肌电信号的采集影响因素与肌电信息处理方法
肌电信息的采集，包括肌电信息的检出与引导、显示与记录以及特殊的采集技术，如电极的固定与定位技术等。肌电信号通常受下述因素影响：
(1)肌肉的类型、功能和状况(包括疲劳);
(2)位于肌肉和电极之间的组织、骨骼和皮肤的特性;
(3)电极材料、表面结构、几何形状和间隔：
(4)电极相对于皮肤的位置。
人体生物电的检出，必须依靠感受器一电极的引导。由于人体生物电中，肌电比较微弱，因此引导肌电的电极选择关系甚大。常用的有表面电极和针式电极(比较见表1)。电极的尺寸、形状、材料、工艺等，对检出肌电的性能都有影响。电极通常用银片制成，也有使用金、铝等材料。表面电极形状一般为圆形，直径约在7～10咖，大的也有达15mm的。 不管采用何种电极，检测出来的信号都是许多运动单元发放的肌电位的向量和，必须通过适当的分析方法对不同动作的肌电信号加以分离。这是肌电假肢的核心，直接影响到假肢控制的准确性和灵活性。
目前的肌电信息处理技术主要有以下几种：
(1)常规时域幅值肌电处理方法 这种方法是用肌电信号的时域峰峰值的均值，或用整组电极采集肌肉信号的综合特征，经控制电路识别后分别控制相应的假手动作。其特点是一对电极或一个域值电压只能控制一个自由度。目前大多数商业化假肢都采用这种控制策略。如果要控制多自由度，就必须有几对电极来对信号进行采集，而要在截肢者身上找到几对可以满足多自由度控制要求的肌肉是很难的，而多电极也会大大降低控制器的可靠性和稳定性。
(2)时间序列分析方法 这种方法将表面EMG信号的多通道看成一个向量值的自回归过程，采用时间序列方法来提取肢函数分类所需的信息，获得肢体运动的数值与方向的预测。肌电信号可以等价为零均值白噪声过程激励的一线性系统的输出，一个典型的4～6阶的AR模型，就可以准确地对上肢的肌电信号进行分类。近年来，对EMG的研究主要采用两通道信号，利用Marpie算法建立AR模型，得到AR参数，然后用贝叶斯准则判别动作。还有人利用Hopfield网提取AR系数。
然而，由于EM6信号中的非静态因素的存在，AR模型难以精确地提取特征参数。同样原因，非静态处理模型如自适应模型也不是很好，主要在于产生的估计数差并存在参数震荡。Kivyu等发现，当作用于肌肉上的为线性强制力时，AR参数具有时变特性，这导致了在宽带噪声和低幅度情况下，运动单元的动作电位变得不清晰，尤其在低水平的强制收缩中更为明显。
(3)神经网络处理方法： 神经网络在处理复杂、模糊、有噪声和非稳定信号时有明显的持久性，并且对EMG信号的逐渐变化具有自适应能力。它还可以取代患者完成康复训练中的大部分工作，有效地简化了控制操作，提高了控制效率。因此神经网络用于肌电信号分析十分合适。 近年来，采用神经网络处理肌电信息的文献数见不鲜。如在文献o”中用作肌电信号频谱的分类器，在文献“”中则用来获取肌电信息与假肢动作间的第一章绪论非线性映射关系。文献“”构造了一个将ANN多层视感器和采用新的不监控培养策略组成的ANN筛分器，以此获得各个运动作用电位波形的形状。文献用多层感知器和隐式马乌可模型相结合来对EMG信号进行分类，既可以解决识别效果差的缺陷，也考虑到了FAJG信号的动态性能。
此外，不少学者还提出了其它的肌电信息处理方法。如评估肌电信号的变化率，采用快速傅立叶分析，启发式规则法，空间因子法，模糊分类方法，统计模式识别法，小波变换法，直方图识别法等，都获得了较好的效果。还有一种比较常见的方法是将神经网络和AR模型结合对EMG进行处理。如用AR模型来检测EMG的特征参，用神经网络完成手臂特定运动或潜在运动的模式分类;文献畸1则利用AR模型的四个参数以及肌电信号的功率作为多层感知器网络的输入，可控制六个自由度。上述方法的成功率都达到或超过了95%。
综上所述，尽管肌电假肢存在着一定的缺陷，但其特有的优点仍然使其成为假肢研究中的热点，其中商品化的假手中也只是单自由度假手比较成熟，如何提高其控制准确率是肌电控制假手中的重点。本文也将继续对单自由度肌电假手作进一步地探索，本文完成的主要工作如下： 1)肌电信号提取装置的设计，即电极的制作和提取电路的设计： 2)肌电信号分析程序编制; 3)假手控制电路的设计，即前置放大电路和驱动电路的设计。
