[发明专利]一种基于肌肉协同和LSTM神经网络的人体关节角度预测方法

权利要求书

1.一种基于肌肉协同和LSTM神经网络的人体关节角度预测方法，其特征在于包括如下步骤：

1)肌电信号与关节角度的原始数据采集与预处理；

2)用矩阵分解算法进行肌肉协同特征提取；

3)构建LSTM神经网络模型并进行训练；

4)对神经网络模型进行测试并分析结果。

2.如权利要求1所述一种基于肌肉协同和LSTM神经网络的人体关节角度预测方法，其特征在于步骤1)中肌电信号数据的采集与预处理的具体操作过程如下：选择三角肌前束、肱二头肌、桡侧腕屈肌三块肌肉，酒精擦拭消毒并采用肌电专用磨砂膏去角质后，将肌肉传感器顺肌肉纹理粘贴，连续7天记录完成弯曲关节动作的原始肌电信号，使用20-500Hz的四阶巴特沃斯带通滤波器滤除原始信号中低于20Hz的低频噪声和高于500Hz的高频噪声，然后，使用50Hz的陷波滤波器去除信号中的工频噪声并对信号进行全波整流和去均值处理。

3.如权利要求1所述的一种基于肌肉协同和LSTM神经网络的人体关节角度预测方法，其特征在于步骤1)中关节角度数据采集与预处理的具体操作过程如下：为保证肌电信号与角度信号的同步性，角度信息采用加速度计测量加速度后计算得出，传感器XYZ三轴的输出由外力和重力共同决定，假设传感器三轴输出分别为Ax、Ay、Az，重力加速度为g，合外力加速度为a，则传感器在三轴方向上的输出应分别为

acosα+gcosα_g＝A_x    (1)

acosβ+gcosβ_g＝A_y    (2)

acosγ+gcosγ_g＝A_z    (3)

式中α、β、γ表示传感器合外力加速度与传感器三个轴的夹角，αg、βg、γg表示重力加速度与传感器三个轴的夹角，

关节运动角度θ_r为αg的余角，

为排除误差，对加速度传感器做重力标定，并对采集结果做低通滤波处理。

4.如权利要求1所述的一种基于肌肉协同和LSTM神经网络的人体关节角度预测方法，其特征在于步骤2)的具体操作方法如下：MCR-ALS通过自建模混合分析得到MCR-ALS的初始矩阵，自建模混合分析方法通过计算信号样本的纯变量值并寻找最大纯变量值来确定纯变量矩阵，利用纯变量矩阵计算出肌电信号D分解的初始矩阵C、S，纯变量是基于具有最大标准差与均值之比的变量，

其中，i为所测量肌肉的数量，j为提取的协同数量，p为纯变量的值，和为变量i的均值和标准差，α为范围是u的1％-5％的常数，被加到分母上避免变量水平噪声平均值的问题，权重因子ω用来对先前选择的纯变量进行校正，采用交替最小二乘法根据方程(6)和方程(7)优化初始分辨率，在迭代过程中，施加了非负约束，迭代次数达到1000次时停止迭代，

C＝(DS^T)(SS^T)^-1        (6)

S＝(C^TC)^-1C^TD          (7)。