[发明专利]基于肌电信号GA-Elman的上肢关节角度估计方法

说明书

本发明提出了一种基于肌电信号GA‑Elman的上肢关节角度估计方法。首先从相关肌肉组上采集相应的表面肌电信号，然后应用小波去噪对信号进行去噪。通过小波包变换提取出32‑375Hz四个子空间波段的信号，这个波段内的信号特征可以滤除高频噪声和不必要的低频信息。然后计算这四个子空间的小波包能量熵，这个方法很好的去除了肌电信号中的冗余信息。该方法简单，计算速度快。后将提取到的特征和肩关节角度肘角节角度同时输入两个GA‑Elman神经网络，实现肌电信号的上肢肩关节和肘关节同步连续运动的关节角估计。实验结果表明，该方法的估计结果优于其它分类方法。

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，特别涉及一种上肢同步连续关节角的估计方法。

背景技术

偏瘫是一种由神经损伤引起的运动功能障碍。偏瘫患者的临床治疗主要是由治疗师一对一的手工治疗。这种方法费时，不能量化和客观地评价。因此，迫切需要一种新的、高效的康复疗法来弥补传统康复训练的不足。机器人用于参加康复训练，可以使治疗师摆脱主要的体力劳动，并为病人制定更好的康复方案，使康复的效果有很大的提高。

表面肌电图能在一定程度上反映神经肌肉的活动，其采集过程对人体是方便无害的。它能适应偏瘫患者生理状况的特殊性。因此，它成为最重要的生物信号之一，它直接反映用户的预期运动，它经常被用作用户瘫痪手臂性能的指示工具。sEMG用于通过估计力、扭矩和角度来检测预期的运动，以产生机器人上肢运动。这将引导用户瘫痪的手臂作为康复治疗。在康复系统中，人的运动意图必须从sEMG不断地识别，并且进一步被作为机器人设备控制命令，使得机器人能够与人的意图相匹配，从而机器人能够执行有效的辅助。许多研究利用EMG信号中蕴含的动作模式信息估计了上肢的关节角。Han等采用了状态空间隐马尔可夫模型和传统的闭环预测校正方法来估计关节与EMG信号的连续运动。Zhang等分别使用主成分分析和独立成分分析来分别分解sEMG模式。采用人工神经网络连续估计肩关节和肘关节的四个关节角度。Yee等人采用了与虚拟人体模型相结合的后传播神经网络来估计肩关节和肘关节的估计角度。Xiao等提出了表面肌电信号的多延迟特征信号，以提高肘关节运动估计的性能，并利用随机森林来提高关节角精度的估计。Ding等提出了一种基于关联的冗余分割方法。建立了运动模型的一般状态空间模型，并提出了一种预测修正算法。Liu等建立了一种基于肌电信号的非线性自回归模型，以连续解码肩部、肘部和手腕运动。然而，这些文献中的运动估计的性能仍然不令人满意，并且对于多关节的同步连续研究仍较少，存在很大的研究空间。

发明内容

本发明针对现有技术中存在识别肩部和手腕的三个关节的同步运动意图方面仍然存在一些困难。其中，肩部和肘部向上肢带来广泛的运动，肩部和肘部在较宽的运动范围内具有比手腕更多的变化。因此，同时估计肩关节和肘关节的自由度更有意义。为了更加准确的对上肢肩关节和肘关节同步连续运动的关节角估计，本发明提出了一种基于肌电信号的上肢同步连续关节角的GA-Elman神经网络估计方法。

本发明首先从相关肌肉组上采集相应的表面肌电信号，然后应用小波去噪对信号进行去噪。我们通过小波包变换提取出32-375Hz(32-63Hz,63-125Hz,125-250Hz,250-375Hz)四个子空间波段的信号，这个波段内的信号特征可以滤除高频噪声和不必要的低频信息。然后计算这四个子空间的小波包能量熵，后将提取到的特征和肩关节角度肘角节角度同时输入两个GA-Elman神经网络，实现肌电信号的上肢肩关节和肘关节同步连续运动的关节角估计。实验结果表明，该方法的估计结果优于其它分类方法。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪得到人体上肢相关肌肉肌电信号，再运用能量阈值确定动作的起始位置和终止位置，获得动作肌电信号。

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。对降噪后的信号进行小波包变换，选取特定频段子空间，计算小波包能量熵，得到sEMG特征。