一种基于人体表面肌电信号的躯干动作意图识别方法技术

本发明专利技术公开一种基于人体表面肌电信号的躯干动作意图识别方法，包括：采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；对所述特征空间降维；对降维后的数据利用分类回归树方法形成决策树分类器进行分类，输出动作模式识别结果；采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。本发明专利技术能够有效地识别人体躯干动作意图，通过采用滑动重叠窗口分析实现了较低的识别错误率，能将识别延迟时间控制在用户所能察觉的阈值内。

【技术实现步骤摘要】
一种基于人体表面肌电信号的躯干动作意图识别方法
本专利技术涉及动作模式识别
，具体涉及一种基于人体表面肌电信号的躯干动作意图识别方法。
技术介绍
机器人技术的最新进展使得研发作为人体延伸的外骨骼系统成为可能。到目前为止，增强型上下肢外骨骼一直是该领域研究的焦点。一个脊椎动力外骨骼可以通过增强一个人的承载能力从而使很多人群从中收益，尤其是那些完成诸如屈曲或伸展等日常活动非常困难的人群，例如重物搬运工和身患如截瘫和偏瘫的残疾人群等，外骨骼可以帮助该类人群自由站立和行走，带来的好处显而易见。并且，最重要的是外骨骼设备的直觉控制，这样用户可以把精力更多的投入到日常生活中而不必担心外骨骼的操作。但是目前的外骨骼技术仍然限制了躯干的自然运动，因为上下肢之间由一个刚性脊柱连接，这将极大地限制了用户能够参与的日常活动。目前两种推断用户动作意图的方法是通过在设备关节中嵌入机械传感器，或者通过惯性测量和表面肌电信号(sEMG)。表面肌电信号由肌肉纤维在收缩过程中的电活动产生，并在皮肤表面被检测出来。因为每一个动作对应于肌肉组织的特定激活模式，因此可以通过放置在相关肌肉上的电极所采集的多通道肌电信号来确定用户的动作意图。因此，表面肌电信号是动力假肢、外骨骼和康复机器人的重要控制信号输入。目前已有许多基于肌电信号模式识别的动力假肢控制方法研究，例如：基于高斯混合模型分类法的上肢动力假肢肌电控制；利用表面肌电信号对假肢膝关节意念控制的方法。另一些研究者着重描述了基于肌电信号的模式识别方法的发展，例如：基于肌电信号的人工神经网络(ANN)和线性判别分析(LDA)运动模式识别方法；多功能肌电控制的鲁棒实时控制方法；基于肌电生物信号接口的实时手势识别方法。除了压力和力传感器外，目前的假肢装置主要利用安装在设备和身体不同位置上的传感器采集的用户身体表面肌电信号来识别用户动作意图。然而目前在采用用户身体表面肌电信号来识别用户动作意图方面，存在不足，导致识别结果不够理想。
技术实现思路
本专利技术的目的是针对现有技术中存在的技术缺陷，而提供一种基于表面肌电信号和惯性测量的方法对训练数据进行分类的智能动力脊椎外骨骼的实时动作意图识别方法，其能够区分用户不同的动作意图模式，如屈曲、伸展和扭动躯干且识别准确度高，可以作为脊椎动力外骨骼的高级监控控制器使用。为实现本专利技术的目的所采用的技术方案是：一种基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，包括以下步骤：采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；对所述特征空间降维；对降维后的数据利用分类回归树方法形成的决策树分类器进行分类，输出动作模式识别结果；采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。所述惯性测量数据包括位置、速度、加速度数据。所述预处理依次包括通过截止频率为5Hz的8阶巴特沃斯高通滤波器消除直流偏移，降低最终的运动伪影；之后通过截止频率为20Hz的8阶巴特沃斯滤波器对信号进行全滤整流和低通滤波，消除高频噪声和干扰以获得较为平滑的信号；根据信号的最大幅值将表面肌电信号幅度归一化到(0，1)之间；对应的，惯性测量数据将被归一化到(-1，1)之间。所述降维采用PCA降维算法。所述惯性测量数据从动作捕捉系统记录的动作捕捉数据中模拟获得，表面肌电信号使用商业sEMG测量系统获得；动作捕捉系统与商业sEMG测量系统是同步的，以确保所有采集数据具备相同的时间戳。所述采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出的步骤如下：首先将N个分类器决策结果存储在表决向量中，其次将N个分类器决策结果中发生率大于预定比率的动作模式将作为最终动作模式输出结果，否则维持上一次的最终动作模式输出结果。本专利技术使用sEMG(人体表面肌电信号)作为输入信号和计算效率较高的CART(分类回归树)作为分类器，能够有效地识别人体躯干动作意图。通过采用滑动重叠窗口分析实现了较低的识别错误率，并且能够在215ms内提取用户的动作意图，将识别延迟时间控制在用户所能察觉的阈值之内。附图说明图1A-1B是sEMG电极的位置示意图；图2是反射标记与标记簇的位置示意图；图3是过度拟合的影响图；图410折交叉验证剪枝法的效果图。图5是五个受试者不同窗口长度的识别错误率；图6是90s测试数据流对应的实际动作模式以及对应的识别结果(窗口长度为30ms，表决向量长度为38)的比较；图7是120s的测试数据流对应的实时动作模式的识别结果；图8是几个实验对象的识别错误率的比较图。具体实施方式以下结合附图和具体实施例对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。意图识别也称为目标识别，是通过分析用户的部分或全部动作和/或基于某种分类器分析由用户动作引起的状态变化来识别用户动作意图的任务。为了训练和使用分类器，需要确定合适的传感器集，适当窗口长度的传感器数据流以及从每个窗口提取的合适的特征集。此外，需要一个合适的数据降维方法来确保算法的实时性。该决策树分类器被用来实时地决定用户在某一时刻可能性最大的动作。最后，识别结果将会通过多数表决机制来实现低通滤波，以滤除噪音，提高分类精度。一种基于人体表面肌电信号的躯干动作意图识别方法，包括以下步骤：S101,采集实验对象的表面肌电信号及惯性测量数据(包括位置、速度、加速度数据)，并对原始数据流进行预处理，其中，所述预处理的方法可以是包括高通滤波、低通滤波、校正和归一化等方法；S102,通过滑动重叠窗口从每个传感器信道选择计算代价较低并能导致分类准确率较高的特征，将相对较长的窗口浓缩成少量信息丰富的特征，通过计算获得需要的特征空间；S103,对所述的特征空间降维。降维是为了保留最重要的数据信息，减少后续分类器的训练时间，方便实时系统的实现。优选的本申请采用PCA作为降维算法。S104,对降维后数据进行分类：具体是采用CART(分类回归树)作为决策树分类器，其基本原理为选择一个简单、紧凑且节点较少的树。奥卡姆剃刀原理表明，能够解释数据的最简单的模型应作为首选，因此，定义术语“不纯度”以确保数据到达直系后代节点尽可能纯净。用i(N)表示节点N的不纯度，在所有情况下，如果到达节点的所有模式都具有相同的类别标签，i(N)的值应为0，如果类别标签均衡分配，那么i(N)的值最大。最常用的不纯度测量方法是熵不纯度，计算公式如下：其中P(ωj)是在节点N中类别ωj的模式比例。算法通过对训练数据集进行递归二元分裂来生成CART。数据被划分成越来越小的代表树中节点的子集，直到所有节点都是纯净的。通常用Gini不纯度作为分裂判据，计算公式如下：i(N)表示节点N的不纯度，P(ωj)是在节点N中类别ωj的模式比例。二元决策树训练完毕后，为避免过度拟合，采用10折交叉验证法(CV)对树进行修剪。这样一来，当分类器应用到未知数据时将具备很强的泛化能力。S105,采用多数表决机制对前述步骤中输出的动作模式识别结果进行噪声滤除，提高分类精度。具体的，是在多数表决系统中，N个分类器决策结果被存储在表决向量中，在N本文档来自技高网...

【技术保护点】
1.一种基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，包括以下步骤：采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；对所述特征空间降维；对降维后的数据利用分类回归树方法形成的决策树分类器进行分类，输出动作模式识别结果；采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。

【技术特征摘要】
1.一种基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，包括以下步骤：采集对象的表面肌电信号及惯性测量数据，并预处理形成归一化数据；通过滑动重叠窗口从每个动作对应的归一化数据中选择预定特征，通过计算获得需要的特征空间；对所述特征空间降维；对降维后的数据利用分类回归树方法形成的决策树分类器进行分类，输出动作模式识别结果；采用多数表决机制对输出的动作模式识别结果进行噪声滤除，将最终动作模式识别结果输出。2.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述惯性测量数据包括位置、速度、加速度数据。3.根据权利要求1所述基于人体表面肌电信号的躯干动作意图识别方法，其特征在于，所述预处理依次包括通过截止频率为5Hz的8阶巴特沃斯高通滤波器消除直流偏移，降低最终的运动伪影；之后通过截止频率为20Hz的8阶巴特沃斯滤波器对信号进行全滤整流和低通滤波，消除高频噪声和干扰以获得较为平滑的...

【专利技术属性】
技术研发人员：张涵跃，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津,12