[发明专利]一种基于sEMG的不同负载下手腕角度预测方法及装置

说明书

本发明涉及一种基于sEMG的不同负载下手腕角度预测方法及装置，本发明首先采集手腕表面肌电信号以及手腕角度；通过梳状滤波器以及小波滤波对信号进行预处理，得到最优的表面肌电信号以及角度信号；提取手腕表面肌电信号的时域特征以及频域特征，分析两种特征性质并对其进行特征组合，得到最优的特征组合方式；利用PCA降维技术对组合特征进行处理，去除冗余特征，并进行信号同步化定位，完成信号的归一化处理；最后将得到的特征输入到经过遗传算法优化的极限学习机网络中，得到手腕角度的预测结果。本发明充分考虑时域和频域特征来实现特征组合，可以在复杂的坏境下准确读取手腕信息，实现人机交互识别。

技术领域

本发明涉及信号处理与人工智能交互领域，特别涉及一种基于sEMG的不同负载下手腕角度预测方法。

背景技术

在表面肌电信号(Surface Electromyography，sEMG)模式识别领域中，目前研究大部分聚焦在不同肢体的静态模式定性识别，针对肢体特定的任务动作。但是在实际应用过程中，除了需要知道肢体的动作外，还需要了解负载强度的变化以及关节角度运动位置信息，传统的静态定性模式识别无法调整运动幅度以及负载强度，从而无法对关节角度进行精准预测。

鉴于此需要一种手腕关节角度预测的有效方法，克服关节角度变化以及负载变化带来的影响，提高角度预测的准确性。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于sEMG的不同负载下手腕角度预测方法，充分利用不同特征之间的差异，综合考虑每一种特征的优缺点，完成最优的特征组合，可以实现复杂环境下的角度预测。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种基于sEMG的不同负载下手腕角度预测方法，包括以下步骤：

S1，通过表面肌电采集仪采集原始手腕表面肌电信号，并通过角度传感器采集相应的角度信息；

S2，对表面肌电信号以及角度信号进行工频噪声滤波处理，在工频滤波的基础上，运用小波滤波算法对整个频段信号进行滤波处理；

S3，通过对时域以及频域特征进行过滤处理，构建具有最大相关性的肌电特征集；利用主成分分析算法对特征组合信号进行降维处理，去除冗余通道特征，并进行信号同步化定位和归一化处理，得到最佳肌电特征组合；

S4，将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中，预测手腕角度变化。

第二方面，本发明提供一种基于sEMG的不同负载下手腕角度预测装置，包括：

信号采集模块，通过表面肌电采集仪采集原始手腕表面肌电信号，并通过角度传感器采集相应的角度信息；

滤波模块，对表面肌电信号以及角度信号进行工频噪声滤波处理，在工频滤波的基础上，运用小波滤波算法对整个频段信号进行滤波处理；

特征组合构建模块，通过对时域以及频域特征进行过滤处理，构建具有最大相关性的肌电特征集；利用主成分分析算法对特征组合信号进行降维处理，去除冗余通道特征，并进行信号同步化定位和归一化处理，得到最佳肌电特征组合；

预测模块，将所述最佳肌电特征组合输入到遗传算法优化的极限学习机网络模型中，预测手腕角度变化。

第三方面，本发明提供一种电子设备，包括：

存储器，用于存储计算机软件程序；

处理器，用于读取并执行所述存储器中存储的计算机软件程序，从而实现本发明第一方面所述的一种基于sEMG的不同负载下手腕角度预测方法。

第四方面，本发明提供一种非暂态计算机可读存储介质，该存储介质中存储有用于实现本发明第一方面所述的一种基于sEMG的不同负载下手腕角度预测方法的计算机软件程序。