与负重训练相关的 sEMG 信号的 LGM 模型分析
信号处理
2023-01-16 v1 应用统计
摘要
表面肌电信号（sEMG）的统计模型具有多种应用，例如更好地理解 sEMG 信号的产生、改进基于模式识别的可穿戴外骨骼和假肢控制、改进体育活动中的训练策略以及 EMG 仿真研究。大多数现有研究分析了在等长收缩下采集的 sEMG 信号的统计模型。然而，没有研究涉及等张收缩下的统计模型。在这项工作中，开发了一个新的数据集——人体活动肌电分析数据库 2（EMAHA-DB2）。它由基于负重训练期间等长和等张活动的两个实验组成。此前，一种新颖的拉普拉斯-高斯混合（LGM）模型已在一些包含基本动作和手势的基准数据集上得到验证。在这项工作中，模型适用性分析被扩展到 EMAHA-DB2 数据集。此外，LGM 模型与三种现有的统计模型（包括最近的尺度混合模型）进行了比较。根据定性和定量分析，与尺度混合模型和其他标准模型相比，LGM 模型能更好地拟合所记录 sEMG 信号的经验概率密度函数。我们分析了信号拉普拉斯分量的方差和混合权重与肌肉类型、肌肉收缩类型、哑铃重量和受试者训练经验的关系。sEMG 方差（拉普拉斯分量）随重量增加而增加，在等张活动中更大，尤其是对于肱二头肌。对于等张活动，信号方差随训练经验增加而增加。重要的是，观察到来自两个肌肉部位的方差之比几乎与举起的重量无关，并且随训练经验持续增加。
引用
@article{arxiv.2301.05417,
title = {Analysis of LGM Model for sEMG Signals related to Weight Training},
author = {Durgesh Kusuru and Anish C. Turlapaty and Mainak Thakur},
journal= {arXiv preprint arXiv:2301.05417},
year = {2023}
}