肌电信号的时域和频域分析
肌电介绍
7月181、肌电只在肌肉收缩时出现2、使用力气大肌电波的幅度大，疲劳波变密集3、测试电极放肌腹，比较电极放骨头处肌电放置位置和肌纤维走向一样4、最合适的电极放发是两个电极距离2CM，两次测量的位置要固定5、影响肌电指标的因素：角度、运动速度、运动范围、重复性、状态、组织特征、信号串扰、外部信号、系统硬件、环境和人体活动、肌腹部位信号改变电极位置6、肌电范围：20-150最常见50 心电：807、滤波：硬件：软件、硬件，滤波器种类：低通、带通、带阻8、肌电分析：（1）时域分析：波峰、平均值、面积（2）频域分析：横频率、功率、平均、中位功率9、疲劳分析：运动先快肌后慢肌快肌爆发力慢肌时间长（1）一类白肌慢肌低频有氧运动30S-50S（2）二类红肌快肌高频无氧运动10、肌电分析：小波分析、幅频联合分析、非线性分析11、表面肌电图的应用：时域：力相关收缩频域：疲劳肌纤维组成多肌群：收缩先后次序时序组成多肌群系统：收缩次序大小，多肌群活动（机器人应用）12、最大群群收缩（力矩）：（MVC）最大力等长收缩70%±5%需要前测疲劳表现：频谱左移、肌纤维传导速度下降、振幅上升、分维维度下降13、针式肌电图：优点：直接观察肌纤维的放电特性缺点：不能活动，缺乏对肌肉整体的判读，有创主要应用领域：临床诊断外周神经-肌肉病变14、阵列式表面肌电-意大利OT公司:神经支配区域、神经-肌纤维传导速度、运动单元解析、肌肉收缩特性编码、肌纤维类型分布、肌肉疲劳(机器人)15、主要公司无线表面肌电测试：NORAXON、Delsys(平行确保2CM)、Zebris 、OT bioelettronica(矩阵式)、Grapevine(适合所有电信号)16、运用方向：机器人、临床康复17、发展方向：无线、便携、与其他领域设备结合、兼容（运动捕捉结合发展）。
表面肌电分析
表面肌电简介及分析方法一、表面肌电信号概念表面肌电信号 (surface electrom yographic signal, sEMG 信号)是从皮肤表面通过电极引导并放大，显示记录神经肌肉活动时的生物电信号，主要是浅层肌肉和神经干综合的电活动。
表面肌电信号主要有参与活动的运动单位数量、放电频率、同步化程度、募集的模式等有关。
二、表面肌电信号主要是通过时阈和频阈两个方面进行分析1、sEMG 信号的时域分析方法时域分析用于刻画肌电图时间序列的振幅特征，主要指标包括积分肌电（integrete EMG，iEMG）、均方根值（root mean square，RMS）、平均振幅（MA）。
积分肌电值（integrated EMG, iEMG）是一段时间内肌肉中参与活动的运动单位放电总量，其值大小在一定程度上反映参加工作的运动单位的数量多少和每个运动单位的放电大小。
用来分析在单位时间内肌肉的收性。
平均振幅表示肌电信号的强弱，其大小与参与活动的运动单位数目和放电频率的同步化程度有关。
2、sEMG 信号的频域分析方法频阈方面的分析主要是在频率维度上反映 sEMG 的变化，表面肌电信号的频域分析广泛应用于肌肉疾病诊断和肌肉疲劳检测。
利用表面肌电信号进行傅立叶转换（FFT），获得的频谱或功率谱反映信号在不同频率上的变化。
常用指标有平均功率频率（Mean Power Frequency, MPF）和中位频率（Median Frequency, MF）。
MF 指放电频率的中间值，即肌肉收缩过程中放电频率的中间值，一般也是随着运动时间的增大而呈递减的趋势。
由于骨骼肌中快慢肌纤维组成比例不同，导致不同部位骨骼肌之间的 MF 值不同。
快肌纤维兴奋表现在高频放电，慢肌纤维则在低频。
一般在中高强度的运动时，MPF 和 MF 值会有所下降，频谱左移，则说明局部肌肉出现疲劳。
并且导致反映频谱曲线特征的 MPF 和 MF 产生相应的下降。
肌电信号 特征提取
肌电信号特征提取肌电信号（Electromyographic Signal, EMG）是人体肌肉在运动或静息状态下产生的电信号。
通过采集和分析肌电信号，可以了解肌肉活动的特征和变化，从而用于医学诊断、康复训练和运动控制等领域。
肌电信号的特征提取是指从原始肌电信号中提取出有用的特征信息，以便进行后续的分析和应用。
常用的肌电信号特征包括时域特征、频域特征和时频域特征等。
时域特征是指在时间轴上对肌电信号进行统计和分析，常见的时域特征有均值、方差、标准差、峰值、峰峰值等。
这些特征可以反映肌电信号的平均水平、波动程度、最大振幅等信息。
频域特征是指将肌电信号转换到频域进行分析，常见的频域特征有功率谱密度、频率峰值、频带能量等。
通过分析肌电信号在不同频率上的能量分布，可以了解肌肉活动的频率特征。
时频域特征是指将肌电信号同时在时域和频域上进行分析，常见的时频域特征有小波变换、短时傅里叶变换等。
这些特征可以同时反映肌电信号的时域和频域信息，更全面地描述肌肉活动的特征。
肌电信号特征提取的方法有多种，常见的方法包括时域分析、频域分析、小波分析、自适应滤波等。
这些方法可以根据具体的应用需求选择合适的特征提取方法，以获得更准确和有意义的特征信息。
肌电信号特征提取在医学诊断中有重要应用。
例如，在肌肉疾病的诊断中，可以通过提取肌电信号的特征来判断肌肉功能的异常和损伤程度。
在康复训练中，可以通过监测肌电信号的变化来评估康复效果和指导康复训练的调整。
在运动控制领域，可以通过提取肌电信号的特征来实现人机接口，实现肌肉信号的控制和操作。
肌电信号特征提取是对肌电信号进行分析和应用的重要步骤。
通过提取肌电信号的特征，可以获得有关肌肉活动的有用信息，为医学诊断、康复训练和运动控制等领域提供支持和指导。
随着科技的不断进步，肌电信号特征提取的方法和应用将会越来越广泛，为人类健康和运动提供更好的服务和保障。
肌电信号 特征提取
肌电信号特征提取肌电信号是指由肌肉产生的电活动。
肌电信号的特征提取是指从肌电信号中提取出有效的信息，用于分析和识别肌肉活动状态以及人体运动控制的研究。
在肌电信号的特征提取过程中，可以采用多种方法和算法来提取不同的特征。
一种常用的肌电信号特征提取方法是时域特征提取。
时域特征主要通过对肌电信号的振幅、时域波形、时域统计量等进行分析和计算。
其中，振幅特征可以反映肌肉活动的强度和变化。
时域波形特征可以描述肌电信号的形态和周期性。
时域统计量特征可以反映肌电信号的分布特性和稳定性。
通过提取和分析这些时域特征，可以获得肌肉活动的信息，从而进行运动控制和运动状态识别。
另一种常用的肌电信号特征提取方法是频域特征提取。
频域特征是通过对肌电信号进行傅里叶变换或小波变换，将信号从时域转换到频域，然后提取频域上的特征。
频域特征可以反映肌电信号的频率分布和能量分布情况。
常见的频域特征有频谱特征和功率谱特征。
频谱特征可以描述肌电信号的频率分布情况，例如频谱峰值频率和频谱能量。
功率谱特征可以描述肌电信号的能量分布情况，例如总功率和频带功率比。
通过提取和分析这些频域特征，可以了解肌肉活动的频率特性和能量特性。
还可以采用时频域特征提取方法来提取肌电信号的特征。
时频域特征是将肌电信号同时在时域和频域上进行分析，可以更全面地描述肌电信号的特征。
常见的时频域特征有短时能量特征和瞬时频率特征。
短时能量特征可以反映肌电信号的瞬时能量变化情况，用于描述肌肉活动的快慢和强弱。
瞬时频率特征可以反映肌电信号的瞬时频率变化情况，用于描述肌肉活动的频率特性。
肌电信号的特征提取在运动控制、康复医学和人机交互等领域有着广泛的应用。
通过对肌电信号的特征提取，可以实现肌肉活动的识别和控制，例如手势识别、义肢控制和人机界面控制等。
同时，肌电信号的特征提取也可以用于运动监测和康复评估，例如运动状态检测、疾病诊断和康复进展评估等。
因此，肌电信号的特征提取是肌电信号处理和分析的重要步骤，对于促进运动控制和康复医学的发展具有重要意义。
人体肌电信号的特征提取与分类算法研究
人体肌电信号的特征提取与分类算法研究近年来，人体肌电信号在生物医学领域中的应用越来越广泛。
肌电信号本身是人体肌肉无意识的微弱电信号，可以通过电极采集到，然后通过对其特征的提取和分析，可以对肌肉的运动状态、疾病诊断、运动员的体能评估等方面进行研究。
本文将对人体肌电信号的特征提取与分类算法进行探讨。
一、人体肌电信号的特征提取1.1 时域特征肌电信号的时域特征指的是肌电信号在时间维度上的特性，反映了肌肉电活动的总体变化情况。
主要包括肌电信号的均方根（RMS）、方差、标准差和平均值等指标。
其中，RMS是最常用的特征之一，能够反映信号的总体强度。
对于某些疾病的诊断以及运动员的体能评估，RMS是一项非常有价值的特征。
1.2 频域特征肌电信号的频域特征可以通过傅里叶变换获得。
它们反映了肌肉电活动的频率分布情况，包括功率谱、能量谱密度、频率分布等指标。
频域特征的应用范围较广，运动员表现、肌肉疲劳等方面的研究都有应用。
1.3 时频域特征时频域特征是时域和频域特征的结合体，可以反映信号在时间和频率上的变化情况。
常用的时频域特征包括小波能量、瞬时频率、拍数等指标。
时频域特征是一种比较新的肌电信号特征提取方法，具有较好的应用前景。
二、人体肌电信号的分类算法2.1 支持向量机（SVM）SVM是一种常用的分类算法，它能够有效地处理高维数据，并在分类问题中表现出良好的效果。
在肌电信号分类中，SVM算法常常被用来区分运动与静息状态，或者区分不同动作之间的肌肉电活动模式。
2.2 随机森林（RF）随机森林是一种基于决策树的分类算法。
随机森林不需要数据预处理，而且可以处理大量、高维度数据。
在肌电信号分类中，随机森林可以用于区分不同动作类型或不同运动阶段的肌肉电活动模式。
2.3 人工神经网络（ANN）人工神经网络是一种模拟人脑神经网络结构的模型。
它具有很强的非线性处理能力，可以自适应地学习和处理复杂的信息。
在肌电信号分类中，ANN可以用于肌肉疲劳的监测、动作类型的识别等方面。
人体肌电信号识别与应用研究
人体肌电信号识别与应用研究近年来，通过电生理学手段研究人体生理变化已经成为科学界的热门话题。
人体肌电信号识别及其应用研究就是电生理学中的一个重要领域。
肌电信号可获得人体运动的信息，也可以通过肌电信号识别技术实现神经控制的运动，因此在医疗、健身、生物机器人、游戏娱乐等领域有广泛的应用。
一、肌电信号的特性肌电信号是一种由肌肉收缩所产生的电信号，它是肌肉收缩活动的生物电反映。
肌电信号主要有两个方面的特点：时域特性和频域特性。
时域特性是指在时间轴上分析肌电信号的功率、波峰、波谷、波形等特征; 频域特性是指在频域上分析肌电信号的频率、能量、功率谱等特征。
二、肌电信号的识别肌电信号识别的主要目的是判断肌肉的运动状态及其指令，也就是通过肌电信号获取人体运动模式的信息，进而控制机器运动或改善健康状况。
肌电信号识别技术的方法主要包括信号滤波、特征提取、分类、参数设置等方面。
1. 信号滤波：在肌电信号采集之后，需要对信号进行滤波处理。
信号滤波的目的是削弱或消除噪声以便进行后续的处理。
2. 特征提取：肌电信号的特征提取是肌电信号处理的关键步骤，其目的是将原始的肌电信号转换为适合分类或处理的特征向量。
3. 分类：目前的肌电信号识别分类方法主要有决策树算法、朴素贝叶斯算法、支持向量机、神经网络等。
4. 参数设置：识别肌电信号时，参数设置是很重要的。
一个好的参数设定可以使分类的结果更加准确。
三、肌电信号应用研究肌电信号的应用研究主要分为医学、健身训练、生物机器人和游戏娱乐四个领域。
1. 医学方面：肌电信号应用于肌无力、截肢者康复、膀胱控制、神经假体控制和面部重建等方面。
2. 健身训练方面：肌电信号可以被用来检测肌肉活动，可以帮助基于动作的效果，协调系统的训练。
肌电信号的应用可以辅助运动员提高姿势的正确性和力量输出的效率。
3. 生物机器人方面：生物机器人在复杂环境下能够完成一些人类难以完成的任务。
使用肌电信号可实现神经控制的动作，能够提供高效的机器人控制方式。
肌电信号的时域和频域分析要点
肌电信号的时域和频域分析摘要：肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。
其种类重要有两种：一，临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小，定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。
二，表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号，属于无创伤性，操作简单，病人易接受，有着广泛的应用前景。
本次设计基于matlab用小波变换对肌电信号进行消噪处理，分别选用20N 的肌电信号数据和50N的肌电数据进行对比，最后在GUI界面上完成相应的功能处理。
关键字：肌电信号 Matlab 小波去噪 GUI第一章绪论肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。
其种类重要有两种：一，临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小，定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。
二，表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号，属于无创伤性，操作简单，病人易接受，有着广泛的应用前景。
肌电信号本身是一种较微弱的电信号。
检测和记录表面肌电信号，需要考虑的主要问题是尽量消除噪声和干扰的影响, 提高信号的保真度[1]。
第二章肌电信号的时域分析2.1 肌电信号时域图的显示及比较肌电信号采用两个不同的数据进行比较，通过比较时域图及其特性来进行分析[2]。
其图像如下所示：如上图所示：肌电数据分别是同一个体在20N的力和50N的力所反映的图像。
可以看出在不同作用力时，其图像的差别很大。
2.2 时域参数2.2.1 均值对于一个随机变量来说，均值是一个很重要的数值特征。
表面肌电信号特征
表面肌电信号特征
表面肌电信号（Surface Electromyography，简称sEMG）是通过测量肌肉表面电位变化来反映肌肉活动的技术。
在运动学、工程学、物理学、医学、运动康复等领域，sEMG技术被广泛应用于肌肉活动的研究中。
下面将介绍sEMG信号的特征。
一、频率特征
sEMG信号的频率特征是指信号中包含的频率成分。
sEMG信号频率范围通常为10-500 Hz。
通常将sEMG信号分为三个频带，即低频段(10-100 Hz)、中频段(100-250 Hz)和高频段(250-500 Hz)。
其中，低频段反映了肌肉的肌力变化，中频段反映了肌肉的疲劳状态，高频段反映了肌
肉的颤动和抖动。
二、幅值特征
sEMG信号的幅值特征是指信号电位的均方根值(Root Mean Square，简称RMS)。
RMS值越大，代表肌肉收缩的力度越强，反之，RMS值越小，肌肉收缩的力度越弱。
三、时域特征
时域特征分为两个方面:幅度分布特征和波形轮廓特征。
幅度分布特征是指sEMG信号在时间轴上的分布情况，可以反映肌肉收缩的强度和肌肉的功能。
波形轮廓特征是指sEMG信号波形的上升、下降、持续时间等特征，可以反映肌肉收缩的速度和肌肉的协调性。
四、空间特征
空间特征是指不同位置肌肉间的sEMG信号差异。
当肌肉活动时，sEMG 信号的强度和形态在不同的位置上可能会有所不同。
综上所述，sEMG信号与肌肉活动密切相关，sEMG信号的频率、幅值、时域和空间特征等特征均可用来量化肌肉收缩的情况，进而为肌肉活动的研究提供依据。
在未来的发展中，sEMG技术将会得到更广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
肌电信号的时域和频域分析摘要：肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。
其种类重要有两种：一，临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小，定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。
二，表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号，属于无创伤性，操作简单，病人易接受，有着广泛的应用前景。
本次设计基于matlab用小波变换对肌电信号进行消噪处理，分别选用20N 的肌电信号数据和50N的肌电数据进行对比，最后在GUI界面上完成相应的功能处理。
关键字：肌电信号 Matlab 小波去噪 GUI第一章绪论肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。
其种类重要有两种：一，临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小，定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。
二，表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号，属于无创伤性，操作简单，病人易接受，有着广泛的应用前景。
肌电信号本身是一种较微弱的电信号。
检测和记录表面肌电信号，需要考虑的主要问题是尽量消除噪声和干扰的影响, 提高信号的保真度[1]。
第二章肌电信号的时域分析2.1 肌电信号时域图的显示及比较肌电信号采用两个不同的数据进行比较，通过比较时域图及其特性来进行分析[2]。
其图像如下所示：如上图所示：肌电数据分别是同一个体在20N的力和50N的力所反映的图像。
可以看出在不同作用力时，其图像的差别很大。
2.2 时域参数2.2.1 均值对于一个随机变量来说，均值是一个很重要的数值特征。
粗略的说，就是来描述一个群体的平均水平。
其严格的数学定义非常的简单，就是一个随机变量关于概率测度的积分。
这样的积分在测度轮或者实分析里是没有什么直观的解释的。
而在概率论里却成为了一个群体的主要指标。
在此处，均值表示肌电信号的平均水平。
2.2.2 标准差标准差（Standard Deviation），也称均方差（mean square error），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。
标准差是方差的算术平方根。
标准差能反映一个数据集的离散程度。
平均数相同的，标准差未必相同。
2.2.3 方差方差是各个数据与平均数之差的平方的平均数。
在概率论和数理统计中，方（英文Variance）用来度量随机变量和其数学期望（即均值）之间的偏离程度。
在许多实际问题中，研究随机变量和均值之间的偏离程度有着很重要的意义。
选取一个信号，其执行结果如下所示：其部分程序代码如下所示：clear;clc;s=load('E:\肌电信号数据\EMG\EMG3.txt');%s=load('E:\肌电信号数据\EMG\bs1.txt');a=s(:,7);t=s(:,1);fprintf('\n数据基本信息：\n');fprintf(' 均值=%7.5f\n',mean(a));fprintf(' 标准差=%7.5f\n',sqrt(var(a)));fprintf(' 方差=%7.5f\n',var(a));fprintf(' 积分肌电值IEMG=%7.5f\n',mean(abs(a)));fprintf(' 均方跟有效值RMS=%7.5f\n',sqrt(mean(a.^2)));第三章肌电信号的时域分析3.1 傅里叶变换傅里叶是离散傅立叶变换的快速算法，可以将一个信号变换到频域。
有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后就很容易看出特征了。
另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。
一个模拟信号，经过ADC采样之后，就变成了数字信号。
采样得到的数字信号，就可以做FFT变换了。
N个采样点，经过FFT之后，就可以得到N个点的FFT 结果。
本次设计选取N=20000来进行肌电信号的频域分析[3]。
通过傅里叶变换后，两个不同信号的幅频图如下所示：肌电相频图如下所示：3.2 功率谱分析能量谱密度、功率谱密度函数表示信号的能量、功率密度随频率变化的情况。
通过研究功率谱密度，可以帮助了解信号的功率分布情况，确定信号的频带等。
功率密度谱虽然描述了随机信号的功率在各个不同频率上的分布，但因为它仅与幅度频谱有关，没有相位信息，所以从已知功率谱还难以完整地恢复原来的功率信号。
通过执行相应程序后，其功率谱的显示图如下所示：其部分程序代码如下所示：global a;global t;global s;s=fft(a,2000);[C L]=wavedec(a,3,'db5');cA3=appcoef(C,L,'db5',3);cD1=detcoef(C,L,1);cD2=detcoef(C,L,2);cD3=detcoef(C,L,3);thr1=thselect(cD1,'rigrsure');thr2=thselect(cD2,'rigrsure');thr3=thselect(cD3,'rigrsure');TR=[thr1,thr2,thr3];SORH='s';[XC,CXC,LXC,PERFO,PERF2]=wdencmp('lvd',a,...'db5',3,TR,SORH);y1=fft(XC,20000);fs=2000;N=length(y1);mag=abs(s);f=(0:N-1)/N*fs;power1=(mag.^2)/2000;plot(handles.axes1,power1)第四章小波去噪分析小波分析方法是一种窗口大小（即窗口面积）固定但其形状可改变，时间窗和频率都可改变的时频局域化分析方法，即在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，所以被称为数学显微镜。
正是这种特性，是小波变换具有对信号的自适应性[4]。
4.1 常用的小波分析方法4.1.1 小波消噪一维的小波消噪过程主要分为以下三个步骤：①一维信号的分解：获得各尺度上的细节分量和近似分量；②细节分量的阈值化：对1到N尺度的上的每层细节分量选取合适的阈值，进行阈值化处理，保留有用信息，去除噪声成分；③一维信号的重构：根据小波分解的第N层近似分量和经阈值化处理后的第1层到第N层细节分量，进行一维信号的小波重构。
本文还利用小波的多分辨率特性将心电信号分解为多层，然后进行有用信号的重构，将一些噪声信号去除。
4.1.2 小波函数的选取同一信号，选取不同的小波函数进行处理，将得到不同的效果，所以小波函数的选取显得尤为重要。
对于心电信号滤波来说，选择支集长度较短的小波可提高处理的实时性；选取对称性的小波可满足相移为基本线性，使心电信号不失真；选取正则性的小波可使重构以后的信号比较平滑。
经过对比降噪效果，在本文中用db5小波基进行消噪处理。
4.1.2 阈值选取阈值的确定是小波收缩消噪最关键的一步，阈值过小，则方差偏大，数据欠平滑；阈值过大，会使数据过平滑，信号的奇异性可能丧失。
对小波系数进行阈值操作过程中，有两种方式，其一对每一个小波系数进行阈值操作，其二是成块习俗进行阈值操作。
由信号的奇异性理论，心电信号里的噪声具有负的奇异性，其幅度和稠密度随尺度的增大而减小，而信号则相反，因此阈值的选取不能单一。
阙值函数体现了对小波系数的不同处理策略，主要分为软阈值函数和硬阈值函数它们的基本思想都是去除小幅值的系数，对大幅值的系数进行保留。
它们的去噪效果各有特点(可以从后面的具体例子中看出)：硬阈值法可以很好的保留信号的边缘等局部特征，但去噪的结果具有较大的方差，会出现伪Gibbs现象等视觉失真；软闭值法去噪结果相对平滑，但有较大的偏差，可能会造成边缘模糊等失真现象。
4.2 小波去噪的具体分析为了确定和比较本次设计中小波去噪的效果，先对小波进行一层分解，二层分解，三层分解，四层分解，让它们单独对同一信号进行消噪处理。
其结果图如下所示：通过比较上图可以看出，第四幅图像的去噪效果比较明显，因次在本次设计中选择小波四层分解对信号进行去噪处理。
分别对20N 的肌电信号和50N的肌电信号进行小波去噪，去噪前后的效果图如下所示：左边是20N小波去噪前后的图，右边是50N作用前后的效果图。
通过前后图像的比较可以看出，当选用四层小波分解进行滤波时，已经能去掉大部分噪声的干扰，保存有用的信号。
小波去噪部分程序代码如下:global a;global t;global s;global y;% global IR;% global SORH;M =length (a) ;N=length(y);p=size(a);s=a(1:20000);[C L]=wavedec(a,4,'db5');cA3=appcoef(C,L,'db5',4);cD1=detcoef(C,L,1);cD2=detcoef(C,L,2);cD3=detcoef(C,L,3);cD4=detcoef(C,L,4);thr1=thselect(cD1,'rigrsure');thr2=thselect(cD2,'rigrsure');thr3=thselect(cD3,'rigrsure');thr4=thselect(cD4,'rigrsure');TR=[thr1,thr2,thr3,thr4];SORH='s';[XC,CXC,LXC,PERFO,PERF2]=wdencmp('lvd',a,...'db5',4,TR,SORH);L=p(2);x=a;h=XC;F=0;M=0;for ii=1:Lm(ii)=(x(ii)-y(ii))^2;t(ii)=y(ii)^2;f(ii)=t(ii)/m(ii);F=F+f(ii);M=M+m(ii);end;SNR=10*log10(F);MSE=M/N;SM=SNR/MSE;% K=length(d);% t1=(0:K-1)/2000;plot(handles.axes5,XC(1:20000));小波去噪前后的幅频和相频图如下：表面肌电信号一般只有微伏级电压,信号中往往夹带着低频(接近直流)和高频的干扰信号,真正有用的肌电信号大致在10Hz~500Hz之间。