基于肌电小波包分解和GABP的人体关节角度预测方法技术

本发明专利技术涉及一种基于肌电小波包分解和GABP的人体关节角度预测方法。首先，获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号。接着对动作信号段的原始肌电信号进行小波降噪得到有效表面肌电信号。将获取的有效肌电信号进行小波包分解，获得各层小波系数。计算各层小波系数的均方根和排列熵特征，作为预测网络的输入。然后构建GABP网络预测模型。使用遗传算法来对BP神经网络模型进行参数训练，得到最优初始化权值和阈值。最后进行网络训练，将提取的特征值分为训练集与测试集,使用训练集训练好网络之后,再使用测试集验证预测准确率。实验结果表明，该方法获得了较高的人体关节角度预测率。

Prediction method of human joint angle based on EMG wavelet packet decomposition and GABP

【技术实现步骤摘要】
基于肌电小波包分解和GABP的人体关节角度预测方法
本专利技术属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种基于肌电小波包分解特征和GABP网络的人体关节角度预测方法。
技术介绍
对于那些因脊髓损伤spinalcordinjurySCI、创伤性脑损伤raumaticbraininjuryTBI或中风而身体瘫痪的患者来说，康复训练是必不可少的。身体瘫痪会限制患者进行日常生活活动，从而导致生活质量低下。康复训练是指不断地训练某人，使他能够恢复因疾病而失去的运动功能。康复训练应该在患者病情稳定后就立即开始，在运动功能得到恢复之后才结束。近年来，为了恢复失去的运动功能，提高生活质量，科研人员研发了多种下肢康复系统。康复系统有各种各样的实现形式，如康复机器人，虚拟现实方法，结合机器人和虚拟现实方法等。然而研究发现，除非系统与生物反馈相结合，否则该康复系统无法提供快速和有效的康复治疗。因此，近几十年来许多研究人员将人体生物信号作为康复系统中的生物反馈加以整合。就生物信号而言，大多数研究人员利用肌电EMG信号作为生物反馈来预测训练者预期的运动。肌电信号主要测量训练者的肌肉运动信息，并将它实时传递给康复系统，以提高系统对相关运动的控制准确性。通常，研究人员建立表面肌电和关节角度的回归模型来将康复系统与生物反馈相结合。这种方法中，研究人员经常使用神经网络来构建回归模型用于预测人体关节角度。JoshiD.等人应用一阶Sugeno型自适应神经模糊推理系统ANFIS对不同行走速度下的对侧膝关节角度进行预测，得到预测误差为3.4±1.4°。ArdestaniM.M.等人建立多维小波神经网络WNN预测模型来计算下肢关节力矩，并与多体动力学方法进行比较。LeeJ.W.等人。采用多层神经网络对步态角度进行估计，结果表明，预测步态角的绝对平均误差为0.25°。本专利技术利用了肌电小波包分解特征并且构建GABP网络来对人体关节角度进行预测。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于肌电小波包分解特征和GABP网络的人体关节角度预测方法。首先，先利用表面肌电信号采集仪获取到与人体膝和踝关节伸屈运动相关的肌肉表面肌电信号，利用红外高感摄像头捕捉人体运动信息获得实际角度信号。再使用能量阈值法找到每个动作的起始位置和终止位置，获取原始肌电信号和实际角度信号。接着对动作信号段的原始肌电信号进行小波降噪得到有效表面肌电信号。将获取的有效肌电信号进行小波包分解，获得各层小波系数。计算各层小波系数的均方根RMS和排列熵PE特征，将这些特征值作为预测网络的输入。然后构建GABP网络预测模型。通过实验确定BP神经网络为单隐藏层的三层网络，并确定隐藏层节点数和激活函数。然后使用遗传算法GA来对BP神经网络模型进行参数训练，得到最优初始化权值和阈值。最后进行网络训练，将提取到特征值分为训练集与测试集,使用训练集训练好网络之后,再使用测试集验证预测准确率。实验结果表明，该方法获得了较高的人体关节角度预测率。为了实现以上目的，本专利技术方法主要包括以下步骤：步骤(1).获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号。具体操作为：先利用表面肌电信号采集仪获取到与人体膝和踝关节伸屈运动相关的肌肉表面肌电信号，利用红外高感摄像头捕捉人体运动信息获得实际角度信号。再使用能量阈值法找到每个动作的起始位置和终止位置，获取原始肌电信号和实际角度信号。步骤(2).将步骤(1)获取的原始表面肌电信号进行小波降噪。具体操作为：首先将原始肌电信号进行多尺度小波分解。然后选定阈值ε滤除各尺度上由噪声产生的分量。最后利用小波逆变换重构原始信号作为有效肌电信号。s(t)＝f(t)+ε·e(t)，t＝0，1，…，n-1式中，s(t)为原始肌电信号，f(t)为有效肌电信号，e(t)为噪声信号，步骤(3).将步骤(2)获取的有效肌电信号s(t)进行小波包分解，获得各层小波系数sij。i表示当前分解层数，表示小波系数在该层的位置。步骤(4).计算步骤(3)中获得的各层小波包系数sij的均方根RMS和排列熵PE特征。均方根RMS是肌电图的临床应用的一个指标，能够表征该信号段能量的大小，它的表达式如下：xt为t时刻的小波包系数幅值。为了同步膝关节角度数据的频率，我们对各层小波包系数进行子采样处理。N表示每N个系数进行子采样。排列熵PE提取步骤如下：1)给定一段时间序列{xk,k＝1,2,…,T}，T是数据长度。2)设定嵌入维数为m，则其中的一个子序列为其中τ为延迟时间。3)把xt按升序排列为如下则xt的排序模型为j1,j2…jm,该排序模型只是m！种排序模型中的一种。设该排序模型为π，共有T-m+1种排列模型，则该排序模型在这个序列中出现的概率为4)最终的排序熵定义为步骤(5).构建GABP网络预测模型。首先确定BP神经网络为单隐藏层的三层网络，并确定隐藏层节点数和激活函数。然后采用GA优化BP网络参数算法，利用GA对BP进行参数训练，得到最优初始化权值和阈值。GA优化BP网络参数算法如下：步骤(6).人体下肢关节角度预测。首先由步骤(4)计算小波包变换各层系数的RMS和PE特征作为输入信号。然后通过步骤(5)确定GABP网络的拓扑结构，将输入信号分为训练集和测试集两组，用训练集训练预测网络。最后得到训练完成的GABP预测模型，将测试集数据输入该预测模型完成人体关节角度的预测。本专利技术与已有的诸多肌电信号的特征提取方法相比，具有如下特点：小波包分析能够为分析肌电信号提供一种更加精细的方法。小波包分析将时频域划分得更为细致，它对信号的高频部分的分辨率比二进小波要高。在小波包分解系数的基础上再进行肌电特征提取，提高信肌电号的分析能力。预测模型选用GA算法来确定BP网络最佳初始化参数，使网络训练变的更加准确和快速。最后将小波包系数的特征值作为输入来训练GABP网络，可以得到令人满意的关节角度预测效果。附图说明图1为本专利技术的实施流程图；图2为本专利技术对肌电信号进行小波包分解示意图；图3为本专利技术对肌电信号小波包系数求取RMS的特征分布图；图4为本专利技术对肌电信号小波包系数求取PE的特征分布图；图5为本专利技术的GABP网络构建流程图；图6(a)、(b)为本专利技术对肌电信号提取的小波包系数特征利用GABP网络进行膝关节角度预测图；图7(a)、(b)为本专利技术对肌电信号提取的小波包系数特征利用GABP网络进行踝关节角度预测图；具体实施方式下面结合附图对本专利技术的实施例作详细说明：本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本实施例包括如下步骤：步骤一，获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角本文档来自技高网...

【技术保护点】
1.基于肌电小波包分解和GABP的人体关节角度预测方法，其特征在于，该方法包括如下步骤：/n步骤(1).获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号；/n步骤(2).将步骤(1)获取的原始表面肌电信号进行小波降噪；利用小波逆变换重构原始信号作为有效肌电信号s(t)；/n步骤(3).将步骤(2)获取的有效肌电信号s(t)进行小波包分解，获得各层小波包系数s

【技术特征摘要】
1.基于肌电小波包分解和GABP的人体关节角度预测方法，其特征在于，该方法包括如下步骤：
步骤(1).获取人体膝和踝关节伸屈运动的表面肌电信号数据和实际角度信号；
步骤(2).将步骤(1)获取的原始表面肌电信号进行小波降噪；利用小波逆变换重构原始信号作为有效肌电信号s(t)；
步骤(3).将步骤(2)获取的有效肌电信号s(t)进行小波包分解，获得各层小波包系数sij；i表示当前分解层数，j表示小波系数在该层的位置；
步骤(4).计算步骤(3)中获得的各层小波包系数sij的均方根RMS和排列熵PE特征；
均方根RMS是肌电图的临床应用的一个指标，表征该信号段能量的大小，它的表达式如下



xt为t时刻的小波包系数幅值；为了同步膝关节角度数据的频率，对各层小波包系数进行子采样处理；N表示每N个系数进行子采样；
排列熵PE提取步骤如下：
1)给定一段时间序列{xk,k＝1,2,…,T}，T是数据长度；
2)设定嵌入维数为m，则其中的一个子序列为



其中τ为延迟时间；
3)把xt按升序排列为如下



则xt的排序模型为j1,j2…jm,该排序模型只是m！种排序模型中的一种；设该排序模型为π，共有T-m+1种排列模型，则该排序模型在这个序列中出现的概率为



4)最终的排序熵定义为



步骤(5).构建GABP网络预测模型；首先确定BP神经网...

【专利技术属性】
技术研发人员：王力鹏，王俊宏，席旭刚，郝奇奇，刘晓云，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33