CN109657651A - 一种基于肌电信号的下肢膝关节连续运动估计方法 - Google Patents

Abstract

本发明涉及到一种基于肌电信号的下肢膝关节连续运动估计方法。首先采集人体下肢膝关节在慢速、中速、快速运动模式下股二头肌，股四头肌，股外侧肌，股内侧肌，半腱肌，股薄肌的肌电信号和实时角度，然后提取信号的小波系数、均方根与排序熵等特征作为输入，再将三种特征结合成一种新的特征作为输入，并对特征数据进行归一化处理，并通过不同方法的比较，最终使用最小二乘支持向量机回归模型进行预测。实验结果表明，不同的特征在不同运动模式下具有不同的相对预测性能，结合三种特征的预测结果明显优于单独采用其中任何一种，且通过最小二乘支持向量机模型的预测非常准确，最终得到了一种较为理想的预测模型。

Description

一种基于肌电信号的下肢膝关节连续运动估计方法

技术领域

本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种基于肌电信号的下肢膝关节连续运动的估计方法。

背景技术

人机交互技术是现今比较热门的前沿科学技术，表面肌电信号(surfaceElectromyography,sEMG)是人机交互的输入信号源。表面肌电信号是一种非平稳的微弱信号，是肌肉兴奋时与其相关的运动单元共同产生的一组动作电位序列在皮肤表面叠加而成的，它的特征区分明显，蕴含的信息丰富，且采集简单，无创伤，成为目前人机交互技术中热门的研究领域。

对于表面肌电信号的研究主要集中在特征提取和模式识别这两个过程。相应的研究成果也已经比较成熟，可以识别多个离散的动作类别。但在康复医疗机器人等领域更多时候需要的是对患者连续运动变量的预测，以实现对康复机器人的平滑柔顺控制，否则容易引起患者的二次损伤而无法达到康复效果。因此基于表面肌电信号的连续运动变量预测的研究受到越来越多的科研工作者关注。传统的常用方法是对信号消噪滤波后提取幅值绝对值、均方根等特征，并用BP神经网络建立sEMG与相关的连续运动关节变量之间的回归模型。Tanvir Anwar等人用自适应神经模糊推理系统预测模型，提取均方根特征，以trimf为隶属函数实现了对膝关节较好的预测结果。Nikhil等人用均方根作为特征，用并行神经网络算法预测手指节角轨迹，预测精度较高，与BP神经网络预测算法相比运算时间短且预测误差较小。AL Delis等人先提取自回归系数和幅值直方特征，接着用自组织特征映射模型对特征进行降维，最后用Levenberg-Marquardt算法预测膝关节角度。目前，国内外采用肌电信号进行关节连续运动估计研究不是很多，存在较大的研究空间。

发明内容

本发明为了建立下肢膝关节连续运动角度与相关肌电信号的回归模型，结合有无负重和三种运动速度设计了六个关节的伸屈运动模式。首先采集人体下肢膝关节在慢速、中速、快速运动模式下股二头肌，股四头肌，股外侧肌，股内侧肌，半腱肌，股薄肌的肌电信号和实时角度，然后提取信号的小波系数、均方根与排序熵等特征作为输入，再将三种特征结合成一种新的特征作为输入，并对特征数据进行归一化处理，并通过不同方法的比较，最终使用最小二乘支持向量机回归模型进行预测。实验结果表明，不同的特征在六种运动模式下具有不同的相对预测性能，结合三种特征的预测结果明显优于单独采用其中任何一种，且稳定性最好，最终得到了一种较为理想的预测模型。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤一，获取关节连续运动的肌电信号和实时角度数据，具体是：通过肌电信号采集仪采集人体关节运动时相关肌肉的肌电信号，然后对其进行带通滤波处理。

步骤二，对预处理后的肌电信号进行特征提取，提取均方根，小波系数和排列熵，并使特征提取后的采样频率与关节角的采样频率保持一致。

1)均方根计算如下：

其中x₁,x₂...x_n是肌电信号。

2)采用离散小波变换提取j层小波系数：

f(t)＝A_J+∑_j≤JD_j

其中A_J是J层的近似值，D_j是j层的细节值。

细节值D_j：

D_j＝∑_k∈Zα_j,kφ_j,t(t)

其中Z是一组正整数，α_j,k是小波系数，φ_j,t(t)是母小波函数，j和k均是属于Z的正整数，t是时间序列。

近似值A_J：

A_J＝∑_j＞JD_j

其中D_j是j层的细节值。

3)排列熵计算如下：

其中PE是排列熵，y是信号序列，d是嵌入维数，l是时间延迟，p(π_i)是i类排序类型出现的相对频率：

其中f(π_i)是i类排序类型出现的次数，N是时间序列长度。

步骤三，对均方根，小波系数和排列熵三种特征向量进行维数相加，得到三维特征向量作为输入变量。

步骤四，对三维特征向量进行归一化处理，加快训练网络的收敛性和学习速度：

{sEMG}是肌电信号，{sEMG_j(i)}是第j路肌电信号的第i序列，max({sEMG_j(i)})和min({sEMG_j(i)})分别是第j路肌电信号序列的最大值和最小值。

步骤五，将提取到的三维特征向量输入到最小二乘支持向量机回归模型中，得到最终预测结果。最小二乘支持向量机回归模型：

其中J(ω,e)是目标参数，L是训练样本指数，ω是训练样本的权向量,e是误差,b是偏置量,γ是惩罚因子，N是特征空间维数，y_k是约束条件，函数的作用是把低维数据映射到高维数据。上述表达式的具体推导如下：

其中α是要求的参数，最终得到如下结果：

其中K(x,x_k)是核函数。

本发明设计的基于肌电信号的下肢膝关节连续运动估计方法，具有如下特点：

本发明使用三种特征，即均方根、小波系数和排列熵的结合特征作为一个新的特征输入，所预测的效果明显优于单独采用一种特征，这是因为某些特征在不同的环境条件下的相对优劣性是会变化的，所以结合不同的特征可以克服单一特征在在某些条件下有良好的表现而在其它条件下效果不佳的缺陷，从而达到最佳的识别效果。本发明使用的最小二乘支持向量机回归模型相比传统的预测模型有明显的优势，具有更好的预测效果。相比于传统的预测方法，本发明在估计精度、实时性、动态特性、平滑性和鲁棒性等方面都有一定程度的改进。

附图说明

图1为本发明的实施流程图；

图2为本发明采集的六路肌电信号和实时角度图；

图3为本发明对肌电信号求得的特征图；

图4为将三种特征及其结合特征输入预测模型图；

图5(a)为无负重完成2个动作最终的预测模型效果图；

图5(b)为有负重完成2个动作最终的预测模型效果图；

图5(c)为无负重完成4个动作最终的预测模型效果图；

图5(d)为有负重完成4个动作最终的预测模型效果图；

图5(e)为无负重完成6个动作最终的预测模型效果图；

图5(f)为有负重完成6个动作最终的预测模型效果图。

具体实施方式

如图1所示，本实施例包括如下步骤：

步骤一，获取下肢膝关节连续运动的肌电信号和实时角度数据，具体是：通过DELSYS Trigno Wireless System肌电采集仪采集人体下肢六路肌肉的肌电信号，分别是股二头肌，股四头肌，股外侧肌，股内侧肌，半腱肌，股薄肌，然后对其进行带通滤波处理。同时通过Codamotion系统采集关节的实时角度。具体的实验动作为4名实验者坐在椅子上，10秒内分别在有负重和无负重情况下完成2、4、6个屈伸动作。采集的六路肌电信号和实时角度如图2所示。

步骤二，对预处理后的肌电信号进行特征提取，提取均方根，小波系数和排列熵，并使特征提取后的采样频率与关节角的采样频率保持一致，相关特征如图3所示。

1)均方根计算如下：

其中X_rms是数据的均方根值，x₁，x₂到x_n是处理后的数据。为了同步膝关节角度数据频率，我们对肌电数据进行处理。每16个肌电序列中获取一个RMS特征值，即n＝16。

2)采用离散小波变换提取j层小波系数：

f(t)＝A_J+∑_j≤JD_j

其中A_J是J层的近似值，D_j是j层的细节值。

细节值D_j：

D_j＝∑_k∈Zα_j,kφ_j,t(t)

其中Z是一组正整数，α_j,k是小波系数，φ_j,t(t)是母小波函数，j和k均是属于Z的正整数，t是时间序列。

近似值A_J：

A_J＝∑_j＞JD_j

其中D_j是j层的细节值。

本发明采用db3为母小波，对肌电信号进行4层分解，即x(n)＝CA₄+CD₄+CD₃+CD₂+CD₁。

3)排列熵计算如下：

其中PE是排列熵，y是信号序列，d是嵌入维数，l是时间延迟，p(π_i)是i类排序类型出现的相对频率：

其中f(π_i)是i类排序类型出现的次数，N是时间序列长度。

步骤三，对均方根，小波系数和排列熵三种特征向量进行维数相加，得到三维特征向量作为输入变量，如图4所示。

步骤四，对三维特征向量进行归一化处理，加快训练网络的收敛性和学习速度：

{sEMG}是肌电信号，{sEMG_j(i)}是第j路肌电信号的第i序列，max({sEMG_j(i)})和min({sEMG_j(i)})分别是第j路肌电信号序列的最大值和最小值。

步骤五，将提取到的三维特征向量输入到最小二乘支持向量机回归模型中，得到最终预测效果如图5所示。最小二乘支持向量机回归模型：

其中J(ω,e)是目标参数，L是训练样本指数，ω是训练样本的权向量,e是误差,b是偏置量,γ是惩罚因子，N是特征空间维数，y_k是约束条件，函数的作用是把低维数据映射到高维数据。上述表达式的具体推导如下：

其中α是要求的参数，最终得到如下结果：

其中K(x,x_k)是核函数，本实例核函数采用径向基函数，最终表达式如下：

K(x,x_k)＝exp(||x-x_k||²/2σ²)

Claims (1)

1.一种基于肌电信号的下肢膝关节连续运动估计方法，其特征在于，该方法包括如下步骤：

步骤一，获取关节连续运动的肌电信号和实时角度数据，具体是：通过肌电信号采集仪采集人体关节运动时相关肌肉的肌电信号，然后对其进行带通滤波处理；

步骤二，对预处理后的肌电信号进行特征提取，提取均方根，小波系数和排列熵，并使特征提取后的采样频率与关节角的采样频率保持一致；

1)均方根计算如下：

其中x₁,x₂...x_n是肌电信号；

2)采用离散小波变换提取j层小波系数：

f(t)＝A_J+∑_j≤JD_j

其中A_J是J层的近似值，D_j是j层的细节值；

细节值D_j：

D_j＝∑_k∈Zα_j,kφ_j,t(t)

其中Z是一组正整数，α_j,k是小波系数，φ_j,t(t)是母小波函数，j和k均是属于Z的正整数，t是时间序列；

近似值A_J：

A_J＝∑_j＞JD_j

其中D_j是j层的细节值；

3)排列熵计算如下：

其中PE是排列熵，y是信号序列，d是嵌入维数，l是时间延迟，p(π_i)是i类排序类型出现的相对频率：

其中f(π_i)是i类排序类型出现的次数，N是时间序列长度；

步骤三，对均方根，小波系数和排列熵三种特征向量进行维数相加，得到三维特征向量作为输入变量；

步骤四，对三维特征向量进行归一化处理，加快训练网络的收敛性和学习速度：

{sEMG}是肌电信号，{sEMG_j(i)}是第j路肌电信号的第i序列，max({sEMG_j(i)})和min({sEMG_j(i)})分别是第j路肌电信号序列的最大值和最小值；

步骤五，将提取到的三维特征向量输入到最小二乘支持向量机回归模型中，得到最终预测结果；最小二乘支持向量机回归模型：

其中J(ω,e)是目标参数，L是训练样本指数，ω是训练样本的权向量,e是误差,b是偏置量,γ是惩罚因子，N是特征空间维数，y_k是约束条件，函数的作用是把低维数据映射到高维数据；上述表达式的具体推导如下：

其中α是要求的参数，最终得到如下结果：

其中K(x,x_k)是核函数。