[发明专利]基于肌电模型和无迹卡尔曼滤波的关节运动估计方法

摘要

本发明涉及到一种基于肌电模型和无迹卡尔曼滤波的关节运动估计方法，首先采集膝关节在连续运动状态下股二头肌、股四头肌、股外侧肌、股内侧肌、半腱肌、股薄肌的肌电信号和实时角度，对其进行带通滤波处理，并提取小波系数和均方根特征，然后使用一种结合了肌肉动力学、关节动力学、骨骼动力学和相关肌电特征的状态空间肌电模型，通过无迹卡尔曼滤波算法，得出Sigma采样集χi和权重Wi，然后进行进一步的预测，计算出系统状态变量和协方差矩阵P(k+1|k)，迭代循环后，实现对膝关节连续运动的估计。该方法与传统的角度估计方法相比，减小了系统误差、累积误差和外部干扰的影响，精度高，稳定性好，对目标机动反应快速，有了明显的改进。

主权项

1.基于肌电模型和无迹卡尔曼滤波的关节运动估计方法，其特征在于，该方法包括如下步骤：步骤一，采集关节连续运动时相关肌肉的肌电信号，即通过肌电信号采集仪采集关节运动时相关肌肉的肌电信号，然后采用带通滤波的方法对原始信号进行预处理；步骤二，根据希尔肌肉模型和关节动力学求出状态空间肌电模型的非线性表达式；该状态空间肌电模型首先对希尔肌肉模型进行参数代替及简化处理，简化处理后的离散时间的预测模型如下：T_s是采样时间，是k时刻的关节角速度，θ_k是k时刻的关节位置，s_i是代替参数，均为常数；然后提取均方根X_rms和小波系数α_j,k组成测量方程作为状态反馈；然后按下式将肌电特征与关节运动拟合；u取值1和2，是离线识别的固定参数，和是时间k的均方根和小波系数；得到最终表达式：其中a_k＝a(k)，ω_k是过程噪声，υ_k是测量噪声，T是采样时间，是关节角加速度，是关节角速度，θ_k是关节位置，是离线识别的固定参数，和是时间k的均方根和小波系数，s_i是均为常数的代替参数；步骤三，根据步骤二的状态空间肌电模型，使用无迹卡尔曼滤波算法对膝关节连续运动进行估计；Sigma采样集χ_i和权重W_i定义如下：其中χ_i是Sigma采样集，W_i是相应权重，是特征状态的均值，n是特征状态维数，P(k)是误差协方差矩阵，是调节参数，并假设ω_k和υ_k均为高斯白噪声；步骤四，对Sigma采样集进行进一步预测，并计算出系统状态变量和协方差矩阵如下：其中是特征状态变量，χ_i(k+1|k)是Sigma采样集，P(k+1|k)是误差协方差矩阵；然后再次运用无迹变换，得出系统残差和卡尔曼增益矩阵如下：其中S_k+1是系统残差，K_k+1是卡尔曼增益矩阵，是进一步预测的特征状态变量，γ_i(k+1|k)是进一步观测的采样集，R是噪声协方差矩阵；步骤五：令k＝k+1，对步骤四进行迭代循环，最终完成对膝关节连续运动的估计。