题目：肌肉疲劳收缩信号的盲分离研究

动态肌电信号评价肌肉疲劳状况在临床医学上具有重要的应用价值。动态疲劳收缩信号与静态疲劳收缩信号混合组成肌电信号。其中，动态环境下，部分肌肉纤维也做等速静态疲劳收缩，静态疲劳信号可以认为是平稳过程产生的。还有部分肌肉纤维做非等速动态疲劳收缩，有非平稳过程的特性。对肌电信号的混合信号进行有效分离。可以更准确地评价肌肉疲劳状况，
目前大多数研究采用的调节肌肉收缩方式，忽略静态信号，再采用相关的谱估计技术评价动态肌肉疲劳状况的方法，结果会产生一些误差。盲源分离技术能够从混合信号中最优地分离出源信号，提高估计的准确性。本文针对疲劳收缩肌电信号的数学模型，采用自然梯度算法和信息最大化算法对收缩混合信号进行分离研究，为评价肌肉疲劳的准确性提供有效的参考价值。
主要的研究内容包括以下几个方面：
    ⑴针对两类不同特性肌肉纤维收缩信号的混合模型，比较研究三种噪声源产生疲劳信号的特性。
    ⑵分析相同噪声源产生的肌肉疲劳信号，当调节系数不同时，利用两种盲分离算法对混合肌电信号进行分离，分析与比较调节系数对分离效果的影响。
    ⑶研究相同调节系数时，两种盲分离算法对不同噪声源产生肌电信号的分离效果。
    ⑷研究相同调节系数与肌电信号时，不同盲分离算法对疲劳混合信号的分离性能的影响。
通过本文研究，得出以下结论：
    ⑴高斯噪声产生的信号具有良好的非平稳特征，因而更适合描述动态信号。
    ⑵分别采用自然梯度算法和信息最大化算法，调节系数不同，不同噪声源产生的肌肉收缩信号对算法的分离性能不会有明显的影响。
    ⑶相同噪声源产生的肌肉疲劳收缩信号，使用自然梯度算法处理信号，不管数学模型中的调节系数取值如何，都不会对信号的分离产生明显的影响；当使用信息最大化算法处理信号，数学模型的调节系数分别取0.2,0.4,0.6,0.8,1.0时，0.2调节系数下分离效果要比其他取值的调节系数分离的效果要好。
    ⑷调节系数相同，相同噪声源产生疲劳信号，信息最大化算法都要比自然梯度算法分离的效果好。