伟钊 徐

华南理工大学 自动化科学与工程学院（广州 510641）, School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, P.R.China

鸿强 莫

华南理工大学 自动化科学与工程学院（广州 510641）, School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, P.R.China

联房 田

华南理工大学 自动化科学与工程学院（广州 510641）, School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, P.R.China

德苗 欧

华南理工大学 自动化科学与工程学院（广州 510641）, School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, P.R.China 华南理工大学 自动化科学与工程学院（广州 510641）, School of Automation Science and Engineering, South China University of Technology, Guangzhou 510641, P.R.China

不管是 sEMG 的时域分析还是频域分析，肌电起止点（即动作起止时刻）的准确判断均是保证分析结果正确性的关键前提。当数据量不大时，可以由经验丰富的分析员人工选定 sEMG 的起止点，但数据量大时这种方法的效率很低。sEMG 与语音信号类似，都属于短时平稳信号 ^{[ 2 - 3 ]} ，可以借鉴语音信号的端点检测算法。语音识别中常见的端点检测方法是基于短时能量的端点检测方法 ^{[ 2 ]} ，将信号按固定帧长和帧移分帧，根据单帧信号均方根值是否超过阈值来判断信号端点。直接运用这一算法来检测 sEMG 端点，当被观察肌电幅值较强时，可以有效地检测到动作的起止点；但若在测量位置处被观察肌电幅值较弱而心电（electrocardiogram，ECG）干扰幅值相对较大时，其容易因 ECG 干扰而误判动作起止点。

克服 ECG 干扰影响的最直接的方法是抑制所测肌电信号中的 ECG 成分，即根据 ECG 和 sEMG 信号的频谱差别设计合适的滤波器以滤除 ECG。决定 ECG 幅值的主要能量集中于 30 Hz 以下的频段 ^{[ 4 - 5 ]} ，因此，作截止频率为 20 Hz 或 30 Hz 的高通滤波可以大大削弱 ECG 干扰 ^{[ 6 - 8 ]} 。不过这种高通滤波方法势必也滤去一部分 sEMG 有效信号，影响肌电分析结果。为此，研究人员提出了很多新的方法。例如：Mak 等 ^{[ 9 ]} 提出了利用独立成分分析法（independent component analysis，ICA）减少 ECG 对 sEMG 的干扰；Costa 等 ^{[ 10 ]} 提出了单通道 ICA 分离的方法；Nougarou 等 ^{[ 11 ]} 提出离散小波变换（discrete wavelet transform，DWT）与 ICA 混合算法；周权等 ^{[ 12 ]} 则提出结合小波变换（wavelet transform，WT）和能量熵的混合算法。这些新方法在很大程度上能有效地抑制 ECG 波形，保证了 sEMG 分析结果的准确性，但计算量往往较大，在穿戴式设备上实现有一定的难度。当前移动医疗健康监测设备的应用日益广泛，受成本、体积、功耗等因素限制，移动医疗设备通常应采用计算量较小的算法。

鉴于此，本文借鉴语音识别的端点检测方法，建立一种计算量小的 sEMG 起止点检测的算法，其综合利用 sEMG 短时过零率高于 ECG 以及 sEMG 强度高于背景噪声的特点，确定 sEMG 的起点和终点。腹直肌的 sEMG 测量部位靠近心脏，其 sEMG 信号受 ECG 干扰比较严重，因此本文研究对象以腹直肌的 sEMG 为主，但不局限于腹直肌的 sEMG。