用健康男性前臂肌肉電信號單通道的采集數據進行處理分析，選擇控制系數a=0.3的情況下，對手臂表面肌電信號進行實驗分析，在實際應用中，手臂運動涉及到多通道的肌肉信號檢測；其次，對于殘疾人的殘肢，由于各種損傷等因素導致的意識減弱，不能簡單地用單通道單個閾值作為判斷方法。在今后研究設計中，應該根據個體情況，并利用多個通道的數據進行綜合分析，優化算法，減少工作量，提高運算速度，才能確定個體的最佳特征參數和控制閾值。

參考文獻

[1] GINI G，ARVETTI M，SOMLAI I，et al.Acquisition and analysis of EMG signals to recognize multiple hand movements for prosthetic applications[J].Appl Bion Biomechan，2012，9(2)：145-155.

[2] 曲峰.運動員表面肌電信號與分形[M].北京：北京體育大學出版社，2008.

[3] 趙章琰.表面肌電信號檢測和處理中若干關鍵技術研究[D].合肥：中國科學技術大學，2010.

[4] 吳永亮，邱成，朱衡君.基于DAQ－2204的微弱信號數據采集與分析系統[J].測控技術，2011，30(3)：26-28.

[5] 孔玲軍.Matlab小波分析超級學習手冊[M].北京：人民郵電出版社，2014.

[6] DONOHO D L.De-noising by soft-thresholding[J].IEEE Trans.Inf.Theory，1995，41(3)：613-627.

[7] Li Guanlin，Li Yaonan，Yu Long，et al.Conditioning and sampling issues of EMG signals in motion recognition of multifunctional myoelectric prostheses[J].Ann Biomed Eng，2011，39(6)：1779-1787.

[8] SMITH L H，HARGROVE L J，LOCK B A，et al.Deter-mining the optimal window length for pattern recognition-based myoelectric control：Balancing the competing effects of classification error and controller delay[J].IEEE Trans.Neural.Syst.Rehabil.Eng.，2011，19(2)：186-192.

[9] 婁智，鄧浩，陳香，等.基于自適應閾值處理的表面肌電信號小波去噪研究[J].生物醫學工程學雜志，2014，31(4)：723-728.

[10] 王彥青，魏連鑫.一種改進的小波閾值去噪方法[J].上海理工大學學報，2011，33(4)：405-408.

[11] 葉裕雷，戴文戰.一種基于新閾值函數的小波信號去噪[J].計算機應用，2006，26(7)：1617-1618.

[12] 段永剛，馬立元，李永軍，等.基于小波分析的改進軟閾值去噪算法[J].科學技術與工程，2011，23(8)：5755-5758.

[13] 吳秀君.改進提升小波閾值算法在信號去噪中的應用[J].激光雜志，2014(8)：15-18.

作者信息:

劉明君1，董增壽2

（1.忻州師范學院 電子系，山西 忻州034000；2.太原科技大學 電子信息學院，山西 太原030024）