CN109498370A - 基于肌电小波关联维的下肢关节角度预测方法 - Google Patents

Abstract

本发明涉及一种基于肌电小波关联维的下肢关节角度预测方法。首先，从人体下肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段。对动作信号段的表面肌电信号进行小波降噪得到有效表面肌电信号。然后将有效表面肌电信号进行小波多尺度分解,提取每一层的低频系数,再对每一层低频系数计算关联维。结合低频系数和关联维数计算有效肌电信号的小波关联维系数特征,将这一特征作为预测网络的输入。先将提取到的肌电信号分为训练集与测试集,按上述方法提取特征。训练集训练好网络之后,使用测试集验证预测准确率。实验结果表明，该方法获得了较高的人体下肢运动膝关节角度预测率，预测结果优于其它预测方法。

Description

基于肌电小波关联维的下肢关节角度预测方法

技术领域

本发明属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种基于肌电信号小波关联维特征的人体下肢关节角度预测方法。

背景技术

基脊髓损伤(spinal cord injury SCI)患者是指那些神经损伤而丧失了运动功能的人，他们的术后康复治疗任重而道远。使用跑步机，伸屈膝等被动方式的康复训练是一种传统的治疗方法，但这种方法治疗效果是有限的。实践证明，积极训练可以改善大脑皮质的重组，有利于病人神经元的康复。传统的基于程序控制的人机交互系统制约了新型智能机器人的发展。康复机器人、动作辅助机器人、智能假肢等新型机器人需要从被动接受指令发展为主动理解人类行为。随着生物信息技术的发展，生物信号已被广泛用于开发人机交互系统。其中，肌电信号包含有用的肌肉活动信息，而且信号强度比脑电信号强得多。因此，研究者们常使用表面肌电信号来开发可行的新型机器人辅助病人的康复训练。

通常，表面肌电信号(sEMG)通常被用作三种方式的控制信号。第一种方式，将sEMG信号作为开关信号，研究人员利用该开关信号来区分人体肢体的不同运动模式。这种方式中，较高的识别率和识别更多的运动模式是两个主要研究目标，特征提取方法和分类算法是研究的重点。例如，Crawford等人提出了利用sEMG信号均方根的自然对数进行模糊C-均值聚类的方法来识别四种运动的方法，识别率达到92.7％±3.2％。然而，这种方法只能识别有限数量的运动模式，极大地影响了机器人运动的平稳性和人与机器人的协调性。第二种方式，结合肌肉生理学，建立基于sEMG的肌肉力模型，计算关节角度，如Hill肌肉模型。但是，该模型具有复杂的结构，包含许多不能直接测量的生理参数。在第三种方法中，研究者直接建立了相关的表面肌电和关节运动的回归模型。在这种方法中，通常使用神经网络来构造回归模型。张风等人用BP神经网络估计人体下肢关节角度，准确率为90.1％±4.1％。利用深层信念网络提取表面肌电特征，建立BP神经网络回归模型，最终准确率达到了96.2％±1.5％。

发明内容

本发明针对现有技术的不足，提出了一种基于肌电小波关联维的下肢关节角度预测方法。

本发明首先从人体下肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段。对动作信号段的表面肌电信号进行小波降噪得到有效表面肌电信号。然后将有效表面肌电信号进行小波多尺度分解,提取每一层的低频系数,再对每一层低频系数计算关联维。结合低频系数和关联维数计算有效肌电信号的小波关联维系数特征,将这一特征作为预测网络的输入。先将提取到的肌电信号分为训练集与测试集,按上述方法提取特征。训练集训练好网络之后,使用测试集验证预测准确率。该预测模型有望开发出新型的智能机器人，实现生物电信号对机器人的连续控制，提高人机之间的运动稳定性，特别是下肢可穿戴式智能设备。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体下肢肌电信号样本数据，具体操作是：首先用表面肌电信号采集仪获取与人体膝关节活动相关的肌肉表面肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号；

步骤(2).将步骤(1)获取的原始肌电信号进行硬阈值小波降噪；

将原始肌电信号进行多尺度小波分解，再将各尺度上由噪声产生的小波分量去掉，最后利用小波逆变换重构原始信号作为有效肌电信号；具体如下：

s(k)＝f(k)+ε·e(k),k＝0,1,…,n-1

式中，s(k)为原始肌电信号；f(k)为低频的非平稳肌电信号；e(k)为噪声信号，通常为白噪声；ε为阈值系数；通过实验确定降噪阈值ε；

步骤(3).将步骤(2)获取的有效肌电信号使用db3小波进行多层分解，获得各层小波低频系数α_ij。i表示当前分解层数，j表示该小波低频系数的时间索引；

步骤(4).计算步骤(3)中获得的各层小波系数的关联维数；关联维的计算采用从时间序列计算吸引子关联维的G-P算法；具体如下：

1)相空间重构.对一长度为N的肌电信号序列{x(k),k＝1,2,…,N}，按下式进行重构：

其中是新的时间序列，m与τ分别为嵌入维数，时延；

2)计算关联积分C_n(r).以两个矢量的最大分量差作为它们之间的距离：

式中x_i，x_j为重构相空间里的两个矢量，x_ij，x_jk分别为x_i，x_j两个矢量中的任意两点，并且设定距离小于给定正数r的矢量，称为关联的矢量；设重构相空间中有n个矢量，计算其中有关联的矢量对数，它在一切可能的n²种配对中所占的比例称为关联积分：

其中H(·)为Heaviside单位函数：

3)计算关联维D.关联积分C_n(r)在r→0时与r存在以下关系：

其中D称为关联维数，恰当地选取r，使得D能够描述混沌吸引子的自相似结构；由于有近似数值，计算关系式：

步骤(5).求出每一层小波低频系数的关联维数D_i，i表示当前分解层数；结合各层小波低频系数α_ij和关联维数D_i计算小波关联维系数p_ij来表示系统样本的分布关系，计算公式如下：

其中c为倍频因子，取较小的正数，取值由实验调整得出；

步骤(6).人体下肢关节角度预测；将计算得到的小波关联维系数p_ij作为输入信号输入到Elman网络预测模型中；通过实验确定Elman网络的拓扑结构，将采集得到的肌电信号作为训练集训练预测网络；得到训练完成的Elman预测模型后，就可以完成人体下肢关节角度的预测。

本发明与已有的诸多肌电信号的特征提取方法相比，具有如下特点：

小波关联维特征能够从较短的时间序列中揭示动作表面肌电信号的复杂性，很好的表现肌电信号的细微变化情况，抗干扰能力强，算法简单，计算速度较快，特别适合肌电信号的实时处理。而对sEMG信号进行小波关联维特征之后很好的去除了肌电信号中的冗余信息，能够得到更好的样本特征分布，最后根据样本分布的特点，利用Elman预测网络对人体下肢关节角度进行预测，取得了较为理想的效果。

附图说明

图1为本发明的实施流程图；

图2为本发明对有效肌电信号求取小波关联维的特征分布图；

图3为本发明对提取的小波关联维特征利用Elman网络进行角度预测图；

图4本发明的预测效果图。

具体实施方式

下面结合附图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。

如图1所示，本实施例包括如下步骤：

步骤一，获取人体下肢肌电信号样本数据，具体操作是：首先用表面肌电信号采集仪获取到与人体膝关节活动相关的肌肉表面电信号，再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号。

(1)采集人体下肢的肌电信号。4位受试者分别以低速有负重，低速无负重，中速有负重，中速无负重，高速有负重，高速无负重6种模式进行从90度到180度的伸屈膝动作各8组，共32组数据。选用与膝关节有关的6块肌肉作为表面肌电信号来源。实验前先用酒精分别在受试者的大腿和小腿上擦涂去污，以增强信号采集能力，采用DELSYS Trigno肌电信号采集仪来采集对应肌肉的表面肌电信号。

(2)运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号。

步骤二，将步骤一获取的sEMG动作信号进行小波降噪。将原始肌电信号进行多尺度小波分解，再将各尺度上由噪声产生的小波分量去掉，最后利用小波逆变换重构原始信号作为有效肌电信号。

对动作信号进行小波分解，将其分解为多个低频系数与高频系数之和，自适应的选取阈值参数，将若干个包含噪声信号分量去除。

步骤三，将步骤(2)获取的有效肌电信号使用db3小波进行多层分解，获得各层小波低频系数α_ij。i表示当前分解层数，j表示该小波低频系数的时间索引。

步骤四，对各层小波低频系数进行相空间重构并计算它们的关联维数。其中根据C-C算法可以计算得出相空间重构的嵌入维数选取为m＝4，距离度量参数τ＝10。求得每个肌电通道的各层低频系数关联维如表1所示。

表格1每个肌电通道的各层低频系数关联维

步骤五，根据小波关联维的计算公式计算得CDWC特征p_ij，其特征分布如图2所示。

步骤六，将步骤五所求得的小波关联维p_ij作为特征向量输入Elman网络预测模型中，获得关节角度预测值，将其与传统时域特征和频域特征获得值对比，获得预测准确率如下表2。小波关联维预测效果图如图3。将小波关联维特征输入到不同的预测模型中可以得到预测准确率如下表3，对应预测效果图如图4。

表格2不同肌电特征的预测准确率表

表格3小波关联维在不同预测模型中的预测准确率

Claims (1)

1.基于肌电小波关联维的下肢关节角度预测方法，其特征在于，该方法包括如下步骤：

步骤(1).获取人体下肢肌电信号样本数据，具体操作是：首先用表面肌电信号采集仪获取与人体膝关节活动相关的肌肉表面肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号；

步骤(2).将步骤(1)获取的原始肌电信号进行硬阈值小波降噪；

将原始肌电信号进行多尺度小波分解，再将各尺度上由噪声产生的小波分量去掉，最后利用小波逆变换重构原始信号作为有效肌电信号；具体如下：

s(k)＝f(k)+ε·e(k)，k＝0，1，...，n-1

式中，s(k)为原始肌电信号；f(k)为低频的非平稳肌电信号；e(k)为噪声信号，通常为白噪声；ε为阈值系数；通过实验确定降噪阈值ε；

步骤(3).将步骤(2)获取的有效肌电信号使用db3小波进行多层分解，获得各层小波低频系数α_ij。i表示当前分解层数，j表示该小波低频系数的时间索引；

步骤(4).计算步骤(3)中获得的各层小波系数的关联维数；关联维的计算采用从时间序列计算吸引子关联维的G-P算法；具体如下：

1)相空间重构.对一长度为N的肌电信号序列{x(k)，k＝1，2，…，N}，按下式进行重构：

其中是新的时间序列，m与τ分别为嵌入维数，时延；

2)计算关联积分C_n(r).以两个矢量的最大分量差作为它们之间的距离：

式中x_i，x_j为重构相空间里的两个矢量，x_ij，x_jk分别为x_i，x_j两个矢量中的任意两点，并且设定距离小于给定正数r的矢量，称为关联的矢量；设重构相空间中有n个矢量，计算其中有关联的矢量对数，它在一切可能的n²种配对中所占的比例称为关联积分：

其中H(·)为Heaviside单位函数：

3)计算关联维D.关联积分C_n(r)在r→0时与r存在以下关系：

其中D称为关联维数，恰当地选取r，使得D能够描述混沌吸引子的自相似结构；由于有近似数值，计算关系式：

步骤(5).求出每一层小波低频系数的关联维数D_i，i表示当前分解层数；结合各层小波低频系数α_ij和关联维数D_i计算小波关联维系数p_ij来表示系统样本的分布关系，计算公式如下：

其中c为倍频因子，取较小的正数，取值由实验调整得出；

步骤(6).人体下肢关节角度预测；将计算得到的小波关联维系数p_ij作为输入信号输入到Elman网络预测模型中；通过实验确定Elman网络的拓扑结构，将采集得到的肌电信号作为训练集训练预测网络；得到训练完成的Elman预测模型后，就可以完成人体下肢关节角度的预测。