ỨNG DỤNG PHÉP BIẾN đổi WAVELET TRONG xử lý NHIỄU tín HIỆU điện cơ

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM THÀNH PHỐ HỒ CHÍ MINH KHOA VẬT LÝ VÕ THỊ PHẤN ỨNG DỤNG PHÉP BIẾN ĐỔI WAVELET TRONG XỬ LÝ NHIỄU TÍN HIỆU ĐIỆN CƠ LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC Tp HỔ CHÍ MINH – NĂM 2015 ii BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM THÀNH PHỐ HỒ CHÍ MINH KHOA VẬT LÝ VÕ THỊ PHẤN ỨNG DỤNG PHÉP BIẾN ĐỔI WAVELET TRONG XỬ LÝ NHIỄU TÍN HIỆU ĐIỆN CƠ Ngành: SƯ PHẠM VẬT LÝ Mã số: 102 Giảng viên hướng dẫn: ThS TRẦN ĐẶNG BẢO ÂN Tp HỔ CHÍ MINH – NĂM 2015 i LỜI CẢM ƠN Trong q trình thực luận văn, ngồi nổ lực thân, tơi nhận nhiều quan tâm, hướng dẫn, giúp đỡ bố mẹ, thầy bạn bè Tơi xin bày tỏ lòng biết ơn sâu sắc đến thầy hướng dẫn – Th.S Trần Đặng Bảo Ân tận tâm hướng dẫn, động viên tạo điều kiện thuận lợi cho tơi hồn thành luận văn Tơi xin chân thành cảm ơn đến thầy, Khoa Vật Lý trường Đại học Sư phạm TP Hồ Chí Minh truyền thụ cho tơi kiến thức tảng để thực luận văn tốt nghiệp đại học Tơi chân thành cảm ơn bạn khóa, có đóng góp q báu cho đề tài Sau tơi xin gởi lời cảm ơn đến gia đình ln nguồn động viên lớn giúp tơi hồn thành luận văn Mặc dù tơi có nhiều cố gắng để thực đề tài cách hồn chỉnh Song lần đầu làm quen với nghiên cứu khoa học hạn chế kiến thức kinh nghiệm nên khơng thể tránh khỏi thiếu sót, kính mong thơng cảm góp ý giúp đỡ q thầy bạn Tp Hồ Chí Minh, ngày 27 tháng 04 năm 2015 Sinh viên thực Võ Thị Phấn ii MỤC LỤC LỜI CẢM ƠN i MỤC LỤC ii DANH MỤC MỘT SỐ CHỮ VIẾT TẮT iii DANH MỤC HÌNH VẼ iv GIỚI THIỆU CHUNG Chương 1: TỔNG QUAN VỀ TÍN HIỆU ĐIỆN CƠ .4 1.1 Lịch sử hình thành tín hiệu điện .4 1.2 Cơ sở phát sinh tín hiệu điện 1.3 Kết cấu tín hiệu điện 1.4 Các nhân tố ảnh hưởng đến tín hiệu điện 1.5 Các phương pháp thu nhận tín hiệu điện 11 1.6 Ứng dụng tín hiệu điện 14 Chương 2: PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU ĐIỆN CƠ 16 2.1 Biến đổi Fourier .16 2.2 Phép biến đổi wavelet 17 2.3 Các họ wavlet [2, 5] .23 2.4 Điều kiện wavelet mother 26 Chương 3: THỰC HÀNH XỬ LÝ TÍN HIỆU 28 3.1 Ứng dụng phép biến đổi wavelet khử nhiễu 28 3.2 Wavelet toobox .30 3.3 Khảo sát tín hiệu EMG hộp cơng cụ Wavelet Toolbox Matlab 35 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .52 TÀI LIỆU THAM KHẢO 53 iii DANH MỤC MỘT SỐ CHỮ VIẾT TẮT Kí hiệu Diễn tả AI Artificial Intelligence AP Action potential CWT Continuous Wavelet Transform DWT Discrete Wavelet Transform ECG Electrocardiography EEMD Ensemble Empirical Mode Decomposition EMD Empirical Mode Decomposition EMG Electromyography HAS Hilbert spectral analysis HHT Hilbert Huang Transform HOS Higher-order statistical IDWT Inverse discrete wavelet transform IMF Intrinsic Mode Function MSE Mean Square Error MU Motor Unit MUAPs Motor unit action potential PRD Percent Root Mean Square Difference SEMG Surface Electromyography SNR imp Improvement signal-to-noise ratio STFT Short Time Fourier Transform WVD Wigner – Ville Distribution iv DANH MỤC HÌNH VẼ Hình 0.1 Tín hiệu EMG thơ Hình 1.1 Q trình khử cực tái khử cực màng tế bào .5 Hình 1.2 Đơn vị vận động Hình 1.3 Cơ chế phát sinh điện hoạt động Hình 1.4 Điện hoạt động tế bào Hình 1.5 Khu vực khử cực màng sợi .8 Hình 1.6 Sự chồng lên MUAP tạo nên tín hiệu EMG Hình 1.7 Chuỗi kiện điện sinh học 12 Hình 2.1 Biến đổi Fourier thời gian ngắn (STFT) 17 Hình 2.2 Biến đổi Wavelet .18 Hình 2.3 Sự co dãn wavelet tương ứng với hệ số tỷ lệ khác 19 Hình 2.4 Sự dịch chuyển wavelet 20 Hình 2.5 Phân tích đa phân giải sử dụng biến đổi wavelet rời rạc 22 Hình 2.6 Wavelet Haar 23 Hình 2.7 Họ wavelet Daubechies .24 Hình 2.8 Họ wavelet coiflets 24 Hình 2.9 Họ wavelet Symlets 25 Hình 2.10 Wavelet Morlet 25 Hình 2.11 Hàm mũ Mehico 25 Hình 2.12 Wavelet Meyer 26 Hình 2.13 Wavelet Shannon .26 Hình 3.1 Ngưỡng cứng .29 Hình 3.2 Ngưỡng mềm .30 Hình 3.3 Wavelet Toolbox Main Menu 31 Hình 3.4 Tải tín hiệu vào giao diện Wavelet – D 31 Hình 3.5 Phân tích tín hiệu thành mức xấp xỉ chi tiết 32 Hình 3.6 Lọc nhiễu tín hiệu 33 Hình 3.7 Đặt ngưỡng để xử lý 33 Hình 3.8 Lọc nhiễu tín hiệu sau đặt ngưỡng 34 Hình 3.9: Hiển thị tín hiệu sau lọc nhiễu tín hiệu gốc 34 Hình 3.10 Tín hiệu EMG người khỏe mạnh (sạch) 35 Hình 3.11 Tín hiệu EMG người khỏe mạnh (cộng thêm nhiễu Gauss trắng 10dB) 35 Hình 3.12 Tín hiệu EMG người bị rối loạn hệ thần kinh (sạch) 36 v Hình 3.13 EMG người bị rối loạn hệ thần kinh (cộng thêm nhiễu Gauss trắng 10dB) 36 Hình 3.14 Phân tích tín hiệu Noisekhoe thành mức chi tiết xấp xỉ 37 Hình 3.15 Đặt ngưỡng lọc nhiễu tín hiệu Noisekhoe 37 Hình 3.16 Tín hiệu Noisekhoe tín hiệu sau lọc nhiễu 38 Hình 3.17 Phân tích tín hiệu Noise thành mức chi tiết xấp xỉ 38 Hình 3.18 Đặt ngưỡng lọc nhiễu tín hiệu Noise 38 Hình 3.19 Tín hiệu Noise tín hiệu sau lọc nhiễu 39 Hình 3.20 Phân tách tín hiệu EMG thành hệ số chi tiết hệ số xấp xỉ 40 Hình 3.21 Sơ đồ thuật tốn xác định hàm Wavelet tối ưu 41 Hình 3.22 Sự phụ thuộc PRD vào mức phân tách hàm Wavelet haar, db1, bior1.1 rbio1.1 .46 Hình 3.23 Sự phụ thuộc MSE vào mức phân tách hàm wavelet haar, db1, bior1.1 rbio1.1 .47 Hình 3.24 Hình tín hiệu sạch, tín hiệu thêm nhiễu tín hiệu sau lọc nhiễu loại wavelet haar, db1, bior1.1 rbio1.1 48 Hình 3.25 Sự phụ thuộc PRD vào mức phân tách hàm wavelet haar, db1, bior1.1 rbio1.1 .48 Hình 3.26 Sự phụ thuộc MSE vào mức phân tách hàm wavelet haar, db1, bior1.1 rbio1.1 .49 Hình 3.27 Hình tín hiệu sạch, tín hiệu thêm nhiễu tín hiệu sau lọc nhiễu loại wavelet haar, db1, bior1.1 rbio1.1 50 DANH MỤC CÁC BẢNG Bảng 3.1 Bảng tín hiệu mẫu 35 Bảng 3.2 Bảng loại wavelets .42 GIỚI THIỆU CHUNG Tín hiệu y sinh tín hiệu điện thu nhận từ quan mà có thay đổi đặc tính vật lý Tín hiệu thơng thường hàm thời gian mơ tả giới hạn biên độ, tần số pha Tín hiệu điện (Electromyography – EMG) tín hiệu y sinh đo dòng điện tạo suốt q trình co Hệ thống thần kinh ln ln kiểm sốt hoạt động bắp (co/giản) Do tín hiệu EMG tín hiệu phức tạp, kiểm sốt hệ thống thần kinh phụ thuộc vào cấu trúc giải phẫu đặc điểm sinh lý [12] Tín hiệu EMG bao gồm nhiễu truyền qua mơ khác Đặc biệt thu nhận bề mặt da, tín hiệu thu từ đơn vị vận động khác thời điểm tạo tương tác lẫn Tín hiệu EMG có ý nghĩa to lớn sử dụng cho nhiều ứng dụng lâm sàng/y sinh, phát triển chip EHW, tương tác máy tính với người Các tín hiệu điện EMG cần phải có phương pháp có độ xác đáng tin cậy bước: ghi nhận, phân tích, xử lý phân loại Tín hiệu điện bề mặt ghi nhận điện cực bề mặt da thu tín hiệu sinh học q trình hoạt động hệ – thần kinh Cơ tạo tín hiệu điện yếu với biên độ khoảng 0,1 – 0,5 mV Do đó, đòi hỏi phải có hệ thống đo có độ nhạy lớn điều dẫn đến khả chống nhiễu giảm Các vấn đề khác gặp phải việc ghi nhận tín hiệu EMG nhiễu ảnh hưởng nhiễu Năng lượng tín hiệu điện bề mặt (sEMG) có dãy động nằm khoảng – 1000 Hz, tín hiệu EMG thơng thường có tần số thấp tín hiệu nhiễu có tần số cao Tín hiệu EMG thật hữu ích nằm dãy động từ 10 – 500 Hz, chi tiết từ 50 – 150 Hz Vì người ta tin tưởng rằng, nhiễu sinh từ tín hiệu có tần số cao, giả định tn theo hàm phân bố Gauss [1] Hình 0.1 Tín hiệu EMG thơ Để có tín hiệu EMG, điện cực dán lên bề mặt da (điện cực bề mặt) điện cực kim gắn trực tiếp vào bắp Tín hiệu EMG thu từ điện cực bề mặt tín hiệu phức tạp, bao gồm tất sợi nằm da Nó phụ thuộc vào điều khiển hệ thần kinh, vào tính chất giải phẫu sinh lý bắp Tín hiệu EMG biểu diễn dạng điện áp hình 0.1 [1] Kỹ thuật ghi nhận tín hiệu EMG tương đối Hiện hạn chế việc ghi nhận hiểu rõ tính chất phi tuyến tín hiệu điện bề mặt, dự đốn biến đổi tín hiệu, thu tín hiệu xác từ Các thuật tốn nhằm tái tạo lại tín hiệu điện sau lọc nhiễu hệ thống truyền thống có hạn chế khác nhau, tính tốn phức tạp cho tín hiệu bị sai lớn [12] Những tiến gần kỹ thuật xử lý tín hiệu mơ hình tốn học tạo tiền đề cho kỹ thuật ghi nhận phân tích tín hiệu điện EMG Các kỹ thuật tốn học khác trí tuệ nhân tạo (Artificial Intelligence) có sức thu hút lớn Các mơ hình tốn học bao gồm phép biến đổi wavelet, phương pháp thời gian – tần số, phép biến đổi Fourier, phân bố Wigner – Ville (WVD), đo lường thống kê, thống kê bậc cấp Tuy có nhiều thuật tốn khác chúng có mặt thuận lợi hạn chế định Phương pháp tiếp cận thời gian – tần số sử dụng phân bố WVD cho phép biểu diễn thời gian thực sử dụng cho đơn vị vận động (Motor unit – MU), đặc biệt tình phản hồi sinh học lại chứa nhiều nhiễu Phương pháp thống kê bậc cao (Higher-order statistical - HOS) sử dụng cho phân tích tín hiệu EMG áp dụng cho khoảng thời gian ngẫu nhiên lại phức tạp [12, 8] Phép biến đổi Fourier cơng cụ tốn học hữu ích quan trọng cung cấp thơng tin có tính tồn cục, thích hợp cho tín hiệu tuần hồn, khơng chứa đột biến thay đổi khơng dự báo Khắc phục nhược điểm cách hiệu phép biến đổi wavelet Phân tích thời gian – tần số dựa vào phép biến đổi wavelet phù hợp để xử lý tín hiệu điện EMG Ứng dụng EMG kỹ thuật y sinh dùng để chữa bệnh dựa vào tín hiệu điện để tối ưu hóa hoạt động lĩnh vực khơng giới Tuy nhiên, việc ứng dụng kỹ thuật EMG Việt Nam có phần hạn chế Các bệnh liên quan thường khơng chẩn đốn tín hiệu điện mà chủ yếu dựa kinh nghiệm bác sĩ triệu chứng lâm sàng Hơn nữa, nước chưa thấy cơng ty hay tổ chức dùng tín hiệu EMG để mơ hoạt động Từ ứng dụng thể thao, chế tạo chân tay giả robot hoạt động sở tín hiệu Các máy móc điện nhập từ nước ngồi lắp ráp Việt Nam chưa thấy chế tạo Do đó, hướng nghiên cứu Việt Nam Trong luận văn này, tơi tập trung nghiên cứu xử lý tín hiệu điện phép biến đổi wavelet Ý nghĩa đề tài để tạo tín hiệu đáng tin cậy ứng dụng chẩn đốn điều trị bệnh liên quan đến hệ – thần kinh, tảng tín hiệu điện phương pháp xử lý tín hiệu sử dụng phần mềm MATLAB góp phần tạo động lực cho nghiên cứu lĩnh vực y sinh sau Các mục đích đề tài nghiên cứu phép biến đổi wavelet ứng dụng phép biến đổi xử lý tín hiệu điện (EMG), sử dụng phần mềm MATLAB để mơ xử lý vài tín hiệu điện Các nội dung thực luận văn là: - Tìm hiểu tín hiệu điện - Tìm hiểu phép biến đổi wavelet ứng dụng xử lý tín hiệu điện - Sử dụng phần mềm MATLAB để mơ lọc nhiễu tín hiệu mẫu - Đưa tín hiệu đáng tin cậy để ứng dụng y sinh Để có tín hiệu điện xác cần thực bước ghi nhận, phân tích, xử lý phân loại xác Trong này, tơi tập trung nghiên cứu xử lý tín hiệu điện phép biến đổi wavelet 40 3.3.3.1 Sơ đồ thuật tốn xác định hàm wavelet tối ưu Tín hiệu EMG xử lý nhiễu có dạng [7]: y= [ n] x [ n] + v [ n] (3.6) đó, x [ n ] tín hiệu EMG ban đầu, v [ n ] nhiễu cộng vào tín hiệu y [ n ] tín hiệu EMG cần lọc nhiễu Nếu DWT phép biến đổi Wavelet gián đoạn thì: Y= [ n] X [ n] + V [ n] (3.7)  Y [ n ] = DWT { y [ n ]}  với  X [ n ] = DWT { x [ n ]}    V [ n ] = DWT {v [ n ]} Hình 3.20 Phân tách tín hiệu EMG thành hệ số chi tiết hệ số xấp xỉ 41 Trong q trình lọc nhiễu, hàm wavelet sử dụng vòng lặp Q trình tổng qt bao gồm bước mơ tả đây: − Bước 1: Phân tách Chọn wavelet; chọn mức phân tích K phân tách wavelet tín hiệu x [ n ] mức K − Bước 2: Đặt ngưỡng hệ số chi tiết Với mức từ đến K , chọn Bắt đầu Tải tín hiệu EMG x [ n ] Cộng nhiễu Gauss vào tín hiệu mẫu ngưỡng áp dụng đặt ngưỡng cho hệ giá trị ngưỡng giá trị tín hiệu sau lọc nhiễu: Xˆ [ n ] = THR {Y [ n ] , δ } Trong đề tài này, thresholding) ngưỡng mềm (soft THR xác định theo cơng thức: THR = median ( cDK ) log ( N ) 0.6745 Chọn hàm Wavelet Phân tách tín hiệu mức N Xác định hệ số wavelet Sử dụng Wavelet Matlab lọc nhiễu Chọn hàm wavelet khác số wavelet Nếu THR ngưỡng δ (3.8) với cDK hệ số chi tiết mức phân tách Xác định SNRimp , MSE , PRD K [7] Khả lọc nhiễu phụ thuộc vào Kết thúc loại ngưỡng Nếu mức phân tách wavelet Hình 3.21 Sơ đồ thuật tốn xác định hàm Wavelet tối ưu hệ số chi tiết hệ số xấp xỉ diễn tả: Xˆ [ n ] = Cd (1) Cd ( ) Ca ( )  (3.9) − Bước 3: Tái tạo Tính tốn tái tạo wavelet, sử dụng hệ số xấp xỉ ban đầu mức K hệ số chi tiết chỉnh sửa mức đến K Tín hiệu EMG { } tái tạo: xˆ [ n ] = IDWT Xˆ 42 − Bước 4: Đánh giá hiệu suất q trình lọc nhiễu Trong đề tài này, chúng tơi sử dụng tham số: • Tỉ lệ tín hiệu nhiễu cải tiến, SNRimp (improvement signal-to-noise ratio): N SNRimp [ dB ] = 10 log10 ∑ ( y [ n ] − x [ n ]) n =1 N ∑ ( xˆ [ n] − x [ n]) (3.10) n =1 với N số mẫu tín hiệu • Sai số bình phương trung bình, MSE (Mean Square Error): = MSE N N ∑ ( xˆ [ n] − x [ n]) (3.11) n =1 • Phần trăm bậc hai độ lệch bình phương trung bình, PRD (Percent Root Mean Square Difference): N PRD [ % ] = ∑ ( xˆ [ n] − x [ n]) n =1 N ∑ ( x [ n ]) 100 (3.12) n =1 Sơ đồ thuật tốn để lọc nhiễu thể hình 3.21 Có tổng cộng 54 hàm wavelet sử dụng để đánh giá khả lọc tín hiệu EMG bao gồm họ: Haar, Daubechies, Symlets, Coiflets, BiorSplines, ReverseBior, Meyer Dmeyer Bảng 3.2 thể 54 loại wavelet Một hàm wavelet xem lọc nhiễu tốt SNRimp có giá trị lớn giá trị MSE PRD nhỏ Bảng 3.2 Bảng loại wavelets Dạng wavelet Ký hiệu Loại Haar Haar Haar Daubechies Db db1, db2, db3, db4, db5, db6, db7, db8, db9, db10 Symlets Sym sym2, sym3, sym4, sym5, sym6, sym7, sym8 43 Coiflets Coif coif1, coif2, coif3, coif4, coif5 Bior bior1.1, bior1.3, bior1.5, bior2.2, bior2.4, bior2.6, bior2.8, bior3.1, bior3.3, bior3.5, bior3.7, bior3.9, bior4.4, bior5.5, bior6.8 ReverseBior Rbio rbio1.1, rbio1.3, rbio1.5, rbio2.2, rbio2.4, rbio2.6, rbio2.8, rbio3.1, rbio3.3, rbio3.5, rbio3.7, rbio3.9, rbio4.4, rbio5.5, rbio6.8 Dmeyer Dmey Dmey BiorSplines 3.3.3.2 Kết thảo luận Tín hiệu ban đầu (230 mẫu) người bị rối loạn thần kinh tín hiệu ban đầu (1000 mẫu) người khỏe mạnh cộng nhiễu dB Trong cơng trình [7] cho thấy hàm wavelet haar, db1, bior1.1 rbio1.1 với mức phân tách k = cho kết lọc nhiễu tốt Sau đoạn code dùng để cộng nhiễu xử lý tín hiệu: clc; clear all; close all; ELEVATED=[] [fname path]=uigetfile('*.mat'); fname=strcat(path,fname); load(fname ); z=zeros(0,1); A=volemg_neuro230; A=A'; zc=A(1); A=[z;A;z]; k = A; s=awgn(k,6,'measured'); %So vong lap for x=1:7 N=x; %%%%%%%%%%%%%%%%%%%% %Haar Wavelet %%%%%%%%%%%%%%%%%%%% %Wavelet1 Wname='haar'; %Them nhieu gauss trang vao tin hieu %Chon Wavelet me va muc phan tach tin hieu 44 %Thuc hien bien doi wavele [C,L]=wavedec(s,N,Wname); %Tinh cac he so yap yi va chi tiet cA1=appcoef(C,L,Wname,N); cD1=detcoef(C,L,1); %cD2=detcoef(C,L,2); %cD3=detcoef(C,L,3); %cD4=detcoef(C,L,4); %Dat nguong cho cac he so [thr,sorh,keepapp] = ddencmp('den','wv',s); [d,Cd,Ld,PERF0,PERFL2]=wdencmp('gbl',s,Wname,N,thr,sorh,keepapp); snr(x)=10*log10(sum(k.^2)/sum((s-d).^2)); impsnr(x)=10*log10(sum((sk).^2)/sum((d-k).^2)); mse(x)=sum((d-k).^2)/length(d); prd(x)=sqrt(sum((d-k).^2)/sum(k.^2)) SNR(1,x)=mean(snr); MSE(1,x)=mean(mse); PRD(1,x)=mean(prd); IMPSNR(1,x)=mean(impsnr); %%%%%%%%%%%%%%%%%%%% %Wavelet2 Wname='db1'; %Them nhieu gauss trang vao tin hieu %Chon Wavelet me va muc phan tach tin hieu %Thuc hien bien doi wavelet [C,L]=wavedec(s,N,Wname); %Tinh cac he so yap yi va chi tiet cA1=appcoef(C,L,Wname,N); cD1=detcoef(C,L,1); %cD2=detcoef(C,L,2); %cD3=detcoef(C,L,3); %cD4=detcoef(C,L,4); %Dat nguong cho cac he so [thr,sorh,keepapp] = ddencmp('den','wv',s); [d,Cd,Ld,PERF0,PERFL2]=wdencmp('gbl',s,Wname,N,thr,sorh,keepapp); snr(x)=10*log10(sum(k.^2)/sum((s-d).^2)); impsnr(x)=10*log10(sum((sk).^2)/sum((d-k).^2)); mse(x)=sum((d-k).^2)/length(d); prd(x)=sqrt(sum((d-k).^2)/sum(k.^2)) SNR(2,x)=mean(snr); MSE(2,x)=mean(mse); PRD(2,x)=mean(prd); IMPSNR(2,x)=mean(impsnr); %%%%%%%%%%%%%%%%%%%% %Wavelet3 Wname='bior1.1'; %Them nhieu gauss trang vao tin hieu %Chon Wavelet me va muc phan tach tin hieu %Thuc hien bien doi wavelet [C,L]=wavedec(s,N,Wname); %Tinh cac he so yap yi va chi tiet 45 cA1=appcoef(C,L,Wname,N); cD1=detcoef(C,L,1); %cD2=detcoef(C,L,2); %cD3=detcoef(C,L,3); %cD4=detcoef(C,L,4); %Dat nguong cho cac he so [thr,sorh,keepapp] = ddencmp('den','wv',s); [d,Cd,Ld,PERF0,PERFL2]=wdencmp('gbl',s,Wname,N,thr,sorh,keepapp); snr(x)=10*log10(sum(k.^2)/sum((s-d).^2)); impsnr(x)=10*log10(sum((sk).^2)/sum((d-k).^2)); mse(x)=sum((d-k).^2)/length(d); prd(x)=sqrt(sum((d-k).^2)/sum(k.^2)) SNR(3,x)=mean(snr); MSE(3,x)=mean(mse); PRD(3,x)=mean(prd); IMPSNR(3,x)=mean(impsnr); %%%%%%%%%%%%%%%%%%%% %Wavelet4 Wname='rbio1.1'; %Them nhieu gauss trang vao tin hieu %Chon Wavelet me va muc phan tach tin hieu %Thuc hien bien doi wavelet [C,L]=wavedec(s,N,Wname); %Tinh cac he so yap yi va chi tiet cA1=appcoef(C,L,Wname,N); cD1=detcoef(C,L,1); %cD2=detcoef(C,L,2); %cD3=detcoef(C,L,3); %cD4=detcoef(C,L,4); %Dat nguong cho cac he so [thr,sorh,keepapp] = ddencmp('den','wv',s); [d,Cd,Ld,PERF0,PERFL2]=wdencmp('gbl',s,Wname,N,thr,sorh,keepapp); snr(x)=10*log10(sum(k.^2)/sum((s-d).^2)); impsnr(x)=10*log10(sum((sk).^2)/sum((d-k).^2)); mse(x)=sum((d-k).^2)/length(d); prd(x)=sqrt(sum((d-k).^2)/sum(k.^2)) SNR(4,x)=mean(snr); MSE(4,x)=mean(mse); PRD(4,x)=mean(prd); IMPSNR(4,x)=mean(impsnr); end figure(1) subplot(221) plot(PRD(1,:)); title('Wavelet Haar') subplot(222) plot(PRD(2,:)); title('Wavelet Db1') subplot(223) plot(PRD(3,:)); title('Wavelet Bior1.1') 46 subplot(224) plot(PRD(4,:)); title('Wavelet Rbio1.1') figure(2) subplot(221) plot(MSE(1,:)); title('Wavelet Haar') subplot(222) plot(MSE(2,:)); title('Wavelet Db1') subplot(223) plot(MSE(3,:)); title('Wavelet Bior1.1') subplot(224) plot(MSE(4,:)); title('Wavelet Rbio1.1') Kết minh họa chương trình cho tín hiệu chọn sau: 0,34 Haar Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) a) Tín hiệu emgkhoe1000 0,32 0,30 0,28 0,26 0,34 Mức phân tách (N) Bior 1.1 0,32 0,30 0,28 0,26 Mức phân tách (N) Db1 0,32 0,30 0,28 0,26 Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) 0,34 0,34 Mức phân tách (N) Rbio 1.1 0,32 0,30 0,28 0,26 Mức phân tách (N) Hình 3.22 Sự phụ thuộc PRD vào mức phân tách hàm Wavelet haar, db1, bior1.1 rbio1.1 0,0016 Haar 0,0014 0,0012 0,0010 0,0008 Mức phân tách (N) Db1 0,0014 0,0012 0,0010 0,0008 8 Mức phân tách (N) 0,0016 0,0016 Bior 1.1 Rbio 1.1 0,0014 0,0014 0,0012 0,0012 0,0010 0,0008 0,0016 Sai số bình phương trung bình MSE (mV) Sai số bình phương trung bình MSE (mV) Sai số bình phương trung bình MSE (mV) Sai số bình phương trung bình MSE (mV) 47 0,0010 Mức phân tách (N) 0,0008 Mức phân tách (N) Hình 3.23 Sự phụ thuộc MSE vào mức phân tách hàm wavelet haar, db1, bior1.1 rbio1.1 48 Hình 3.24 Hình tín hiệu sạch, tín hiệu thêm nhiễu tín hiệu sau lọc nhiễu loại wavelet haar, db1, bior1.1 rbio1.1 Tín hiệu sạch, tín hiệu cộng thêm nhiễu SNRinput = 10dB tín hiệu sau lọc nhiễu bốn loại wavelet haar, db1, bior 1.1 rbio1.1 thể hình 3.24 b) Tín hiệu volemg_neuro230 0,58 Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) 0,58 Haar 0,56 0,54 0,52 0,50 0,48 0,46 Mức phân tách (N) 0,54 0,52 0,50 0,48 0,46 8 Mức phân tách (N) 0,58 Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) 0,58 Phần trămcăn bậc hai độ lệch bình phương trung bình PRD(%) Db1 0,56 Bior 1.1 0,56 0,54 0,52 0,50 0,48 0,46 Mức phân tách (N) Rbio 1.1 0,56 0,54 0,52 0,50 0,48 0,46 Mức phân tách (N) Hình 3.25 Sự phụ thuộc PRD vào mức phân tách hàm wavelet haar, db1, bior1.1 rbio1.1 49 0,008 Sai số bình phương trung bình MSE (mV) Sai số bình phương trung bình MSE (mV) 0,008 Haar 0,007 0,006 0,005 0,004 Mức phân tách (N) 0,006 0,005 0,004 Sai số bình phương trung bình MSE (mV) Sai số bình phương trung bình MSE (mV) 0,007 Mức phân tách (N) 0,008 0,008 Bior 1.1 Rbio 1.1 0,007 0,007 0,006 0,006 0,005 0,004 Db1 0,005 Mức phân tách (N) 0,004 Mức phân tách (N) Hình 3.26 Sự phụ thuộc MSE vào mức phân tách hàm wavelet haar, db1, bior1.1 rbio1.1 Tín hiệu sạch, tín hiệu cộng thêm nhiễu tín hiệu sau lọc nhiễu bốn loại wavelet haar, db1, bior 1.1 rbio1.1 thể hình 3.27 50 Hình 3.27 Hình tín hiệu sạch, tín hiệu thêm nhiễu tín hiệu sau lọc nhiễu loại wavelet haar, db1, bior1.1 rbio1.1 Tùy thuộc vào hàm wavelet chọn, nhiễu tín hiệu ngõ vào mức phân tách khác cho tín hiệu EMG ngõ khác Tuy nhiên, chọn mức phân tách q lớn chất lượng tín hiệu ngõ bị giảm tín hiệu Sự phụ thuộc PRD (hình 3.22và hình 3.25) MSE (hình 3.23 hình 3.26) vào mức phân tách khác thay đổi từ đến ứng với số hàm wavelet haar, db1, bior1.1, rbio1.1 Ở đây, mức phân tách tốt k = PRD MSE có giá trị nhỏ Với mức phân tách k = ta xử lý tín hiệu cho với bốn hàm wavelet haar, db1, bior1.1 rbio1.1 lượng nhiễu cộng vào 10 dB tín hiệu sau lọc nhiễu (hình 3.24 hình 3.27) gần giống với tín hiệu ban đầu Tín hiệu sau lọc nhiễu có chất lượng gần tín hiệu q trình lọc nhiễu tái tạo lại tín hiệu với thành phần xấp xĩ (chiếm khoảng 90% lượng tín hiệu ban đầu) thành phần chi tiết loại bỏ bớt nhiễu Việc so sánh hiệu suất lọc nhiễu hàm wavelet nhằm tìm hàm wavelet lọc nhiễu tốt để lọc tín hiệu EMG Các hàm wavelet haar, db1, bior1.1, rbio1.1 cho kết khử nhiễu tốt cho giá trị SNRimp lớn MSE , PRD nhỏ nên hàm wavelet tối ưu dành cho xử lý tín hiệu EMG Vậy tùy thuộc vào tín hiệu cần xử lý mà ta chọn hàm wavelet tương ứng với mức phân tách phù hợp để kết xử lý tín hiệu đạt hiệu suất cao Hiệu suất 51 biết thơng qua tham số SNRimp , MSE PRD Từ chương trình ta thấy hồn tồn sử dụng MATLAB viết chương trình ứng dụng cụ thể cho nghiên cứu EMG cụ thể 52 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận Các nội dung thực viết là: - Tìm hiểu nguồn gốc sinh lý điện cơ, vài phương pháp dùng để xử lý tín hiệu điện - Tìm hiểu phép biến đổi wavelet ứng dụng xử lý tín hiệu điện - Sử dụng phần mềm Matlab để mơ lọc nhiễu tín hiệu mẫu Do hạn chế thời gian nên tác giả chưa thực q trình thu nhận thực nghiệm tín hiệu điện dự kiến ban đầu mà lấy tín hiệu mẫu có sẵn để xử lý Tuy nhiên, viết trình bày hiểu biết phép biến đổi wavelet phần mềm MATLAB nhằm hỗ trợ nghiên cứu lĩnh vực nghiên cứu điện Hướng phát triển đề tài Việc xử dụng phần mềm MATLAB để xử lý tự động tín hiệu có hạn chế kết phụ thuộc vào hàm wavelet chọn khơng biết hiệu suất lọc nhiễu Vì vậy, hướng phát triển đề tài dựa vào sở lý thuyết để viết chương trình ứng dụng cụ thể để xử lý tín hiệu hiệu cho nghiên cứu khác EMG 53 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Hữu Đơng, Thu nhận xử lý tín hiệu điện phép biến đổi wavelet, Đại học Bách Khoa thành phố Hồ Chí Minh, pp.38 – 42, 2014 [2] Nguyễn Hồng Hải, Nguyễn Việt Anh, Phạm Minh Tồn, Hà Trần Đức, Cơng cụ phân tích Wavelets ứng dụng Matlab, nhà xuất Khoa học kỹ thuật Hà Nội, 2005 [3] Phùng Trung Nghĩa, Đỗ Huy Khơi, Giáo trình xử lý tín hiệu số 2, Khoa Cơng nghệ thơng tin – Bộ mơn Điện tử viễn thơng, pp.82 – 87, 2008 [4] Trần Ngọc Tú, Ứng dụng phép biến đổi wavelet xử lý ảnh, Học viện cơng nghệ bưu viễn thơng, pp.06 – 11, 2010 Tiếng Anh [5] Akhila Devi B V, S.Suja Priyadharsini, Diagnosis of Neuromuscular Disorders Using Softcomputing Techniques, International Joural of Soft Computing and Engineering (IJSCE), pp.105 – 110, 2013 [6] Amanda Nebel, James E.Whitney, Signal Processing for Electromyography Parameter Estimation, Mathematics and Computers in Biology and Biomedical Informatics, pp.37 – 42 [7] Angkoon Phinyomark, Chusak Limsakul, and Pornchai Phukpattaranont, Nonmembers, Optimal Wavelet Functions in Wavelet Denoising for Multifunction Myoelectric Control, ECTI Transactions on electrical ENG., Electronics, and communications vol.8, no.1, pp.43 – 52, 2010 [8] A.N.Norali, M.H Mat Som, Surface Electromyography Signal Processing and Application: A Review, Proceedings of the International Conference on ManMachine Systems (ICoMMS), pp.01 – 06, 2009 54 [9] A Phinyomark, C.Limsakul, P.Phukpattaranont (2011), Application of wavelet Analysis in EMG Feature Extraction for Pattern Classification, MEASUREMENT SCIENCE REVIEW, Volume 11, No 2, pp.45 – 47, 2011 [10] Intell Syst & Biomed Robot, Surface EMG Based Hand Manipulation Identification Via Nonlinear Feature Extraction and Classification, Browes Journals & Magazines, pp.3302 – 3311, 2013 [11] Marcelo Bigliassi, Paulo Rogério Scalassara, Thiago Ferreira Dias Kanthack, Taufik Abrão, Antonio Carlos de Moraes, Leandro Ricardo Altimari, Fourier and Wavelet Spectral Analysis of EMG Signals in 1-km Cycling Time-Trial, Applied Mathematics, pp.1879 – 1884, 2014 [12] M.B.I.Reaz, M.S.Hussain and F.Mohd-Yasin (2006), Techniques of EMG signal analysis: detection, processing, classification and applications, Biol Proced Online 2006, pp.12 – 32, 2006 [13] Saksit SoriprayoonSak, Real – time measurement of prehensile EMG signals, Department of Computer Science San Diego State University, pp.01 – 18, 2005 Trang Web truy cập [14] Physionet, Examples of Electromyograms, 2011 Truy cập 20/01/2015 http://physionet.org/physiobank/database/emgdb/ [...]... chọn hàm wavelet (2.15) 28 Chương 3: THỰC HÀNH XỬ LÝ TÍN HIỆU 3.1 Ứng dụng các phép biến đổi wavelet trong khử nhiễu Wavelet có một số ứng dụng nổi bật như nén tín hiệu, khử nhiễu, mã hóa nguồn và mã hóa kênh Ở đây ta chỉ tìm hiểu ứng dụng khử nhiễu của wavelet 3.1.1 Mô hình xử lý nhiễu cơ bản Mô hình chung cho tín hiệu nhiễu được biểu diễn bởi s= (n) f (n) + s e (n) (3.1) Trong đó: - e ( n ) là nhiễu. .. Chương 2: PHƯƠNG PHÁP XỬ LÝ TÍN HIỆU ĐIỆN CƠ Khi ta thu nhận tín hiệu EMG thì gặp phải vấn đề đáng lo ngại ảnh hưởng đến tính đúng đắn của tín hiệu EMG là tỷ lệ nhiễu có trong tín hiệu Nhìn chung, nhiễu được xem như là một tín hiệu điện và là thành phần không mong muốn trong tín hiệu điện cơ Vì vậy tín hiệu EMG thu được cung cấp những thông tin không có giá trị được gọi là tín hiệu EMG thô Chất lượng tốt... động điện trong suốt một sự co cơ Ghi nhận đầu tiên của hoạt động này được thực hiện bởi Maray năm 1890 Năm 1922, Gasser và Erlanger đã sử dụng dao động ký điện tử để quan sát tín hiệu điện từ cơ Khả năng của ghi nhận tín hiệu điện cơ đã được phát triển từ thập niên 1930 đến 1950 và những nhà nghiên cứu sau đó đã sử dụng điện cực để nghiên cứu tín hiệu của cơ Tín hiệu điện cơ bề mặt sEMG được sử dụng. .. tín hiệu trên nhiễu cao nhất trong thông tin của EMG thì càng tốt và số lượng nhiễu nên thấp nhất - Sự biến dạng của EMG càng ít càng tốt Do đó, để có được tín hiệu đáng tin cậy người ta đã sử dụng rất nhiều phương pháp khác nhau để phân tích và xử lý tín hiệu 2.1 Biến đổi Fourier Biến đổi Fourier dựa trên cơ sở chia một tín hiệu thành tổng các hàm sin với tần số khác nhau hay nó là kỹ thuật biến đổi. .. lọc trong quá trình hoạt động sinh lý Tất cả các loại điện cực trên có thể được xem là một ăng – ten lưỡng cực Điện cực đơn cực được sử dụng để đo các tín hiệu EMG của cơ rất nhỏ Đây là phương pháp tốt để lấy mẫu một tín hiệu mà xuất hiện gần bề mặt của một đơn vị vận động duy nhất Các điện cực ba cực, đa cực được sử dụng để lấy mẫu một số cơ bắp lớn [13] 1.6 Ứng dụng của tín hiệu điện cơ Tín hiệu. .. trong việc khám phá wavelet và phép biến đổi wavelet là phép biến đổi Fourier không chứa thông tin cục bộ của tín hiệu Vì thế phép biến đổi Fourier không được sử dụng để phân tích tín hiệu trong cùng một miền thời gian và tần số Trong khi đó, wavelet lại có ưu điểm chính là khả năng thực hiện phân tích cục bộ, thể hiện được đặc tính của dữ liệu mà các kỹ thuật phân tích khác không có Wavelet là dạng sóng... Đo điện cơ giúp phân biệt giữa bệnh cơ mà trong đó nguyên nhân gây bệnh xuất phát từ cơ và yếu cơ do rối loạn thần kinh Đo điện cơ cũng có thể sử dụng để phát hiện yếu cơ thật sự, ngược với yếu cơ do đau làm người bệnh không dám cử động nhiều Có 2 phương pháp đo điện cơ là đo điện cơ ở bên trong – intramuscular (needle and fine – wire) EMG cơ và đo điện cơ ở trên bề mặt da – surface EMG − Đo điện cơ. .. lên hay hủy bỏ tín hiệu được ghi nhận từ cơ bắp Biên độ của nhiễu điện từ đôi khi gấp 1- 3 lần tín hiệu EMG cần đo Một lo ngại khác là nhiễu điện từ phát sinh từ các nguồn điện (50 hoặc 60Hz) Ta có thể sử dụng bộ lọc thông cao để loại bỏ nhiễu có tần số cao nhưng với những nhiễu có tần số gần với tần số của tín hiệu thì ta sử dụng các bộ lọc như bộ lọc Notch thích nghi sử dụng phép biến đổi Fourier,... loạn cụ thể trong những năm 1960 Vào những năm 1980, Cram và Steger đã giới thiệu một phương pháp điều trị lâm sàng bằng thiết bị cảm ứng tín hiệu EMG [12] Trong những năm gần đây, có nhiều công trình nghiên cứu cho kết quả chính xác hơn như công trình của Reaz trình bày các phương pháp khác nhau trong xử lý EMG [12] Năm 2011, Phinyomark nói về ứng dụng wavelet trong xử lý tín hiệu điện cơ EMG [9] Marcelo... như tính không dừng và hình dạng thay đổi theo thời gian nên rất khó khăn để loại bỏ nhiễu ECG ra khỏi EMG Bộ lọc thông cao là một phương pháp rất hiệu quả để loại bỏ các dao động gây ra bởi ECG 1.5 Các phương pháp thu nhận tín hiệu điện cơ Thu nhận tín hiệu điện cơ còn được gọi là điện cơ đồ Nó là một kỹ thuật ghi lại hoạt động điện của cơ Dòng điện đó thường tỉ lệ với mức độ hoạt động của cơ Qua phép ... nghiên cứu phép biến đổi wavelet ứng dụng phép biến đổi xử lý tín hiệu điện (EMG), sử dụng phần mềm MATLAB để mô xử lý vài tín hiệu điện Các nội dung thực luận văn là: - Tìm hiểu tín hiệu điện -... - Tìm hiểu phép biến đổi wavelet ứng dụng xử lý tín hiệu điện - Sử dụng phần mềm MATLAB để mô lọc nhiễu tín hiệu mẫu - Đưa tín hiệu đáng tin cậy để ứng dụng y sinh Để có tín hiệu điện xác cần... 2.1 Biến đổi Fourier thời gian ngắn (STFT) 2.2 Phép biến đổi wavelet Một lý việc khám phá wavelet phép biến đổi wavelet phép biến đổi Fourier không chứa thông tin cục tín hiệu Vì phép biến đổi