一种识别握姿的方法、装置、假肢及可读存储介质制造方法及图纸

本申请提供了一种识别握姿的方法、装置、假肢及可读存储介质，属于肌电技术领域。本申请通过获取采集的握姿的肌电信号和惯性信号；基于肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征；对肌电数据特征和惯性数据特征进行特征降维；将特征降维后的肌电数据特征和惯性数据特征，输入到预先训练的目标分类模型中，得到目标分类结果；基于预先存储的分类结果与握姿的对应关系，确定目标分类结果对应的目标握姿，并生成用于控制肌电假肢执行目标握姿对应的握姿动作的指令。以实现在最小维数特征空间中，异类模式点相距较远，同类模式点相距较近，从而保证最大限度的动作分离，提高分类性能。

【技术实现步骤摘要】
一种识别握姿的方法、装置、假肢及可读存储介质
本申请涉及肌电
，尤其涉及一种识别握姿的方法、装置、假肢及可读存储介质。
技术介绍
上肢肌电假体是一种机电装置，其目的是部分地恢复失去肢体的功能和外观。它们通常包括一个基于表面肌电图(EMG)的肌肉活动记录单元、一个主动末端执行器，如带有电动手指和腕部旋转单元的假肢手，以及一个将记录的肌肉活动信息转换为末端执行器的运动指令的处理单元。自20世纪70年代以来，统计学和机器学习等领域的计算工具在提高上肢肌电假肢控制方面取得了很大的进展。这种方法主要通过使用分类算法，增加控制界面的直观性。其基本工作原理是，使用多个传感器获取运动数据，提取数据特征，在高维空间中形成特定于运动的簇，用于区分运动的类别，从而形成不同的动作指令，对应上肢肌电假体做相应的动作。然而，上述方法区分动作类别，存在分类性能低的缺点。
技术实现思路
本申请实施例的目的在于提供一种识别握姿的方法、装置、假肢及可读存储介质，以解决上述分类性能低的问题。具体技术方案如下：第一方面，本申请提供了一种识别握姿的方法，所述方法包括：获取采集的握姿的肌电信号和惯性信号；基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征；对所述肌电数据特征和惯性数据特征进行特征降维；将特征降维后的所述肌电数据特征和惯性数据特征，输入到预先训练的目标分类模型中，得到目标分类结果；基于预先存储的分类结果与握姿的对应关系，确定所述目标分类结果对应的目标握姿，并生成用于控制肌电假肢执行所述目标握姿对应的握姿动作的指令。可选的，所述对所述肌电数据特征和惯性数据特征进行特征降维，包括：将所述肌电数据特征、所述惯性数据特征及投影向量代入特征投影计算公式，得到特征降维后的肌电数据特征和惯性数据特征，其中，所述投影向量是预先利用线性判别分析方法计算得到。可选的，所述获取采集的握姿的肌电信号和惯性信号，包括：获取信号采集装置输出的原始肌电信号和原始惯性信号；通过第一滤波器滤除所述原始肌电信号电磁干扰，得到第一中间肌电信号；通过第二滤波器滤除所述第一中间肌电信号运动干扰，得到第二中间肌电信号；通过第三滤波器滤除所述原始惯性信号电磁干扰，得到中间惯性信号；通过线性插值方法对所述第二中间肌电信号和中间惯性信号进行采样，得到所述肌电信号和所述惯性信号。可选的，所述基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征，包括：利用滑动窗口法提取所述肌电信号的波长、过零点数、斜率符号变化数、偏度、时间序列、对数方差及威尔逊幅值，作为肌电数据特征；利用滑动窗口法提取所述惯性信号的平均值，作为惯性数据特征。可选的，所述获取采集的握姿的肌电信号和惯性信号之前，还包括：采集多种握姿的肌电数据和惯性数据，生成训练数据集和验证数据集，其中，所述多种握姿包括抓握、横向抓握和三指抓握、指针和手部张开；基于所述训练数据集和所述验证数据集确定所述目标分类模型的目标参数组合；将所述目标参数组合代入分类模型中，将所述训练数据集和验证数据集合并为合并集，利用所述合并集训练所述分类模型，直至模型收敛。可选的，所述基于所述训练数据集和所述验证数据集确定所述目标分类模型的目标参数组合，包括：在预设数值范围内随机选取多个候选参数组合；针对每个候选参数组合，将所述候选参数组合代入分类模型，利用训练数据集训练所述分类模型，得到候选分类模型；利用验证数据集验证所述候选分类模型，利用损失函数计算损失值，得到每个候选参数组合对应的损失值；选取最小的损失值所对应的候选参数组合作为目标参数组合。第二方面，本申请提供了一种识别握姿的装置，所述装置包括：获取模块、提取模块、特征降维模块、分类模块及控制模块；所述获取模块，用于获取采集的握姿的肌电信号和惯性信号；所述提取模块，用于基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征；所述特征降维模块，用于对所述肌电数据特征和惯性数据特征进行特征降维；所述分类模块，用于将特征降维后的所述肌电数据特征和惯性数据特征，输入到预先训练的目标分类模型中，得到目标分类结果；所述生成模块，用于基于预先存储的分类结果与握姿的对应关系，确定所述目标分类结果对应的目标握姿，并生成用于控制肌电假肢执行所述目标握姿对应的握姿动作的指令。可选的，所述特征降维模块，还用于：将所述肌电数据特征、所述惯性数据特征及投影向量代入特征投影计算公式，得到特征降维后的肌电数据特征和惯性数据特征，其中，所述投影向量是预先利用线性判别分析方法计算得到。可选的，所述获取模块，还用于：获取信号采集装置输出的原始肌电信号和原始惯性信号；通过第一滤波器滤除所述原始肌电信号电磁干扰，得到第一中间肌电信号；通过第二滤波器滤除所述第一中间肌电信号运动干扰，得到第二中间肌电信号；通过第三滤波器滤除所述原始惯性信号电磁干扰，得到中间惯性信号；通过线性插值方法对所述第二中间肌电信号和中间惯性信号进行采样，得到所述肌电信号和所述惯性信号。可选的，所述提取模块，还用于：利用滑动窗口法提取所述肌电信号的波长、过零点数、斜率符号变化数、偏度、时间序列、对数方差及威尔逊幅值，作为肌电数据特征；利用滑动窗口法提取所述惯性信号的平均值，作为惯性数据特征。可选的，所述装置还包括：采集模块，用于采集多种握姿的肌电数据和惯性数据，生成训练数据集和验证数据集，其中，所述多种握姿包括抓握、横向抓握和三指抓握、指针和手部张开；确定模块，用于基于所述训练数据集和所述验证数据集确定所述目标分类模型的目标参数组合；训练模块，用于将所述目标参数组合代入分类模型中，将所述训练数据集和验证数据集合并为合并集，利用所述合并集训练所述分类模型，直至模型收敛。可选的，所述确定模块，还用于：在预设数值范围内随机选取多个候选参数组合；针对每个候选参数组合，将所述候选参数组合代入分类模型，利用训练数据集训练所述分类模型，得到候选分类模型；利用验证数据集验证所述候选分类模型，利用损失函数计算损失值，得到每个候选参数组合对应的损失值；选取最小的损失值所对应的候选参数组合作为目标参数组合。第三方面，本申请提供了一种识别握姿的假肢，所述假肢包括：肌电传感器、惯性传感器，握姿识别模块、动作执行模块；所述肌电传感器，用于采集握姿的肌电信号；所述惯性传感器，用于采集握姿的惯性信号；所述握姿识别模块，用于获取采集的握姿的肌电信号和惯性信号；基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征；对所述肌电数据特征和惯性数据特征进行特征降维；将特征降维后的所述肌电数据特征和惯性数据特征，输入到预先训练的目标分类模型中，得本文档来自技高网...

【技术保护点】
1.一种识别握姿的方法，其特征在于，所述方法包括：/n获取采集的握姿的肌电信号和惯性信号；/n基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征；/n对所述肌电数据特征和惯性数据特征进行特征降维；/n将特征降维后的所述肌电数据特征和惯性数据特征，输入到预先训练的目标分类模型中，得到目标分类结果；/n基于预先存储的分类结果与握姿的对应关系，确定所述目标分类结果对应的目标握姿，并生成用于控制肌电假肢执行所述目标握姿对应的握姿动作的指令。/n

【技术特征摘要】
1.一种识别握姿的方法，其特征在于，所述方法包括：
获取采集的握姿的肌电信号和惯性信号；
基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征；
对所述肌电数据特征和惯性数据特征进行特征降维；
将特征降维后的所述肌电数据特征和惯性数据特征，输入到预先训练的目标分类模型中，得到目标分类结果；
基于预先存储的分类结果与握姿的对应关系，确定所述目标分类结果对应的目标握姿，并生成用于控制肌电假肢执行所述目标握姿对应的握姿动作的指令。


2.根据权利要求1所述的方法，其特征在于，所述对所述肌电数据特征和惯性数据特征进行特征降维，包括：
将所述肌电数据特征、所述惯性数据特征及投影向量代入特征投影计算公式，得到特征降维后的肌电数据特征和惯性数据特征，其中，所述投影向量是预先利用线性判别分析方法计算得到。


3.根据权利要求1所述的方法，其特征在于，所述获取采集的握姿的肌电信号和惯性信号，包括：
获取信号采集装置输出的原始肌电信号和原始惯性信号；
通过第一滤波器滤除所述原始肌电信号电磁干扰，得到第一中间肌电信号；
通过第二滤波器滤除所述第一中间肌电信号运动干扰，得到第二中间肌电信号；
通过第三滤波器滤除所述原始惯性信号电磁干扰，得到中间惯性信号；
通过线性插值方法对所述第二中间肌电信号和中间惯性信号进行采样，得到所述肌电信号和所述惯性信号。


4.根据权利要求1所述的方法，其特征在于，所述基于所述肌电信号和惯性信号，分别提取肌电数据特征和惯性数据特征，包括：
利用滑动窗口法提取所述肌电信号的波长、过零点数、斜率符号变化数、偏度、时间序列、对数方差及威尔逊幅值，作为肌电数据特征；
利用滑动窗口法提取所述惯性信号的平均值，作为惯性数据特征。


5.根据权利要求1所述的方法，其特征在于，所述获取采集的握姿的肌电信号和惯性信号之前，还包括：
采集多种握姿的肌电数据和惯性数据，生成训练数据集和验证数据集，其中，所述多种握姿包括抓握、横向抓握和三指抓握、指针和手部张开；
基于所述训练数据集和所述验证数据集确定所述目标分类模型的目标参数组合；
将所述目标参数组合代入分类模型中，将所述训练数据集和验证数据集合并为合并集，利用所述合并集训练所述分类模型，直至模型收敛。


6.根据权利要求5所述的方法，其特征在于，所述基于所述训练数据集和所述验证数据集确定所述目...

【专利技术属性】
技术研发人员：李红红，姚秀军，韩久琦，
申请(专利权)人：北京海益同展信息科技有限公司，
类型：发明
国别省市：北京;11