[发明专利]一种用于手腕动作识别的生物启发式网络模型设计方法

说明书

本发明涉及运动生物学领域，尤其涉及一种用于手腕动作识别的生物启发式网络模型设计方法，该方法包括：步骤1，建立以肌电信号到腕部关节自由度的网络模型；步骤2，采用以生物学知识为导向的网络参数初始化规则对网络模型的参数初始化；步骤3，基于反向传播算法优化网络模型的参数；步骤4，识别腕部动作。本发明以运动生物学的知识构建网络模型，逐层解析肌肉群激活度、单一肌肉激活度、关节激活度，最终获得手腕动作，能够提升动作识别的准确率及识别过程的透明度，还有利于促进人体运动，特别是手部运动相关理论的研究与发展以及促进肌电信号解码在康复医疗、人机交互等发明的应用。

技术领域

本发明涉及运动生物学领域，尤其涉及一种用于手腕动作识别的生物启发式网络模型设计方法。

背景技术

人体手势动作的产生是一个相当复杂的过程。近年来，随着人机交互的发展，以及计算机技术的迅速发展，手势识别技术在假肢医疗、康复训练、运动锻炼中广泛运用。基于肌电信号的手势识别往往采用以多特征为输入、以“黑盒”式模式识别算法为分类器的方式进行识别。因此，模型本身不具有解释性，即无法提供单一肌肉激活度及单一关节的激活度。此外，传统方法受外部因素的干扰严重，在不同场景应用中稳定性较差。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种用于手腕动作识别的生物启发式网络模型，其具体技术方案如下。

一种用于手腕动作识别的生物启发式网络模型设计方法，包括如下步骤：

步骤1，建立以肌电信号到腕部关节自由度的网络模型；

步骤2，采用以生物学知识为导向的网络参数初始化规则对网络模型的参数初始化；

步骤3，基于反向传播算法优化网络模型的参数；

步骤4，识别腕部动作。

进一步的，所述步骤1具体为：构建网络模型，包括：第一层为肌肉群激活层，第二层为单肌肉激活层和第三层为肌肉骨骼层，所述网络模型的输入层为肌肉群激活层，输入为肌电信号MAV特征值，肌肉群激活度为最终输出层是肌肉骨骼层，输出为腕部关节自由度的运动状态，骨骼关节的自由度状态单肌肉激活层为隐藏输出层，输出是单肌肉激活度，是单肌肉激活层中的节点数其中，n₀是输入层中节点的数量，即sEMG通道的数量，n₁是单肌肉激活层中的节点数，即涉及的肌肉数，n₂是肌肉骨骼层中节点的数量，即涉及的腕部关节自由度数量；骨骼关节状态y_i表示每个关节自由度的角度。

进一步的，所述步骤2具体为：

定义一块肌肉对电极捕获的sEMG信号的贡献与电极与肌肉之间的距离成反比，从距离中推导出生物权重是肌肉对肌肉群激活的贡献率，通过人体前臂肌肉三维建模及电极位置的定位，得到计算距离：

其中Ω_j是肌肉j的空间集，为电极i放置位置，距离与肌肉贡献率成反比，距离d越小，肌肉贡献率就越大；

对参数进行初始化，表达式为：

其中α为可调整的系数，其中归一化的距离为:

其中max取其最大值，min取其最小值。

根据解剖学知识，涉及腕部六个手势动作的前臂肌肉主要由9块肌肉组成，控制着腕部的三个自由度包括旋前/旋前(PRO/SUP)，屈曲/伸展(FLE/EXT)和桡侧/尺侧偏移(RD/UD)的运动，是指肌肉对于关节自由度的贡献率，初始化公式如下：