胡 炜
（合肥工业大学 微电子学院，安徽 合肥230601）
0 引 言
表面肌电信号（surface Electromyography，sEMG）可用来记录和评估人体肌肉纤维电活动，通过在皮肤中放置表面电极或将针状电极插入特定肌肉的细胞中测量肌体的电势，从而将其提取出来[1]。sEMG已被广泛地应用在临床肌肉疾病诊断、运动医学、康复工程等领域，尤其是应用在截肢患者安装肌电假手方面[2]。本文在基于STM32单片机的基础上，设计了由多个低成本的运算放大器组成的多通道采集电路提取并获得sEMG。
经验模态分解（Empirical Mode Decomposition，EMD）算法适用于非线性非平稳的弱信号，但EMD算法在分解含噪数据时容易存在模态混叠问题[3]。黄锷提出了总体经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法虽然能解决模态混叠问题[4]，但此降噪方法的不足是需要依据人工操作经验设定参数值后获得最佳降噪效果。为了解决此问题，本文采用一种基于归一化指标寻优的自适应EEMD降噪算法。本文将设计的sEMG采集电路中得到的肌电信号与提出的算法结合，通过实验得出降噪结果，并对降噪结果展开分析。本文整个系统框架设计如图1所示。
图1 系统框架图
1 sEMG采集电路的设计
1.1 sEMG信号的特性
sEMG是一个弱信号，幅值很小，一般在几十毫伏量级[5]。在sEMG采集的过程中，会耦合进多种噪声，例如基线噪声、运动伪影噪声、环境噪声、多运放组成电路产生的高频噪声、闪烁噪声等[6]。对于在移动电线或者波动电极过程中产生的低频噪声，可通过使用带通滤波器或者高通滤波器滤除；而对多运放组成电路产生的高频噪声、闪烁噪声及运动伪影噪声可通过选择合适的算法，如EEMD等进行降噪得到有用信号。
1.2 sEMG采集电路整体结构
为了最大程度地抑制电磁噪声，精确采集sEMG，一般需要共模抑制比（Common Mode Rejection Ratio，CMRR）和信噪比（Signal⁃Noise Ratio，SNR）尽可能的大。因此如何提高SNR和CMRR是sEMG采集电路设计中首要考虑的问题[5]。所设计的低成本多通道sEMG信号采集电路由仪表放大电路、频带滤波电路、同相放大电路组成，具体的电路图如图2所示。
1.3 sEMG采集电路分析
市场上常见的商用信号采集产品一般利用集成的ADC芯片提高CMRR，以消除信号噪声。文献[6]采用的ADS1299芯片，成本高、功率大。本文设计的sEMG采集电路利用3个低成本运算放大器构建成仪表放大器。仪表放大器按照差分放大器的原理执行差分预放大功能，对处理肌电信号这类弱信号的噪声有独特的作用。由于电极中的阻抗较大，因此选用FET输入型运放，运放型号为TL072，在仪表放大电路中，3个运放组成了两级放大电路，为了便于调节以及获得更好的放大效果，各级运放的输入阻抗需要相同。在后级放大过程中，增加一个可调节电阻器R10与R8串联，可人工调节阻值，使R9R6与R8R7的比率相等，从而获得更高的CMRR。为了突出设计电路的简便性，将高通滤波电路和低通滤波电路组合在一起，让其实现带通滤波电路的功能。同时，在高通滤波电路中保持R11=R12=R，C3=C4=C；在低通滤波电路中保持R13=R14=R′，C5=C6=C′。其中，高通滤波电路中的低截止频率为：
低通滤波电路中的高截止频率为：
其中增益Av由式（3）表示：
图2 sEMG采集电路原理图
本文设计的电路使用NI的Multisim工具进行设计和仿真，最终确定了高通滤波电路中的低截止频率为fL=16 Hz，低通滤波电路中的高截止频率为fH=482 Hz。满足在20～500 Hz频率范围内获得有用信号。
为了使信号能以数字化的形式传输到单片机中，在经过预放大和滤波后，要将sEMG信号进一步放大来满足单片机ADC采集的需要。因此，在确定采样频率为1 kHz的情况下，本文选择了同相放大电路和电位抬升电路实现此功能。
2 sEMG自 适 应EEMD降噪方法
2.1 EEMD基本原理
作为EMD方法的改进，EEMD方法应用更为简单、高效。EEMD分解步骤如下[7⁃8]：
1）在原始信号中叠加相同长度但不同幅度的高斯白噪声，然后将叠加后的混合信号进行EMD分解，分解过程的次数用k表示，在每一次分解后会有对应的IMF分量，其中，IMFik表示分解的分量。高斯白噪声的大小为：
式中：e为标准差，用来表示原始sEMG与EMD算法的偏离结果；a表示叠加的白噪声幅值。
2）通过对EEMD分解而获得的IMF分量进行整体平均运算：
式中n表示通过EMD分解的次数。由于得到了不同频率的IMF分量，最后再通过构造低通滤波器便可达到滤除高频噪声的效果[9⁃10]。
2.2 自适应EEMD算法降噪的归一化寻优指标设计
一般EEMD算法sEMG信号的降噪过程中，由人工凭经验设定降噪程序执行的次数，降噪效果只注重SNR的提高，不一定能实现最佳的降噪效果。基于此，本文采用一种基于归一化指标寻优（Normalized Index Optimization，NIO）的自适应EEMD降噪方法。该方法最大的优点在于算法无需人工设定参数，自适应判断降噪是否达到最佳。整个降噪过程采用SNR、相关性系数（Correlation Coefficient）R、标准差（Standard Error，SE）三个指标创建了一个归一化降噪指标r评估降噪效果[11]。
通过上面的公式可知，SNR′为sEMG降噪后的信噪比，SNR是采集到的原始sEMG的信噪比。指标r结合了sEMG的信噪比，形状细节和逼近度三方面评估降噪效果。
3 sEMG信号采集与降噪实验及结果分析
3.1 sEMG信号采集实验及结果分析
所设计的sEMG采集电路能在不同通道下采集人体不同部位的sEMG，也可以在同一通道下采集人体同一位置不同动作的肌体信号。在采集电路中利用一个电压源和一个1 MΩ电阻串联，模拟电极的皮肤阻抗。为了验证所设计的采集电路的频率响应，将1 mV RMS的正弦波以不同频率（0.1 Hz～10 kHz）作为输入进行仿真。如图3所示为每个频率所对应的测量值和相位裕度，可见，测量效果已达到了设计指标。
图3 采集电路滤波器的频率特性
将电极片贴在小臂的两个位置采集sEMG。用通道1采集做出翻腕动作时的sEMG。采集实验的实物照片如图4所示。
图4 采集实验实物图
用示波器得到sEMG采集电路通道1的输出波形。测试得到的波形如图5所示。可以看到，由于采集电路选用低成本的运放，耦合进sEMG信号的噪声比较大，光靠模拟电路滤波还不能满足需要，必须进行进一步的数据降噪处理。
图5 电路采集的翻腕sEMG波形图
采集电路通过STM32单片机的SPI串口与PC上位机进行通信，通过A/D转换后的sEMG将作为后续降噪处理的数据样本。
3.2 sEMG自适应EEMD降噪实验及结果分析
按照第2节所设计的归一化指标寻优自适应EEMD算法，编写了相应的Matlab程序，选用3.1节中所采集的一个翻腕sEMG为对象，进行降噪处理。信号样本包含2 080个采样点。EEMD加入白噪声的幅值标准差比值系数为0.2，程序执行次数NE=1，对信号进行一次EEMD分解，最终得到11个IMF分量。为了确定要删除的IMF，保留的IMF进行信号重构，本文进行了IMF分量剔除后重构的对比实验，即将剔除IMF1至剔除IMF1～IMF6后剩余IMF重构的实验结果进行比较，结果如图6所示。
图6 使用不同IMF分量重构的信号
可见，只删除IMF1后重构sEMG的效果明显好于其他组合，因为过多删除IMF分量只会减少有用信号，导致重构信号的幅度降低，甚至明显失真。本文在每一次EEMD降噪过程中，采用只删除IMF1的策略是相对稳妥的，若重构的信号还有噪声保留，将在下一次循环中再加以删除，通过归一化寻优指标，最终控制EEMD循环的次数。
确定了重构分量为IMF2～IMF11后，执行用Matlab编写的归一化指标寻优自适应EEMD降噪程序，对样本sEMG进行降噪实验，结果如图7，图8所示。
由实验结果可见，所设计的算法循环到第5次时，归一化寻优指标r达到了最佳，第6次循环EEMD降噪的指标r发生了下降，这意味着降噪程序执行5次时效果最佳。
图7 循环次数对应的归一化寻优指标r
图8 不同循环次数的降噪效果比较
分别使用EMD低通滤波（Low⁃Pass Filter，EMD⁃LPF）算法、基于db5小波分解[10]及所设计的自适应EEMD算法分别对采集的翻腕sEMG进行降噪实验，降噪效果对比如图9所示。表1列出了三种算法的相关降噪性能指标，NIO⁃EEMD从指标上是最好的，亦符合图9中降噪效果的直观比较。
表1 三种算法的各项降噪性能指标
图9 NIO⁃EEMD与其他算法降噪效果的比较
4 结 论
本文为了采集用于驱动电刺激器的sEMG，设计了一种不依赖集成ADC的低成本sEMG多通道采集电路。对所设计电路的频率范围进行测试，并对翻腕动作下的sEMG进行采集，实验结果符合预期指标的设计要求。在此基础上，进一步设计了一种归一化指标寻优的自适应EEMD算法，应用在sEMG的降噪处理中，通过设计归一化寻优指标r，能迭代评估sEMG降噪的效果，自适应确定EEMD的循环次数，不受外界参数设定的影响。对设计采集电路得到的翻腕sEMG进行降噪研究，得到了最佳的降噪循环次数和降噪结果，并与EMD低通滤波算法和小波变换降噪方法进行比较，结果表明所设计算法具有更好的降噪性能，能够配合所设计电路实现sEMG的高精度采集。
