基于随机向量功能连接网络技术的人体肌音信号预测方法技术

本发明专利技术涉及基于随机向量功能连接网络技术的人体肌音信号预测方法，与现有技术相比解决了肌音信号去噪处理不彻底以及预测算法精度低、复杂度高等缺陷。本发明专利技术包括以下步骤：人体肌音分信号的获取；肌音信号的整合；整合肌音信号的去噪处理；随机向量功能连接网络模型的构建与训练；整合肌音信号的预测。本发明专利技术能够通过可穿戴肌音信号传感器采集人体肘关节的肌音信号，快速地实现肌音信号的获取及准确预测。

Prediction method of human muscle tone signal based on random vector function connection network technology

【技术实现步骤摘要】
基于随机向量功能连接网络技术的人体肌音信号预测方法
本专利技术涉及信号处理
，具体来说是基于随机向量功能连接网络技术的人体肌音信号预测方法。
技术介绍
人体肌音信号(Mechanomyography，MMG)，作为一种用于研究肌肉功能的生物信号，是由肌肉收缩产生的加速度信号，当人体肌肉收缩时肌肉纤维的横截面发生变化，产生横向低频的震动，传到皮肤表面会发出声音，其信号的强度与肌肉紧张程度成正比。肌音信号是一种具有非线性以及非平稳特征的时间序列信号，其中活动的肌肉纤维颤搐可线性或非线性地累加起来。肌音信号已被广泛应用于研究肌肉疲劳肌力检测、人体康复工程、模式识别等领域，相比于传统使用的肌电信号(Electromyographic，EMG)，肌音信号具有如下优点：(1)由于其传播特性使得传感器的安放位置无需像肌电信号传感器安放在肌肉皮肤表面，即使在使用时传感器位置有移动也不会对信号造成很大影响，同时对于传感器摆放的位置要求低、鲁棒性高；(2)肌音信号对于皮肤阻抗的变化具有抗扰性，不会由于阻抗的改变而受到影响；(3)由于人本文档来自技高网...

【技术保护点】
1.一种基于随机向量功能连接网络技术的人体肌音信号预测方法，其特征在于，包括以下步骤：/n11)人体肌音分信号的获取：采集并保存可穿戴肌音信号传感器在人体肘关节肌肉的加速度信号，得到人体肘关节肌肉第1时刻到第L时刻在x轴、y轴、z轴三个方向的加速度信息，组成3组长度均为L的肌音分信号，并记为：/n

【技术特征摘要】
1.一种基于随机向量功能连接网络技术的人体肌音信号预测方法，其特征在于，包括以下步骤：
11)人体肌音分信号的获取：采集并保存可穿戴肌音信号传感器在人体肘关节肌肉的加速度信号，得到人体肘关节肌肉第1时刻到第L时刻在x轴、y轴、z轴三个方向的加速度信息，组成3组长度均为L的肌音分信号，并记为：



其中，1000≤L≤10000；
12)肌音信号的整合：对传感器采集到的肌音分信号进行整合；
13)整合肌音信号的去噪处理：利用提升小波变换技术对整合后的肌音信号进行去噪处理；
14)随机向量功能连接网络模型的构建与训练：构建随机向量功能连接网络模型，并利用去噪更新后的整合肌音信号进行训练；
15)整合肌音信号的预测：利用训练后的随机向量功能连接网络模型对整合肌音信号进行预测。


2.根据权利要求1所述的基于随机向量功能连接网络技术的人体肌音信号预测方法，其特征在于，所述肌音信号的整合包括以下步骤：
21)将获取的肌音分信号按照公式(1)进行整合：



在式(1)中，xi表示第i个时刻的整合肌音信号值；分别表示第i时刻传感器采集的肌音信号在x轴，y轴，z轴的加速度分量，其中i＝1，2，...，L-1，L；
22)将整合后的信号作为整合肌音信号，记为：
X(L)＝{x1，x2，…，xL}；
其中，x1表示第1个时刻的整合肌音信号值；x2表示第2个时刻的整合肌音信号值；xL表示第L个时刻的整合肌音信号值。


3.根据权利要求1所述的基于随机向量功能连接网络技术的人体肌音信号预测方法，其特征在于，所述整合肌音信号的去噪处理包括以下步骤：
31)对整合肌音信号X(L)＝{x1，x2，...，xL}进行分裂处理，分裂处理的计算公式如式(2-1)、(2-2)、(2-3)所示：









在式(2-1)中，Split[X(L)]为分裂算子，表示对序列X(L)进行分裂处理；
在式(2-2)和式(2-3)中，n的取值范围为500≤n≤5000；
将整合肌音信号X(L)分裂为奇偶两个子序列，分别记为：



其中，表示经分裂后得到的奇序列，x1表示对应整合肌音信号的第1个信号值，x3表示对应整合肌音信号的第3个信号值，x2n-1表示对应整合肌音信号的第2n-1个信号值；



其中，表示经分裂后得到的偶序列，x2表示对应整合肌音信号的第2个信号值，x4表示对应整合肌音信号的第4个信号值，x2n表示对应整合肌音信号的第2n个信号值；
32)基于分裂后得到的偶序列通过预测算子P，预测其对应的奇序列，得到奇序列的预测值，记为其预测计算公式如式(3)所示：



计算奇序列的预测精度，记为其计算公式如式(4)所示：



33)使用更新算子对进行更新，得到一次更新后的整合肌音信号，其计算公式如式(5)所示：



在式(5)中，X1(L)表示整合肌音信号经一次更新后所得的低频分量，表示一次高频分量，U1为一次更新算子，其计算如式(6)所示：



34)重复步骤31)至步骤33)，对步骤...

【专利技术属性】
技术研发人员：高理富，陆伟，李泽彬，谢陈磊，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34