CN115599222A - 关节运动估计方法 - Google Patents

关节运动估计方法 Download PDF

Info

Publication number
CN115599222A
CN115599222A CN202211392457.2A CN202211392457A CN115599222A CN 115599222 A CN115599222 A CN 115599222A CN 202211392457 A CN202211392457 A CN 202211392457A CN 115599222 A CN115599222 A CN 115599222A
Authority
CN
China
Prior art keywords
fuzzy set
electromyographic signal
initial
signal data
joint angle
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
CN202211392457.2A
Other languages
English (en)
Inventor
陆新江
柏昀旭
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202211392457.2A priority Critical patent/CN115599222A/zh
Publication of CN115599222A publication Critical patent/CN115599222A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于人机交互技术领域，提供了一种关节运动估计方法，该方法包括：采集训练数据；训练数据包括N个时刻的肌电信号数据样本；将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度；对多个初始模糊集进行融合，得到多个融合模糊集；融合模糊集的数量小于初始模糊集的数量；将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式；利用关系表达式对待估计肌电信号数据进行关节角度计算，得到待估计肌电信号数据对应的关节角度数据。本申请能够提高关节角度预测的准确率。

Description

关节运动估计方法
技术领域
本申请属于人机交互领域，尤其涉及一种关节运动估计方法。
背景技术
近年来，主动式外骨骼机器人广泛应用于医疗康复、助力行走等领域。在人机交互过程中，关节运动量的连续估计是实现人机协同、柔顺控制以及平滑稳定运动的关键技术。由于肌电信号(EMG，electromyogram)能够先于人体运动动作产生，为关节运动量的连续估计提供了基础。
目前，肌肉模型和机器学习方法是预测关节连续运动量的两种主流方法。希尔模型(Hill model)可以用来解释肌肉运动的过程，然而希尔模型存在多个难以测量的参数，因此参数辨识过程困难。机器学习方法直接建立肌电信号与关节运动量的映射模型，常用的有线性模型、高阶多项式模型、神经网络模型等等，这种建模方法简单直接。然而，由于肌电信号的模糊性、差异性、强非线性等，容易造成模型预测值的偏差较大，尤其是在肌肉活性发生改变时(如肌肉疲劳)，更容易造成模型失效。
发明内容
本申请实施例提供了一种关节运动估计方法，可以解决关节角度预测准确率低的问题。
本申请实施例提供了一种关节运动估计方法，包括：
采集训练数据；训练数据包括N个时刻的肌电信号数据样本；
将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度；
对多个初始模糊集进行融合，得到多个融合模糊集；融合模糊集的数量小于初始模糊集的数量；
将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式；
利用关系表达式对待估计肌电信号数据进行关节角度计算，得到待估计肌电信号数据对应的关节角度数据。
可选的，将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，包括：
基于模糊聚类方法，将N个时刻的肌电信号数据样本分解到L个初始模糊集中；
分别计算每个初始模糊集的聚类中心和方差；
根据每个初始模糊集的聚类中心和方差，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度。
可选的，根据每个初始模糊集的聚类中心和方差，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，包括：
通过计算公式
Figure BDA0003932526750000021
得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度；
其中，
Figure BDA0003932526750000022
表示第i个时刻的肌电信号数据样本xi对第k个初始模糊集的第一隶属度，μk表示第k个初始模糊集的聚类中心，τk表示第k个初始模糊集的方差，k＝1，...，L，i＝1，...，N。
可选的，对多个初始模糊集进行融合，得到多个融合模糊集，包括：
通过计算公式：
Figure BDA0003932526750000023
得到初始模糊集A1与初始模糊集A2之间的距离D(A1，A2)；初始模糊集A1与初始模糊集A2为L个初始模糊集中的两个初始模糊集；
通过计算公式：
Figure BDA0003932526750000024
得到初始模糊集A1和初始模糊集A2之间的相似性S(A1，A2)；
通过公式
Figure BDA0003932526750000031
判断是否对初始模糊集A1和初始模糊集A2进行融合；θ表示相似性阈值，K(A1，A2)表示融合指示器；
若融合指示器K(A1，A2)＝1，则对初始模糊集A1和初始模糊集A2进行融合，得到融合模糊集。
可选的，在对多个初始模糊集进行融合，得到多个融合模糊集之后，估计方法还包括：
通过计算公式
Figure BDA0003932526750000032
得到每个时刻的肌电信号数据样本对每个融合模糊集的第二隶属度φj(xi)；其中，sk表示权重因子，Ak表示第k个初始模糊集，Fj表示第j个融合模糊集，j＝1，...，R，R表示融合模糊集的总数，R＜＜L；
通过计算公式
Figure BDA0003932526750000033
得到第j个融合模糊集的聚类中心mj；
通过计算公式
Figure BDA0003932526750000034
得到第j个融合模糊集的方差σj。
可选的，将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式，包括：
将每个融合模糊集中的数据投影到特征空间，得到每个融合模糊集中关节角度与肌电信号之间的关联关系；
根据每个融合模糊集中关节角度与肌电信号之间的关联关系，得到关节角度与肌电信号之间的关系式；
对关系式中的参数进行求解，并利用求解得到的参数值得到关节角度与肌电信号之间的关系表达式。
可选的，训练数据还包括N个时刻的关节角度数据样本。
可选的，每个融合模糊集中关节角度与肌电信号之间的关联关系为：
Figure BDA0003932526750000041
其中，fj(xi)表示在第j个融合模糊集中肌电信号数据样本xi对应的关节角度数据样本，
Figure BDA0003932526750000042
表示第p个空间投影函数，
Figure BDA0003932526750000043
g表示sigmoid函数，q表示空间投影的节点数，wp和tp均表示空间投影参数，aj和bj均表示第j个融合模糊集的模糊规则中的后件参数，ajp表示第p个空间投影函数对应的aj。
可选的，关节角度与肌电信号之间的关系式为：
Figure BDA0003932526750000044
其中，f(xi)表示肌电信号数据样本xi对应的关节角度数据样本。
可选的，关系式中的参数包括空间投影参数{wp，tp}、空间投影的节点数q、权重因子sk以及后件参数{aj，bj}；
可选的，对关系式中的参数进行求解，包括：
基于GSA优化算法，利用训练数据和第一隶属度对关系式进行求解，得到空间投影参数{wp，tp}、权重因子sk以及空间投影的节点数q；
根据空间投影参数{wp，tp}，得到空间投影函数
Figure BDA0003932526750000045
基于最小二乘法，利用空间投影函数
Figure BDA0003932526750000046
和第一隶属度对关系式进行求解，得到后件参数{aj，bj}。
可选的，关节角度与肌电信号之间的关系表达式为：
Figure BDA0003932526750000047
其中，f(x)表示待估计肌电信号数据对应的关节角度数据，x表示待估计肌电信号数据。
可选的，利用关系表达式对待估计肌电信号数据进行关节角度计算，得到待估计肌电信号数据对应的关节角度数据，包括：
通过计算公式
Figure BDA0003932526750000051
得到待估计肌电信号数据对每个融合模糊集的第二隶属度γj；其中，γj表示待估计肌电信号数据对第j个融合模糊集的第二隶属度，j＝1，...，R；
可选的，令φj(x)＝γj，
Figure BDA0003932526750000052
计算得到待估计肌电信号数据对应的关节角度数据f(x)。
本申请的上述方案有如下的有益效果：
本申请实施例中，通过将N个时刻的肌电信号数据样本分解到多个初始模糊集中，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，再对多个初始模糊集进行融合，得到多个融合模糊集，然后将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式，最后利用关系表达式对待估计肌电信号数据进行关节角度计算，得到待估计肌电信号数据对应的关节角度数据。其中，由于将肌电信号数据样本分解到多个初始模糊集中，能够较好的处理肌电信号的模糊性和差异性，将原始模糊集融合成融合模糊集，减少模糊集的数量，再将融合模糊集中的数据投影到特征空间，能够消除肌电信号的强非线性，从而使得本申请的关节角度估计方法能大大提高关节角度预测的准确率。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的关节角度估计方法的流程图；
图2为本申请一实施例中初始模糊集融合成融合模糊集的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对现有的关节角度预测方法存在预测准确率低的问题。本申请提出了一种关节运动估计方法，通过将N个时刻的肌电信号数据样本分解到多个初始模糊集中，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，再对多个初始模糊集进行融合，得到多个融合模糊集，然后将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式，最后利用关系表达式对待估计肌电信号数据进行关节角度计算，得到待估计肌电信号数据对应的关节角度数据。其中，由于将肌电信号数据样本分解到多个初始模糊集中，能够较好的处理肌电信号的模糊性和差异性，将原始模糊集融合成融合模糊集，减少模糊集的数量，再将融合模糊集中的数据投影到特征空间，能够消除肌电信号的强非线性，从而使得本申请的关节角度估计方法能大大提高关节角度预测的准确率。
接下来对本申请提供的关节运动估计方法做示例性说明。
如图1所示，本申请提供的关节运动估计方法包括如下步骤：
步骤11，采集训练数据，该训练数据包括N个时刻的肌电信号数据样本。
肌电信号是众多肌纤维中运动单元动作电位(MUAP，Motor Unit ActionPotential)在时间和空间上的叠加。其中，表面肌电信号(SEMG，Surfaceelectromyography)能够在一定程度上反应神经肌肉的活动，因而SEMG在临床医学、人机功效学、康复医学以及体育科学等方面均有重要的实用价值。
肌电信号可以通过采样电极来采集，再通过导线将采集到的肌电信号传送到数据采集卡或者特定的医疗仪器进行分析处理。
需要说明的是，采集的训练数据还包括上述N个时刻的关节角度数据样本。
步骤12，将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度。
将N个时刻的肌电信号数据样本分解到多个初始模糊集中，是为了得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，而通过第一隶属度可以实现肌电信号的模糊表达，从而避免因肌电信号的模糊性和差异性导致关节运动估计出现偏差。
步骤13，对多个初始模糊集进行融合，得到多个融合模糊集。
由于肌电信号具有很强的非线性，导致需要建立多个模糊集才能准确表达肌电信号的特征，但是当模糊集的数量增多时，容易造成维数灾难，而在此对初始模糊集进行融合，可以减小模糊集的数量，避免维数灾难的发生。
需要说明的是，融合模糊集的数量要小于初始模糊集的数量。
步骤14，将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式。
通过步骤13，虽然可以减少模糊集的数量，避免维数灾难，但这也导致了模糊集中数据的非线性增强，模糊集中数据无法被线性表示，不利于建立关节角度与肌电信号之间的关系表达式，而在此将每个融合模糊集中的数据投影到特征空间，能够使每个融合模糊集中的数据呈现线性关系，消除肌电信号的强非线性带来的弊端。
步骤15，利用关系表达式对待估计肌电信号数据进行关节角度计算，得到待估计肌电信号数据对应的关节角度数据。
采集待估计肌电信号数据就能对关节角度进行计算，体现了本方法的实时性和简便性。
值得一提的是，由于将肌电信号数据样本分解到多个初始模糊集中，能够较好的处理肌电信号的模糊性和差异性，将原始模糊集融合成融合模糊集，减少模糊集的数量，再将融合模糊集中的数据投影到特征空间，能够消除肌电信号的强非线性，从而使得本申请的关节角度估计方法能大大提高关节角度预测的准确率。
下面对步骤12的具体步骤进行示例性说明。
步骤12.1，基于模糊聚类方法，将N个时刻的肌电信号数据样本分解到L个初始模糊集中。
上述模糊聚类方法可以是模糊C均值聚类方法，通过模糊C均值聚类方法(FCM，Fuzzy C-Means)将步骤11采集到的N个时刻的肌电信号数据样本分解到L个初始模糊集中。其中，每个初始模糊集中的肌电信号数据相似度最大，不同初始模糊集中的肌电信号数据相似度最小。
值得一提的是，将肌电信号数据样本分解到初始模糊集中，能够消除肌电信号的差异性给关节角度估计带来的负面影响。
步骤12.2，分别计算每个初始模糊集的聚类中心和方差。
通过不断优化初始模糊集的中心以及肌电信号数据样本到初始模糊集的中心的距离，得到每个初始模糊集的聚类中心μk和初始模糊集的方差τk。
需要说明的是，计算每个初始模糊集的聚类中心μk和初始模糊集的方差τk的方法，属于公知常识，在此不对其进行赘述。
步骤12.3，根据每个初始模糊集的聚类中心和方差，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度。
通过计算公式
Figure BDA0003932526750000091
得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度；其中，
Figure BDA0003932526750000092
表示第i个时刻的肌电信号数据样本xi对第k个初始模糊集的第一隶属度，μk表示第k个初始模糊集的聚类中心，τk表示第k个初始模糊集的方差，k＝1，...，L，i＝1，...，N。
值得一提的是，用隶属度来表示肌电信号，能够实现肌电信号的模糊表达，消除由肌电信号的模糊性给关节角度估计带来的负面影响。
下面对步骤13的具体步骤进行示例性说明。
第一步，通过计算公式：
Figure BDA0003932526750000093
得到初始模糊集A1与初始模糊集A2之间的距离D(A1，A2)；初始模糊集A1与初始模糊集A2为L个初始模糊集中的两个初始模糊集。
第二步，通过计算公式：
Figure BDA0003932526750000094
得到初始模糊集A1和初始模糊集A2之间的相似性S(A1，A2)。
可以理解的是，模糊集之间的距离越短，表示模糊集之间的相似性越高。
第三步，通过公式
Figure BDA0003932526750000095
判断是否对初始模糊集A1和初始模糊集A2进行融合；θ表示相似性阈值，可根据实际情况预先设定，K(A1，A2)表示融合指示器。
其中，若融合指示器K(A1，A2)＝1，则对初始模糊集A1和初始模糊集A2进行融合，得到融合模糊集，否则说明初始模糊集A1和初始模糊集A2相似性较低，不需要融合。
经过上述步骤，所有相似初始模糊集对都要融合成更大的融合模糊集，如果多个初始模糊集相似，则将相似的多个初始模糊集共同合并成更大的融合模糊集。如图2所示，初始模糊集Ak(k＝1，2，...，L)重组成融合模糊集Fj(j＝1，2，...，R)，若融合模糊集Fj由初始模糊集A1～Ak融合而成，则
Figure BDA0003932526750000107
值得一提的是，通过将相似度高的初始模糊集融合成融合模糊集，能够减小模糊集的数量，避免模糊集数量过多导致维数灾难。
需要说明的是，在对多个初始模糊集进行融合，得到多个融合模糊集之后，还需要进行如下操作：
通过计算公式
Figure BDA0003932526750000101
得到每个时刻的肌电信号数据样本对每个融合模糊集的第二隶属度φj(xi)。其中，sk表示权重因子，Ak表示第k个初始模糊集，Fj表示第j个融合模糊集，j＝1，...，R，R表示融合模糊集的总数，R＜＜L。图2中，
Figure BDA0003932526750000102
表示计算肌电信号数据样本对融合模糊集F1的第二隶属度φ1，
Figure BDA0003932526750000103
Figure BDA0003932526750000104
表示计算肌电信号数据样本对融合模糊集FR的第二隶属度φR，s1，s2，...，sl1，...，slq+1，...，sL均表示权重因子。
通过计算公式
Figure BDA0003932526750000105
得到第j个融合模糊集的聚类中心mj。
通过计算公式
Figure BDA0003932526750000106
得到第j个融合模糊集的方差σj。
值得一提的是，执行上述计算，是为了计算实际待估计肌电信号数据对每个融合模糊集的第二隶属度，便于后续计算关节角度。
下面对步骤14的具体步骤进行示例性说明。
步骤14.1，将每个融合模糊集中的数据投影到特征空间，得到每个融合模糊集中关节角度与肌电信号之间的关联关系。
得到的每个融合模糊集中关节角度与肌电信号之间的关联关系为：
Figure BDA0003932526750000111
其中，fj(xi)表示在第j个融合模糊集中肌电信号数据样本xi对应的关节角度数据样本，
Figure BDA0003932526750000112
表示第p个空间投影函数，
Figure BDA0003932526750000113
g表示sigmoid函数，q表示空间投影的节点数，wp和tp均表示空间投影参数，aj和bj均表示第j个融合模糊集的模糊规则中的后件参数，ajp表示第p个空间投影函数对应的aj。
步骤14.2，根据每个融合模糊集中关节角度与肌电信号之间的关联关系，得到关节角度与肌电信号之间的关系式。
得到的关节角度与肌电信号之间的关系式为：
Figure BDA0003932526750000114
其中，f(xi)表示肌电信号数据样本xi对应的关节角度数据样本。
步骤14.3，对关系式中的参数进行求解，并利用求解得到的参数值得到关节角度与肌电信号之间的关系表达式。
上述关系式中的参数包括空间投影参数{wp，tp}、空间投影的节点数q、权重因子sk以及后件参数{aj，bj}。
步骤14.3.1，基于引力搜索算法(GSA优化算法)，利用训练数据(N个时刻的肌电信号数据样本和N个时刻的关节角度数据样本)和第一隶属度
Figure BDA0003932526750000115
)对关系式
Figure BDA0003932526750000116
Figure BDA0003932526750000117
进行求解，得到空间投影参数{wp，tp}、权重因子sk以及空间投影的节点数q。
需要说明的是，GSA优化算法属于公知常识，在此不对其进行赘述。
步骤14.3.2，根据空间投影参数{wp，tp}，得到空间投影函数
Figure BDA0003932526750000121
步骤14.3.3，基于最小二乘法，利用空间投影函数
Figure BDA0003932526750000122
和第一隶属度
Figure BDA0003932526750000123
)对关系式进行求解，得到后件参数{aj，bj}。
具体的，将空间投影函数
Figure BDA0003932526750000124
和第一隶属度
Figure BDA0003932526750000125
代入到关系式中，并基于最小二乘法求解后件参数{aj，bj}，等式可以转化成∑χ＝η。
其中，
Figure BDA0003932526750000126
Figure BDA0003932526750000127
Ω＝(H1H2...HR)N×(R×q)
Figure BDA0003932526750000128
A＝[a11...a1q...aRq]T
求解得到χ＝(∑T∑)-1∑Tη。
首先求出每个粒子所得到的的最佳参数，并根据参数求得平均误差，然后更新粒子的位置，直到模型误差收敛，最后将全局最优参数代入得到最佳参数，也就是后件参数{aj，bj}。
步骤14.3.4，将求解得到的参数值代入到关系式中，得到关节角度与肌电信号之间的关系表达式。
下面对步骤15的具体步骤进行示例性说明。
上述步骤得到的关节角度与肌电信号之间的关系表达式为：
Figure BDA0003932526750000131
其中，f(x)表示待估计肌电信号数据对应的关节角度数据，x表示待估计肌电信号数据。
步骤15.1，通过计算公式
Figure BDA0003932526750000132
得到待估计肌电信号数据对每个融合模糊集的第二隶属度γj；其中，γj表示待估计肌电信号数据对第j个融合模糊集的第二隶属度，j＝1，...，R。
步骤15.2，令φj(x)＝γj，
Figure BDA0003932526750000133
计算得到待估计肌电信号数据对应的关节角度数据f(x)。
需要说明的是，在利用关节角度与肌电信号之间的关系表达式计算待估计肌电信号数据对应的关节角度数据时，由于该关系表达式中的参数已经求解得到，因此在该关系表达式中输入与待估计肌电信号数据对应的隶属度和空间投影函数，便可求得待估计肌电信号数据对应的关节角度数据f(x)。为了更好的理解本申请提供的技术方案，下面结合具体实施例对本申请提供的技术方案做示例性说明。
采集训练数据
Figure BDA0003932526750000134
其中xi表示第i时刻的肌电信号数据样本，yi表示第i时刻的关节角度数据样本，i＝1，...，N。
初始化原始规则L(初始模糊集的数量)，相似度阈值θ。
使用FCM聚类算法将采集到的N个时刻的肌电信号数据样本分解到L个初始模糊集中，再计算每个初始模糊集的聚类中心μk和方差τk，最后根据每个初始模糊集的聚类中心μk和方差τk，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度
Figure BDA0003932526750000135
k＝1，...，L。
根据训练数据
Figure BDA0003932526750000136
和每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度
Figure BDA0003932526750000137
计算空间投影参数{wp，tp}、权重因子sk以及空间投影的节点数q。将空间投影参数{wp，tp}以及空间投影的节点数q代入空间投影函数，得到空间投影函数。
随机初始化M个粒子，根据需要优化的参数(后件参数{aj，bj})定义每个粒子的维度。
基于相似性准则与模糊集融合策略(将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度)，将样本原始隶属度(N个时刻的肌电信号数据样本对初始模糊集的第一隶属度
Figure BDA0003932526750000141
)以及粒子的参数sk代入公式(
Figure BDA0003932526750000142
Figure BDA0003932526750000143
)，得到N个时刻的肌电信号数据样本对每个融合模糊集的第二隶属度φj(x)以及融合模糊集的聚类中心m和方差σ。
将粒子的空间投影参数{wp，tp}代入公式
Figure BDA0003932526750000144
得到空间投影层的数出
Figure BDA0003932526750000145
将
Figure BDA0003932526750000146
和
Figure BDA0003932526750000147
代入如下公式
Figure BDA0003932526750000148
将等式转换成∑χ＝η。
其中，
Figure BDA0003932526750000149
Figure BDA00039325267500001410
Ω＝(H1H2...HR)N×(R×q)
Figure BDA00039325267500001411
A＝[a11...a1q...aRq]T
求解得到χ＝(∑T∑)-1∑Tη。
首先求出每个粒子所得到的的最佳参数，并根据参数求得平均误差，然后更新粒子的位置，直到模型误差收敛，最后将全局最优参数代入得到最佳参数，也就是后件参数{aj，bj}。
将得到的参数值代入到关系式，得到关节角度与肌电信号之间的关系表达式：
Figure BDA0003932526750000151
再计算待估计肌电信号数据对每个融合模糊集的第二隶属度γj，具体的，通过计算公式
Figure BDA0003932526750000152
得到待估计肌电信号数据对每个融合模糊集的第二隶属度γj；其中，γj表示待估计肌电信号数据对第j个融合模糊集的第二隶属度，j＝1，...，R
然后用γj的值替换关系表达式中的参数φj(x)的值。最后，计算关系表达式就能得到待估计肌电信号数据对应的关节角度数据。
本申请主要用于关节运动的估计，具有以下优点：
(1)基于模糊聚类，将高维时序肌电数据分解到多个模糊集中，用模糊规则的中心代替原有高维特征数据，减小了模型的复杂度，同时能较好处理肌电信号的模糊性和不确定性。
(2)设计了一种低阶自适应模糊神经网络建模方法。该模型基于模糊集的相似性进一步将规则融合，同时对新的模糊集隶属度进行优化，得到新模糊集的表达方法。利用激活函数将融合后的非线性数据映射到特征空间，使之呈现线性关系。最后建立每个模糊集中的线性模型，通过解模糊操作实现关节角度的实时预测。
(3)开发了一种混合学习方法对参数进行辨识，得到了模型的最佳参数。以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种关节运动估计方法，其特征在于，包括：
采集训练数据；所述训练数据包括N个时刻的肌电信号数据样本；
将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度；
对多个所述初始模糊集进行融合，得到多个融合模糊集；所述融合模糊集的数量小于所述初始模糊集的数量；
将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式；
利用所述关系表达式对待估计肌电信号数据进行关节角度计算，得到所述待估计肌电信号数据对应的关节角度数据。
2.根据权利要求1所述的估计方法，其特征在于，所述将N个时刻的肌电信号数据样本分解到多个初始模糊集中，得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，包括：
基于模糊聚类方法，将N个时刻的肌电信号数据样本分解到L个初始模糊集中；
分别计算每个所述初始模糊集的聚类中心和方差；
根据每个所述初始模糊集的聚类中心和方差，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度。
3.根据权利要求2所述的估计方法，其特征在于，所述根据每个所述初始模糊集的聚类中心和方差，计算每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度，包括：
通过计算公式
Figure FDA0003932526740000011
得到每个时刻的肌电信号数据样本对每个初始模糊集的第一隶属度；
其中，
Figure FDA0003932526740000012
表示第i个时刻的肌电信号数据样本xi对第k个初始模糊集的第一隶属度，μk表示第k个初始模糊集的聚类中心，τk表示第k个初始模糊集的方差，k＝1,...,L，i＝1,...,N。
4.根据权利要求3所述的估计方法，其特征在于，所述对多个所述初始模糊集进行融合，得到多个融合模糊集，包括：
通过计算公式：
Figure FDA0003932526740000021
得到初始模糊集A1与初始模糊集A2之间的距离D(A1,A2)；初始模糊集A1与初始模糊集A2为L个初始模糊集中的两个初始模糊集；
通过计算公式：
Figure FDA0003932526740000022
得到初始模糊集A1和初始模糊集A2之间的相似性S(A1,A2)；
通过公式
Figure FDA0003932526740000023
判断是否对初始模糊集A1和初始模糊集A2进行融合；θ表示相似性阈值，K(A1,A2)表示融合指示器；
若所述融合指示器K(A1,A2)＝1，则对初始模糊集A1和初始模糊集A2进行融合，得到融合模糊集。
5.根据权利要求4所述的估计方法，其特征在于，在所述对多个所述初始模糊集进行融合，得到多个融合模糊集之后，所述估计方法还包括：
通过计算公式
Figure FDA0003932526740000024
得到每个时刻的肌电信号数据样本对每个融合模糊集的第二隶属度φj(xi)；其中，sk表示权重因子，Ak表示第k个初始模糊集，Fj表示第j个融合模糊集，j＝1,...,R，R表示融合模糊集的总数，R＜＜L；
通过计算公式
Figure FDA0003932526740000025
得到第j个融合模糊集的聚类中心mj；
通过计算公式
Figure FDA0003932526740000031
得到第j个融合模糊集的方差σj。
6.根据权利要求5所述的估计方法，其特征在于，所述将每个融合模糊集中的数据投影到特征空间，得到关节角度与肌电信号之间的关系表达式，包括：
将每个融合模糊集中的数据投影到特征空间，得到每个融合模糊集中关节角度与肌电信号之间的关联关系；
根据每个融合模糊集中关节角度与肌电信号之间的关联关系，得到关节角度与肌电信号之间的关系式；
对所述关系式中的参数进行求解，并利用求解得到的参数值得到关节角度与肌电信号之间的关系表达式。
7.根据权利要求6所述的估计方法，其特征在于，所述训练数据还包括所述N个时刻的关节角度数据样本，所述每个融合模糊集中关节角度与肌电信号之间的关联关系为：
Figure FDA0003932526740000032
其中，fj(xi)表示在第j个融合模糊集中肌电信号数据样本xi对应的关节角度数据样本，
Figure FDA0003932526740000033
表示第p个空间投影函数，
Figure FDA0003932526740000034
g表示sigmoid函数，q表示空间投影的节点数，wp和tp均表示空间投影参数，aj和bj均表示第j个融合模糊集的模糊规则中的后件参数，ajp表示第p个空间投影函数对应的aj。
8.根据权利要求7所述的估计方法，其特征在于，所述关节角度与肌电信号之间的关系式为：
Figure FDA0003932526740000035
其中，f(xi)表示肌电信号数据样本xi对应的关节角度数据样本。
9.根据权利要求8所述的估计方法，其特征在于，所述关系式中的参数包括空间投影参数{wp,tp}、所述空间投影的节点数q、权重因子sk以及后件参数{aj,bj}；
所述对所述关系式中的参数进行求解，包括：
基于GSA优化算法，利用所述训练数据和所述第一隶属度对所述关系式进行求解，得到所述空间投影参数{wp,tp}、权重因子sk以及所述空间投影的节点数q；
根据所述空间投影参数{wp,tp}，得到空间投影函数
Figure FDA0003932526740000041
基于最小二乘法，利用所述空间投影函数
Figure FDA0003932526740000042
和所述第一隶属度对所述关系式进行求解，得到所述后件参数{aj,bj}。
10.根据权利要求9所述的估计方法，其特征在于，所述关节角度与肌电信号之间的关系表达式为：
Figure FDA0003932526740000043
其中，f(x)表示待估计肌电信号数据对应的关节角度数据，x表示待估计肌电信号数据；
所述利用所述关系表达式对待估计肌电信号数据进行关节角度计算，得到所述待估计肌电信号数据对应的关节角度数据，包括：
通过计算公式
Figure FDA0003932526740000044
得到所述待估计肌电信号数据对每个融合模糊集的第二隶属度γj；其中，γj表示所述待估计肌电信号数据对第j个融合模糊集的第二隶属度，j＝1,...,R；
令φj(x)＝γj，
Figure FDA0003932526740000045
计算得到所述待估计肌电信号数据对应的关节角度数据f(x)。
CN202211392457.2A 2022-11-08 2022-11-08 关节运动估计方法 Pending CN115599222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211392457.2A CN115599222A (zh) 2022-11-08 2022-11-08 关节运动估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211392457.2A CN115599222A (zh) 2022-11-08 2022-11-08 关节运动估计方法

Publications (1)

Publication Number Publication Date
CN115599222A true CN115599222A (zh) 2023-01-13

Family

ID=84852923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211392457.2A Pending CN115599222A (zh) 2022-11-08 2022-11-08 关节运动估计方法

Country Status (1)

Country Link
CN (1) CN115599222A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227606A (zh) * 2023-05-05 2023-06-06 中南大学 一种关节角度预测方法、终端设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227606A (zh) * 2023-05-05 2023-06-06 中南大学 一种关节角度预测方法、终端设备及介质
CN116227606B (zh) * 2023-05-05 2023-08-15 中南大学 一种关节角度预测方法、终端设备及介质

Similar Documents

Publication Publication Date Title
WO2022042122A1 (zh) 脑电信号的分类方法、分类模型的训练方法、装置及介质
Sikder et al. Human activity recognition using multichannel convolutional neural network
An et al. Few-shot relation learning with attention for EEG-based motor imagery classification
Chaaraoui et al. Abnormal gait detection with RGB-D devices using joint motion history features
CN104615983A (zh) 基于递归神经网络和人体骨架运动序列的行为识别方法
CN109935321B (zh) 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测系统
CN113901891A (zh) 帕金森病握拳任务的评估方法及系统、存储介质及终端
CN115599222A (zh) 关节运动估计方法
CN114266270A (zh) 一种基于递归神经网络与集成学习的肌电信号解码方法
Rongjun et al. Collaborative extreme learning machine with a confidence interval for P2P learning in healthcare
An et al. AdaptNet: Human activity recognition via bilateral domain adaptation using semi-supervised deep translation networks
CN111531537A (zh) 基于多传感器的机械臂控制方法
Guo et al. A tree-structure-guided graph convolutional network with contrastive learning for the assessment of parkinsonian hand movements
CN116343335A (zh) 一种基于动作识别的运动姿态矫正方法
Zhou et al. An EEG emotion recognition method based on transfer learning and echo state network for HilCPS
Park et al. Tracking human-like natural motion using deep recurrent neural networks
Sun et al. WLNet: Towards an approach for robust workload estimation based on shallow neural networks
Zhao et al. Two-channel lstm for severity rating of parkinson’s disease using 3d trajectory of hand motion
Qian et al. Combining deep learning and model-based method using Bayesian Inference for walking speed estimation
Bielskis et al. Multi-agent-based human computer interaction of e-health care system for people with movement disabilities
Rivas et al. Recognition of affective states in virtual rehabilitation using late fusion with Semi-Naive Bayesian classifier
CN115778372A (zh) 一种基于表面肌电信号的膝关节角度估计方法
Kou et al. Subspace and second-order statistical distribution alignment for cross-domain recognition of human hand motions
Clark et al. A Priori Quantification of Transfer Learning Performance on Time Series Classification for Cyber-Physical Health Systems
Xu et al. An improved head pose estimation method for the robotic wheelchair interaction control

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