[发明专利]一种多抓取模式下腕关节力矩的肌电连续预测方法及系统

权利要求书

1.一种多抓取模式下腕关节力矩的肌电连续预测方法，其特征在于，包括以下步骤：

S100：使用多种手势抓取不同大小的负载；

S200：记录手腕关节在各抓取模式下弯曲/伸展运动过程中手腕弯曲/伸展角度信息；

S300：将各抓取模式下的人手运动简化为刚体运动，利用得到的关节角度信息，建立该抓取模式下腕关节动力学模型，根据逆动力学求解出运动过程中关节力矩，作为该抓取模式下腕关节力矩肌电连续预测模型的参考力矩；

S400：采集各抓取模式下运动过程中前臂肌肉的表面肌电信号；

S500：对各抓取模式下所采集的肌电信号进行预处理与特征提取，通过加窗方法对表面肌电信号特征进行窗内平均处理，使之与抓取模式具有相同的数据点数；

S600：利用机器学习的方法，以所有抓取模式下的表面肌电信号特征作为模型输入，以关节参考力矩作为模型输出，建立基于Elman神经网络的多抓取模式下腕关节力矩的肌电连续预测模型，完成对模型的训练；

S700：采集各抓取模式下前臂表面肌电信号，进行预处理与特征提取；将各抓取模式下的肌电信号特征输入关节力矩预测模型，输出手腕关节力矩预测值，通过计算腕关节力矩预测值与参考力矩之间的线性相关系数，评价多抓取模式下腕关节力矩的肌电连续预测模型的准确性；

S600中构建Elman神经网络的具体方法如下：

S601：Elman网络模型结构：隐含层神经元激活函数选择sigmoid非线性函数；

S602：Elman神经网络模型的训练：分别将各个抓取模式下前臂表面肌电的特征以及对应的腕关节力矩输入模型进行训练；

训练过程具体包括如下步骤：

设网络t时刻输入层输入的特征向量X(t)＝[x₁ x₂ x₃ x₄ x₅ x₆]^T，输出力矩预测值y＝y^*，隐含层神经元输出为：

其中f(·)为sigmoid激活函数，g_j(t)为t时刻隐含层神经元输出值，y^*为力矩预测值，为第i个输入神经元到隐含层第j个神经元之间的权重，为第j个承接单元到隐含层第j个神经元之间的权重，x_c,j(t)为第j个承接单元输出，其值等于：

x_c,j(t)＝g_j(t-1)

输出层输出为：

为隐含层第j个神经元到输出的权重，y^*(t)为t时刻输出层的预测值；

定义误差函数为

其中y_d(t)为t时刻根据腕关节逆动力学模型解算的关节力矩值，N_t为训练所用的数据量；

利用梯度下降法更新权值，即每个权值均沿着E对该权值偏导数的负方向改变，直到误差函数收敛到设定值。

2.根据权利要求1所述的多抓取模式下腕关节力矩的肌电连续预测方法，其特征在于，S200中利用三维运动捕捉系统记录手腕弯曲/伸展角度信息。

3.根据权利要求1所述的多抓取模式下腕关节力矩的肌电连续预测方法，其特征在于，S200中计算腕关节弯曲/伸展角度包括：

S201：手腕关节Mark点位置布局与运动学数据采集

大臂与手掌水平抬起，掌心向下，在手背上中指掌指关节处放置Mark点，记为R₁；手背上靠近手腕关节处放置Mark点R₂，使得R₁、R₂连线垂直于弯曲/伸展轴；前臂接近腕关节处放置Mark点R₃、R₄，使得R₃、R₄连线垂直于手腕弯曲/伸展轴；手腕弯曲/伸展运动时，记录各Mark点在世界坐标系下运动的x、y、z坐标；

S202：第s种手势抓取第n种负载模式下手腕关节运动角度求解

通过计算向量与向量间的夹角，获得弯曲/伸展角度值。