CN114424937A - 一种用于下肢外骨骼的人体运动意图识别方法与系统 - Google Patents

一种用于下肢外骨骼的人体运动意图识别方法与系统 Download PDF

Info

Publication number
CN114424937A
CN114424937A CN202210091942.XA CN202210091942A CN114424937A CN 114424937 A CN114424937 A CN 114424937A CN 202210091942 A CN202210091942 A CN 202210091942A CN 114424937 A CN114424937 A CN 114424937A
Authority
CN
China
Prior art keywords
signal
signals
butterworth filter
noise reduction
wavelet
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.)
Pending
Application number
CN202210091942.XA
Other languages
English (en)
Inventor
裘焱枫
郏云涛
邵良玉
黄玉琳
龙杜辉
高熙强
张克勤
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.)
Ningbo Industrial Internet Research Institute Co ltd
Original Assignee
Ningbo Industrial Internet Research Institute Co ltd
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 Ningbo Industrial Internet Research Institute Co ltd filed Critical Ningbo Industrial Internet Research Institute Co ltd
Priority to CN202210091942.XA priority Critical patent/CN114424937A/zh
Publication of CN114424937A publication Critical patent/CN114424937A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0006—Exoskeletons, i.e. resembling a human figure
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种用于下肢外骨骼的人体运动意图识别方法，具体涉及人体外骨骼控制技术领域，包括步骤：获取人体步态运动时下肢肌电信号和惯性信号的信号集；通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。本发明从肌电和惯性两个方面对人体运动意图进行识别，从而获得更加准确的运动意图分类效果。

Description

一种用于下肢外骨骼的人体运动意图识别方法与系统
技术领域
本发明涉及人体外骨骼控制技术领域，具体涉及一种用于下肢外骨骼的人体运动意图识别方法与系统。
背景技术
下肢外骨骼机器人是一种可穿戴式仿生机电一体化设备。通过多种传感器收集使用者的运动意图和肢体姿态、计算机程序实现智能决策、机械装置提供动力来辅助和替代人体的部分或全部下肢功能。
识别人体运动意图需要融合多传感器信息进行决策，所以尽管下肢助力外骨骼机器人有明显的社会价值和经济价值，但是由于技术因素，当前的下肢助力外骨骼机器人产品面临人体运动意图难以检测与识别等实际问题。
发明内容
为了使下肢外骨骼能够更好的根据使用者的运动意图提供助力帮助，本发明提出了一种用于下肢外骨骼的人体运动意图识别方法，包括步骤：
S1：获取人体步态运动时下肢肌电信号和惯性信号的信号集；
S2：通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；
S3：通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；
S4：通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；
S5：通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；
S6：通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。
进一步地，所述S5步骤中，双流卷积神经网络采用逻辑回归模型作为分类器。
进一步地，所述S2步骤中，降噪处理具体包括：
S21：通过巴特沃斯滤波器对信号集中的惯性信号进行初步降噪；
S22：通过变分模态分解对降噪后的信号进行分解为若干模态分量并迭代，从迭代结果中获取信号最优解；
S23：通过小波降噪对非最优解部分进行重构降噪；
S24：将处理好的各分量相加作为降噪处理后的输出信号。
进一步地，所述巴特沃斯滤波器可表示为如下公式：
Figure BDA0003489541670000021
式中，H(ω)为输入信号的振幅频率，ωc为输入信号的截止频率，ω为输入信号的中心频率，s为巴特沃斯滤波器的阶数。
进一步地，所述S4步骤中，连续小波变换可表示为如下公式：
Figure BDA0003489541670000022
式中，a是缩放参数，b是平移参数，ψ()为母小波，ψ*()为母小波的复共轭，x(t)为随时间t变换的输入信号，Wf(a,b)为时频信息。
本发明还提出了一种用于下肢外骨骼的人体运动意图识别系统，包括：
信号采集器，用于获取人体步态运动时下肢肌电信号和惯性信号的信号集；
肌电信号处理器，用于通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；
惯性信号处理器，用于通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；
时频信息提取器，用于通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；
模型训练模块，用于通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；
模型验证模块，用于通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。
进一步地，所述双流卷积神经网络采用逻辑回归模型作为分类器。
进一步地，所述肌电信号处理器中具体包括：
巴特沃斯滤波器，用于对信号集中的惯性信号进行初步降噪；
变分模态分解器，用于对降噪后的信号进行分解为若干模态分量并迭代，从迭代结果中获取信号最优解；
小波降噪器，用于对非最优解部分进行重构降噪；
信号叠加器，用于将处理好的各分量相加作为降噪处理后的输出信号。
进一步地，所述巴特沃斯滤波器可表示为如下公式：
Figure BDA0003489541670000031
式中，H(ω)为输入信号的振幅频率，ωc为输入信号的截止频率，ω为输入信号的中心频率，s为巴特沃斯滤波器的阶数。
进一步地，所述时频信息提取器中，连续小波变换可表示为如下公式：
Figure BDA0003489541670000032
式中，a是缩放参数，b是平移参数，ψ()为母小波，ψ*()为母小波的复共轭，x(t)为随时间t变换的输入信号，Wf(a,b)为时频信息。
与现有技术相比，本发明至少含有以下有益效果：
(1)本发明所述的一种用于下肢外骨骼的人体运动意图识别方法与系统，通过巴特沃斯滤波器+小波变换的结合，在保证输入输出信号在频率上不会发生太大损失的情况下，还能够考虑到频域特征对于人体运动意识的影响；
(2)采用双流卷积神经网络作为图像处理的工具可以将肌电信号和惯性信号同时转换的图片进行处理，从肌电和惯性两个方面对人体运动意图进行识别，从而获得更加准确的分类效果；
(3)通过变分模态分解对巴特沃斯滤波器降噪后的信号进行处理，能够有效降低肌电信号的时间序列非平稳性，从而更方便后续分类人体运动意图。
附图说明
图1为一种用于下肢外骨骼的人体运动意图识别方法的方法步骤图；
图2为一种用于下肢外骨骼的人体运动意图识别系统的系统结构图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例一
为了能够使下肢外骨骼机器人能够在运行过程中更好的识别出用户的运动意图，从而更加准确的为用户提供助力帮助，如图1所示，本发明提出了一种用于下肢外骨骼的人体运动意图识别方法，包括步骤：
S1：获取人体步态运动时下肢肌电信号和惯性信号的信号集；
S2：通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；
S3：通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；
S4：通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；
S5：通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；
S6：通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。
在信号采集阶段，也即是S1步骤中，为了降低特异性导致的不准确性，本发明选择多个(5个以上)测试人员，在各测试人员的左右小腿处分别放置肌电采集传感器和惯性采集传感器，并采集测试人员平地行走、上下楼梯等步态运动时小腿处的肌电信号和惯性信号，各步态运动至少采集200组数据。
由于肌电采集传感器所采集的是表面肌电信号，考虑到表面肌电信号很微弱、易受干扰，而进行表面肌电信号采集是由市电进行供电，极易对本就很微弱的表面肌电信号产生干扰。同时，由于本发明中下肢外骨骼主要针对的用户为下肢功能障碍或者重体力劳动者，其步频以及步幅相对较小，也就导致了惯性信号也相对较弱。因此，为了获得更为完整的信号，本发明在此处采用巴特沃斯滤波器对表面肌电信号和惯性信号进行处理，从而降低工频噪声，使得信号的输入、输出值在信号经过降噪(去除噪声的毛刺和尖点)后能在一定程度上保持一致。其中，巴特沃斯滤波器对信号的处理可表示为如下公式：
Figure BDA0003489541670000051
式中，H(ω)为输入信号的振幅频率，ωc为输入信号的截止频率，ω为输入信号的中心频率，s为巴特沃斯滤波器的阶数。
而在保证信号强度的情况下对肌电信号和惯性信号进行降噪处理后，还需要针对不同的信号特征对信号进行进一步的处理。其中，
针对肌电信号，由于其非线性和非平稳性，本发明选择通过变分模态分解将信号经过变分模型分解出k个变分模态分量(IMF)，再通过引入二次惩罚因子α和拉格朗日乘子λ不断对信号进行迭代，从而求解出最优解，并且将舍弃的噪声分量通过小波去噪的方式进行重构去噪，最终将K个变分模态分量进行相加得出去噪后的原始信号。
其中，变分模态分量的具体流程可表示为如下步骤：
(1)对参数{uk}(第k个变分模态分量)、{ωk}(第k个变分模态分量的中心频率)、λ和n(常数)进行初始化设置为0；
(2)利用乘子交替法不断更新
Figure BDA0003489541670000052
(3)更新
Figure BDA0003489541670000053
τ为噪声参数，x(ω)为输入信号；
(4)重复(2)、(3)式，直到
Figure BDA0003489541670000054
时，停止迭代，ε为人为设定的判定精度。
而小波去噪的具体过程如下所示：
(1)根据肌电信号的特点选择合适的小波基函数和分解层数，然后进行离散小波变换提取小波系数；
(2)对提取出的小波系数选择合适的阈值，比较小波系数和已选取的阈值大小，当小波系数比阈值小时，应当认定为噪声系数，并且舍弃；当小波系数比阈值大时，应当认定为信号有效部分，并且保留下来；
(3)通过阈值处理后将小波系数和低频小波系数进行小波逆变换，对信号进行重构。
经过巴特沃斯滤波器、变分模态分解和小波去噪处理后的信号即可对其进行信号处理，通过特征提取进而转换为三维彩色图像，用于双流卷积神经网络的输入。
而针对惯性信号，本发明直接通过上文所述的小波去噪对其进行二次处理，并将二次去噪后的惯性信号进行特征提取，同样处理为三维彩色图像。
至于本发明中具体特征提取的方法，本发明选用连续小波变换的方法对肌电信号和惯性信号进行处理，之所以这样选择，是考虑到肌电信号和惯性信号复杂的时频特性。因为，选用连续小波变换对信号进行处理的话，能够在低频域信息中提供高频分辨率和低时间分辨率，在高频域信息中提供高时间分辨率和低频分辨率，从而弥补传统短时傅里叶变换不能处理非平稳信号的不足，其中，连续小波变换可以表示为：
Figure BDA0003489541670000061
式中，a是缩放参数，b是平移参数，ψ()为母小波，ψ*()为母小波的复共轭，x(t)为随时间t变换的输入信号，Wf(a,b)为时频信息。
经过上述操作，已经获得了本申请所需要的各步态运动特征下的三维彩色图像，由于惯性信号是伴随着肌电信号的产生出现的，因此，如果能够将两者相对应的输入分类器中，显然能够更好的对人体运动意图进行识别，基于此，本发明选用双流卷积神经网络作为目标分类器，对两个信号进行同步转化处理，以获得比传统分类器更好的分类效果。其中，双流卷积神经网络设置有卷积层、池化层，在激活函数后采用逻辑回归模型(softmax)作为分类器对步态进行离线分类训练。
进一步地，为了避免陷入局部最优解的陷阱，在训练时并不是将所有三维彩图作为训练数据输入双流卷积神经网络，而是一定比例的数据集作为训练集，剩余部分作为验证集对最终获得模型的分类效果进行验证。在获得训练并优化好的模型后，即可通过该模型根据用户的肌电信号和惯性信号进行用户运动意图的判断，从而更好的控制下肢外骨骼做出助力。
实施例二
为了更好的对本发明的技术进行理解，本实施例通过系统结构的形式来对本发明进行阐述，如图2所示，一种用于下肢外骨骼的人体运动意图识别系统，包括：
信号采集器，用于获取人体步态运动时下肢肌电信号和惯性信号的信号集；
肌电信号处理器，用于通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；
惯性信号处理器，用于通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；
时频信息提取器，用于通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；
模型训练模块，用于通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；
模型验证模块，用于通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。
进一步地，双流卷积神经网络采用逻辑回归模型作为分类器。
进一步地，肌电信号处理器中具体包括：
巴特沃斯滤波器，用于对信号集中的惯性信号进行初步降噪；
变分模态分解器，用于对降噪后的信号进行分解为若干模态分量并迭代，从迭代结果中获取信号最优解；
小波降噪器，用于对非最优解部分进行重构降噪；
信号叠加器，用于将处理好的各分量相加作为降噪处理后的输出信号。
进一步地，巴特沃斯滤波器可表示为如下公式：
Figure BDA0003489541670000081
式中，H(ω)为输入信号的振幅频率，ωc为输入信号的截止频率，ω为输入信号的中心频率，s为巴特沃斯滤波器的阶数。
进一步地，时频信息提取器中，连续小波变换可表示为如下公式：
Figure BDA0003489541670000082
式中，a是缩放参数，b是平移参数，ψ()为母小波，ψ*()为母小波的复共轭，x(t)为随时间t变换的输入信号，Wf(a,b)为时频信息。
综上所述，本发明所述的一种用于下肢外骨骼的人体运动意图识别方法与系统，通过巴特沃斯滤波器+小波变换的结合，在保证输入输出信号在频率上不会发生太大损失的情况下，还能够考虑到频域特征对于人体运动意识的影响。
采用双流卷积神经网络作为图像处理的工具可以将肌电信号和惯性信号同时转换的图片进行处理，从肌电和惯性两个方面对人体运动意图进行识别，从而获得更加准确的分类效果。通过变分模态分解对巴特沃斯滤波器降噪后的信号进行处理，能够有效降低肌电信号的时间序列非平稳性，从而更方便后续分类人体运动意图。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

Claims (10)

1.一种用于下肢外骨骼的人体运动意图识别方法，其特征在于，包括步骤：
S1：获取人体步态运动时下肢肌电信号和惯性信号的信号集；
S2：通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；
S3：通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；
S4：通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；
S5：通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；
S6：通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。
2.如权利要求1所述的一种用于下肢外骨骼的人体运动意图识别方法，其特征在于，所述S5步骤中，双流卷积神经网络采用逻辑回归模型作为分类器。
3.如权利要求1所述的一种用于下肢外骨骼的人体运动意图识别方法，其特征在于，所述S2步骤中，降噪处理具体包括：
S21：通过巴特沃斯滤波器对信号集中的惯性信号进行初步降噪；
S22：通过变分模态分解对降噪后的信号进行分解为若干模态分量并迭代，从迭代结果中获取信号最优解；
S23：通过小波降噪对非最优解部分进行重构降噪；
S24：将处理好的各分量相加作为降噪处理后的输出信号。
4.如权利要求1所述的一种用于下肢外骨骼的人体运动意图识别方法，其特征在于，所述巴特沃斯滤波器可表示为如下公式：
Figure FDA0003489541660000011
式中，H(ω)为输入信号的振幅频率，ωc为输入信号的截止频率，ω为输入信号的中心频率，s为巴特沃斯滤波器的阶数。
5.如权利要求1所述的一种用于下肢外骨骼的人体运动意图识别方法，其特征在于，所述S4步骤中，连续小波变换可表示为如下公式：
Figure FDA0003489541660000021
式中，a是缩放参数，b是平移参数，ψ()为母小波，ψ*()为母小波的复共轭，x(t)为随时间t变换的输入信号，Wf(a,b)为时频信息。
6.一种用于下肢外骨骼的人体运动意图识别系统，其特征在于，包括：
信号采集器，用于获取人体步态运动时下肢肌电信号和惯性信号的信号集；
肌电信号处理器，用于通过巴特沃斯滤波器和变分模态分解依次对信号集中的肌电信号进行降噪处理；
惯性信号处理器，用于通过巴特沃斯滤波器和小波去噪依次对信号集中的惯性信号进行降噪处理；
时频信息提取器，用于通过连续小波变换提取降噪后信号集中各信号的时频信息，并基于时频信息获取相应信号的三维彩图；
模型训练模块，用于通过预设比例的三维彩图对双流卷积神经网络进行离线分类训练；
模型验证模块，用于通过训练完成后的双流卷积神经网络对剩余比例的三维彩图进行人体运动意图识别验证。
7.如权利要求6所述的一种用于下肢外骨骼的人体运动意图识别系统，其特征在于，所述双流卷积神经网络采用逻辑回归模型作为分类器。
8.如权利要求6所述的一种用于下肢外骨骼的人体运动意图识别系统，其特征在于，所述肌电信号处理器中具体包括：
巴特沃斯滤波器，用于对信号集中的惯性信号进行初步降噪；
变分模态分解器，用于对降噪后的信号进行分解为若干模态分量并迭代，从迭代结果中获取信号最优解；
小波降噪器，用于对非最优解部分进行重构降噪；
信号叠加器，用于将处理好的各分量相加作为降噪处理后的输出信号。
9.如权利要求6所述的一种用于下肢外骨骼的人体运动意图识别系统，其特征在于，所述巴特沃斯滤波器可表示为如下公式：
Figure FDA0003489541660000031
式中，H(ω)为输入信号的振幅频率，ωc为输入信号的截止频率，ω为输入信号的中心频率，s为巴特沃斯滤波器的阶数。
10.如权利要求6所述的一种用于下肢外骨骼的人体运动意图识别系统，其特征在于，所述时频信息提取器中，连续小波变换可表示为如下公式：
Figure FDA0003489541660000032
式中，a是缩放参数，b是平移参数，ψ()为母小波，ψ*()为母小波的复共轭，x(t)为随时间t变换的输入信号，Wf(a,b)为时频信息。
CN202210091942.XA 2022-01-26 2022-01-26 一种用于下肢外骨骼的人体运动意图识别方法与系统 Pending CN114424937A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210091942.XA CN114424937A (zh) 2022-01-26 2022-01-26 一种用于下肢外骨骼的人体运动意图识别方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210091942.XA CN114424937A (zh) 2022-01-26 2022-01-26 一种用于下肢外骨骼的人体运动意图识别方法与系统

Publications (1)

Publication Number Publication Date
CN114424937A true CN114424937A (zh) 2022-05-03

Family

ID=81313130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210091942.XA Pending CN114424937A (zh) 2022-01-26 2022-01-26 一种用于下肢外骨骼的人体运动意图识别方法与系统

Country Status (1)

Country Link
CN (1) CN114424937A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116225031A (zh) * 2023-05-09 2023-06-06 南京泛美利机器人科技有限公司 一种面向人机协作场景的三体协同智能避障方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681685A (zh) * 2018-03-23 2018-10-19 天津科技大学 一种基于人体表面肌电信号的躯干动作意图识别方法
CN110477863A (zh) * 2019-08-07 2019-11-22 王满 一种基于心脏功能动态监控的人工智能算法模型系统及方法
CN110658915A (zh) * 2019-07-24 2020-01-07 浙江工业大学 一种基于双流网络的肌电信号手势识别方法
CN112232301A (zh) * 2020-11-16 2021-01-15 杭州电子科技大学 基于多尺度Copula互信息的肌间耦合网络分析方法
CN113609975A (zh) * 2021-08-04 2021-11-05 苏州小蓝医疗科技有限公司 一种用于震颤检测的建模方法、手部震颤检测装置及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681685A (zh) * 2018-03-23 2018-10-19 天津科技大学 一种基于人体表面肌电信号的躯干动作意图识别方法
CN110658915A (zh) * 2019-07-24 2020-01-07 浙江工业大学 一种基于双流网络的肌电信号手势识别方法
CN110477863A (zh) * 2019-08-07 2019-11-22 王满 一种基于心脏功能动态监控的人工智能算法模型系统及方法
CN112232301A (zh) * 2020-11-16 2021-01-15 杭州电子科技大学 基于多尺度Copula互信息的肌间耦合网络分析方法
CN113609975A (zh) * 2021-08-04 2021-11-05 苏州小蓝医疗科技有限公司 一种用于震颤检测的建模方法、手部震颤检测装置及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
俞一彪等: "《数字信号处理 理论与应用（第3版）》", 东南大学出版社, pages: 121 - 123 *
唐宋元等: "微弱信号处理理论", 31 October 2018, 北京理工大学出版社, pages: 1 - 2 *
张秋昭等: "GPS辅助SINS动态对准关键模型研究", 30 April 2016, 中国矿业大学出版社, pages: 121 - 123 *
李玉章: "表面肌电在体育中的应用", 31 May 2015, 复旦大学出版社, pages: 83 - 85 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116225031A (zh) * 2023-05-09 2023-06-06 南京泛美利机器人科技有限公司 一种面向人机协作场景的三体协同智能避障方法和系统
CN116225031B (zh) * 2023-05-09 2024-05-28 南京泛美利机器人科技有限公司 一种面向人机协作场景的三体协同智能避障方法和系统

Similar Documents

Publication Publication Date Title
CN108874149B (zh) 一种基于表面肌电信号连续估计人体关节角度的方法
CN108549856B (zh) 一种人体动作和路况识别方法
CN103761424B (zh) 基于二代小波和独立分量分析肌电信号降噪与去混迭方法
Phinyomark et al. Wavelet-based denoising algorithm for robust EMG pattern recognition
CN102697495A (zh) 基于总体平均经验模式分解的二代小波肌电信号消噪方法
CN110414546A (zh) 使用中间损失函数训练图像信号处理器
CN107292852A (zh) 一种基于低秩理论的图像去噪算法
CN114424937A (zh) 一种用于下肢外骨骼的人体运动意图识别方法与系统
Ahamed et al. Fuzzy inference system-based recognition of slow, medium and fast running conditions using a triaxial accelerometer
CN110543831A (zh) 一种基于卷积神经网络的脑纹识别方法
CN113598759A (zh) 一种基于肌电特征优化的下肢动作识别方法及系统
CN109394472A (zh) 一种基于神经网络分类器的康复机器人运动意图识别方法
CN117158999A (zh) 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统
CN109634419B (zh) 康复机器人运动意图识别方法及其计算机可读存储介质
CN108836321A (zh) 一种基于自适应噪声消除系统的脑电信号预处理方法
CN109645995B (zh) 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法
CN115238796A (zh) 基于并行damscn-lstm的运动想象脑电信号分类方法
CN111242873A (zh) 基于稀疏表示的图像去噪方法
CN110032987B (zh) 一种基于小脑神经网络模型的表面肌电信号分类方法
Ison et al. Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis
CN109885159B (zh) 基于正向动力学与希尔模型的状态空间肌电模型构建方法
CN109063652B (zh) 一种信号处理方法、系统及计算机存储介质
Fu et al. Identification of finger movements from forearm surface EMG using an augmented probabilistic neural network
CN116070101A (zh) 基于ica和异常值检测的脑电伪迹去除方法、系统及设备
Wang et al. A novel approach for the pattern recognition of hand movements based on EMG and VPMCD

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