一种基于深度学习的多自由度同步肌电控制方法技术

一种基于深度学习的多自由度同步肌电控制方法，它属于肌电控制技术领域。本发明专利技术解决了现有的多自由度同步肌电控制研究模型存在的仅针对一个自由度的信息进行学习、缺少自由度之间的相互联系，提取肌电信号特征时伴随着肌电信号中信息缺失的问题。本发明专利技术同步采集与保存受试者的手腕原始肌电信号以及对应运动信息，并基于一维卷积神经网络建立初始的多自由度同步肌电控制模型，将采集的原始肌电信号输入初始多自由度同步肌电控制模型，对应将每组手腕运动信息作为输出目标，以获得训练好的多自由度同步肌电控制模型；采集受试者的手腕原始肌电信号输入最终的多自由度同步肌电控制模型，即可预测手腕的运动信息，即可将运动信息应用于机械手臂控制。

【技术实现步骤摘要】
一种基于深度学习的多自由度同步肌电控制方法
本专利技术属于肌电控制
，具体涉及一种基于深度学习的强适应性多自由度同步肌电控制方法。
技术介绍
运动信息解码方法是通过分析肌电信号，推算实际的运动信息的一种预测方法。当生物体控制肌肉运动时，肌肉中的运动单元会对中枢神经系统传递的信息作出反应并产生收缩，在这一过程中伴随着的电活动效应能够被电极采集，被称作肌电信号(Electromyography，EMG)，在一定程度上能够反映使用者的控制意图。通过采集并分析肌电信号，能够预测使用者的动作。当前比较成熟的肌电控制方法可分为开关式、编码、及模式识别这三类。开关式将肌电信号转换成随时间变化的幅值信息，通过事先设定的阈值将幅值信息转化成控制信号，然而阈值会根据实际状况发生变化，同时能够得到的只是一个开关信息，包含的信息量很少；编码方法通过识别用户一段时间内，不同动作组合成的编码，完成对特定动作的选择，能够对应多种的动作，但是要求操作者记忆并完成这些编码，使用难度较大，并且会产生严重的延迟；模式识别方法通过对肌电信号进行特征提取，将肌电信号映射至低维空间，通过学习得到的分类算法获得当前肌肉运动本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多自由度同步肌电控制方法，其特征在于，该方法的具体步骤为：步骤一、原始肌电信号以及对应运动信息的同步采集与保存；步骤二、基于一维卷积神经网络建立初始的多自由度同步肌电控制模型；步骤三、将步骤一采集的各组实验数据的原始肌电信号分别输入步骤二建立的初始多自由度同步肌电控制模型，对应的将每组实验数据的运动信息作为输出目标，经过训练获得最终的多自由度同步肌电控制模型；步骤四、采集受试者的原始肌电信号，将原始肌电信号输入训练后的多自由度同步肌电控制模型，得到训练后的多自由度同步肌电控制模型输出的运动信息；步骤五、根据待控制的目标机械手臂的关节控制速度参数，将步骤四输出的运动信息乘以...

【技术特征摘要】
1.一种基于深度学习的多自由度同步肌电控制方法，其特征在于，该方法的具体步骤为：步骤一、原始肌电信号以及对应运动信息的同步采集与保存；步骤二、基于一维卷积神经网络建立初始的多自由度同步肌电控制模型；步骤三、将步骤一采集的各组实验数据的原始肌电信号分别输入步骤二建立的初始多自由度同步肌电控制模型，对应的将每组实验数据的运动信息作为输出目标，经过训练获得最终的多自由度同步肌电控制模型；步骤四、采集受试者的原始肌电信号，将原始肌电信号输入训练后的多自由度同步肌电控制模型，得到训练后的多自由度同步肌电控制模型输出的运动信息；步骤五、根据待控制的目标机械手臂的关节控制速度参数，将步骤四输出的运动信息乘以关节运动最大速度的四分之一，以转化成控制目标机械手臂相应关节的速度信息；将得到的速度信息输入到机器人系统的驱动器中，由机器人控制系统进行规划，实现对目标机械手臂相应关节动作的控制。2.根据权利要求1所述的一种基于深度学习的多自由度同步肌电控制方法，其特征在于，所述步骤一的运动信息与肌电信号同步采集与保存的具体过程为：选取不少于9名受试者参与数据采集，受试者的每只手臂上各需要采集不少于3组肌电信号数据，且两只手臂交替采集数据；即在采集完一组数据之后，电极被取下、并安放在另一只手臂上进行数据采集；电极重复穿戴过程中会与上一次的安放位置存在不大于1cm的偏移；通过十字激光发射器将手腕的3个自由度的运动信息转化为投影在屏幕上的光标的水平移动、垂直移动和角度旋转的运动信息；在采集数据时，最多只要求操作者同时规划2个自由度的动作轨迹，而对3自由度同时运动的...

【专利技术属性】
技术研发人员：杨大鹏，杨威，顾义坤，李佳铭，刘宏，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23