CN103908361A

CN103908361A - 一种假肢关节运动耦合驱动信号的采集运算方法

Info

Publication number: CN103908361A
Application number: CN201410132440.2A
Authority: CN
Inventors: 韩晓新
Original assignee: Individual
Current assignee: Individual
Priority date: 2014-04-02
Filing date: 2014-04-02
Publication date: 2014-07-09

Abstract

本发明属于生物肌电技术领域，具体涉及一种假肢关节运动耦合驱动信号的采集运算方法，是基于多维AR模型的EMG信号解码技术实现的，采用多维AR模型（mAR）识别多通道EMG信号的特征参数，开发了LDA特征降维算法程序，对特征向量进行降维处理，采用神经网络进行动作模式分类。该研究的主要目标是比较一维信号处理方法和多维信号处理方法在EMG信号特征分析与模式分类中的应用效果，研究多通道EMG信号之间的相关性及其对关节运动的耦合驱动特征。本发明具有识别率高，动作准确等特点。

Description

一种假肢关节运动耦合驱动信号的采集运算方法

技术领域

本发明涉及假肢控制技术领域，特别涉及一种假肢关节运动耦合驱动信号的采集运算方法。

背景技术

EMG信号是一种复杂的表皮下肌肉电活动在皮肤表面处的时间和空间上的综合结果,已被广泛地应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面的研究，通常,从相应屈伸动作的肌肉表面皮肤处所测取的多通道EMG信号,既可为控制假肢运动提供一个安全、非侵入的控制方式,也可用于人类运动和生物机械的研究。随着检测技术、信号处理方法和计算机技术的发展,研究如何从表面肌电中识别出肢体的多种运动模式已经成为康复医学界研究的热点问题之一。

发明内容

针对上述技术问题，本发明提供一种识别率高，能够提高生物机械接口的动作识别率的采集运算方法。

实现本发明的技术方案如下：

一种假肢关节运动耦合驱动信号的采集运算方法，是基于多维AR模型的EMG信号解码技术实现的，包括以下步骤：

第一步：测量EMG信号之间的通道i数据；记为（i＝1,…,n，n为通道数），

第二步：通过mAR模型对第一步所采集的EMG信号进行特征分析；

X_k=A₁X_k-1+A₂X_k-2+...+A_pX_k-p+e_k

所述是n维随机状态矢量，为模型的系数矩阵，e_i为n维残差向量,p为mAR模型的阶数，k为采样时刻，

所述mAR模型可表示为矩阵形式：

所述mAR模型的系数矩阵可由最小二乘法求得：

A=bX^T(XX^T)^-1

所述在mAR模型中，每个系数矩阵A_j（j＝1,…,p）中包含n²个参数，因此p阶、n维AR模型共有p·n²个参数，

第三步：通过LDA算法程序对第二步中分析出的mAR模型的72维参数特征向量进行降维处理，得到7维特征向量；

第四步：采用BP网络作为动作模式分类器，网络节点数为k-10-8（k=7为输入模式向量维数，输出层节点数8为动作模式数），隐层结点数10。为了便于比较分析，采用标量AR模型（sAR模型）对6通道EMG信号分别建模，sAR模型阶数为4，同样采用LDA方法对24（4×6）维参数向量降维，并利用神经网络进行分类。

采用了上述的方案，采用多维信号处理方法进行特征识别可显著提高生物机械接口的动作识别率，基本上可满足仿人假肢手的实时控制要求，解码器的识别率达到95%～99%。在此基础上的仿人假肢手的动作由前臂肌电信号控制，假肢手能够准确复现受试对象的动作，极少出现误动作。

具体实施方式

下面对本发明进一步说明；

1.一种假肢关节运动耦合驱动信号的采集运算方法，是基于多维AR模型的EMG信号解码技术实现的，其特征包括以下步骤：

X_k=A₁X_k-1+A₂X_k-2+...+A_pX_k-p+e_k

所述mAR模型可表示为矩阵形式：

所述mAR模型的系数矩阵可由最小二乘法求得：

A=bX^T(XX^T)^-1

下面结合实验做具体说明：实验过程中受试对象重复进行八种动作（握拳、展拳、手腕内翻、手腕外翻、手腕向尺侧弯、手腕向桡侧弯、前臂掌心上旋、前臂掌心下旋）。实验过程中共采集6个通道的EMG数据，对于每个动作模式，我们采用200个采样点（采样频率1000Hz）的EMG信号进行mAR建模，模型阶数为2（由建模方法自动判阶得到）。对每组数据建模可得到72维的模式向量。

采用自行开发的LDA算法程序对mAR模型的72维参数向量进行降维处理，得到7维特征向量（神经网络分类器的输入模式向量）。

此处的LDA方法降维方法的原理简单介绍如下，我们首先构造两种不同的离散矩阵：

A.类内离散矩阵

S_{w} = (1 / c) Σ_{i = 1}^{c} S_{i}

其中

S_{i} = (1 / M) Σ_{j = 1}^{M} (v_{j}^{i} - {\overset{&OverBar;}{v}}_{i}) {(v_{j}^{i} - {\overset{&OverBar;}{v}}_{i})}^{T}, {\overset{&OverBar;}{v}}_{i} = (1 / M) Σ_{j = 1}^{M} v_{j}^{i}

B.类间离散矩阵为：

S_{b} = (1 / c) Σ_{i = 1}^{c} (\overset{&OverBar;}{v} - {\overset{&OverBar;}{v}}_{i}) {(\overset{&OverBar;}{v} - {\overset{&OverBar;}{v}}_{i})}^{T}

其中

\overset{&OverBar;}{v} = (1 / c) Σ_{i = 1}^{c} {\overset{&OverBar;}{v}}_{i}

表示第i类动作的第j个样本的特征。c为动作类别的总数，M为每类动作训练样本的个数。LDA降维方法的思路是，寻找c-1个投影方向w_i(i=1,…,c-1)，组成一个m×(c-1)维的投影矩阵W，把原来m维的特征向量投影到新的c-1维特征空间去。得到新的特征向量为

y=W^Tv

投影后新的类内离散矩阵和类间离散矩阵分别为：

\{\begin{matrix} {\tilde{S}}_{w} = W^{T} S_{w} W \\ {\tilde{S}}_{b} = W^{T} S_{b} W \end{matrix}

LDA方法依据的主要原理是在某种判别准则下，使得投影后的比达到最大。判据准则可以有不同的选择方式，如矩阵的迹，矩阵的行列式等。此处采用以行列式为判据，即

J (W) = \frac{| {\tilde{S}}_{b} |}{| {\tilde{S}}_{w} |} = \frac{| W^{T} S_{b} W |}{| W^{T} S_{w} W |}

容易证明，能够使J(W)取到最大值的，是式S_bw_i=r_iS_ww_i中最大的广义特征值r_i所对应的特征向量w_i。在S_w非奇异的情况下，对矩阵进行特征值分解，得到最大的c-1个特征值对应的特征向量w_i(i=1,…,c-1)，即为所求投影方向。按照这种思路，如果待识别的动作模式数为c=8，则经上述投影方法进行降维处理可得到7维模式向量。

采用BP网络作为动作模式分类器，网络节点数为k-10-8（k=7为输入模式向量维数，输出层节点数8为动作模式数），隐层结点数10。为了便于比较分析，采用标量AR模型（sAR模型）对6通道EMG信号分别建模，sAR模型阶数为4，同样采用LDA方法对24（4×6）维参数向量降维，并利用神经网络进行分类。分类结果表明，mAR识别率高于sAR，前者八个动作的平均识别率最高为97%（依赖于降维处理的结果），后者最高为91%。该结果表明，各通道EMG信号之间具有显著的相关性，采用多维信号处理方法进行特征识别可显著提高生物机械接口的动作识别率。

本发明并不局限于所述的实施例，本领域的技术人员在不脱离本发明的精神即公开范围内，仍可作一些修正或改变，故本发明的权利保护范围以权利要求书限定的范围为准。

Claims

X_k=A₁X_k-1+A₂X_k-2+...+A_pX_k-p+e_k

所述mAR模型可表示为矩阵形式：

所述mAR模型的系数矩阵可由最小二乘法求得：

A=bX^T(XX^T)^-1

第四步：采用BP网络作为动作模式分类器，网络节点数为k-10-8（k=7为输入模式向量维数，输出层节点数8为动作模式数），隐层结点数10，为了便于比较分析，采用标量AR模型（sAR模型）对6通道EMG信号分别建模，sAR模型阶数为4，同样采用LDA方法对24（4×6）维参数向量降维，并利用神经网络进行分类。