CN110134242A - 一种基于表面肌电信号的手臂刚度辨识方法及系统 - Google Patents

一种基于表面肌电信号的手臂刚度辨识方法及系统 Download PDF

Info

Publication number
CN110134242A
CN110134242A CN201910414472.4A CN201910414472A CN110134242A CN 110134242 A CN110134242 A CN 110134242A CN 201910414472 A CN201910414472 A CN 201910414472A CN 110134242 A CN110134242 A CN 110134242A
Authority
CN
China
Prior art keywords
state
electromyogram signal
surface electromyogram
arm
sample
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
Application number
CN201910414472.4A
Other languages
English (en)
Other versions
CN110134242B (zh
Inventor
陈振
李贵斌
李健
刘向东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lunan Research Institute Of Beijing University Of Technology
Beijing Institute of Technology BIT
Original Assignee
Lunan Research Institute Of Beijing University Of Technology
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lunan Research Institute Of Beijing University Of Technology, Beijing Institute of Technology BIT filed Critical Lunan Research Institute Of Beijing University Of Technology
Priority to CN201910414472.4A priority Critical patent/CN110134242B/zh
Publication of CN110134242A publication Critical patent/CN110134242A/zh
Application granted granted Critical
Publication of CN110134242B publication Critical patent/CN110134242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种基于表面肌电信号的人体手臂刚度辨识方法及系统，该方法的主要步骤包括数据采集、数据处理、特征提取、分类器训练以及实时刚度辨识五个部分。本发明的方法无需额外的重型辅助设备，且无需建立肌电信号与刚度间的数学模型，直接通过传感器以及数学分析方法辨识手臂刚度。本发明能够避免建模的不准确性，无需额外的机械设备辅助有效地辨识人体手臂的刚度状态，在机器人仿人控制领域中具有实际应用价值。

Description

一种基于表面肌电信号的手臂刚度辨识方法及系统
技术领域
本发明涉及人类肢体运动研究领域，特别涉及一种基于表面肌电信号的手臂刚度辨识方法及系统。
背景技术
研究人类肢体运动的机制对仿人机器人的研究具有启发意义。人类肢体的机械阻抗是人体运动机制的重要组成部分，在人体运动的过程中可以通过调整机械阻抗保证运动的稳定性。肢体的机械阻抗主要是对运动的阻碍作用，主要包括肢体的惯量，阻尼和刚度三个属性。其中，肢体的刚度很大程度上决定了肢体的机械阻抗特性。研究人员发现，人体通过相应的肌肉调节活动来改变肢体的刚度，所以研究基于肌肉活动并以此为基础辨识肢体刚度具有重大意义。
肢体的刚度是根据对应肌肉对的收缩与舒张活动进行调节的，探寻肌肉活动的规律即可间接研究人体的刚度。目前肢体刚度主要是通过振动试验法测量。通过外置一个纯刚性的测量机构，该机构设计有气浮装置能够减少机构间的摩擦力，同时机构上安装有角度传感器和力矩传感器。测试人员握住测量机构做二维平面内的自由运动，采集运动过程中机构的位置以及力矩的数据，并通过光学摄像头捕捉手臂的姿态。通过这种实验方法，能够研究人体手臂固定姿态下的静态刚度和运动时的动态刚度。但是这种方法需要复杂庞大的机械设备，并且限制了手臂的活动范围，所以研究更为轻便的刚度辨识系统使其能够更加容易地融入到机器人设计中具有巨大的潜力。
发明内容
本发明的目的是提供一种基于表面肌电信号的手臂刚度辨识方法及系统，以实现无需复杂庞大的机械设备的手臂刚度辨识，并提高辨识的精度。
本发明提供一种基于表面肌电信号的手臂刚度辨识方法，所述辨识方法包括如下步骤：
将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间；
采集每个状态区间的表面肌电信号；
对每个状态区间的表面肌电信号进行特征提取，建立训练样本集；
利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器；
采集待辨识手臂刚度状态的表面肌电信号；
对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本；
将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。
可选的，所述采集每个状态区间的表面肌电信号，具体包括：
在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，确定手臂刚度状态所属的状态区间；
采用表面肌电信号测量手环采集所述状态区间的表面肌电信号。
可选的，所述对每个状态区间的表面肌电信号进行特征提取，建立训练样本集，具体包括：
利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的绝对平均值MAVj|cm，其中，xij表示采样组的第i个采样点的表面肌电信号的第j个通道的子信号，N表示每个采样组的采样点的个数，cm表示第m个状态区间的状态标签，m＝1,2,…,M，M表示状态区间的个数；
利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的均方根值RMSj|cm；
将所有通道的子信号的绝对平均值和均方根值，组成第m个状态区间的所述采样组的训练样本特征向量X|cm＝[E1|cm…Ej|cm…EJ|cm]，Ej|cm＝[MAVj|cmRMSj|cm]，其中J为表面肌电信号的通道的个数。
可选的，所述利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器，具体包括：
从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集；
利用公式计算支持向量集中的每个支持向量与超平面的距离，得到样本距离集合，其中，ω为支持向量机分类器的第一参数，b为支持向量机分类器的第二参数；
判断所述样本距离集合中的最小值是否小于预设阈值；
若所述样本距离集合中的最小值小于所述预设阈值，则更新所述支持向量机分类器的第一参数ω和第二参数b，返回步骤“从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集”；
若所述样本距离集合中的最小值不小于所述预设阈值，则将所述支持向量机分类器设置为训练后的支持向量机分类器。
本发明还提供一种基于表面肌电信号的手臂刚度辨识系统，所述辨识系统包括：
状态区间划分模块，用于将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间；
第一采集模块，用于采集每个状态区间的表面肌电信号；
第一特征提取模块，用于对每个状态区间的表面肌电信号进行特征提取，建立训练样本集；
支持向量机分类器训练模块，用于利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器；
第二采集模块，用于采集待辨识手臂刚度状态的表面肌电信号；
第二特征提取模块，用于对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本；
辨识模块，用于将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。
可选的，所述第一采集模块，具体包括：
状态区间确定子模块，用于在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，确定手臂刚度状态所属的状态区间；
表面肌电信号采集子模块，用于采用表面肌电信号测量手环采集所述状态区间的表面肌电信号。
可选的，所述第一特征提取模块，具体包括：
绝对平均值计算子模块，用于利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的绝对平均值MAVj|cm，其中，xij表示采样组的第i个采样点的表面肌电信号的第j个通道的子信号，N表示每个采样组的采样点的个数，cm表示第m个状态区间的状态标签，m＝1,2,…,M，M表示状态区间的个数；
均方根值计算子模块，用于利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的均方根值RMSj|cm；
训练样本特征向量获取子模块，用于将所有通道的子信号的绝对平均值和均方根值，组成第m个状态区间的所述采样组的训练样本特征向量X|cm＝[E1|cm…Ej|cm…EJ|cm]，Ej|cm＝[MAV|jcmRMSj|cm]，其中J为表面肌电信号的通道的个数。
可选的，所述支持向量机分类器训练模块，具体包括：
支持向量选取子模块，用于从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集；
样本距离计算子模块，用于利用公式计算支持向量集中的每个支持向量与超平面的距离，得到样本距离集合，得到样本距离集合，其中，ω为支持向量机分类器的第一参数，b为支持向量机分类器的第二参数；
判断子模块，用于判断所述样本距离集合中的最小值是否小于预设阈值；
第一判断结果处理子模块，用于若所述样本距离集合中的最小值小于所述预设阈值，则更新所述支持向量机分类器的第一参数ω和第二参数b，调用支持向量选取子模块，执行步骤“从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集”；
第二判断结果处理子模块，用于若所述样本距离集合中的最小值不小于所述预设阈值，则将所述支持向量机分类器设置为训练后的支持向量机分类器。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于表面肌电信号的人体手臂刚度辨识方法及系统，该方法的主要步骤包括数据采集、数据处理、特征提取、分类器训练以及实时刚度辨识五个部分，该系统能够通过采集人体手臂的表面肌电信号，利用支持向量机分类器辨识出手臂多种不同的刚度状态。首先，将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间；采集每个状态区间的表面肌电信号；并对每个状态区间的表面肌电信号进行特征提取，建立训练样本集；然后，利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器；最后，采集待辨识手臂刚度状态的表面肌电信号；对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本；并将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。本发明的方法无需额外的重型辅助设备，且无需建立肌电信号与刚度间的数学模型，直接通过传感器以及数学分析方法辨识手臂刚度。本发明能够避免建模的不准确性，无需额外的机械设备辅助有效地辨识人体手臂的刚度状态，在机器人仿人控制领域中具有实际应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于表面肌电信号的手臂刚度辨识方法的流程图；
图2为本发明提供的一种基于表面肌电信号的手臂刚度辨识方法的原理图；
图3为本发明提供的一种基于表面肌电信号的手臂刚度辨识方法的表面肌电信号测量手环的实物图；
图4为本发明提供的一种基于表面肌电信号的手臂刚度辨识系统的结构图。
具体实施方式
本发明的目的是提供一种基于表面肌电信号的手臂刚度辨识方法及系统，以实现无需复杂庞大的机械设备的手臂刚度辨识，并提高辨识的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。
研究发现，人体肌肉的活动过程中运动神经元会引起肌肉纤维电位的变化。电位变化产生的脉冲序列会汇聚形成肢体的肌电信号，可用于刚度的识别。表面肌电信号(Surface Electromyography,简称sEMG)，是指通过表贴于皮肤的电极测量到的肌肉电信号在皮肤表面的汇聚，能够反映肌肉活动的信息。表面肌电信号采用非侵入式的方法测量，在不对人体造成伤害的前提下可以研究人体运动神经深层次的规律，能够用于运动意图分析，肌肉力大小的估计以及肢体刚度的分析。在此基础上，本发明提供一种基于表面肌电信号的手臂刚度辨识方法，如图1和2所示，所述辨识方法包括如下步骤：
步骤101，将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间。
具体划分为6个状态区间，每个状态区间对应一种手臂刚度状态，本发明可对6种不同的手臂刚度都能进行辨识，每种手臂刚度状态对应一个状态标签cm，m＝0,2,…,M-1，M表示状态区间的个数，M＝6。
步骤102，采集每个状态区间的表面肌电信号。
具体包括：在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，确定手臂刚度状态所属的状态区间；进一步的，在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，并限制手臂的运动范围。在测量过程中，由于压力传感器的阻碍使手臂在垂直方向上产生微小的位移。这样手臂对外界的作用力大小就可以表征手臂的刚度大小，于是作用力数值的大小可以作为确定该时间段所采集的数据样本的所属的状态区间，进而确定状态标签。用力即可表征手臂刚度的大小。将压力传感器的测量的力作为确定状态标签cm的依据。
采用表面肌电信号测量手环采集所述状态区间的表面肌电信号，进一步的，手臂分别施加六种不同压力对应六种不同的手臂刚度状态，并采集每种压力时的各100个样本，形成训练集。表面肌电信号测量手环为便携式的测量手环MYO，该手环由8个表面肌电信号测量单元构成测量阵列，采用非侵入式测量方式可以读取人体电信号活动并进行信号的初步滤波处理，如图3所示。MYO不仅能测量表面肌电信号，并且配置有IMU惯性导航模块，能够检测佩戴者的姿态和加速度，采样频率为200Hz，通过蓝牙将采集的数据发送至PC端。在本发明中，操作者在前臂佩戴MYO。
步骤103，对每个状态区间的表面肌电信号进行特征提取，建立训练样本集。
为了从主端操作者的表面肌电信号获取手臂的阻抗状态，本发明采用支持向量机进行手臂阻抗辨识。特征提取能够将不同刚度时手臂的表面肌电信号的特征差异放大，提高么分类的效果。无论是训练集样本或是实时辨识刚度时的待分类样本均采用相同的特征提取方法，对表面肌电信号测量手环采集的8个通道表面肌电信号进行特征提取。具体包括：利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的绝对平均值MAVj|cm，其中，xij表示采样组的第i个采样点的表面肌电信号的第j个通道的子信号，N表示每个采样组的采样点的个数，cm表示第m个状态区间的状态标签，m＝0,2,…,M-1，M表示状态区间的个数；利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的均方根值RMSj|cm；将所有通道的子信号的绝对平均值和均方根值，组成第m个状态区间的所述采样组的训练样本特征向量X|cm＝[E1|cm…Ej|cm…EJ|cm]，Ej|cm＝[MAVj|cmRMSj|cm]，其中J为表面肌电信号的通道的个数。进一步的，可将10个采样点作为一组，即，N＝10，对于原始数据样本[x1...x10]，分别计算上述的特征值，得到Ej|cm＝[MAV|jcmRMSj|cm](j＝1,2,…,8)，代表着j通道上对应第i类阻抗状态的一个样本Ej|cm。由此推广到8个通道，可以得到我们需要的训练样本特征向量，形如X|cm＝[E1|cm…Ej|cm…EJ|cm]，该特征向量是16维的，作为训练样本特征向量。本发明中每种状态的100个样本，没10个为一组，组成10个采样组，每种状态可获得10个训练样本特征向量，本发明对6种状态进行采集，经特征提取可获得60个训练样本特征向量，组成训练样本集。
步骤104，利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器。
所述支持向量机分类器为一种按照监督学习的方式对数据进行分类的模型，这种方法的目的是寻找一个超平面来对所有的数据样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题求解。假设有两种类型样本，意味着此时的超平面将是一条二维平面上的直线，分类器训练的过程就是解出这条直线的方程。
支持向量机分类器的原理是通过超平面来对样本进行划分，分布在超平面一侧的样本属于一个类别，另一侧的样本属于另一类别，对于N维的样本空间，超平面是N-1维，如二维空间其超平面是一条直线，三维空间其超平面是一个面，依次类推。训练的过程就是求解超平面方程ωTx+b＝0中的参数ωT与b，式中x是样本的特征值。目标是算出最优化的模型参数。
对于训练集中的每个样本向量(训练样本特征向量)，它们到超平面的距离可写做：
而通常仅需计算距离超平面最近的几个样本向量，这些样本向量被称为支持向量，选取的支持向量组成支持向量集，于是上式可简化为r被称为间隔。
我们想要找到能够使间隔最大的划分超平面，也就是超平面的参数需要满足下式，这是一个凸二次规划问题。
s.t.ys(ωTxs+b)≥1,s＝1,2,...,S
其中，S为支持向量的个数。
根据支持向量机的数学模型，在PC端编写完成支持向量机分类器的算法实现。在训练过程中，循环选取超平面的不同参数，将训练集中的样本代入模型计算，直到求解出满足约束条件的解，并将其作为分类器的最终参数。
本发明提供的利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器，具体包括：从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集；利用公式计算支持向量集中的每个支持向量与超平面的距离，得到样本距离集合，其中，ω为支持向量机分类器的第一参数，b为支持向量机分类器的第二参数；判断所述样本距离集合中的最小值是否小于预设阈值；若所述样本距离集合中的最小值小于所述预设阈值，则更新所述支持向量机分类器的第一参数ω和第二参数b，返回步骤“从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集”；若所述样本距离集合中的最小值不小于所述预设阈值，则将所述支持向量机分类器设置为训练后的支持向量机分类器。
步骤105，采集待辨识手臂刚度状态的表面肌电信号。
具体的，采用表面肌电信号测量手环采集待辨识手臂刚度状态的表面肌电信号。
步骤106，对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本，其特征提取方法与步骤103中的特征提取方法相同，在此不再累赘。
步骤107，将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。进而确定手臂刚度状态。
为了验证本发明提供的基于表面肌电信号的手臂刚度辨识方法的有效性，对六种手臂刚度状态分别进行了实验，表面肌电信号以及对应辨识的结果表明从手臂放松时的极低刚度状态(类别标签0)到手臂高度握紧时的极高刚度状态(类别标签5)，6种不同的手臂刚度都能进行辨识，证明了本方法的有效性。
如图4所示，本发明还提供一种基于表面肌电信号的手臂刚度辨识系统，所述辨识系统包括：
状态区间划分模块401，用于将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间；
第一采集模块402，用于采集每个状态区间的表面肌电信号。
所述第一采集模块402，具体包括：状态区间确定子模块，用于在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，确定手臂刚度状态所属的状态区间；表面肌电信号采集子模块，用于采用表面肌电信号测量手环采集所述状态区间的表面肌电信号。
第一特征提取模块403，用于对每个状态区间的表面肌电信号进行特征提取，建立训练样本集。
所述第一特征提取模块403，具体包括：绝对平均值计算子模块，用于利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的绝对平均值MAVj|cm，其中，xij表示采样组的第i个采样点的表面肌电信号的第j个通道的子信号，N表示每个采样组的采样点的个数，cm表示第m个状态区间的状态标签，m＝1,2,…,M，M表示状态区间的个数；均方根值计算子模块，用于利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的均方根值RMSj|cm；
训练样本特征向量获取子模块，用于将所有通道的子信号的绝对平均值和均方根值，组成第m个状态区间的所述采样组的训练样本特征向量X|cm＝[E1|cm…Ej|cm…EJ|cm]，Ej|cm＝[MAVj|cmRMSj|cm]，其中J为表面肌电信号的通道的个数。
支持向量机分类器训练模块404，用于利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器。
所述支持向量机分类器训练模块404，具体包括：支持向量选取子模块，用于从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集；样本距离计算子模块，用于利用公式计算支持向量集中的每个支持向量与超平面的距离，得到样本距离集合，其中，ω为支持向量机分类器的第一参数，b为支持向量机分类器的第二参数；判断子模块，用于判断所述样本距离集合中的最小值是否小于预设阈值；第一判断结果处理子模块，用于若所述样本距离集合中的最小值小于所述预设阈值，则更新所述支持向量机分类器的第一参数ω和第二参数b，调用支持向量选取子模块，执行步骤“从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集”；第二判断结果处理子模块，用于若所述样本距离集合中的最小值不小于所述预设阈值，则将所述支持向量机分类器设置为训练后的支持向量机分类器。
第二采集模块405，用于采集待辨识手臂刚度状态的表面肌电信号；
第二特征提取模块406，用于对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本；
辨识模块407，用于将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。
本发明的基于表面肌电信号的手臂刚度辨识方法及系统是一种基于表面肌电信号的人体手臂刚度辨识方法。较之于传统的人体刚度辨识方法，本发明具有便携易用，不需要额外机械设备等优点。从人体手臂的表面肌电信号获取人体手臂刚度信息的方法主要有建立二者映射模型和拟合关系曲线的方式。现有的方法存在建模困难，模型精度不高等问题。并且拟合关系曲线的方法需要采集大量的数据供曲线拟合，并且拟合方法的不同也会影响到最终的结果。本发明中的方法不需要建立二者之间的映射模型，而是采集原始表面肌电信号，进行特征提取后形成特征向量，训练支持向量机分类器，用分类器来辨识手臂的阻抗状态，这样可以避免模型的不准确性并且不需要采集大量的样本数据作为支撑。基于表面肌电信号辨识人体手臂刚度的系统将在对仿人机器人的设计发挥重要作用。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (8)

1.一种基于表面肌电信号的手臂刚度辨识方法，其特征在于，所述辨识方法包括如下步骤：
将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间；
采集每个状态区间的表面肌电信号；
对每个状态区间的表面肌电信号进行特征提取，建立训练样本集；
利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器；
采集待辨识手臂刚度状态的表面肌电信号；
对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本；
将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。
2.根据权利要求1所述的基于表面肌电信号的手臂刚度辨识方法，其特征在于，所述采集每个状态区间的表面肌电信号，具体包括：
在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，确定手臂刚度状态所属的状态区间；
采用表面肌电信号测量手环采集所述状态区间的表面肌电信号。
3.根据权利要求1所述的基于表面肌电信号的手臂刚度辨识方法，其特征在于，所述对每个状态区间的表面肌电信号进行特征提取，建立训练样本集，具体包括：
利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的绝对平均值MAVj|cm，其中，xij表示采样组的第i个采样点的表面肌电信号的第j个通道的子信号，N表示每个采样组的采样点的个数，cm表示第m个状态区间的状态标签，m＝1,2,…,M，M表示状态区间的个数；
利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的均方根值RMSj|cm；
将所有通道的子信号的绝对平均值和均方根值，组成第m个状态区间的所述采样组的训练样本特征向量X|cm＝[E1|cm…Ej|cm…EJ|cm]，Ej|cm＝[MAVj|cm RMSj|cm]，其中J为表面肌电信号的通道的个数。
4.根据权利要求3所述的基于表面肌电信号的手臂刚度计算方法，其特征在于，所述利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器，具体包括：
从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集；
利用公式计算支持向量中的每个支持向量与超平面的距离，得到样本距离集合，其中，ω为支持向量机分类器的第一参数，b为支持向量机分类器的第二参数；
判断所述样本距离集合中的最小值是否小于预设阈值；
若所述样本距离集合中的最小值小于所述预设阈值，则更新所述支持向量机分类器的第一参数ω和第二参数b，返回步骤“从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集”；
若所述样本距离集合中的最小值不小于所述预设阈值，则将所述支持向量机分类器设置为训练后的支持向量机分类器。
5.一种基于表面肌电信号的手臂刚度辨识系统，其特征在于，所述辨识系统包括：
状态区间划分模块，用于将手臂放松状态至手臂握紧状态之间的手臂刚度状态划分为多个状态区间；
第一采集模块，用于采集每个状态区间的表面肌电信号；
第一特征提取模块，用于对每个状态区间的表面肌电信号进行特征提取，建立训练样本集；
支持向量机分类器训练模块，用于利用所述训练样本集训练支持向量机分类器，得到训练后的支持向量机分类器；
第二采集模块，用于采集待辨识手臂刚度状态的表面肌电信号；
第二特征提取模块，用于对所述待辨识手臂刚度状态的表面肌电信号进行特征提取，获得待测样本；
辨识模块，用于将所述待测样本输入所述训练后的支持向量机分类器进行辨识，确定待辨识手臂刚度状态所在的状态区间。
6.根据权利要求5所述的基于表面肌电信号的手臂刚度辨识系统，其特征在于，所述第一采集模块，具体包括：
状态区间确定子模块，用于在前臂下方放置一个压力传感器，测量手臂在垂直方向的外界的作用力，确定手臂刚度状态所属的状态区间；
表面肌电信号采集子模块，用于采用表面肌电信号测量手环采集所述状态区间的表面肌电信号。
7.根据权利要求5所述的基于表面肌电信号的手臂刚度辨识系统，其特征在于，所述第一特征提取模块，具体包括：
绝对平均值计算子模块，用于利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的绝对平均值MAVj|cm，其中，xij表示采样组的第i个采样点的表面肌电信号的第j个通道的子信号，N表示每个采样组的采样点的个数，cm表示第m个状态区间的状态标签，m＝1,2,…,M，M表示状态区间的个数；
均方根值计算子模块，用于利用公式计算第m个状态区间的每个采样组的多个采样点的表面肌电信号的第j个通道子信号的均方根值RMSj|cm；
训练样本特征向量获取子模块，用于将所有通道的子信号的绝对平均值和均方根值，组成第m个状态区间的所述采样组的训练样本特征向量X|cm＝[E1|cm…Ej|cm…EJ|cm]，Ej|cm＝[MAVj|cmRMSj|cm]，其中J为表面肌电信号的通道的个数。
8.根据权利要求7所述的基于表面肌电信号的手臂刚度计算系统，其特征在于，所述支持向量机分类器训练模块，具体包括：
支持向量选取子模块，用于从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集；
样本距离计算子模块，用于利用公式计算支持向量集中的每个支持向量与超平面的距离，得到样本距离集合，其中，ω为支持向量机分类器的第一参数，b为支持向量机分类器的第二参数；
判断子模块，用于判断所述样本距离集合中的最小值是否小于预设阈值；
第一判断结果处理子模块，用于若所述样本距离集合中的最小值小于所述预设阈值，则更新所述支持向量机分类器的第一参数ω和第二参数b，调用支持向量选取子模块，执行步骤“从所述训练样本集中选取与所述支持向量机分类器的超平面最近的S个训练样本特征向量，作为支持向量，获得支持向量集”；
第二判断结果处理子模块，用于若所述样本距离集合中的最小值不小于所述预设阈值，则将所述支持向量机分类器设置为训练后的支持向量机分类器。
CN201910414472.4A 2019-05-17 2019-05-17 一种基于表面肌电信号的手臂刚度辨识方法及系统 Active CN110134242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910414472.4A CN110134242B (zh) 2019-05-17 2019-05-17 一种基于表面肌电信号的手臂刚度辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910414472.4A CN110134242B (zh) 2019-05-17 2019-05-17 一种基于表面肌电信号的手臂刚度辨识方法及系统

Publications (2)

Publication Number Publication Date
CN110134242A true CN110134242A (zh) 2019-08-16
CN110134242B CN110134242B (zh) 2020-07-24

Family

ID=67575117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910414472.4A Active CN110134242B (zh) 2019-05-17 2019-05-17 一种基于表面肌电信号的手臂刚度辨识方法及系统

Country Status (1)

Country Link
CN (1) CN110134242B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004058458A1 (en) * 2002-12-31 2004-07-15 Fabio Salsedo Ekoskeleton interface apparatus
US20110208444A1 (en) * 2006-07-21 2011-08-25 Solinsky James C System and method for measuring balance and track motion in mammals
CN103970012A (zh) * 2014-02-26 2014-08-06 南京邮电大学 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统
CN104552295A (zh) * 2014-12-19 2015-04-29 华南理工大学 一种基于多信息融合的人机技能传递系统
CN105739612A (zh) * 2014-12-30 2016-07-06 意美森公司 具有可变物理属性的可变形触觉可穿戴物
CN206869888U (zh) * 2017-02-20 2018-01-12 苏州晨本智能科技有限公司 一种基于表面肌电信号的移动机器臂系统
CN108422421A (zh) * 2018-03-16 2018-08-21 中国科学院自动化研究所 骨骼肌肉式机器人的肌肉控制和装配方法
CN109199783A (zh) * 2017-07-04 2019-01-15 中国科学院沈阳自动化研究所 一种利用sEMG来控制踝关节康复设备刚度的控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004058458A1 (en) * 2002-12-31 2004-07-15 Fabio Salsedo Ekoskeleton interface apparatus
US20110208444A1 (en) * 2006-07-21 2011-08-25 Solinsky James C System and method for measuring balance and track motion in mammals
CN103970012A (zh) * 2014-02-26 2014-08-06 南京邮电大学 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统
CN104552295A (zh) * 2014-12-19 2015-04-29 华南理工大学 一种基于多信息融合的人机技能传递系统
CN105739612A (zh) * 2014-12-30 2016-07-06 意美森公司 具有可变物理属性的可变形触觉可穿戴物
CN206869888U (zh) * 2017-02-20 2018-01-12 苏州晨本智能科技有限公司 一种基于表面肌电信号的移动机器臂系统
CN109199783A (zh) * 2017-07-04 2019-01-15 中国科学院沈阳自动化研究所 一种利用sEMG来控制踝关节康复设备刚度的控制方法
CN108422421A (zh) * 2018-03-16 2018-08-21 中国科学院自动化研究所 骨骼肌肉式机器人的肌肉控制和装配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁培栋: "基于表面肌电信号的人机动作信息传递研究", 《中国博士论文全文数据库 信息科技辑》 *
郑成飞: "基于表面肌电的人体上肢动作识别研究及应用", 《中国优秀硕士论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN110134242B (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN107397649B (zh) 一种基于径向基神经网络上肢外骨骼运动意图识别方法
CN105769173B (zh) 一种具有心电信号去噪功能的心电监测系统
CN102499797B (zh) 假肢控制方法及系统
CN202288542U (zh) 假肢控制装置
CN111973152A (zh) 五官及外科医疗数据采集分析诊断机器人，平台
CN109846487A (zh) 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置
Barniv et al. Using EMG to anticipate head motion for virtual-environment applications
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
CN112633342B (zh) 一种基于深度学习的人体超声检测实时引导策略
Wang et al. Swimming motion analysis and posture recognition based on wearable inertial sensors
CN109976526A (zh) 一种基于表面肌电传感器和九轴传感器的手语识别方法
CN105534517A (zh) 一种去除三导联心电信号中车辆运动噪声的方法
JP2022544793A (ja) 身体活動のコンテキストにおいて対象者に関する生体力学的活動及び生体力学的リスク因子への曝露を解析するための方法及びシステム
CN105796091B (zh) 一种用于去除心电信号车辆运动噪声的智能终端
CN108523868A (zh) 用于血压测量的自校准系统和方法
CN110192860A (zh) 一种面向网络信息认知的脑成像智能测试分析方法及系统
CN110134242A (zh) 一种基于表面肌电信号的手臂刚度辨识方法及系统
CN110751060B (zh) 一种基于多源信号的便携式运动模式实时识别系统
CN110801227B (zh) 基于可穿戴设备的立体色块障碍测试的方法和系统
CN212394922U (zh) 一种基于多维感官交互的颈椎运动评估与训练系统
KR20100056254A (ko) 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
CN111079927B (zh) 一种基于极限学习机的髌骨疼痛检测系统
CN113524235B (zh) 一种面向动态交互的对象肢体时变刚度辨识方法及装置
CN112936259B (zh) 一种适用于水下机器人的人机协作方法
CN111522435A (zh) 一种基于表面肌电信号的机械臂交互方法

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