[发明专利]基于随机向量功能连接网络技术的人体肌音信号预测方法

说明书

本发明涉及基于随机向量功能连接网络技术的人体肌音信号预测方法，与现有技术相比解决了肌音信号去噪处理不彻底以及预测算法精度低、复杂度高等缺陷。本发明包括以下步骤：人体肌音分信号的获取；肌音信号的整合；整合肌音信号的去噪处理；随机向量功能连接网络模型的构建与训练；整合肌音信号的预测。本发明能够通过可穿戴肌音信号传感器采集人体肘关节的肌音信号，快速地实现肌音信号的获取及准确预测。

技术领域

本发明涉及信号处理技术领域，具体来说是基于随机向量功能连接网络技术的人体肌音信号预测方法。

背景技术

人体肌音信号(Mechanomyography，MMG)，作为一种用于研究肌肉功能的生物信号，是由肌肉收缩产生的加速度信号，当人体肌肉收缩时肌肉纤维的横截面发生变化，产生横向低频的震动，传到皮肤表面会发出声音，其信号的强度与肌肉紧张程度成正比。肌音信号是一种具有非线性以及非平稳特征的时间序列信号，其中活动的肌肉纤维颤搐可线性或非线性地累加起来。肌音信号已被广泛应用于研究肌肉疲劳肌力检测、人体康复工程、模式识别等领域，相比于传统使用的肌电信号(Electromyographic，EMG)，肌音信号具有如下优点：

(1)由于其传播特性使得传感器的安放位置无需像肌电信号传感器安放在肌肉皮肤表面，即使在使用时传感器位置有移动也不会对信号造成很大影响，同时对于传感器摆放的位置要求低、鲁棒性高；

(2)肌音信号对于皮肤阻抗的变化具有抗扰性，不会由于阻抗的改变而受到影响；

(3)由于人体的皮肤、脂肪等组织相当于一个低通滤波器，因此在皮肤表面采集到的肌音信号的能量主要集中在低频段(5-35Hz)将有助于提高MMG信号的实时处理效率。

近年来对肌音信号的处理问题受到多个领域的广泛关注，由于肌音信号是一类具有时变性、随机性和非线性的一类时间序列。目前，针对此类时间序列的处理方法主要从时域、频域以及时频域三个方面展开。

通过对肌音信号的短期或长期预测，可用于对未来时刻人体肌音信号的变化情况做出准确预测，从而实现对人体肌肉功能状况的评估和患者关节康复评价具有重要指导意义。同时其预测结果可应用于康复机器人关节的柔顺控制中，达到人机融合的目的。目前国内外对于人体生物信号的处理与预测的研究情况如下：

1、王大庆发表的“基于肌动信号的人体股四头肌肌力估计方法研究”基围绕肌音信号的获取、信号处理、特征提取以及回归模型构建四个方面展开研究工作，提出一种基于EEMD分解和支持向量机相结合的肌力估计回归模型，对肌力大小做出估计，但由于肌音信号具有干扰噪声强、信号强度弱、随机性大和频率分布低等特点，对于来自生物体内的如呼吸干扰以及来自生物体外的如工频干扰、信号拾取时因不良接地等引入的其他外来串扰仍未能完全去除，因此该算法对于信号在信号处理方面的估计精确度有待进一步提高。

2、Cavallaro等人发表的“Real-Time Myoprocessors for a Neural ControlledPowered Exoskeleton Arm”通过设计了一套Hill肌肉模型对人体运动意图进行预测。利用28导的肌音信号采集仪采集肌电信号，并用遗传算法进行模式识别，进而估计上肢的角度变化，但是该实验需要的肌电传感器较多，算法应用的复杂度较高，并且估计的正确率不高，实际应用中较为复杂。

3、谢洪波等人发表的“基于肌音信号的假肢手动作模式分类研究”将肌音信号作为假肢手控制源，通过对肌音信号的变换与特征提取，实现对假肢的有效控制。

4.任文阳等人发表的“基于表面肌音信号的人体摔倒预测方法研究”通过对人体摔倒时以及日常活动中下肢的肌音信号的采集、预处理及分析，提出并使用SVM以及CNN算法对人体摔倒进行快速准确地预测。