[发明专利]基于肌电小波关联维的下肢关节角度预测方法

说明书

本发明涉及一种基于肌电小波关联维的下肢关节角度预测方法。首先，从人体下肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段。对动作信号段的表面肌电信号进行小波降噪得到有效表面肌电信号。然后将有效表面肌电信号进行小波多尺度分解,提取每一层的低频系数,再对每一层低频系数计算关联维。结合低频系数和关联维数计算有效肌电信号的小波关联维系数特征,将这一特征作为预测网络的输入。先将提取到的肌电信号分为训练集与测试集,按上述方法提取特征。训练集训练好网络之后,使用测试集验证预测准确率。实验结果表明，该方法获得了较高的人体下肢运动膝关节角度预测率，预测结果优于其它预测方法。

技术领域

本发明属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种基于肌电信号小波关联维特征的人体下肢关节角度预测方法。

背景技术

基脊髓损伤(spinal cord injury SCI)患者是指那些神经损伤而丧失了运动功能的人，他们的术后康复治疗任重而道远。使用跑步机，伸屈膝等被动方式的康复训练是一种传统的治疗方法，但这种方法治疗效果是有限的。实践证明，积极训练可以改善大脑皮质的重组，有利于病人神经元的康复。传统的基于程序控制的人机交互系统制约了新型智能机器人的发展。康复机器人、动作辅助机器人、智能假肢等新型机器人需要从被动接受指令发展为主动理解人类行为。随着生物信息技术的发展，生物信号已被广泛用于开发人机交互系统。其中，肌电信号包含有用的肌肉活动信息，而且信号强度比脑电信号强得多。因此，研究者们常使用表面肌电信号来开发可行的新型机器人辅助病人的康复训练。

通常，表面肌电信号(sEMG)通常被用作三种方式的控制信号。第一种方式，将sEMG信号作为开关信号，研究人员利用该开关信号来区分人体肢体的不同运动模式。这种方式中，较高的识别率和识别更多的运动模式是两个主要研究目标，特征提取方法和分类算法是研究的重点。例如，Crawford等人提出了利用sEMG信号均方根的自然对数进行模糊C-均值聚类的方法来识别四种运动的方法，识别率达到92.7％±3.2％。然而，这种方法只能识别有限数量的运动模式，极大地影响了机器人运动的平稳性和人与机器人的协调性。第二种方式，结合肌肉生理学，建立基于sEMG的肌肉力模型，计算关节角度，如Hill肌肉模型。但是，该模型具有复杂的结构，包含许多不能直接测量的生理参数。在第三种方法中，研究者直接建立了相关的表面肌电和关节运动的回归模型。在这种方法中，通常使用神经网络来构造回归模型。张风等人用BP神经网络估计人体下肢关节角度，准确率为90.1％±4.1％。利用深层信念网络提取表面肌电特征，建立BP神经网络回归模型，最终准确率达到了96.2％±1.5％。

发明内容

本发明针对现有技术的不足，提出了一种基于肌电小波关联维的下肢关节角度预测方法。

本发明首先从人体下肢的相关肌肉组上采集表面肌电信号，运用能量阈值确定表面肌电信号的动作信号段。对动作信号段的表面肌电信号进行小波降噪得到有效表面肌电信号。然后将有效表面肌电信号进行小波多尺度分解，提取每一层的低频系数，再对每一层低频系数计算关联维。结合低频系数和关联维数计算有效肌电信号的小波关联维系数特征，将这一特征作为预测网络的输入。先将提取到的肌电信号分为训练集与测试集，按上述方法提取特征。训练集训练好网络之后，使用测试集验证预测准确率。该预测模型有望开发出新型的智能机器人，实现生物电信号对机器人的连续控制，提高人机之间的运动稳定性，特别是下肢可穿戴式智能设备。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体下肢肌电信号样本数据，具体操作是：首先用表面肌电信号采集仪获取与人体膝关节活动相关的肌肉表面肌电信号，再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号；

步骤(2).将步骤(1)获取的原始肌电信号进行硬阈值小波降噪；