[发明专利]一种基于肌电信号的人体运动状态识别方法

权利要求书

1.一种基于肌电信号的人体运动状态识别方法，其特征在于包括以下步骤：

①采集肌电信号：将肌电传感器的多个肌电电极片贴在人的大腿和小腿的指定肌肉位置处，肌电传感器按照预设的采集频率分别采集人在行走状态、上楼梯状态、下楼梯状态和弯腰状态的肌电信号，并发送至信号处理模块；

②对肌电信号进行预处理：信号处理模块对一个采集周期内接收到的肌电信号采用巴特沃斯滤波器进行处理得到滤波处理后的肌电信号，再对滤波处理后的所有肌电信号按照预设的时间窗长度依次滑动进行时间窗截取处理，得到与每个时间窗对应的一组时间窗肌电时间序列信号；

③信号处理模块将所有时间窗肌电时间序列信号转换为肌电灰度图像：根据每组时间窗肌电时间序列信号获取对应的由每个肌电信号的幅值组成的幅值序列组，将幅值序列组中的所有元素按顺序排列形成一个M×N的肌电矩阵，其中M表示肌电矩阵的行数，N表示肌电矩阵的列数，对每个肌电矩阵进行归一化处理得到归一化的肌电矩阵，构造与每个肌电矩阵对应的肌电灰度图像，该肌电灰度图像的像素点的行数为M行，列数为N列，该肌电灰度图像中的每个像素点的灰度值为在归一化的肌电矩阵中与该像素点所在的行数和列数均相同的元素的数值；

④在信号处理模块中采用卷积神经网络实现当前人体运动状态识别：将肌电灰度图像实时输入到卷积神经网络中，并且采用softmax作为分类器对肌电灰度图像进行运动状态分类，得到肌电灰度图像被分类到行走状态、上楼梯状态、下楼梯状态和弯腰状态中的各个运动状态的概率，将其中数值最大的概率所对应的运动状态作为当前的人体运动状态，完成识别过程。

2.根据权利要求1所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的步骤②中采用的巴特沃斯滤波器为其中ω表示为预设的采集频率，ω_c表示截止频率，H(ω)表示振幅频率，s表示巴特沃斯滤波器的阶数。

3.根据权利要求1或2所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的预设的采集频率为1000Hz。

4.根据权利要求2所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的巴特沃斯滤波器的阶数s为2阶。

5.根据权利要求2所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的巴特沃斯滤波器为带通滤波器。

6.根据权利要求2所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的截止频率的上截止频率为450Hz，下截止频率为20Hz。

7.根据权利要求1所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的步骤③中具体的归一化处理方法为：将每个肌电矩阵第i行第j列的元素的值记为VEMG(i，j)，1≤i≤M，1≤j≤N，对肌电矩阵进行归一化处理后得到归一化的肌电信号幅值VEMG_after(i，j)，其中min(VEMG)表示该肌电矩阵中的最小元素值，max(VEMG)表示该肌电矩阵中的最大元素值。

8.根据权利要求1所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的步骤④中所述的卷积神经网络的具体方法为：

A对肌电灰度图像采取卷积操作，提取肌电灰度图像中的特征值C_x，y(Θ)，其中x表示像素点横坐标，y表示像素点纵坐标，m表示行变量，n表示列变量，Θ_{x+m-1，y+n-1}表示第x+m-1行、第y+n-1列的像素点的灰度值，P_m，n表示第m行、第n列的像素点的高斯卷积函数权值，r表示高斯卷积函数的行数；

B采用均方根池化策略对特征值进行特征降解得到降解后的特征矩阵。

9.根据权利要求1所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的步骤④中肌电灰度图像被分类到行走状态、上楼梯状态、下楼梯状态和弯腰状态中的各个运动状态的概率的具体方法为：定义肌电灰度图像被分类到行走状态的概率为d₁，定义肌电灰度图像被分类到上楼梯状态的概率为d₂，定义肌电灰度图像被分类到下楼梯状态的概率为d₃，定义肌电灰度图像被分类到弯腰状态的概率为d₄，其中Z₁表示降解后的特征矩阵的第一个特征值，Z₂表示降解后的特征矩阵的第二个特征值，Z₃表示降解后的特征矩阵的第三个特征值，Z₄表示降解后的特征矩阵的第四个特征值。