CN102799937A - 肌电信号与关节角度信息融合的下肢运动轨迹预测方法 - Google Patents

Abstract

本发明涉及康复医疗器械技术领域。为准确稳定实时地预测膝关节角度及运动轨迹，有效地提高肌电假肢运动稳定性，本发明采取的技术方案是，一种肌电信号与关节角度信息融合的下肢运动轨迹预测方法，包括下列步骤：预先定义四种生活中最常见的下肢动作模式：行走、站起、下蹲和伸膝，提取运动期间下肢六块肌肉的肌电特征参数均方根值和空间三维运动坐标，六块肌肉：健侧腿股直肌，股中间肌、股二头肌、比目鱼、腓肠肌和胫骨前肌；计算侧腿膝关节角度信息；结合反馈的腿膝关节角度信息，利用人工神经网络ANN或支持向量机SVM，分别建立下肢神经肌骨动力学模型，预测下肢运动轨迹。本发明主要应用于康复医疗器械的设计制造。

Description

肌电信号与关节角度信息融合的下肢运动轨迹预测方法

技术领域

本发明涉及康复医疗器械技术领域，具体讲，涉及肌电信号与关节角度信息融合的下肢运动轨迹预测方法。

背景技术

近年来，随着车祸、地震、战争、意外伤害的频繁发生以及骨肿瘤、糖尿病足和神经系统等疾病的不断蔓延，世界肢体残疾患者数目正以成倍的速度增长，残疾人已经成为亟待社会关注的特殊群体。假肢，也称“义肢”，是供截肢者使用以代偿缺损肢体部分功能的人造肢体，也是康复工程最早发展的一个领域，自1948年，R．Rect发明了世界上第一例肌电假肢以来，给数以万计的残疾者带来了自主生活的希望。然而目前，我国的康复辅具产业仍存在很大的空白，康复辅具产品无论是从品种数量上还是从科技含量上，与发达国家仍然有一定差距，总体水平大体落后30年。行业发展还处于初级阶段，严重制约了我国残疾人生活质量的提高。利用人工神经假体和假肢能够帮助患者重建损伤下肢的运动功能，使他们恢复自理生活能力并参加力所能及的活动，已经成为了康复工程领域两个重要的发展方向。

神经肌骨动力学模型是描述人体神经控制与肌骨运动之间的关系，建立神经控制信号与肌肉活性之间的数学描述，形成方程形式，并构建含神经控制的理论模型，主要用来分析人体系统的静力或者运动学之间的关系，利用EMG等生理电信号预测和控制生物系统的肌肉力量。神经肌骨动力学的研究对于肌电假肢的精确控制、瘫痪肌肉的有效功能性电刺激、以及探索患有中风、小儿麻痹的偏瘫患者肢体运动的中枢神经控制机理有着非常重要的意义。

利用截肢者本身肌肉所产生的电信号，通过电路的适当处理就可以控制假肢的动作，同时，通过装在假肢上的传感器所产生的电信号反馈给大脑又可调整假肢的动作。这种受意志控制的肌肉所产生的电位，对于假肢的控制是最理想的信号。因此深入研究神经肌骨动力学，探索肌电信号与关节角度的关系对于进一步提高多自由度肌电假肢控制的准确性有非常重要的意义。

发明内容

本发明旨在克服现有技术的不足，准确稳定实时地预测膝关节角度及运动轨迹。有效地提高肌电假肢运动稳定性，为达到上述目的，本发明采取的技术方案是，一种肌电信号与关节角度信息融合的下肢运动轨迹预测方法，其特征是，包括下列步骤：预先定义四种生活中最常见的下肢动作模式：行走、站起、下蹲和伸膝，提取运动期间下肢六块肌肉的肌电特征参数均方根值和空间三维运动坐标，六块肌肉：健侧腿股直肌，股中间肌、股二头肌、比目鱼、腓肠肌和胫骨前肌；计算侧腿膝关节角度信息；结合反馈的腿膝关节角度信息，利用人工神经网络ANN或支持向量机SVM，分别建立下肢神经肌骨动力学模型，预测下肢运动轨迹。

利用人工神经网络ANN采用BP算法，BP算法的具体步骤如下：

第一步，对权值和神经元阈值初始化；第二步，输入样本X，指定输出层各神经元的希望输出值，d1,d2,…,dM；

$d_j=\left\{\begin{array}{cc}+1,& X\∈w_j\\ -1,& X\∉w_j\end{array}\right.,j=\mathrm{1,2},......,M$

式中，d_j为第j个神经元的期望输出，w_j代表第j个模式类，M为输入样本的个数；

第三步，依次计算每层神经元的实际输出，直到计算出输出层各神经元的实际输出y₁,y₂,…,y_M；

第四步，修正每个权值，从输出层开始，逐步向低层递推，直到第一隐层；

第五步，转到第二步，如此循环，直到权值稳定位置；

其中，权值调整算法如下：

w(k)＝w(k)+α(k)*[(1-η)D(k)+ηD(k-1)];

其中，w(k)为单个的权值，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度，α（k）为学习率，α（k）>0,η为动量因子，0≤η＜1。

定义λ计算公式如下：

λ＝sign[D(k)D(k-1)]，

其中，sign为符号函数，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度；则

α(k)＝2^λα(k-1);

其中，α(k),α(k-1)为k时刻和k-1时刻的学习率，λ由上面计算公式计算所得；

输入节点为18维的肌电RMS数据和1维反馈的腿膝关节角度，输出为预测的角度信息。

利用支持向量机SVM建模，选用径向基核函数Radial Basis Function，作为构建神经肌骨模型的核函数；

考虑n个训练样本的线性回归问题，设训练数据集（x_i,y_i）,i＝1,……，l,是第i个样本的输入模式，y_i对应于第i个样本的期望输出，首先用一非线性变换将输入变量X=(x₁,x₂,…，x₁)转化到某个高维空间中，然后在变换空间求最优分类面；这种变换，只需一个内积函数(x_i·x_j),i,j＝1，…，l，x_i,x_j∈X，为输入的信号值，选用高斯径向基核函数RBF来进行转换，其表达式如下：

K(x_i,x_j)＝exp{-γ|x_i-x_j|²}

其中，K(x_i,x_j)为所选的核函数，x_i,x_j∈X,为输入的信号值，γ为核参数，需要用交叉验证的方式寻找最佳值；这样，原样本空间就被映射到了高维特征空间中，这个高维特征空间中构造最优决策函数：

y＝w*K(x_i,x_j)+b

y为输出，x_i,x_j∈X为输入信号，w,b为所需求的参数，这样，非线性估计函数转化为高维特征空间的线性估计函数；定义R：

$R=\frac{1}{2}{\left|\right|w\left|\right|}^2+c\·R_{\∂\mathrm{mp}}$

式中，‖w‖²是控制模型的复杂度，c是正规化参数，控制对超出误差样本的惩罚程度；

为误差控制函数；利用结构风险最小化原则，寻找w，b就是最小化R；因此，本发明中分类函数可表示为：

$y=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i,x_j)+b=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i\exp \{-\mathrm{\γ}{|x_i-x_j|}^2\}+b$

式中，y为输出，α_i为拉格朗日系数，γ为核参数，x_i,x_j∈X,为输入的信号值，b为超平面的基本参量，K(x_i,x_j)为所选的RBF核函数；输入结点是18维的肌电RMS数据和1维反馈的膝关节角度信息，输出为预测角度信息，建模检验预测结果。

本发明的技术特点及效果：

结合肌电均方根值和反馈角度的下肢运动轨迹预测新方法，对人体在日常生活下的四种动作进行预测，通过ANN或者SVM的方法建立下肢神经肌骨动力学模型，使得预测的膝关节角度贴近实际的运动轨迹，方法快捷可靠，具体实用，预测精确，提高了假肢运动的精度，并在康复工程、人机接口、虚拟世界等方面都有潜在的应用价值。

附图说明

图1两类线性分化的最优超平面

图2基于肌电均方根值的下肢运动轨迹预测新方法系统框图。

图3检测肌群位置示意图。

图4三层结构的前馈BP神经网络。

图5四种动作下ANN建模预测结果示意图1：

a深蹲状态下，ANN预测运动轨迹图及误差曲线图，相关系数：0.9990；绝对误差：0.0091；相对误差：0.013；

b站起状态下，ANN预测运动轨迹图及误差曲线图，相关系数：0.9987；绝对误差：0.0084；相对误差：0.0117。

图6四种动作下ANN建模预测结果示意图2：

c伸膝状态下，ANN预测运动轨迹图及误差曲线图，相关系数：0.9980；绝对误差为0.0139；相对误差：0.0187；

d行走状态下，ANN预测运动轨迹图及误差曲线图，相关系数：0.9908；绝对误差为0.0132；相对误差：0.0176。

图7四种动作下SVM建模预测结果示意图1：

a深蹲状态下，SVM预测运动轨迹图及误差曲线图，相关系数：0.9993；绝对误差为0.0106；相对误差：0.0149；

b站起状态下，SVM预测运动轨迹图及误差曲线图，相关系数：0.9997；绝对误差为0.0065；相对误差：0.0091；

图8四种动作下SVM建模预测结果示意图2：

c伸膝状态下，SVM预测运动轨迹图及误差曲线图，相关系数：0.9956；绝对误差为0.0293；相对误差：0.0425；

d行走状态下，SVM预测运动轨迹图及误差曲线图，相关系数：0.9823；绝对误差为0.0232；相对误差：0.0309。

具体实施方式

本发明设计了一种下肢运动轨迹预测新方法，属于残疾人康复医疗器械技术领域。技术流程包括：预先定义四种生活中最常见的下肢动作模式（行走、站起、下蹲和伸膝），提取运动期间下肢六块肌肉的肌电特征参数（均方根值）和空间三维运动坐标，分别利用人工神经网络（ANN）和支持向量机（SVM）两种方法建立下肢神经肌骨动力学模型，预测下肢运动轨迹。结果发现，与传统动作识别方法相比，本发明的两种方法角度预测正确率高，更有利于肌电假肢的训练和使用。

本发明的主旨是提出一种下肢运动轨迹预测的新方法，通过人工神经网络和支持向量机的自学习建立下肢肌骨动力学模型，利用健侧腿肌电的均方根值结合患侧腿反馈的实际角度信息，准确稳定实时地预测膝关节角度及运动轨迹。该项发明可有效地提高肌电假肢运动稳定性，并获得可观的社会效益和经济效益。

利用肌电均方根值的下肢运动轨迹预测方法的结构示意图如图1所示。

提取健侧腿股直肌，股中间肌、股二头肌、比目鱼、腓肠肌和胫骨前肌在不同动作下的肌电信号和人体三维运动坐标，计算患侧腿膝关节角度信息。结合反馈的角度信息利用人工神经网络和支持向量机的方法建立神经肌骨动力学模型，预测下肢动作轨迹。

1 实验方案

实验所需EMG-KJA（EMG-Knee Joint Angle）信号采集平台主要由五部分组成：表面肌电电极、Noraxon无线肌电信号采集系统、无线收发系统、Vicon三维运动捕捉系统和计算机。采集10名被试在深蹲、站起、伸膝和行走四种生活常见动作下的肌电信号和三维运动学数据。单腿每六个动作循环为一个周期，每组动作重复六个周期；相邻两周期的时间间隔为10s。实验中被试无下肢关节损伤(开放性和闭合性)、无心血管疾病、无皮肤过敏、无肌肉骨骼病史。所记录的人体行走的特征参数包括：结构参数，步态周期，运动学参数等，受试者基本资料（年龄、身高、腿长、步长、步速等）。

2 肌电数据的特征提取——肌电均方根值（Root Mean Squared，RMS）

研究表明，肌电的均方根值能够代表信号的能量，可在时间维度上映sEMG信号振幅变化特征，而RMS又取决于肌肉负荷性因素和肌肉本身生理、生化过程之间的内在联系。它直接与EMG信号的电功率相关，具有更加直接的物理意义。其求解公式如下：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{x}_k^2}$

其中，x_k为提取的肌电信号，N为采集的数据个数。

3 利用人工神经网络（ANN）建模原理

人工神经网络（Artificial Neural Network，ANN)）具有很强的自适应学习能力、良好的容错性和联想记忆功能，同时具有高度的并行性和处理能力，其建模时对信息采用分布式记忆，信息不易丢失，具有鲁棒性。采用BP算法（back-propagation training algorithm）即误差反向传播算法的多层感知器被称为BP模型或BP网络。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反传是输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号就是修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。BP算法的具体步骤如下：

第一步，对权值和神经元阈值初始化。

第二步，输入样本X，指定输出层各神经元的希望输出值，d₁,d₂,.,d_M。

$d_j=\left\{\begin{array}{cc}+1,& X\∈w_j\\ -1,& X\∉w_j\\ & \end{array}\right.,j=\mathrm{1,2},......,M$

式中，X为输入样本，d_i为第j个神经元的期望输出；w_j代表第j个模式类。

第三步，依次计算每层神经元的实际输出，直到计算出输出层各神经元的实际输出y₁,y₂,…,y_M。

第四步，修正每个权值，从输出层开始，逐步向低层递推，直到第一隐层。

第五步，转到第二步，如此循环，直到权值稳定位置。

BP神经网络的设计，一般包括网络层数，输入节点，隐含层节点，输出节点，学习速率等几个方面。本研究采用如图3所示的三层结构的前馈神经网络，作为下肢神经肌骨模型建模方法，采用动量法和自适应调整学习率的启发式方法对网络进行训练，其权值调整算法如下：

w(k)＝w(k)+α(k)*[(1-η)D(k)+ηD(k-1)];

其中，w(k)为单个的权值，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度，α（k）为学习率，α（k）>0,η为动量因子，0≤η＜1。

定义λ计算公式如下：

λ＝sign[D(k)D(k-1)]，

其中，sign为符号函数，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度。

则

α(k)＝2^λα(k-1);

其中，α(k),α(k-1)为k时刻和k-1时刻的学习率，λ由上面计算公式计算所得。

从图4中可以看出，在BP网络中有两种信号在流动，正向的工作信号和反向的误差信号，分别用实线和虚线表示。工作信号是对网络施加输入信号后向前传播直到输出端产生的实际输出信号，在信号向前传递的过程中网络权值固定不变，每一层神经元的状态只影响下一层神经元的状态。误差信号是网络实际输出与期望输出之间的差值，是从输出端开始逐层向输入端传播的。正是误差信号的反向传播使得网络各层的权值和阈值得到不断修正，使得网络的实际输出更接近期望输出，从而来达到学习的目的。

本发明中，输入节点为18维的肌电RMS数据和1维的反馈角度，输出为预测的角度信息。实验中，采样频率为1000HZ，每50个点计算一个均方根值。计算中，所有的角度信息均进行了归一化处理。输入前0.15秒的RMS和当前时刻的角度信息，来预测下一时刻的角度。前24个周期数据用于训练和建模，后6个周期的数据用于测试。

4 利用支持向量机（SVM）建模原理

支持向量机（Support Vector Machine，SVM）是由Vapnik与其领导的贝尔实验室的研究小组一起开发出来的一种新的机器学习技术，由于其出色的学习性能，已经成为当前国际机器学习界的研究热点。适合小样本、非线性模式、高维度数据分类，可以避免欠学习、过学习以及局部极小的问题。其基本思想是寻找一个最优分离超平面，使得把两类样本正确分开，而且错误概率最小，分类间隔最大。

支持向量机是从线性可分情况下的最优分类面发展而来的。考虑n个训练样本的线性回归问题，设训练数据集（x_i,y_i）,i＝1,……，l,是第i个样本的输入模式，y_i对应于第i个样本的期望输出，首先用一非线性变换将输入变量X=(x₁,x₂,.，x_l)转化到某个高维空间中，然后在变换空间求最优分类面。这种变换，只需一个内积函数(x_i·x_j),i,j＝1，…，l，x_i,x_j∈X,为输入的信号值。本文选用高斯径向基核函数（RBF）来进行转换，其表达式如下：

K(x_i,x_j)＝exp{-γ|x_i-x_j|²}

其中，K(x_i,x_j)为所选的核函数，x_i,x_j∈X,为输入的信号值，γ为核参数，需要用交叉验证的方式寻找最佳值。这样，原样本空间就被映射到了高维特征空间中，这个高维特征空间中构造最优决策函数：

y＝w*K(x_i,x_j)+b

y为输出，x_i,x_j∈X为输入信号，w,b为所需求的参数。这样，非线性估计函数转化为高维特征空间的线性估计函数。定义R：

$R=\frac{1}{2}{\left|\right|w\left|\right|}^2+c\·R_{\∂\mathrm{mp}}$

式中，‖w‖²是控制模型的复杂度，c是正规化参数，控制对超出误差样本的惩罚程度；为误差控制函数；利用结构风险最小化原则，寻找w，b就是最小化R。因此，本发明中分类函数可表示为：

$y=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i,x_j)+b=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i\exp \{-\mathrm{\γ}{|x_i-x_j|}^2\}+b$

式中，y为输出，x_i,x_j∈X为输入信号，α_i为拉格朗日系数，γ为核参数，x_i,x_j∈X,为输入的信号值，b为超平面的基本参量，K(x_i,x_j)为所选的RBF核函数。本发明中，输入节点为18维的肌电RMS数据和1维的反馈角度，输出为预测的角度信息。实验中，采样频率为1000HZ，每50个点计算一个均方根值。计算中，所有的角度信息均进行了归一化处理。输入前0.15秒的RMS和当前时刻的角度信息，来预测下一时刻的角度。前24个周期数据用于训练和建模，后6个周期的数据用于测试。

有益效果

结合肌电均方根值和反馈角度的下肢运动轨迹预测新方法，对人体在日常生活下的四种动作进行预测，通过ANN或者SVM的方法建立下肢神经肌骨动力学模型，使得预测的膝关节角度贴近实际的运动轨迹，方法快捷可靠，具体实用。图5、6为一名被试四种动作下，利用ANN建模预测结果与实际结果的对比图，其中蓝色部分为预测动作，而红色部分为实际动作。其下方为相应的误差曲线示意图。经统计发现，该建模预测方法在下蹲模式下的平均相对误差为0.0246，在站起模式下的平均相对误差为0.0370，在伸膝模式下的平均误差为0.0602，而在行走模式下的相对误差为0.0417，均可以达到精确预测的效果。

图7、8为一名被试四种动作下，利用SVM建模预测结果与实际结果的对比图，其中蓝色部分为预测动作，而红色部分为实际动作。结果显示，该建模预测方法在下蹲模式下的平均相对误差为0.0143，在站起模式下的平均相对误差为0.0077，在伸膝模式下的平均相对误差为0.0417，而在行走模式下的相对误差为0.0312，预测精确，可用于肌电假肢的在线控制。

本设计中利用支持向量机和人工神经网络建立的基于肌电均方根值和反馈角度信息的EMG-KJA（Knee Joint Angle）模型可以准确的预测人体下肢运动轨迹，可以用于肌电假肢的准确控制，提高假肢运动的精度，在康复工程、人机接口、虚拟世界等方面都有潜在的应用价值。

本发明是基于肌电信号均方根值与关节角度信息融合的下肢运动轨迹预测新方法，以实现下肢肌电假肢在实际使用过程中的精确控制。该项发明提取的是健侧腿股直肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌六块肌肉在做下蹲、站起、伸膝和行走过程中的肌电信号结合患侧腿部反馈的角度信息，利用ANN和SVM方法建立神经肌骨动力学模型，达到精确控制肌电假肢的目的。该项发明可有效地提高假肢控制精度和运动速度，具有可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。

Claims (3)

1.一种肌电信号与关节角度信息融合的下肢运动轨迹预测方法，其特征是，包括下列步骤：预先定义四种生活中最常见的下肢动作模式：行走、站起、下蹲和伸膝，提取运动期间下肢六块肌肉的肌电特征参数均方根值和空间三维运动坐标，六块肌肉：健侧腿股直肌，股中间肌、股二头肌、比目鱼、腓肠肌和胫骨前肌；计算侧腿膝关节角度信息；结合反馈的腿膝关节角度信息，利用人工神经网络ANN或支持向量机SVM，分别建立下肢神经肌骨动力学模型，预测下肢运动轨迹。

2.如权利要求1所述的肌电信号与关节角度信息融合的下肢运动轨迹预测方法，其特征是，利用人工神经网络ANN采用BP算法，BP算法的具体步骤如下：

第一步，对权值和神经元阈值初始化；

第二步，输入样本X，指定输出层各神经元的希望输出值，d1,d2,…,dM；

$d_j=\left\{\begin{array}{c}+1,X\∈w_j\\ -1,X\∉w_j\end{array}\right.j=\mathrm{1,2},\·\·\·\·\·\·,M$

式中，d_j为第j个神经元的期望输出，w_j代表第j个模式类，M为输入样本的个数；

第三步，依次计算每层神经元的实际输出，直到计算出输出层各神经元的实际输出y₁,y₂,…,y_M；

第四步，修正每个权值，从输出层开始，逐步向低层递推，直到第一隐层；

第五步，转到第二步，如此循环，直到权值稳定位置；

其中，权值调整算法如下：

w(k)＝w(k)+α(k)×[(1-η)D(k)+ηD(k-1)]；

其中，w(k)为单个的权值，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度，α（k）为学习率，α（k）>0,η为动量因子，0≤η＜1；

定义λ计算公式如下：

λ＝sign[D(k)D(k-1)]，

其中，sign为符号函数，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度；

则

α(k)＝2^λα(k-1);

其中，α(k),α(k-1)为k时刻和k-1时刻的学习率，λ由上面计算公式计算所得。

输入节点为18维的肌电RMS数据和1维反馈的腿膝关节角度，输出为预测的角度信息。

3.如权利要求1所述的肌电信号与关节角度信息融合的下肢运动轨迹预测方法，其特征是，利用支持向量机SVM建模，选用径向基核函数Radial Basis Function，作为构建神经肌骨模型的核函数；

考虑n个训练样本的线性回归问题，设训练数据集（x_i,y_i）,i=1,……，l,是第i个样本的输入模式，y_i对应于第i个样本的期望输出，首先用一非线性变换将输入变量X=(x₁,x₂,…，x_l)转化到某个高维空间中，然后在变换空间求最优分类面；这种变换，只需一个内积函数(x_i·x_j)，i,j＝1，…，l，x_i,x_j∈X，为输入的信号值，选用高斯径向基核函数RBF来进行转换，其表达式如下：

K(x_i,x_j)＝exp{-γ|x_i-x_j|²}

其中，K(x_i,x_j)为所选的核函数，x_i,x_j∈X,为输入的信号值，γ为核参数，需要用交叉验证的方式寻找最佳值；这样，原样本空间就被映射到了高维特征空间中，这个高维特征空间中构造最优决策函数：

y＝w*K(x_i,x_j)+b

y为输出，x_i,x_j∈X为输入信号，w,b为所需求的参数，这样，非线性估计函数转化为高维特征空间的线性估计函数；定义R：

$R=\frac{1}{2}{\left|\right|w\left|\right|}^2+c\·R_{\∂\mathrm{mp}}$

式中，‖w‖²是控制模型的复杂度，c是正规化参数，控制对超出误差样本的惩罚程度；

为误差控制函数；利用结构风险最小化原则，寻找w，b就是最小化R；因此，本发明中分类函数可表示为：

$y=\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x_i,x_j)+b=\underset{i=1}{\overset{i}{\mathrm{\Σ}}}{\mathrm{\α}}_i\exp \{-\mathrm{\γ}{|x_i-x_j|}^2\}+b$

式中，y为输出，α_i为拉格朗日系数，b为超平面的基本参量，K(x_i,x_j)为所选的RBF核函数；输入结点是18维的肌电RMS数据和1维反馈的膝关节角度信息，输出为预测角度信息，建模检验预测结果。

Images