CN104666052A - 面向外骨骼机器人的下肢肌音信号处理系统及方法 - Google Patents

Abstract

一种传感器领域的基于肌音信号的人体下肢运动识别系统及方法，包括：两个分别用于左、右腿的肌音信号采集子系统和通过无线方式与之相连的便携式数字处理子系统，其中：肌音信号采集子系统输出肌音数字信号至便携式数字处理子系统，数字处理子系统从中提取得到人体下肢动作判别结果；本发明中的肌音信号采集子系统与数字处理子系统之间采用无线射频的通信方式进行数据传输，避免了因电连接造成的导线过多带来的不便与不适；本发明可以很好地采集人体下肢肌肉动作信息，正确识别下肢动作意图，获取的动作分类结果可作为外骨骼机器人控制系统的输入，满足外骨骼机器人的识别穿戴者的动作意图并实现有效的助力控制的实时性、准确性要求。

Description

面向外骨骼机器人的下肢肌音信号处理系统及方法

技术领域

本发明涉及的是一种传感器领域的技术，具体是一种面向外骨骼机器人的下肢肌音信号处理系统及方法，可作为控制输入应用到下肢外骨骼机器人的控制中，能够满足外骨骼机器人控制系统的便携性、高稳定性、实时性要求。

背景技术

MMG(Mechanomyography，肌音信号)是肌肉收缩产生肌力的过程中，肌纤维由于分布不均匀等因素发生侧向振动而表现为宏观上的发出机械波的一种力学现象。其主要特点有信号幅值大、平稳性好、抗干扰能力强等。目前，国内外在肌音信号以及肌音信号的应用方面的研究取得了一些进展。Barry提出肌音信号可以用于假肢控制，并作了初期研究尝试。Bertr和Diemontd等通过利用FFT和MESE对肌音信号进行分析，证实了功率谱方法可以提取肌音信号中蕴含的肌肉动作信息。加拿大多伦多大学的Prism实验室通过釆用MMG信号作为肢体动作分析对象，实现了对腕部收缩和舒张两类动作的高识别率：70％左右，进一步的分析表明EMG信号中绝大部分肢体动作信息也存在于MMG信号中。目前，MMG信号已开始应用于肌肉功能检测、肌肉疲劳度检测及人体假肢控制等相关领域。

近年来，外骨骼机器人的研究是备受瞩目的领域之一。理想的外骨骼机器人紧密结合了人的智力和机器人的体力，能完成单独依靠人和机器人都无法完成的任务。为了实现人机紧密结合，无障碍的信息传递机制尤为重要。目前在外骨骼机器人控制中，对人体运动信息的获取与运动意图的识别主要是采集生物电和生物力信号，其他方式如微观的神经植入，宏观的手势或姿态等。生物电主要包括EMG(Electromyography，肌电)和脑电，其中肌电获取与控制的研究已经相当深入。然而肌电所面临的最大问题是须要直接与皮肤接触才能可靠获取，且EMG信号极易受到外界的干扰，例如肌肉的疲劳、电极位置的改变、体温的波动都会使EMG信号的特征值发生变化。脑电包括自发式和诱发式，尽管诱发式脑机界面有了长足的进步，但分辨运动意图的能力还很难满足实时性需要。

经过对现有技术的检索发现，中国专利文献号CN102614061A公开(公告)日2012.08.01，公开了一种基于肌音信号的人体上肢功能康复训练实现方法，通过安放在肌肉皮肤表面的压电传感器采集人体生理随机肌音信号MMG，采集到的肌音信号蕴含肌肉收缩动作信息，信号经过预处理电路进行放大滤波，然后经过A/D转换电路进行模拟数字转换，再通过数据采集卡导入PC机并先后进行特征提取和模式识别处理，输出代表肌肉不同动作模式的控制信号，以控制在虚拟现实环境中的三维人体上肢模型运动，受试者可以根据虚拟环境中的视觉反馈实时对虚拟环境中的人体上肢模型进行不同MVC％动作模式的控制，最终实现了功能康复训练的目的。但该技术的信号采集硬件系统选用的数据采集卡体积较大不满足外骨骼机器人控制系统所要求的易携带、微型化、低功耗的要求；其数字信号处理和特征提取模块及动作模式识别模块均为基于PC机上的Matlab软件环境工作的，这使得其系统不满足嵌入式、实时性的需要；而且，其主要通过有线的方式实现数据采集器和控制器之间的电气连接，使用不方便。

发明内容

本发明针对现有技术存在的上述不足，提出一种面向外骨骼机器人的下肢肌音信号处理系统及方法，具有可携带、微型化、低功耗的优点，通过嵌入式数据采集电路及采用无线通讯的方式实现采集系统和控制器之间的信息交互。

本发明是通过以下技术方案实现的：

本发明涉及一种面向外骨骼机器人的下肢肌音信号处理系统，包括：两个分别用于左、右腿的肌音信号采集子系统和通过无线方式与之相连的便携式数字处理子系统，其中：肌音信号采集子系统输出肌音数字信号至便携式数字处理子系统，数字处理子系统从中提取得到人体下肢动作判别结果。

所述的便携式数字处理子系统包括：肌音信号接收电路、外骨骼通信电路、主控处理器和数据存储模块，其中：主控微处理器分别与肌音信号接收电路及外骨骼通信电路相连，主控处理器对接收到的多路肌音信号分别进行数字信号处理，识别出人体动作意图数据，并将其进行数字编码后存储在数据存储模块，主控处理器通过外骨骼通信电路与外骨骼机器人控制系统相连，将数据存储模块存储的人体下肢关节的人体动作意图数据发送给外骨骼机器人控制系统。

所述的主控处理器包括：嵌入式主控微处理器、外围接口、看门狗、语音报警、电源管理电路和电池充电电路，其中：外围接口、看门狗、语音报警分别与嵌入式主控微处理器相连，嵌入式主控微处理器分别与肌音信号接收电路和外骨骼通信电路相通讯，电源管理电路为所述的肌音信号接收电路、外骨骼通信电路、数据存储模块分别提供合适的电源，电池充电电路为系统所需电池充电提供保护。

所述的肌音信号采集子系统包括：多个肌音信号采集模块、A/D转换电路、微控制单元和肌音信号发送电路，其中：肌音信号采集模块与微控制单元分别佩带在人体下肢并采集人体左、右下肢模拟肌音信号，A/D转换电路将模拟肌音信号转换成肌音数字信号送入微控制单元，微控制单元将肌音数字信号通过肌音信号发送电路传递至便携式数字处理子系统。

所述的肌音信号采集模块包括：肌音信号传感器、放大调理电路和低通滤波电路，其中：肌音信号传感器放置在人体大腿的阔筋膜张肌、股内侧肌、长收肌和/或半腱肌的表皮处以采集模拟肌音信号，放大调理电路对模拟肌音信号放大，并输出至低通滤波电路滤去高频部分。

所述的肌音信号传感器采用压电式加速度传感器。

所述的放大调理电路采用具有高输入阻抗、高共模抑制比、低噪声、低漂移、非线性度小和合适的频带范围的集成单电源仪表放大器。

所述的低通滤波电路采用有源低通滤波器，其3db的频率为100Hz，200Hz的衰减大于25db。

所述的A/D转换电路包括：多选一模拟开关电路和A/D转换器，其中：多选一模拟开关电路的输入端和输出端分别与多个肌音信号采集模块及A/D转换器相连，所述的肌音信号采集模块输出的模拟肌音信号经过多选一模拟开关电路选通后送入A/D转换器进行模数转换。

所述的微控制单元包括：微处理器、外围SPI接口电路、串行通信UART、看门狗电路、电源管理电路和可充电电源，其中：外围SPI接口电路、串行通信UART、看门狗电路分别与微处理器相连，电源管理电路与可充电电源相连，并为所述的微处理器、肌音信号采集模块、A/D转换电路、肌音信号发送电路分别提供相匹配的电源，微处理器与A/D转换电路相连传输经模数转换、算术平均值滤波处理的肌音信号信息。

所述的肌音信号发送电路和肌音信号接收电路均包括：数字无线处理电路、数控振荡电路、射频收发开关切换电路、蓝牙收发器和基带信号处理器，其中：数控振荡电路和射频收发开关切换电路与数字无线处理电路相连，蓝牙收发器与基带信号处理器相通讯，基带信号处理器与数字无线处理电路相连，此外，肌音信号发送电路和肌音信号接收电路中的基带信号处理器与各自对应的微控制单元或主控处理器相连。

所述的外骨骼通信电路包括：分别与主控处理器相连的无线通信电路和CAN总线通信接口电路。

所述的无线通信电路包括：数字无线处理电路、数控振荡电路、射频收发开关切换电路、蓝牙收发器和基带信号处理器，其中：数控振荡电路和射频收发开关切换电路与数字无线处理电路相连，蓝牙收发器与基带信号处理器相通讯，基带信号处理器与数字无线处理电路相连，基带信号处理器与主控处理器相连，

所述的CAN总线通信接口电路包括：CAN控制器和CAN总线收发器。

所述的CAN控制器包括：CAN总线通信接口电路、串口收发器、CAN总线光电隔离电路，其中：串口收发器、CAN总线光电隔离电路分别与CAN总线通信接口电路相连，CAN总线通信接口电路通过串口收发器与所述的主控处理器相连，CAN总线光电隔离电路与CAN总线收发器相连。

为了确保在CAN总线遭受严重干扰时主控处理器能够正常运行，CAN总线控制器没有与CAN总线收发器直接相连，而是通过CAN总线光电隔离电路相连，从而实现总线上各节点间的电气隔离。

本发明涉及一种基于上述系统的检测方法，包括以下步骤：

步骤1)：将采集到的MMG信号通过滑动窗等长分割成短时帧，检测特征提取初始时刻、经判断后完成整个数据段的动作分割，即对肌音信号采用移动时间窗的方法识别特征提取初始时刻，在特征提取初始时刻确定之后的120ms进行时域特征提取，具体步骤包括：

1.1)确定每个移动时间窗的长度M和所取连续移动时间窗的个数N；例如M的取值为40ms，N的取值为4；

1.2)对每个移动时间窗内的信号进行积分，求得每个移动时间窗的能量：

其中：S_j(i)，i＝1,2,…M，表示第j个移动时间窗内采样点的MMG信号时域序列；

1.3)将移动时间窗的能量与分割阈值Φ进行比较，若Q(1)<Φ，且Q(2)>Φ，…，Q(N)>Φ，则第二个移动时间窗的起点为特征提取的初始时刻。

步骤2)：提取动作帧的时域特征，构成特征向量。

所述的时域特征包括：绝对均值amv、方差值var、绝对均值差分amvd、过零率zc以及均方根rms，利用每组动作模式的时域特征组成特征向量如下：

x_i＝(amv,var,amvd,zc,rms)^T,i＝1,2,...,r，其中：r为样本中动作分类的个数。

步骤3)：将特征向量输入线性分类(Linear Discriminant Analysis)模型，通过模式识别模块对所提取的肌音信号特征进行动作模式分类，得到动作判别结果数据，即模式识别模块首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将验证样本通过分类器模型得到动作分类结果，具体步骤包括：

3.1)分类算法的离线训练：对于离线状态下提取的多组特征向量，随机选取部分特征向量作为特征向量训练样本对线性分类算法进行训练，得到训练好的线性分类算法。

3.2)分类算法的在线识别：将实时采集到的特征向量作为验证样本，通过训练好的线性分类模型得到动作分类结果。

所述的动作模式分类，具体是基于线性分类分析法对采集的肌音信号进行模式分类，因需要对单腿髋关节屈、髋关节伸、髋关节静止、膝关节屈、膝关节伸及膝关节静止共6种动作进行分类，设第i种动作类型表示为C_i，其中i∈[1,6]，因而由每组动作模式的特征向量x_i组成新的特征向量：X＝(x₁,x₂,x₃,x₄,x₅,x₆)^T。动作模式分类方法的就是根据信号的特征向量X，基于感知器学习算法来判断其对应的动作类型C_i。

技术效果

与现有技术相比，本发明可以很好地采集人体下肢肌肉动作信息，正确识别下肢动作意图，获取的动作分类结果可作为外骨骼机器人控制系统的输入，满足外骨骼机器人的识别穿戴者的动作意图并实现有效的助力控制的实时性、准确性要求；而且，本发明中的肌音信号采集子系统与数字处理子系统之间采用无线射频的通信方式进行数据传输，避免了因电连接造成的导线过多带来的不便与不适。

附图说明

图1为本发明的连接示意图；

图2为肌音信号采集模块的连接示意图；

图3为肌音信号传感器放置位置示意图；

图4为MMG信号采集子系统处理流程图；

图5为便携式数字处理子系统的主处理流程图；

图6为数字处理子系统的中断子程序处理流程图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图1所示，本实施例包括：左、右腿肌音信号采集子系统和便携式数字处理子系统，左、右腿肌音信号采集子系统分别由多个肌音信号采集模块、A/D转换电路、微控制单元及无线肌音信号传输模块组成，肌音信号采集模块与微控制单元分别佩带在人体下肢上，肌音信号采集模块采集人体左、右下肢肌音信号，经A/D转换电路将模拟肌音信号转换成数字信号送入微控制单元，微控制单元将肌音信号通过无线肌音信号传输模块传递至便携式数字处理子系统进行信号分析处理。

本实施例的肌音信号采集模块包括：肌音信号传感器、放大调理电路、低通滤波电路，其中：肌音信号传感器分别放置在人体大腿的阔筋膜张肌、股内侧肌、长收肌和半腱肌的表皮处，传感器采集肌音信号，经由放大调理电路将信号放大，输出信号通过低通滤波电路滤掉信号中含有的高频部分后，送入A/D转换电路。

所述的A/D转换电路包括：多选一模拟开关电路、A/D转换器，其中：多选一模拟开关电路分别与多个肌音信号采集模块及A/D转换电路相连，所述的肌音信号采集模块输出的模拟肌音信号经过多选一模拟开关电路选通后送入A/D转换器进行模数转换。

所述的微控制单元包括：微处理器、外围SPI接口电路、串行通信UART、看门狗电路、电源管理电路和可充电电源，其中：外围SPI接口电路、串行通信UART、看门狗电路分别与微处理器相连，电源管理电路与可充电电源相连，并为所述的微处理器、肌音信号采集模块、A/D转换电路、肌音信号发送电路分别提供相匹配的电源，微处理器与A/D转换电路相连传输经模数转换、算术平均值滤波处理的肌音信号信息。

所述的无线肌音信号传输模块包括：肌音信号发送电路和肌音信号接收电路，其中：肌音信号发送电路与肌音信号采集子系统通讯，肌音信号接收电路与便携式数字处理子系统相连，接收便携式数字处理子系统发出的指令，并将存储的肌音信号传送至便携式数字处理子系统。

所述的肌音信号发送电路和肌音信号接收电路，均包括：数字无线处理电路、数控振荡电路、射频收发开关切换电路、蓝牙收发器和基带信号处理器，其中：数控振荡电路和射频收发开关切换电路与数字无线处理电路相连，蓝牙收发器与基带信号处理器相通讯，基带信号处理器与数字无线处理电路相连。

所述的便携式数字处理子系统包括：主控处理器、无线肌音信号传输电路、外骨骼通信电路，其中：主控处理器包括：嵌入式主控微处理器、外围接口、看门狗、语音报警、电源管理电路、电池充电电路，其中：外围接口、看门狗、语音报警分别与嵌入式主控微处理器相连，嵌入式主控微处理器分别与肌音信号接收电路和外骨骼通信电路相通讯，主控处理器分别与无线肌音信号传输模块及外骨骼通信模块相连，主控处理器对接收到的多路肌音信号分别进行数字信号处理，识别出人体动作意图，并将其进行数字编码后存储在数据存储模块，主控处理器通过外骨骼通信电路与外骨骼机器人控制系统相连，将数据存储模块存储的人体下肢关节的动作意图数据发送给外骨骼机器人控制系统，所述的电源管理电路为便携式数字处理子系统供电及进行电源管理，电池充电电路为系统所需电池充电提供保护。

如图2所示，肌音信号采集模块包括：肌音信号传感器、放大电路、滤波电路。

所述的放大电路采用具有高输入阻抗、高共模抑制比、低噪声、低漂移、非线性度小和合适的频带范围的集成单电源仪表放大器。

所述的低通滤波电路采用巴特沃兹有源低通滤波器，截止频率设定为100Hz。

所述的肌音信号传感器采用压电式加速度传感器。

本实施例中，如图3所示，共采用8个肌音信号传感器分别采集左、右腿的阔筋膜张肌、股内侧肌、长收肌和半腱肌的肌音信号。

如图4，5，6所示，本系统通过以下方式实现具体检测：

步骤1)：将采集到的MMG信号通过滑动窗等长分割成短时帧，检测特征提取初始时刻、经判断后完成整个数据段的动作分割；

步骤2)：提取动作帧的时域特征，构成特征向量；

步骤3)：将特征向量输入线性分类(Linear Discriminant Analysis)模型，通过模式识别模块对所提取的肌音信号特征进行动作模式分类，得到动作判别结果数据。

所述的步骤1)的特征提取初始时刻的识别方法为：对肌音信号采用移动时间窗的方法识别特征提取初始时刻，在特征提取初始时刻确定之后的120ms进行时域特征提取；具体方法如下：

确定每个移动时间窗的长度M和所取连续移动时间窗的个数N；本实施例中，M的取值为40ms，N的取值为4；

对每个移动时间窗内的信号进行积分，求得每个移动时间窗的能量Q(j)：

$Q\left(j\right)=\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{S}_j\left(i\right),1\&le;j\&le;N.$

将移动时间窗的能量与分割阈值Φ进行比较，若Q(1)<Φ，且Q(2)>Φ，…，Q(N)>Φ，则第二个移动时间窗的起点为特征提取的初始时刻。

所述的步骤2)的时域特征包括绝对均值amv、方差值var、绝对均值差分amvd、过零率zc以及均方根rms： $\mathrm{amv}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|x_i\right|,\mathrm{var}=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}(x_i-\stackrel{\&OverBar;}{x}),\stackrel{\&OverBar;}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i,$

$\mathrm{amvd}=\frac{1}{M}\underset{i=1}{\overset{M-1}{\mathrm{\&Sigma;}}}\left(\right|x_{i-1}|-|x_i\left|\right),\mathrm{zc}=\underset{i=1}{\overset{M-1}{\mathrm{\&Sigma;}}}\mathrm{sgn}\left({-x}_{i+1}{x}_i\right),\mathrm{rms}=\sqrt{\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{x}_i^2},$

利用每组动作模式的时域特征组成特征向量如下：

x_i＝(amv,var,amvd,zc,rms)^T,i＝1,2,...,r，其中：r为样本中动作分类的个数。

所述的步骤3)的模式分类的方法：模式识别模块首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将验证样本通过分类器模型得到动作分类结果。具体可分为：

3.1)分类算法的离线训练：对于离线状态下提取的多组特征向量，随机选取部分特征向量作为特征向量训练样本对线性分类算法进行训练，得到训练好的线性分类算法。

3.2)分类算法的在线识别：将实时采集到的特征向量作为验证样本，通过训练好的线性分类模型得到动作分类结果。

本实施例的便携式数字处理子系统的主程序(参见图5)为：系统上电后首先进行系统初始化，配置时钟，进行各模块的初始化，包括：I/O口初始化、线性分类算法参数初始化、无线射频通信参数及蓝牙通信参数设置等。然后打开全局中断，系统进入低功耗待机模式，等待中断通过无线接口模块接收无线肌音信号数据。

当主程序完成初始化工作后，肌音信号数据的接收及处理在相应的中断服务程序中完成。本实施例的数据处理子系统的中断服务程序(参见图6)为：进入中断首先进行断点保护，对接收到的左腿、或右腿肌音编码数据进行解码处理，然后开始查询是否检测到特征提取初始时刻，如果没有，继续查询，如果检测到特征提取初始时刻，则对此时刻之后的120ms的数据进行特征提取，特征向量由基于线性分类的算法进行识别，得到识别结果，返回，恢复现场打开中断。

本实施例中，先通过本系统采集5分钟的8路肌音信号数据，随机选取每路肌音信号下的15组特征向量，共120组作为特征向量训练样本对线性分类算法进行训练，得到训练好的线性分类算法，用训练好的分类算法可以应用于数字处理子系统的在线识别。

Claims (11)

1.一种基于肌音信号的人体下肢运动识别系统，其特征在于，包括：两个分别用于左、右腿的肌音信号采集子系统和通过无线方式与之相连的便携式数字处理子系统，其中：肌音信号采集子系统输出肌音数字信号至便携式数字处理子系统，数字处理子系统从中提取得到人体下肢动作判别结果；

所述的便携式数字处理子系统包括：肌音信号接收电路、外骨骼通信电路、主控处理器和数据存储模块，其中：主控处理器分别与肌音信号接收模块及外骨骼通信模块相连，主控处理器对接收到的多路肌音信号分别进行数字信号处理，识别出人体动作意图数据，并将其进行数字编码后存储在数据存储模块，主控处理器通过外骨骼通信电路与外骨骼机器人控制系统相连，将数据存储模块存储的人体下肢关节的人体动作意图数据发送给外骨骼机器人控制系统；

所述的肌音信号采集子系统包括：多个肌音信号采集模块、A/D转换电路、微控制单元及肌音信号发送电路，其中：肌音信号采集模块与微控制单元分别佩带在人体下肢并采集人体左、右下肢模拟肌音信号，A/D转换电路将模拟肌音信号转换成肌音数字信号送入微控制单元，微控制单元将肌音数字信号通过肌音信号发送电路传递至便携式数字处理子系统。

2.根据权利要求1所述的基于肌音信号的人体下肢运动识别系统，其特征是，所述的肌音信号采集模块包括：肌音信号传感器、放大调理电路和低通滤波电路，其中：肌音信号传感器放置在人体大腿的阔筋膜张肌、股内侧肌、长收肌和/或半腱肌的表皮处以采集采集模拟肌音信号，放大调理电路对模拟肌音信号放大，并输出至低通滤波电路滤去高频部分。

3.根据权利要求1所述的基于肌音信号的人体下肢运动识别系统，其特征是，所述的A/D转换电路包括：多选一模拟开关电路和A/D转换器，其中：多选一模拟开关电路的输入端和输出端分别与多个肌音信号采集模块及A/D转换器相连，所述的肌音信号采集模块输出的模拟肌音信号经过多选一模拟开关电路选通后送入A/D转换器进行模数转换。

4.根据权利要求1所述的基于肌音信号的人体下肢运动识别系统，其特征是，所述的微控制单元包括：微处理器、外围SPI接口电路、串行通信UART、看门狗电路、电源管理电路和可充电电源，其中：外围SPI接口电路、串行通信UART、看门狗电路分别与微处理器相连，电源管理电路与可充电电源相连，并为所述的微处理器、肌音信号采集模块、A/D转换电路、肌音信号发送电路分别提供相匹配的电源，微处理器与A/D转换电路相连传输经模数转换、算术平均值滤波处理的肌音信号信息。

5.根据权利要求1所述的基于肌音信号的人体下肢运动识别系统，其特征是，所述的肌音信号发送电路和肌音信号接收电路均包括：数字无线处理电路、数控振荡电路、射频收发开关切换电路、蓝牙收发器和基带信号处理器，其中：数控振荡电路和射频收发开关切换电路与数字无线处理电路相连，蓝牙收发器与基带信号处理器相通讯，基带信号处理器与数字无线处理电路相连，此外，肌音信号发送电路和肌音信号接收电路中的基带信号处理器与各自对应的微控制单元或主控处理器相连。

6.根据权利要求1所述的基于肌音信号的人体下肢运动识别系统，其特征是，所述的外骨骼通信电路包括：分别与主控处理器相连的无线通信电路和CAN总线通信接口电路，其中：

所述的无线通信电路包括：数字无线处理电路、数控振荡电路、射频收发开关切换电路、蓝牙收发器和基带信号处理器，其中：数控振荡电路和射频收发开关切换电路与数字无线处理电路相连，蓝牙收发器与基带信号处理器相通讯，基带信号处理器与数字无线处理电路相连，基带信号处理器与主控处理器相连；

所述的CAN总线通信接口电路包括：CAN控制器和CAN总线收发器。

7.根据权利要求6所述的基于肌音信号的人体下肢运动识别系统，其特征是，所述的CAN控制器包括：CAN总线通信接口电路、串口收发器、CAN总线光电隔离电路，其中：串口收发器、CAN总线光电隔离电路分别与CAN总线通信接口电路相连，CAN总线通信接口电路通过串口收发器与所述的主控处理器相连，CAN总线光电隔离电路与CAN总线收发器相连。

8.一种根据上述任一权利要求所述系统的检测方法，其特征在于，包括以下步骤：

步骤1)：将采集到的MMG信号通过滑动窗等长分割成短时帧，检测特征提取初始时刻、经判断后完成整个数据段的动作分割，即对肌音信号采用移动时间窗的方法识别特征提取初始时刻，在特征提取初始时刻确定之后的120ms进行时域特征提取；

步骤2)：提取动作帧的时域特征，构成特征向量；

步骤3)：将特征向量输入线性分类模型，通过模式识别模块对所提取的肌音信号特征进行动作模式分类，得到动作判别结果数据，即模式识别模块首先采集一段时间的信号作分析，提取其时域特征作为训练样本得到线性分类器模型，然后将验证样本通过分类器模型得到动作分类结果。

9.根据权利要求8所述的方法，其特征是，所述的步骤1具体包括：

1.1)确定每个移动时间窗的长度M和所取连续移动时间窗的个数N；例如M的取值为40ms，N的取值为4；

1.2)对每个移动时间窗内的信号进行积分，求得每个移动时间窗的能量：

其中：S_j(i)，i＝1,2,…M，表示第j个移动时间窗内采样点的MMG信号时域序列；

1.3)将移动时间窗的能量与分割阈值Φ进行比较，若Q(1)<Φ，且Q(2)>Φ，…，Q(N)>Φ，则第二个移动时间窗的起点为特征提取的初始时刻。

10.根据权利要求8所述的方法，其特征是，所述的时域特征包括：绝对均值、方差值、绝对均值差分、过零率以及均方根。

11.根据权利要求8所述的方法，其特征是，所述的步骤3具体包括：

3.1)分类算法的离线训练：对于离线状态下提取的多组特征向量，随机选取部分特征向量作为特征向量训练样本对线性分类算法进行训练，得到训练好的线性分类算法；

3.2)分类算法的在线识别：将实时采集到的特征向量作为验证样本，通过训练好的线性分类模型得到动作分类结果。