CN110710984A - 基于表面肌电信号的递归小脑模型的足踝力矩预测方法 - Google Patents

Abstract

本发明涉及一种基于表面肌电信号的递归小脑模型的足踝力矩预测方法。该方法利用和人体足踝关节相关肌肉（包括但不限于腓肠肌、胫骨前肌、腓骨长肌以及踇长伸肌）的表面肌电信号（sEMG）数据以及对应的速度和位置数据，采用递归小脑模型神经网络进行对于人体足踝关节的力矩预测。

Description

基于表面肌电信号的递归小脑模型的足踝力矩预测方法

技术领域

本发明涉及应用于足踝力矩预测的人机交互技术领域，特别是一种基于表面肌电信号的递归小脑模型的足踝力矩预测方法。

背景技术

随着机器人技术的成熟与发展，人体同机器人之间愈发频繁的互动使得人机交互技术变得愈发重要。传统的人机交互一般是机器被动接受人的指令的形式进行的，显然这种交互方式难以应用于旨在预测人体肌力的类似于仿生假肢、康复机器人的与人体相结合的机器系统，因此由被动接收指令变为主动理解使用者意图是人机交互的未来研究方向。表面肌电信号表征人体大脑与肌肉之间的交互的信息，且其产生比人体肌肉动作发生提前，因此被作为信号源应用于康复机器人等领域。

人体肌力的预测一般有两种方式。第一种是建立生理肌肉的Hill模型模拟运动产生过程，并结合表面肌电信号对肌力进行预测。但Hill模型结构复杂，且未知的生理参数多。第二种是通过神经网络‘黑箱’的方式，直接求取相关信号和肌力的关系，实现对于人体肌力的预测。

表面肌电检测是通过测量与人体足踝关节相关肌肉的表面肌电信号(SurfaceElectromyogram，sEMG)，分析人体肌肉在不同时刻的表面肌电信号特征，进而确定人体测量部位的力矩。目前广泛应用于康复机器人研究、人体外骨骼研究、运动生物力学研究等临床诊断及康复研究。

本发明提供一种基于表面肌电信号的足踝部力矩预测方法，该方法利用和人体足踝关节相关肌肉(包括但不限于腓肠肌、胫骨前肌、腓骨长肌以及踇长伸肌)的表面肌电信号(sEMG) 数据以及对应的速度和位置数据，采用递归小脑模型神经网络(RecurrentCerebellar Model Neural Network,RCMNN)进行对于人体足踝关节的力矩预测。

发明内容

本发明的目的在于提供一种基于表面肌电信号的递归小脑模型的足踝力矩预测方法，该方法利用和人体足踝关节相关肌肉(包括但不限于腓肠肌、胫骨前肌、腓骨长肌以及踇长伸肌) 的表面肌电信号数据以及对应的速度和位置数据，采用递归小脑模型神经网络进行对于人体足踝关节的力矩预测。

为实现上述目的，本发明的技术方案是：一种基于表面肌电信号的递归小脑模型的足踝力矩预测方法，包括如下步骤：

步骤S1、利用预定时间序列的包括腓肠肌、胫骨前肌以及腓骨长肌的肌肉的表面肌电数据以及对应的速度和位置数据作为训练数据；

步骤S2、对训练数据进行预处理，并将预处理后的数据进行包括归一化、再采样、去冗余的数据处理；

步骤S3、采用递归小脑神经网络模型对步骤S2处理后的数据进行力矩预测的训练；

步骤S4、通过训练后的递归小脑神经网络模型得到足踝部力矩预测的结果。

在本发明一实施例中，步骤S2中，去冗余处理方式如下：

计算任意两组表面肌电信号的相关系数，计算公式如下：

其中，σ_i为第i块肌肉表面肌电信号的标准差，C_ij为第i块和第j块肌肉表面肌电信号的协方差；f(n)为肌肉表面肌电信号在时刻n的幅值，

为对应肌肉表面肌电信号的均值。

在本发明一实施例中，步骤S2中，再采样公式如下：

其中：F₁,F₂分别为不同传感器的采样频率，此处分别为肌肉表面肌电信号和速度位置信号的采样频率；

为再采样后的第i块肌肉的第n个数据点，f_i(j,n)为未处理数据的第n组数据中的第j个数据点。

在本发明一实施例中，步骤S3中，采用递归小脑神经网络模型对步骤S2处理后的数据进行力矩预测的训练的过程如下：

递归小脑神经网络模型包括输入层、联想记忆层、接收域层、权值记忆层以及输出层，并采用gauss函数

作为激活函数；输入层与输出层之间的表达式如下：

I_ik(t)＝I_i(t)+w_ikr_ik(t-1)

其中，M_ik为高斯函数的均值，即中心点；σ_ik为高斯函数的方差，即宽度；I_ik为输入特征向量I_i经过联想记忆层后的结果，m为特征向量维数；w_ik和w_k分别为联想记忆层和权值记忆层的权值，n表征对输入特征向量的分辨率，t表示时间序列，r_ik为联想记忆层输出结果。

在本发明一实施例中，步骤S4中，通过训练后的递归小脑神经网络模型得到足踝部力矩预测的结果的过程如下：

首先，将测试数据输入训练后的递归小脑神经网络模型得到神经网络输出结果；而后，采用公式f(t)＝c₁f(t)+c₂f(t-1)+...+c_lf(t-l)对神经网络输出结果作加权平滑处理，其中l＝3为自适应长度，c₁,c₂,...,c_l为常数，最终得到预测结果。

相较于现有技术，本发明具有以下有益效果：本发明方法利用和人体足踝关节相关肌肉(包括但不限于腓肠肌、胫骨前肌、腓骨长肌以及踇长伸肌)的表面肌电信号数据以及对应的速度和位置数据，采用递归小脑模型神经网络进行对于人体足踝关节的力矩预测。

附图说明

图1为去冗余流程图。

图2为递归小脑模型进行足踝部力矩预测流程图。

图3为递归小脑神经网络模型结构。

图4为递归小脑模型足踝部力矩预测模型。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明提供了一种基于表面肌电信号的递归小脑神经网络模型足踝部力矩方法，包括以下步骤：

(1)利用用一定时间序列的的腓肠肌、胫骨前肌以及腓骨长肌等肌肉的表面肌电数据以及对应速度和位置数据作为训练数据。

(2)对训练数据进行分析处理，对信号进行降噪、去除异常值点等预处理，将预处理后的数据进行归一化、再采样、去冗余等数据处理。

(3)采用递归小脑神经网络模型对处理后的数据进行力矩预测的训练。

(4)通过训练后的递归小脑模型得到足踝部力矩预测的结果。

本发明基于表面肌电信号的递归小脑神经网络模型足踝部力矩方法的具体实现过程如下：

一、数据处理

1)去冗余

使用的腓肠肌、胫骨前肌、腓骨长肌以及踇长伸肌的表面肌电信号数据，由于关节肌肉之间有耦合作用，存在冗余现象。数据的冗余增加了预测时间的基础上并不会提高预测精度。

去冗余流程图如图1所示：

任意两组表面肌电信号的相关系数计算公式如下：

其中，σ_i为第i块肌肉表面肌电信号的标准差，C_ij为第i块和第j块肌肉表面肌电信号的协方差；f(n)为肌肉表面肌电信号在时刻n的幅值，为对应肌肉表面肌电信号的均值。

2)再采样

数据的采样频率一般是不同的，需对不同采样频率的数据进行统一化，即数据的再采样，一般是将高采样频率(表面肌电信号)的数据向低采样频率(速度、位置信号)的数据转换。

再采样公式如下：

其中：F₁,F₂分别为不同传感器的采样频率，此处分别为肌肉表面肌电信号和速度位置信号的采样频率；

为再采样后的第i块肌肉的第n个数据点，f_i(j,n)为未处理数据的第n组数据中的第j个数据点。

二、递归小脑模型神经网络进行力矩预测的流程。

递归小脑模型神经网络进行力矩预测的流程如图2所示：获取到一定时间序列的足踝部速度、位置以及力矩数据，其中力矩数据作为神经网络的目标输出，速度位置信号与足踝部相关表面肌电信号数据组成多维数据作为预测器的输入数据。将处理后的输入数据送入到递归小脑神经网络模型中进行训练并训练至模型收敛，获得模型收敛的gauss函数的M、σ、权值w_ik和 w_k等参数，然后将测试数据输入到已训练好的模型中得到神经网络输出结果，最后采用公式 f(t)＝c₁f(t)+c₂f(t-1)+...+c_lf(t-l)对神经网络做加权平滑处理，其中l＝3为自适应长度， c₁,c₂,...,c_l为常数，最终得到预测结果。

三、递归小脑模型足踝力矩预测模型的建立

递归小脑神经网络是基于神经生理学出的一种快速、泛化能力强、局部逼近的神经网络。递归小脑神经网络模型结构如图3所示，包括输入层、联想记忆层、接收域层、权值记忆层以及输出层。

递归小脑模型在联想记忆层某一时刻的输出结果和当前时刻之前所有时刻点的输入数据都有一定关系，因此在处理和时间序列有关的预测问题表现优异。具体关系如下所示：

其中I_ik可以被表示为：

I_ik(t)＝I_i(t)+w_ikr_ik(t-1)

式中，t表示时间序列，I为神经网络输入数据，r为联想记忆层输出结果。

其具体预测模型如图4所示：

建立一个递归小脑神经网络模型，将表面肌电信号以及速度位置信息组成多维输入数据，经归一化等处理后对递归小脑神经网络预测模型进行训练。

递归小脑神经网络模型一般使用gauss函数

作为激活函数。

输入层以及输出层之间的表达式为：

其中I_ik为输入特征向量I_i经过递归单元后的结果，m为特征向量维数，此处m取值为6；w_ik和w_k分别为递归单元以及接受域层与输出层之间的权值。n取值为15表征对输入特征向量的分辨率。

采用训练数据训练足踝肌力预测模型，得到使模型收敛的M、σ、w_ik和w_k等参数。然后将测试数据通过训练好的递归小脑神经网络预测模型进行预测，得到神经网络输出结果，然后通过公式f(t)＝c₁f(t)+c₂f(t-1)+...+c_lf(t-l)对神经网络做加权平滑处理得到最终力矩预测结果，其中l为自适应长度，此处取值为3；c₁,c₂,...,c_l为常数。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于表面肌电信号的递归小脑模型的足踝力矩预测方法，其特征在于，包括如下步骤：

步骤S1、利用预定时间序列的包括腓肠肌、胫骨前肌以及腓骨长肌的肌肉的表面肌电数据以及对应的速度和位置数据作为训练数据；

步骤S2、对训练数据进行预处理，并将预处理后的数据进行包括归一化、再采样、去冗余的数据处理；

步骤S3、采用递归小脑神经网络模型对步骤S2处理后的数据进行力矩预测的训练；

步骤S4、通过训练后的递归小脑神经网络模型得到足踝部力矩预测的结果。

2.根据权利要求1所述的基于表面肌电信号的递归小脑模型的足踝力矩预测方法，其特征在于，步骤S2中，去冗余处理方式如下：

计算任意两组表面肌电信号的相关系数，计算公式如下：

其中，σ_i为第i块肌肉表面肌电信号的标准差，C_ij为第i块和第j块肌肉表面肌电信号的协方差；f(n)为肌肉表面肌电信号在时刻n的幅值，

为对应肌肉表面肌电信号的均值。

3.根据权利要求1所述的基于表面肌电信号的递归小脑模型的足踝力矩预测方法，其特征在于，步骤S2中，再采样公式如下：

其中：F₁,F₂分别为不同传感器的采样频率，此处分别为肌肉表面肌电信号和速度位置信号的采样频率；

为再采样后的第i块肌肉的第n个数据点，f_i(j,n)为未处理数据的第n组数据中的第j个数据点。

4.根据权利要求1所述的基于表面肌电信号的递归小脑模型的足踝力矩预测方法，其特征在于，步骤S3中，采用递归小脑神经网络模型对步骤S2处理后的数据进行力矩预测的训练的过程如下：

递归小脑神经网络模型包括输入层、联想记忆层、接收域层、权值记忆层以及输出层，并采用gauss函数

作为激活函数；输入层与输出层之间的表达式如下：

I_ik(t)＝I_i(t)+w_ikr_ik(t-1)

其中，M_ik为高斯函数的均值，即中心点；σ_ik为高斯函数的方差，即宽度；I_ik为输入特征向量I_i经过联想记忆层后的结果，m为特征向量维数；w_ik和w_k分别为联想记忆层和权值记忆层的权值，n表征对输入特征向量的分辨率，t表示时间序列，r_ik为联想记忆层输出结果。

5.根据权利要求1所述的基于表面肌电信号的递归小脑模型的足踝力矩预测方法，其特征在于，步骤S4中，通过训练后的递归小脑神经网络模型得到足踝部力矩预测的结果的过程如下：

首先，将测试数据输入训练后的递归小脑神经网络模型得到神经网络输出结果；而后，采用公式f(t)＝c₁f(t)+c₂f(t-1)+...+c_lf(t-l)对神经网络输出结果作加权平滑处理，其中l＝3为自适应长度，c₁,c₂,...,c_l为常数，最终得到预测结果。

Images