CN108992066A - 基于肌电信号的便携式下肢行为模式实时识别系统及方法 - Google Patents
基于肌电信号的便携式下肢行为模式实时识别系统及方法 Download PDFInfo
- Publication number
- CN108992066A CN108992066A CN201810930099.3A CN201810930099A CN108992066A CN 108992066 A CN108992066 A CN 108992066A CN 201810930099 A CN201810930099 A CN 201810930099A CN 108992066 A CN108992066 A CN 108992066A
- Authority
- CN
- China
- Prior art keywords
- value
- module
- signal
- particle
- lower limb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000002567 electromyography Methods 0.000 title claims abstract description 68
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 85
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 108091006146 Channels Proteins 0.000 claims description 78
- 239000002245 particle Substances 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000003909 pattern recognition Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 210000004705 lumbosacral region Anatomy 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 230000003542 behavioural effect Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006837 decompression Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims 1
- 230000037431 insertion Effects 0.000 claims 1
- 210000003414 extremity Anatomy 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 46
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 5
- 210000005036 nerve Anatomy 0.000 description 5
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Prostheses (AREA)
Abstract
本发明提出基于肌电信号的便携式下肢行为模式实时识别系统及方法，具体包括：肌电信号采集模块、肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、显示设备；本发明为下肢行为模式的肌电信号特征进行实时识别与输出，其对肌电信号特征的单次解码时间小于300微秒，满足实时性要求，本发明的硬件系统总重量约100g，总体硬件控制板尺寸90mm*90mm，满足便携的要求；本系统研制目的是为应用于假肢或是外骨骼等领域，通过本系统实现对运动状态的实时区分识别，进而作为假肢/外骨骼设备进行运动控制的依据，是为假肢/外骨骼提供运动控制的依据。
Description
技术领域
本发明属于生物医学工程和机械电子工程的交叉领域，具体涉及基于肌电信号的便携式下肢行为模式实时识别系统及方法。
背景技术
人机协作是现代工业的发展趋势，人机协作将给未来工业带来了根本性的变革。在越来越多的领域中，协作机器人将承担擅长的工作职责，成为人类重要的助手，人类与机器人将是一种相互依存的关系。
人机协作是让人和机器人交互、和谐共存。在人机协作模式下，人与机器携手合作，发挥各自的专长。机器人可辅助人类去做一些繁复、深重的工作，人类可根据现实需求，调整机器人生产，人机协作是机器人进化的必然选择。人与机器人交互过程的重中之重是安全。为了保证人身安全，需要使机器人实时感知人类合作者的行为意图。
目前，人机协作程度依然处于较低水平，由于不能实时提取人的行为意图特征，无法将人的意图信息实时传送给机器人，导致了“机器人杀人”等不和谐的事件发生。人的行为是由神经控制的，肌电信号是神经控制肌肉的一种外在表现。下肢行为的肌电信号特征是描述人的下肢行为意图的一种方式。但如今，针对下肢行为的肌电信号特征提取大多是采用离线数据分析方法；即使是在线特征提取，特征提取时间较长、严重滞后，不能将人的行为意图实时发送出去，导致无法使协作机器人实时感知人的意图，不能满足实际应用的需要。对此，本申请提出人体行为意图的实时识别系统，即对描述下肢行为模式的肌电信号特征进行实时识别与输出，其对肌电信号特征的单次解码时间小于300微秒，满足实时性要求。本发明的硬件系统总重量约100g，总体硬件控制板尺寸90mm*90mm，满足便携的要求。
发明内容
本发明提出一种基于肌电信号的便携式下肢行为模式实时识别系统及方法，具体包括：肌电信号采集模块、肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、显示设备；
肌电信号采集模块与肌电信号预处理模块相连接，肌电信号预处理模块与多通道AD数据采样模块相连接，多通道AD数据采样模块与嵌入式主控模块相连接；嵌入式主控模块与显示设备相连接；电源模块同时与肌电信号采集模块、多通道AD数据采样模块、嵌入式主控模块相连接；
所述肌电信号采集模块用于捕捉皮肤表面的微弱肌电信号，放置于人体的皮肤表面，采用N个通道进行采集，并将采集到的皮肤表面的微弱肌电信号传递到肌电信号预处理模块；
所述肌电信号预处理模块用于将肌电信号采集模块采集到的N通道皮肤表面的微弱肌电信号进行处理，包括前置放大、高通滤波、二级放大、低通滤波和信号偏置，并将处理后的N通道模拟信号传递给多通道AD数据采样模块；
多通道AD数据采样模块用于将肌电信号预处理模块输出的N个通道模拟信号转换为数字信号，并将该N通道的数字信号传递给嵌入式主控模块；
嵌入式主控模块根据从多通道AD数据采样模块传递过来的N通道的数字信号，识别被测试者的站立、起跳、空中和落地的模式，并将模式识别的结果传递给显示设备；
电源模块用于同时给肌电信号采集模块、多通道AD数据采样模块、嵌入式主控模块提供电源；
显示设备用于实现与嵌入式主控模块之间的交互操作，并显示嵌入式主控模块传递出的模式识别的结果和N个通道数字信号的实时图形，显示设备采用便携式显示屏或电脑，
其中，所述肌电信号采集模块采用差分电极，N个通道分别位于被测试者左腰部、右腰部、左腿部与右腿部，共4个通道；
其中，所述肌电信号采集模块与肌电信号预处理模块通过肌电信号电极线相连接；
其中，所述肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、放置于双肩背包中，当显示设备采用便携式显示屏，也放置于双肩背包中，被测试者将背包背在肩上；
其中，所述多通道AD数据采样模块至少将N个通道模拟信号转换为数字信号，N≥4；
其中，所述多通道AD数据采样模块由嵌入式主控模块进行控制，由嵌入式主控模块周期性的发出采样触发信号，多通道AD数据采样模块接收到采样触发信号即对预处理后模拟信号进行采样锁存，将模拟信号转换为数字信号，并将转换后的数字信号以高速SPI总线方式传送到嵌入式主控模块；
其中，所述电源模块为12V直流电源，电源模块将12V直流电源转换为±5V双极性电源，直接与肌电信号采集模块相连接，为肌电信号采集模块供电；
其中，所述电源模块将12V直流电源，经过降压，获得﹢5V直流电源，为嵌入式主控模块以及多通道AD数据采样模块进行供电；
其中，当显示设备采用便携式显示屏，便携式显示屏HDMI接口与嵌入式主控模块相连接；
其中，所述嵌入式主控模块通过TCP通讯协议与电脑相连接；
其中，所述显示设备用于实现与嵌入式主控模块之间的交互操作包括：训练模式或者识别模式选择，多通道AD数据采样模块中通道使用选择；训练模式，是首先在显示设备中选择接下来某种动作，包括起跳和落地，被测试者进行此动作，多次重复，实现训练过程；识别模式，是被试者连续做起跳和落地动作，然后在显示设备中会实时显示识别结果；多通道AD数据采样模块中通道使用选择，指选择每个通道使用或者不使用；
其中，嵌入式主控模块采用两核及两核以上CPU处理器。
一种基于肌电信号的便携式下肢行为模式实时识别系统的方法，具体流程包括离线训练和在线检测两部分：
离线训练，包括步骤1～步骤6：
步骤1：采集跳跃动作产生的肌电数字信号作为离线训练数据，该离线训练数据为多通道AD数据采样模块传递给嵌入式主控模块的数字信号，记作x(i)，跳跃动作包括2种模式：起跳和落地，各采集n组数据，n≥200；
步骤2：将所述肌电数字信号进行信号预处理，预处理工作包括50HZ工频陷波处理，3阶巴特沃斯带通滤波，带通滤波器的通带为：10-300HZ；
步骤3；将预处理后的信号提取特征值，该特征值包括：所述预处理后的信号的绝对均值WAV、波形长度WL、均值AV、方差IAR、均方根RMS，计算公式如公式(1)～公式(5)所示：
其中，WAV为绝对均值，N为采样点数，x(i)为第i个采样点的幅值；
其中，WL)为波形长度，N为采样点数，x(i+1)为第(i+1)个采样点的幅值，x(i)为第i个采样点的幅值；
其中，AV为均值，N为采样点数，x(i)为第i(i)个采样点的幅值；
其中，IAR为方差，N为采样点数，x(i)为i个采样点的幅值,为采样点幅值的均值；
其中，RMS均方根，N为采样点数，x(i)为第i个采样点的幅值；
步骤4：特征选择优化：采用统计学t检验方法进行分析，对起跳和落地两种模式的各通道特征值计算得到P值，若P<0.05，说明存在显著性差异，若P<0.01，说明存在极显著性差异，根据P值，得到具有显著差异的特征值，去掉其他没有显著差异的特征值；
步骤5：将具有显著差异的特征值归一化处理，设特征选择优化处理后的特征序列为K(a，b)，K(a，b)为离散序列，表示第a通道的第b个特征，a表示通道序列号，b表示特征序列号，将提取到的特征值归一化到[-1，1]之间，所述归一化处理如公式(6)所示：
其中，A(i，j)为归一化后的特征序列，ymax为1，ymin为-1，采用所述离线数据提取到的特征绝对值的最大值|K(a，b)|max)和最小值|K(a，b)|min作为归一化的参考标准，K(a，b)为归一化前的特征序列；
步骤6：将归一化后的特征序列组成特征值矩阵，采用粒子群-神经网络(PSO-BP)进行训练，确定用于下肢行为模式识别的BP神经网络模型的拓扑结构，采用粒子群优化算法进行迭代，优化网络结构得到最优权值的BP神经网络，具体步骤包括步骤6.1～步骤6.7：
步骤6.1：确定用于预测下肢行为模式识别的BP神经网络模型的拓扑结构，BP神经网络模型的拓扑结构包括输入层、隐含层和输出层，其中，输入层为v个节点，由归一化后的v个通道特征矩阵组成，隐含层的值通过输入层和BP网络权值得到：
Hr＝∑vWvrIv+b′r (7)
输出层的值通过隐含层和BP网络权值得到：
Op＝∑rWrpHr+b′p (8)
输出层通过引入非线性函数进行输出：
其中，H是隐含层，I是输入层，O是输出层，b′是偏差，Hr是第r个隐含层，Wvr是第v个输入层神经元到第r个隐含层神经元的权值，Iv是第v个输入层，b′r是输入层到隐含层之间第r个偏差，Op是第p个输出层，Wrp是第r个隐含层神经元到第p个输出层神经元的权值，b′p是隐含层到输出层之间第p个偏差，Op′为输出层的最终输出值，即为下肢行为模式的状态值；
步骤6.2：以下肢行为模式预测输出和期望输出之间的误差绝对值作为粒子群优化算法适应度函数，适应度函数如公式10所示：
其中，hf为BP神经网络的实际输出，gf为目标输出，e为粒子个数，d为训练样本的数目；
步骤6.3：将所述BP神经网络模型的输入层与隐含层的权值Wvr、隐含层与输出层的权值Wrp、偏差b′r、偏差b′p作为粒子群个体，每个粒子个体包括两部分，一部分是粒子的速度矩阵，另一部分是粒子的位置矩阵，其中，位置矩阵即为所求的优化值；
初始化粒子群算法基本参数，包种群数目Num、种群向量维数：D、惯性权重W、粒子的最大速度Vmax，加速常数c1和c2，以及最大迭代次数max；
步骤6.4：粒子速度更新公式为：
Vid(t+1)＝Vid(t)+c1r1(Pid-Xid(t))+c2r2(Pgd-Xid(t)) (11)
其中，c1和c2为加速常数，r1和r2服从[0，1]上的均匀分布随机数，Xid(t)是第i个粒子的当前位置，Pid是第i个粒子迄今为止搜索到的最优位置，Pgd是整个粒子群搜索到的最优位置，Vid是第i个粒子的当前速度，Vid∈[-Vmax，Vmax]，Vmax为最大限制速度，为非负数。
步骤6.5：粒子位置更新公式为：
Xid(t+1)＝Xid(t)+Vid(t+1) (12)
其中，Xid(t)是第i个粒子迭代t次时的位置，Xid(t+1)是第i个粒子迭代t+1次时的位置，Vid(t+1)是第i个粒子迭代t+1次时的速度；
步骤6.6：按步骤6的公式计算每个粒子的适应度函数值C，并对个体进行评价：
比较粒子的适应值和自身最优值pBest。如果粒子的当前值比pBest小，则将当前值赋给pBest，并设pBest位置为n维空间中当前位置；
比较粒子适应值与种群最优值，如果当前值比gBest更小，则将当前值赋给gBest；
计算每个粒子的适应值，评价种群X(t)，按粒子位置更新公式和粒子速度更新公式更新粒子的速度和位置方向，产生新种群。
步骤6.7：判断是否满足迭代次数或评价值是否达到给定精度，若满足条件，则结束寻优，否则继续迭代。算法终止时适应度最小的粒子对应的位置，即为问题所求的最优解，最终得到最优权值的下肢行为模式BP神经网络。
在线检测，包括步骤7～步骤12：
步骤7：下肢行为模式在线识别系统程序启动，提取多通道AD数据采样模块传递给嵌入式主控模块的实时数字信号Y；
步骤8：对实时数字信号预处理：同步骤2进行数字信号预处理，得到信号Y’；
步骤9：进入活动段检测阶段：采用连续窗口对信号Y’计算样本熵，样本熵的计算公式为：
其中，SampEn表示样本熵，ln表示自然对数，ms为整数，表示比较向量的长度，ks＝ms+1，rs为实数，表示相似度的度量值，计算样本熵的流程如下：
步骤9.1：针对所有通道信号Y’，其中某一通道的时间序列Y″＝μs(1)，μs(2)，…，μs(Ns)，其中Ns为时间序列的最后一个时刻，μs(Ns)为最后一个时刻对应的信号值；
步骤9.2：定义算法相关参数ms，rs；
步骤9.3：对Y″进行重构得到：Xs(1)，Xs(2)…，Xs(Ns-ms+1)，其中Xs(is)＝[μs(is)，μs(is+1)，…，μs(is+ms-1)].
步骤9.4：对于1≤is≤Ns-ms+1，统计满足以下条件的向量个数：
其中，Nnum为满足d[Xs(is)，X(js)≤rs]条件的Xs(js)个数，其中，ds[Xs，Xs *]定义为d[Xs，Xs *]＝max|μs(as)-μs *(as)|，Xs≠Xs *，μ(as)为向量Xs的元素，ds表示向量Xs(is)与Xs(js)的距离，由对应元素的最大差值决定，js的取值范围为[1，Ns-ms+1]，但是is≠js.
步骤9.5：求对所有is值的平均值，记为即：
步骤9.6：令ks＝ms+1，重复步骤3-4，得其中：
步骤9.7：根据公式(13)计算出样本熵：当检测到样本熵的值大于设定的阈值T1时，会假设当前窗口的起始点L为活动段的起始点，此时计算连续M个窗口的样本熵的值l1，l2...lM，如果l1，l2...lM都能满足样本熵的值大于阈值T1，则假设成功，其中，8≤M≤12，起始点L为活动段的起始点，否则假设失败，起始点L不是活动段的起始点，重新进入步骤9活动段检测阶段。
步骤10：当检测到活动段起始点，在起始点L后选取n’个样本点数据提取特征，提取特征流程与步骤3与步骤4相同，并进行步骤5将特征值归一化处理，将归一化后的特征矩阵放入基于粒子群算法优化的BP神经网络进行在线识别，得到在线识别结果；
步骤11：将实时的下肢行为模式在线识别结果通过显示设备进行显示；
步骤12：进行活动段终点检测：计算连续窗口的样本熵值，根据公式(13)，如果存在样本熵值小于阈值T2，将此时窗口的起始点标记为终止点，单个人体行为检测进程结束，返回步骤9进行下一个活动段检测。
有益技术效果：
(1)本专利提出基于肌电信号的便携式下肢行为模式实时识别系统及方法，即对描述下肢行为模式的肌电信号特征进行实时识别与输出，其对肌电信号特征的单次解码时间小于300微秒，满足实时性要求。本发明的硬件系统总重量约100g，总体硬件控制板尺寸90mm*90mm，满足便携的要求；
(2)由嵌入式主控模块实现多通道同步多源数据采集控制，在线数据处理，模式识别等工作，并且提供图形化操作界面，外部数据通讯等功能；本系统研制目的是为应用于假肢或是外骨骼等领域，通过本系统实现对运动状态的实时区分识别，进而作为假肢/外骨骼设备进行运动控制的依据，是为假肢/外骨骼提供运动控制的依据；
(3)基于肌电信号采集模块采用差分电极进行拾取，同时，用肌电信号预处理模块进行预处理，从而获得到适合于进行采样的模拟态肌电信号；
(4)本发明采用多线程并行处理方式进行软件系统实现，采用独立的线程独占多核CPU中的一个核心进行采样控制，从而保证比较高精度的周期性数据采样。本系统多线程并行是体现在：数据采集、活动段端点检测、活动段特征提取与模式识别、通讯与外设控制、人机交互，几项工作并行同步其中数据采集部分需要独占一个CPU核；首先是数据采集，达到一定数据量，激活线程二进行活动段端点检测；端点检测部分需要进行一系列的计算操作，这部分的计算操作所需时长远大于两帧数据采样时间间隔，为保证数据采样周期的稳定，因此，采用单独的线程进行活动段端点检测相关计算操作，当检测到活动段数据，即激活进行活动段数据的特征提取以及动作的识别分类操作；采用独立的线程实现进行人机交互操作是为了保证相关操作的流畅性。
(5)本发明提供一种基于遗传算法优化神经网络的下肢行为模式实时识别方法,包括使用遗传算法粒子群算法优化神经网络模型的初始权值,得到最优权值的PSO-BP神经网络；采用最优权值构造出最佳的下肢行为模式实时识别模型，并将最佳的下肢行为模式实时识别模型对起跳和落地两种下肢行为进行在线预测。优点为有效解决了BP神经网络易陷入局部最优值的缺点,提高下肢行为识别率的同时降低了错误识别率,能够快速准确的实时识别人体下肢行为。
附图说明
图1为本发明实施例的下肢行为模式实时识别系统图；
图2为本发明实施例的下肢行为模式实时识别系统肌电信号采集模块放置位置腿部；
图3为本发明实施例的下肢行为模式实时识别系统肌电信号采集模块放置位置腰部；
图4为本发明实施例的下肢行为模式实时识别系统双肩背包；
图5为本发明实施例的下肢行为模式实时识别系统肌电信号采集模块编号；
图6为本发明实施例的下肢行为模式实时识别系统流程图；
图7为本发明实施例的下肢行为模式实时识别系统识别的四种模式。
图中：1-差分电极位于左腰部，2-差分电极位于右腰部，3-差分电极位于右腿部，4-差分电极位于左腿部，5-双肩背包，6-电极线。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明：本发明提出一种基于肌电信号的便携式下肢行为模式实时识别系统及方法，具体包括：肌电信号采集模块、肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、显示设备，如图1所示；
肌电信号采集模块与肌电信号预处理模块相连接，肌电信号预处理模块与多通道AD数据采样模块相连接，多通道AD数据采样模块与嵌入式主控模块相连接；嵌入式主控模块与显示设备相连接；电源模块同时与肌电信号采集模块、多通道AD数据采样模块、嵌入式主控模块相连接；
所述肌电信号采集模块用于捕捉皮肤表面的微弱肌电信号，放置于人体的皮肤表面，采用N个通道进行采集，并将采集到的皮肤表面的微弱肌电信号传递到肌电信号预处理模块，本发明肌电信号采集模块采用品牌：智拓智能，型号：ZTEMG-1300；
所述肌电信号预处理模块用于将肌电信号采集模块采集到的N通道皮肤表面的微弱肌电信号进行处理，包括前置放大、高通滤波、二级放大、低通滤波和信号偏置，并将处理后的N通道模拟信号传递给多通道AD数据采样模块；
多通道AD数据采样模块用于将肌电信号预处理模块输出的N个通道模拟信号转换为数字信号，并将该N通道的数字信号传递给嵌入式主控模块，本申请多通道AD数据采样模块采用AD7606采集模块，采样频率可达200KHz，分辨率16位，满足肌电信号采集所需，同时采集模块有8个通道，可同时采集8路肌电信号；
嵌入式主控模块根据从多通道AD数据采样模块传递过来的N通道的数字信号，识别被测试者的站立、起跳、空中和落地的模式，并将模式识别的结果传递给显示设备，本发明嵌入式主控模块采用树莓派3代B+型，通过40针GPIO与AD7606采集模块用SPI总线连接；
电源模块用于同时给肌电信号采集模块、多通道AD数据采样模块、嵌入式主控模块提供电源；
显示设备用于实现与嵌入式主控模块之间的交互操作，并显示嵌入式主控模块传递出的模式识别的结果和N个通道数字信号的实时图形，显示设备采用便携式显示屏或电脑，
其中，所述肌电信号采集模块采用差分电极，如图2，图3与图5所示，N个通道分别位于被测试者左腰部1、右腰部2、左腿部4与右腿部3，共4个通道，本发明采用差分电极型号：ZTEMG-4000，尺寸：36mm*25mm，3.9mm按扣，有4路通道，信号放大倍数50，带通滤波频率范围为11Hz～1940Hz；
其中，所述肌电信号采集模块与肌电信号预处理模块通过肌电信号电极线6相连接，本发明电极线6型号：ZTEMG-C-1203539；
其中，所述肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、放置于双肩背包5中，当显示设备采用便携式显示屏，也放置于双肩背包5中，被测试者将背包5背在肩上，如图4所示；
其中，所述多通道AD数据采样模块至少将N个通道模拟信号转换为数字信号，N≥4；
其中，所述多通道AD数据采样模块由嵌入式主控模块进行控制，由嵌入式主控模块周期性的发出采样触发信号，多通道AD数据采样模块接收到采样触发信号即预处理后模拟信号进行采样锁存，将模拟信号转换为数字信号，并将转换后的数字信号以高速SPI总线方式传送到嵌入式主控模块；
其中，所述电源模块为12V直流电源，电源模块将12V直流电源转换为±5V双极性电源，直接与肌电信号采集模块相连接，为肌电信号采集模块供电；
其中，所述电源模块将12V直流电源，经过降压，获得﹢5V直流电源，为嵌入式主控模块以及多通道AD数据采样模块进行供电；
其中，当显示设备采用便携式显示屏，便携式显示屏HDMI接口与嵌入式主控模块相连接；
其中，所述嵌入式主控模块通过TCP通讯协议与电脑相连接；
其中，所述显示设备用于实现与嵌入式主控模块之间的交互操作包括：训练模式或者识别模式选择，多通道AD数据采样模块中通道使用选择；训练模式，是首先在显示设备中选择接下来某种动作，包括起跳和落地，被测试者进行此动作，多次重复，实现训练过程；识别模式，是被试者连续做起跳和落地动作，然后在显示设备中会实时显示识别结果；多通道AD数据采样模块中通道使用选择，指选择每个通道使用或者不使用；
其中，嵌入式主控模块采用两核及两核以上CPU处理器。
一种基于肌电信号的便携式下肢行为模式实时识别系统的方法，具体流程包括离线训练和在线检测两部分，如图6所示：
离线训练，包括步骤1～步骤6：
步骤1：采集跳跃动作产生的肌电数字信号作为离线训练数据，这里让被试者连续跳跃，跳跃水平距离约100厘米，跳跃高度越30厘米，总跳跃次数200次，每连续跳跃十次，单次跳跃停留20s。在整个过程中，使用本发明一种基于肌电信号的便携式下肢行为模式实时识别系统，该离线训练数据为多通道AD数据采样模块传递给嵌入式主控模块的数字信号，记作x(i)，采样频率为1000HZ，跳跃动作包括2种模式：起跳和落地，如图7所示；
步骤2：将所述肌电数字信号进行信号预处理，预处理工作包括50HZ工频陷波处理，3阶巴特沃斯带通滤波，带通滤波器的通带10-300HZ；
步骤3；将预处理后的信号提取特征值，该特征值包括：所述预处理后的信号的绝对均值WAV、波形长度WL、均值AV、方差IAR、均方根RMS，计算公式如公式(1)～公式(5)所示：
其中，WAV为绝对均值，N为采样点数，x(i)为第i个采样点的幅值；
其中，WL为波形长度，N为采样点数，x(i+1)为第(i+1)个采样点的幅值，x(i)为第i个采样点的幅值；
其中，AV为均值，N为采样点数，x(i)为第i个采样点的幅值；
其中，IAR为方差，N为采样点数，x(i)为i个采样点的幅值，为采样点幅值的均值；
其中，RMS均方根，N为采样点数，x(i)为第i个采样点的幅值；
以均方根RMS和波形长度WL为例列出本发明实施例的特征值计算结果：
RMS1＝0.1913±0.0484，RMS1′＝0.2589±0.0463，WL1＝16.0111±4.5118，WL1′＝18.1067±3.4770，RMS2＝0.1500±0.0584，RMS2′＝0.2781±0.0645，WL2＝12.7108±4.9068，WL2′＝15.5588±5.2868，RMS3＝0.01777±0.0065，RMS3′＝0.0848±0.0694，WL3＝0.0828±0.0314，WL3′＝0.7451±0.06067，RMS4＝0.0233±0.0109，RMS1′＝0.0733±0.0616，WL1＝0.01109±0.0447，WL1′＝0.6070±0.4929，
其中，RMS1表示起跳阶段第1通道的RMS值，RMS′1表示落地阶段第1通道的RMS值，RMS2表示起跳阶段第2通道的RMS值，RMS′2表示落地阶段第2通道的RMS值，RMS3表示起跳阶段第3通道的RMS值，RMS′3表示落地阶段第3通道的RMS值，RMS4表示起跳阶段第4通道的RMS值，RMS′4表示落地阶段第4通道的RMS值，WL1表示起跳阶段第1通道的WL值，WL′1表示落地阶段第1通道的WL值，WL2表示起跳阶段第2通道的WL值，WL′2表示落地阶段第2通道的WL值，WL3表示起跳阶段第3通道的WL值，WL′3表示落地阶段第3通道的WL值，WL4表示起跳阶段第4通道的WL值，WL′4表示落地阶段第4通道的WL值。
步骤4：特征选择优化：采用统计学t检验方法进行分析，对起跳和落地两种模式的各通道特征值计算得到P值，若P＜0.05，说明存在显著性差异，若P＜0.01，说明存在极显著性差异，根据P值，得到具有显著差异的特征值，去掉其他没有显著差异的特征值；
其中，P＝P{|X|＞C}，X表示检验的统计量，当假设起跳和落地两种状态的各通道特征值没有差异时，可由样本数据计算出该统计量的值C，P为双侧检验，若P＜0.05，用*表示，说明存在显著性差异，若P＜0.01，用**表示，说明存在极显著性差异，根据P值，得到具有显著差异的特征值，去掉其他没有显著差异的特征值，结果如表1所示，从表格中可知差异性最大的两个特征为波形长度(WL)和均方根(RMS)，通道1指位于左腰部差分电极1传递给多通道AD数据采样模块的信号，通道2指位于右腰部差分电极2传递给多通道AD数据采样模块的信号，通道3位于右腿部指差分电极3传递给多通道AD数据采样模块的信号，通道4指位于左腿部差分电极4传递给多通道AD数据采样模块的信号；
表1：各通道的特征值
步骤5：将具有显著差异的特征值归一化处理，设特征选择优化处理后的特征序列为K(a，b)，K(a，b)为离散序列，表示第a通道的第b个特征，a表示通道序列号，b表示特征序列号，将提取到的特征值归一化到[-1，1]之间，所述归一化处理如公式(6)所示：
其中，A(i，j)为归一化后的特征序列，ymax为1，ymin为-1，采用所述离线数据提取到的特征绝对值的最大值|K(a，b)|max)和最小值|K(a，b)|min作为归一化的参考标准，K(a，b)为归一化前的特征序列；
步骤6：将归一化后的特征序列组成特征值矩阵，矩阵制组成如下形式[Channel1(RMS)，Channel1(WL)；Channel2(RMS)，Channel2(WL)；Channel3(RMS)，Channel3(WL)；Channel4(RMS)，Channel4(WL)；]，其中Channel表示通道，RMS为均方根，WL波形长度，采用粒子群-神经网络(PSO-BP)进行训练，确定用于下肢行为模式的BP神经网络模型的拓扑结构，采用粒子群优化算法进行迭代，优化网络结构得到最优权值的BP神经网络，具体步骤包括步骤6.1～步骤6.7：
步骤6.1：确定用于预测下肢行为模式识别的BP神经网络模型的拓扑结构，BP神经网络模型的拓扑结构包括输入层、隐含层和输出层，其中，输入层为v个节点，由归一化后的v个通道特征矩阵组成，隐含层的值通过输入层和BP网络权值得到：
Hr＝∑vWvrIv+b′r (7)
输出层的值通过隐含层和BP网络权值得到：
Op＝∑rWrpHr+b′p (8)
输出层通过引入非线性函数进行输出：
其中，H是隐含层，I是输入层，O是输出层，b′是偏差，Hr是第r个隐含层，Wvr是第v个输入层神经元到第r个隐含层神经元的权值，Iv是第v个输入层，b′r是输入层到隐含层之间第r个偏差，Op是第p个输出层，Wrp是第r个隐含层神经元到第p个输出层神经元的权值，b′p是隐含层到输出层之间第p个偏差，Op′为输出层的最终输出值，即为下肢行为模式的状态值；
步骤6.2：以下肢行为模式预测输出和期望输出之间的误差绝对值作为粒子群优化算法适应度函数，适应度函数如公式10所示：
其中，hf为BP神经网络的实际输出，gf为目标输出，e为粒子个数，d为训练样本的数目；
步骤6.3：将所述BP神经网络模型的输入层与隐含层的权值Wvr、隐含层与输出层的权值Wrp、偏差b′r、偏差b′p作为粒子群个体，每个粒子个体包括两部分，一部分是粒子的速度矩阵，另一部分是粒子的位置矩阵，其中，位置矩阵为所求的优化值；
初始化粒子群算法基本参数，包种群数目Num、种群向量维数：D、惯性权重W、粒子的最大速度Vmax，加速常数c1和c2，以及最大迭代次数max；
步骤6.4：粒子速度更新公式为：
Vid(t+1)＝Vid(t)+c1r1(Pid-Xid(t))+c2r2(Pgd-Xid(t)) (11)
其中，c1和c2为加速常数，r1和r2服从[0，1]上的均匀分布随机数，Xid(t)是第i个粒子的当前位置，Pid是第i个粒子迄今为止搜索到的最优位置，Pgd是整个粒子群搜索到的最优位置，Vid是第i个粒子的当前速度，Vid∈[-Vmax，Vmax]，Vmax为最大限制速度，为非负数。
步骤6.5：粒子位置更新公式为：
Xid(t+1)＝Xid(t)+Vid(t+1) (12)
其中，Xid(t)是第i个粒子迭代t次时的位置，Xid(t+1)是第i个粒子迭代t+1次时的位置，Vid(t+1)是第i个粒子迭代t+1次时的速度；
步骤6.6：按步骤6的公式计算每个粒子的适应度函数值C，并对个体进行评价：
比较粒子的适应值和自身最优值pBest。如果粒子的当前值比pBest小，则将当前值赋给pBest，并设pBest位置为n维空间中当前位置；
比较粒子适应值与种群最优值，如果当前值比gBest更小，则将当前值赋给gBest；
计算每个粒子的适应值，评价种群X(t)，按粒子位置更新公式和粒子速度更新公式更新粒子的速度和位置方向，产生新种群。
步骤6.7：判断是否满足迭代次数或评价值是否达到给定精度，若满足条件，则结束寻优，否则继续迭代。算法终止时适应度最小的粒子对应的位置，即为问题所求的最优解，最终得到最优权值的下肢行为模式BP神经网络。通过粒子群迭代方法最后计算出最优权值为：Wvr＝[0.5375，-2.1763，-0.2033，-3.4004；-0.8464，-2.0683，0.3982，-2.1428]，Wrp＝[-6.7025，-4.3374]，b′r＝[-4.8821；-3.7287]，b′p＝[0.4465]。
在线检测，包括步骤7～步骤12：
步骤7：下肢行为模式在线识别系统程序启动，提取多通道AD数据采样模块传递给嵌入式主控模块的实时数字信号Y；
步骤8：对实时数字信号预处理：同步骤2进行数字信号预处理，得到信号Y’；
步骤9：进入活动段检测阶段：采用连续窗口对信号Y’计算样本熵，样本熵的计算公式为：
其中，SampEn表示样本熵，ln表示自然对数，ms为整数，表示比较向量的长度，本实施例取2，ks＝ms+1，为实数，表示相似度的度量值，本实施例取0.04，窗口大小为64，移动步长为16，计算样本熵的流程如下：
步骤9.1：针对所有通道信号Y’，其中某一通道的时间序列Y″＝μs(1)，μs(2)，…，μs(Ns)，其中Ns为时间序列的最后一个时刻，μs(Ns)为最后一个时刻对应的信号值；
步骤9.2：定义算法相关参数ms，rs；
步骤9.3：对Y″进行重构得到：Xs(1)，Xs(2)…，Xs(Ns-ms+1)，其中Xs(is)＝[μs(is)，μs(is+1)，…，μs(is+ms-1)].
步骤9.4：对于1≤is≤Ns-ms+1，统计满足以下条件的向量个数：
其中，Nnum为满足d[Xs(is)，X(js)≤rs]条件的Xs(js)个数，其中，ds[Xs，Xs *]定义为d[Xs，Xs *]＝max|μs(as)-μs *(as)|，Xs≠Xs *，μ(as)为向量Xs的元素，ds表示向量Xs(is)与Xs(js)的距离，由对应元素的最大差值决定，js的取值范围为[1，Ns-ms+1]，但是is≠js.
步骤9.5：球对所有is值的平均值，记为即：
步骤9.6：令ks＝ms+1，重复步骤3-4，得其中：
步骤9.7：根据公式(13)计算出样本熵：当检测到样本熵的值大于设定的阈值T1时，会假设当前窗口的起始点L为活动段的起始点，此时计算连续十个窗口的样本熵的值l1，l2...l10，如果l1，l2...l10都能满足样本熵的值大于阈值T1，本实施例取T1＝0.001，则假设成功，起始点L为活动段的起始点，否则假设失败，起始点L不是活动段的起始点，重新进入步骤9活动段检测阶段。
步骤10：当检测到活动段起始点，在起始点L后选取300个样本点数据提取特征，提取特征流程与步骤3与步骤4相同，并进行步骤5将特征值归一化处理，将归一化后的特征矩阵，放入基于粒子群算法优化的BP神经网络进行在线识别，得到在线识别结果；
步骤11：将实时的下肢行为模式在线识别结果通过显示设备进行显示；
步骤12：进行活动段终点检测：计算连续窗口的样本熵值，本实施例经过试验取如下的数据能够达到很好的技术效果，取64个采样点，时间为64ms，移动步长为35个采样点，时间为35ms，根据公式(13)，如果存在样本熵值小于阈值T2，本实施例取T2＝0.2，将此时窗口的起始点标记为终止点，单个人体行为检测进程结束，返回步骤9进行下一个活动段检测。
实时性时间检验结果：
为验证在线人体行为意图识别的实时性，本发明计算了在线检测系统的信号解码时间time，在线检测步骤9中，检测到活动段起始点时，将获取300个采样点的时刻记为在线检测系统信号的解码起始点，用Raspberry库函数中micros函数记录解码起始点的系统时间time_begin，随后在步骤12中，将状态输出的时刻记为在线检测系统信号的解码终止点，用C++库函数中micro函数记录解码终止点的系统时间time_end，则系统在线解码时间为time＝time_begin-time_end，经过多次测试，time基本稳定为200μs左右，在解码时间上保证了下肢行为模式智能识别系统在线识别的实时性。
Claims (10)
1.一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，包括：肌电信号采集模块、肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、显示设备；
所述肌电信号采集模块与肌电信号预处理模块相连接，肌电信号预处理模块与多通道AD数据采样模块相连接，多通道AD数据采样模块与嵌入式主控模块相连接；嵌入式主控模块与显示设备相连接；电源模块同时与肌电信号采集模块、多通道AD数据采样模块、嵌入式主控模块相连接；
所述肌电信号采集模块用于捕捉皮肤表面的微弱肌电信号，放置于人体的皮肤表面，采用N个通道进行采集，并将采集到的皮肤表面的微弱肌电信号传递到肌电信号预处理模块；
所述肌电信号预处理模块用于将肌电信号采集模块采集到的N通道皮肤表面的微弱肌电信号进行处理，包括前置放大、高通滤波、二级放大、低通滤波和信号偏置，并将处理后的N通道模拟信号传递给多通道AD数据采样模块；
所述多通道AD数据采样模块用于将肌电信号预处理模块输出的N个通道模拟信号转换为数字信号，并将该N通道的数字信号传递给嵌入式主控模块；
所述嵌入式主控模块根据从多通道AD数据采样模块传递过来的N通道的数字信号，被编写程序用来识别被测试者的起跳和落地的模式，并将模式识别的结果传递给显示设备；
所述电源模块用于同时给肌电信号采集模块、多通道AD数据采样模块、嵌入式主控模块提供电源；
所述显示设备用于实现与嵌入式主控模块之间的交互操作，并显示嵌入式主控模块传递出的模式识别的结果和N个通道数字信号的实时图形，显示设备采用便携式显示屏或电脑。
2.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，所述肌电信号采集模块采用差分电极，N个通道分别位于被测试者左腰部、右腰部、左腿部与右腿部，共4个通道。
3.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，所述肌电信号采集模块与肌电信号预处理模块通过肌电信号电极线相连接。
4.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，所述肌电信号预处理模块、多通道AD数据采样模块、嵌入式主控模块、电源模块、放置于双肩背包中，当显示设备采用便携式显示屏，也放置于双肩背包中，被测试者将背包背在肩上。
5.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，多通道AD数据采样模块至少将N个通道模拟信号转换为数字信号，N≥4，多通道AD数据采样模块由嵌入式主控模块进行控制，由嵌入式主控模块周期性的发出采样触发信号，多通道AD数据采样模块接收到采样触发信号即对预处理后模拟信号进行采样锁存，将模拟信号转换为数字信号，并将转换后的数字信号以高速SPI总线方式传送到嵌入式主控模块。
6.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，所述电源模块为12V直流电源，电源模块将12V直流电源转换为±5V双极性电源，直接与肌电信号采集模块相连接，为肌电信号采集模块供电；电源模块将12V直流电源，经过降压，获得+5V直流电源，为嵌入式主控模块以及多通道AD数据采样模块进行供电。
7.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，当显示设备采用便携式显示屏，便携式显示屏HDMI接口与嵌入式主控模块相连接；所述嵌入式主控模块通过TCP通讯协议与电脑相连接。
8.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，所述显示设备用于实现与嵌入式主控模块之间的交互操作包括：训练模式或者识别模式选择，多通道AD数据采样模块中通道使用选择；训练模式，即离线训练，首先在显示设备中选择接下来某种动作，包括起跳和落地，被测试者进行此动作，多次重复，实现训练过程；识别模式，即在线检测，被试者连续做起跳和落地动作，然后在显示设备中会实时显示识别结果；多通道AD数据采样模块中通道使用选择，指选择每个通道使用或者不使用。
9.根据权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统，其特征在于，嵌入式主控模块采用两核及两核以上CPU处理器。
10.权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统的方法，使用权利要求1所述一种基于肌电信号的便携式下肢行为模式实时识别系统实现，其特征在于，具体流程包括离线训练和在线检测两部分：
离线训练，包括步骤1～步骤6：
步骤1：采集跳跃动作产生的肌电数字信号作为离线训练数据，该离线训练数据为多通道AD数据采样模块传递给嵌入式主控模块的数字信号，记作x(i)，跳跃动作包括2种模式：起跳和落地，各采集n组数据，n≥200；
步骤2：将所述肌电数字信号进行信号预处理，预处理工作包括50HZ工频陷波处理，3阶巴特沃斯带通滤波；
步骤3；将预处理后的信号提取特征值，该特征值包括：所述预处理后的信号的绝对均值WAV、波形长度WL、均值AV、方差IAR、均方根RMS，计算公式如公式(1)～公式(5)所示：
其中，WAV绝对均值，N为采样点数，x(i)为第i个采样点的幅值；
其中，WL为波形长度，N为采样点数，x(i+1)为第(i+1)个采样点的幅值，x(i)为第i(i)个采样点的幅值；
其中，AV为均值，N为采样点数，x(i)为第i个采样点的幅值；
其中，IAR为方差，N为采样点数，x(i)为i个采样点的幅值，为采样点幅值的均值；
其中，RMS均方根，N为采样点数，x(i)为第i个采样点的幅值；
步骤4：特征选择优化：采用统计学t检验方法进行分析，对起跳和落地两种模式的各通道特征值计算得到P值，若P＜0.05，说明存在显著性差异，若P＜0.01，说明存在极显著性差异，根据P值，得到具有显著差异的特征值，去掉其他没有显著差异的特征值；
步骤5：将具有显著差异的特征值归一化处理，设特征选择优化处理后的特征序列为K(a，b)，K(a，b)为离散序列，表示第a通道的第b个特征，a表示通道序列号，b表示特征序列号，将提取到的特征值归一化到[-1，1]之间，所述归一化处理如公式(6)所示：
其中，A(i，j)为归一化后的特征序列，ymax为1，ymin为-1，采用所述离线数据提取到的特征绝对值的最大值|K(a，b)|max)和最小值|K(a，b)|min作为归一化的参考标准，K(a，b)为归一化前的特征序列；
步骤6：将归一化后的特征序列组成特征值矩阵，采用粒子群-神经网络进行训练，确定用于下肢行为模式识别的BP神经网络模型的拓扑结构，采用粒子群优化算法进行迭代，优化网络结构得到最优权值的BP神经网络，具体步骤包括步骤6.1～步骤6.7：
步骤6.1：确定用于预测下肢行为模式识别的BP神经网络模型的拓扑结构，BP神经网络模型的拓扑结构包括输入层、隐含层和输出层，其中，输入层为v个节点，由归一化后的v个通道特征矩阵组成，隐含层的值通过输入层和BP网络权值得到：
Hr＝∑vWvrIv+b′r (7)
输出层的值通过隐含层和BP网络权值得到：
Op＝∑rWrpHr+b′p (8)
输出层通过引入非线性函数进行输出：
其中，H是隐含层，I是输入层，O是输出层，b′是偏差，Hr是第r个隐含层，Wvr是第v个输入层神经元到第r个隐含层神经元的权值，Iv是第v个输入层，b′r是输入层到隐含层之间第r个偏差，Op是第p个输出层，Wrp是第r个隐含层神经元到第p个输出层神经元的权值，b′p是隐含层到输出层之间第p个偏差，Op′为输出层的最终输出值，即为下肢行为模式的状态值；
步骤6.2：以下肢行为模式预测输出和期望输出之间的误差绝对值作为粒子群优化算法适应度函数，适应度函数如公式10所示：
其中，hf为BP神经网络的实际输出，gf为目标输出，e为粒子个数，d为训练样本的数目；
步骤6.3：将所述BP神经网络模型的输入层与隐含层的权值Wvr、隐含层与输出层的权值Wrp、偏差b′r、偏差b′p作为粒子群个体，每个粒子个体包括两部分，一部分是粒子的速度矩阵，另一部分是粒子的位置矩阵，其中，位置矩阵即为所求的优化值；
初始化粒子群算法基本参数，包种群数目Num、种群向量维数：D、惯性权重W、粒子的最大速度Vmax，加速常数c1和c2，以及最大迭代次数max；
步骤6.4：粒子速度更新公式为：
Vid(t+1)＝Vid(t)+c1r1(Pid-Xid(t))+c2r2(Pgd-Xia(t)) (11)
其中，c1和c2为加速常数，r1和r2服从[0，1]上的均匀分布随机数，Xid(t)是第i个粒子的当前位置，Pid是第i个粒子迄今为止搜索到的最优位置，Pgd是整个粒子群搜索到的最优位置，Vid是第i个粒子的当前速度，Vid∈[-Vmax，Vmax]，Vmax为最大限制速度，为非负数；
步骤6.5：粒子位置更新公式为：
Xid(t+1)＝Xid(t)+Vid(t+1) (12)
其中，Xid(t)是第i个粒子迭代t次时的位置，Xid(t+1)是第i个粒子迭代t+1次时的位置，Vid(t+1)是第i个粒子迭代t+1次时的速度；
步骤6.6：按步骤6的公式计算每个粒子的适应度函数值C，并对个体进行评价：
比较粒子的适应值和自身最优值pBest；如果粒子的当前值比pBest小，则将当前值赋给pBest，并设pBest位置为n维空间中当前位置；
比较粒子适应值与种群最优值，如果当前值比gBest更小，则将当前值赋给gBest；
计算每个粒子的适应值，评价种群X(t)，按粒子位置更新公式和粒子速度更新公式更新粒子的速度和位置方向，产生新种群；
步骤6.7：判断是否满足迭代次数或评价值是否达到给定精度，若满足条件，则结束寻优，否则继续迭代，算法终止时适应度最小的粒子对应的位置，即为问题所求的最优解，最终得到最优权值的下肢行为模式BP神经网络；
在线检测，包括步骤7～步骤12：
步骤7：下肢行为模式在线识别系统程序启动，提取多通道AD数据采样模块传递给嵌入式主控模块的实时数字信号Y；
步骤8：对实时数字信号预处理：同步骤2进行数字信号预处理，得到信号Y’；
步骤9：进入活动段检测阶段：采用连续窗口对信号Y’计算样本熵，样本熵的计算公式为：
其中，SampEn表示样本熵，ln表示自然对数，ms为整数，表示比较向量的长度，ks＝ms+1，rs为实数，表示相似度的度量值，计算样本熵的流程如下：
步骤9.1：针对所有通道信号Y’，其中某一通道的时间序列Y″＝μs(1)，μs(2)，…，μs(Ns)，其中Ns为时间序列的最后一个时刻，μs(Ns)为最后一个时刻对应的信号值；
步骤9.2：定义算法相关参数ms，rs；
步骤9.3：对Y″进行重构得到：Xs(1)，Xs(2)…，Xs(Ns-ms+1)，其中Xs(is)＝[μs(is)，μs(is+1)，…，μs(is+ms-1)].
步骤9.4：对于1≤is≤Ns-ms+1，统计满足以下条件的向量个数：
其中，Nnum为满足d[Xs(is)，X(js)≤rs]条件的Xs(js)个数，其中，ds[Xs，Xs *]定义为d[Xs，Xs *]＝max|μs(as)-μs *(as)|，Xs≠Xs *，μ(as)为向量Xs的元素，ds表示向量Xs(is)与Xs(js)的距离，由对应元素的最大差值决定，js的取值范围为[1，Ns-ms+1]，但是is≠js.
步骤9.5：求对所有is值的平均值，记为即：
步骤9.6：令ks＝ms+1，重复步骤3-4，得其中：
步骤9.7：根据公式(13)计算出样本熵：当检测到样本熵的值大于设定的阈值T1时，会假设当前窗口的起始点L为活动段的起始点，此时计算连续M个窗口的样本熵的值l1，l2...lM，如果l1，l2...lM都能满足样本熵的值大于阈值T1，则假设成功，其中，8≤M≤12，起始点L为活动段的起始点，否则假设失败，起始点L不是活动段的起始点，重新进入步骤9活动段检测阶段；
步骤10：当检测到活动段起始点，在起始点L后选取n’个样本点数据提取特征，提取特征流程与步骤3与步骤4相同，并进行步骤5将特征值归一化处理，将归一化后的特征矩阵放入基于粒子群算法优化的BP神经网络进行在线识别，得到在线识别结果；
步骤11：将实时的下肢行为模式在线识别结果通过显示设备进行显示；
步骤12：进行活动段终点检测：计算连续窗口的样本熵值，根据公式(13)，如果存在样本熵值小于阈值T2，将此时窗口的起始点标记为终止点，单个人体行为检测进程结束，返回步骤9进行下一个活动段检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810930099.3A CN108992066B (zh) | 2018-08-15 | 2018-08-15 | 基于肌电信号的便携式下肢行为模式实时识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810930099.3A CN108992066B (zh) | 2018-08-15 | 2018-08-15 | 基于肌电信号的便携式下肢行为模式实时识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108992066A true CN108992066A (zh) | 2018-12-14 |
| CN108992066B CN108992066B (zh) | 2021-02-26 |
Family
ID=64593413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810930099.3A Expired - Fee Related CN108992066B (zh) | 2018-08-15 | 2018-08-15 | 基于肌电信号的便携式下肢行为模式实时识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108992066B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109567797A (zh) * | 2019-01-30 | 2019-04-05 | 浙江强脑科技有限公司 | 癫痫预警方法、装置及计算机可读存储介质 |
| CN110413107A (zh) * | 2019-06-21 | 2019-11-05 | 浙江科技学院 | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 |
| CN110751060A (zh) * | 2019-09-29 | 2020-02-04 | 西安交通大学 | 一种基于多源信号的便携式运动模式实时识别系统 |
| CN111643321A (zh) * | 2020-04-30 | 2020-09-11 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
| CN112101298A (zh) * | 2020-10-15 | 2020-12-18 | 福州大学 | 基于肌肉电阻抗信号的手势识别系统及方法 |
| CN112370746A (zh) * | 2020-11-12 | 2021-02-19 | 浙大宁波理工学院 | 基于在线自适应预测神经网络的智能健身负载控制系统 |
| CN112754505A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 一种肌肉老化程度检测方法、装置及系统 |
| CN112773380A (zh) * | 2019-11-07 | 2021-05-11 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101564328A (zh) * | 2009-05-07 | 2009-10-28 | 杭州电子科技大学 | 基于支持向量数据描述的膝上假肢多运动模式识别方法 |
| CN102961203A (zh) * | 2012-12-10 | 2013-03-13 | 杭州电子科技大学 | 基于emd样本熵的表面肌电信号识别方法 |
| US20140032462A1 (en) * | 2012-07-24 | 2014-01-30 | Rehabilitation Institute Of Chicago | Systems and methods for autoconfiguration of pattern-recognition controlled myoelectric prostheses |
| CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
-
2018
- 2018-08-15 CN CN201810930099.3A patent/CN108992066B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101564328A (zh) * | 2009-05-07 | 2009-10-28 | 杭州电子科技大学 | 基于支持向量数据描述的膝上假肢多运动模式识别方法 |
| US20140032462A1 (en) * | 2012-07-24 | 2014-01-30 | Rehabilitation Institute Of Chicago | Systems and methods for autoconfiguration of pattern-recognition controlled myoelectric prostheses |
| CN102961203A (zh) * | 2012-12-10 | 2013-03-13 | 杭州电子科技大学 | 基于emd样本熵的表面肌电信号识别方法 |
| CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王光旭: "《万方学位论文》", 1 March 2016 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109567797A (zh) * | 2019-01-30 | 2019-04-05 | 浙江强脑科技有限公司 | 癫痫预警方法、装置及计算机可读存储介质 |
| CN110413107A (zh) * | 2019-06-21 | 2019-11-05 | 浙江科技学院 | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 |
| CN110751060A (zh) * | 2019-09-29 | 2020-02-04 | 西安交通大学 | 一种基于多源信号的便携式运动模式实时识别系统 |
| CN112773380A (zh) * | 2019-11-07 | 2021-05-11 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
| CN112773380B (zh) * | 2019-11-07 | 2023-09-22 | 深圳市理邦精密仪器股份有限公司 | 一种肌电信号的处理方法、处理设备以及存储介质 |
| CN111643321A (zh) * | 2020-04-30 | 2020-09-11 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
| CN111643321B (zh) * | 2020-04-30 | 2023-05-12 | 北京精密机电控制设备研究所 | 基于sEMG信号的外骨骼关节角度预测方法及系统 |
| CN112101298A (zh) * | 2020-10-15 | 2020-12-18 | 福州大学 | 基于肌肉电阻抗信号的手势识别系统及方法 |
| CN112370746A (zh) * | 2020-11-12 | 2021-02-19 | 浙大宁波理工学院 | 基于在线自适应预测神经网络的智能健身负载控制系统 |
| CN112754505A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市联影高端医疗装备创新研究院 | 一种肌肉老化程度检测方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108992066B (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108992066A (zh) | 基于肌电信号的便携式下肢行为模式实时识别系统及方法 | |
| CN108304917B (zh) | 一种基于lstm网络的p300信号检测方法 | |
| CN112861604B (zh) | 一种与用户无关的肌电动作识别与控制方法 | |
| Sanchez et al. | Brain-machine interface engineering | |
| CN103955270B (zh) | 一种基于p300的脑机接口系统的字符高速输入方法 | |
| CN107981997B (zh) | 一种基于人脑运动意图的智能轮椅控制方法及系统 | |
| CN108721048A (zh) | 康复训练控制方法、计算机可读存储介质和终端 | |
| CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
| CN108852349B (zh) | 一种利用皮层脑电信号的运动解码方法 | |
| CN111616681A (zh) | 基于便携式脑电采集设备和深度学习的麻醉状态监测系统 | |
| CN113208593A (zh) | 基于相关性动态融合的多模态生理信号情绪分类方法 | |
| CN112043473A (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
| Fatima et al. | Towards a low cost Brain-computer Interface for real time control of a 2 DOF robotic arm | |
| CN106175757A (zh) | 基于脑电波的行为决策预测系统 | |
| Ma et al. | Decoding lower limb muscle activity and kinematics from cortical neural spike trains during monkey performing stand and squat movements | |
| CN110866537A (zh) | 一种基于脑电波的用于游戏评估的情感识别方法 | |
| Yu et al. | Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction | |
| CN114145745B (zh) | 基于图的多任务自监督情绪识别方法 | |
| Zhang et al. | Homology characteristics of Eeg and Emg for lower limb voluntary movement intention | |
| Bhalerao et al. | Automatic detection of motor imagery EEG signals using swarm decomposition for robust BCI systems | |
| Xie et al. | Research on rehabilitation training strategies using multimodal virtual scene stimulation | |
| CN110464348A (zh) | 基于肌电信号的下肢关节连续运动量识别方法及系统 | |
| Dzitac et al. | Identification of ERD using fuzzy inference systems for brain-computer interface | |
| Ghanbari et al. | Brain computer interface with genetic algorithm | |
| Zhang et al. | A pruned deep learning approach for classification of motor imagery electroencephalography signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210226 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |