一种基于肌电映射模型切换的复杂运动连续估计方法技术

本发明专利技术公开一种基于肌电映射模型切换的复杂运动连续估计方法，属于人机交互领域，先根据待估计的关节角度以及对应关节运动的表层肌肉，采集关节角度信号以及多通道肌电信号，根据复杂任务的特性将任务分成多个子任务，然后，对采集的肌电信号和关节角度信号分别进行预处理，采用LSTM深度学习网络建立肌电信号和关节角度信号的映射子关系，得到估计子模型，接着，使用RF集成学习算法对肌电信号与各个估计子模型之间建立映射关系，得到RF切换模型，利用RF切换模型对肌电信号特征进行分类，判断当前运动所属的估计子模型，最后，将肌电特征输入相应的估计子模型获取关节角度估计值。本发明专利技术有效提高了复杂任务下的各关节角度估计精度。

【技术实现步骤摘要】
一种基于肌电映射模型切换的复杂运动连续估计方法
本专利技术属于人机交互领域，更具体地，涉及一种基于肌电映射模型切换的复杂运动连续估计方法。
技术介绍
目前，肌电接口是临床上唯一可行的一种神经接口形式。其使用表层肌肉肌电信号作为信号源来估计人体各个关节的运动，这已经成为临床上切实可行的一种方案，但是，真正投入应用的仅仅是基于肌电信号的运动模式识别。基于肌电信号的运动连续估计并控制外部设备(如机械手、机械臂、外骨骼)已有许多学者投入了大量的研究并取得一定的成果，但距离真正投入临床应用仍然存在许多问题，其中一个主要问题就是肌电控制的外部设备的功能无法适应现实生活中的复杂任务——例如我们能够轻松的调配上肢各个关节完成伸臂(手达到水杯位置)，抓握(手指抓握水杯)，屈臂(拿回水杯)，抬臂翻腕(喝水)等一系列的动作，完成喝水这个任务。但是，这一系列动作涉及多个关节在时间空间上的精准配合、调度。再比如，日常生活中我们有时需要抓握纸杯这样柔软且轻的物体，有时需要抓握锅柄这样比较硬且重的物体，我们会自适应根据抓握物体的不同使用不同大小的力进行抓握。上述任务中涉及到力、姿态、速度等因素的变化会使得任务变得复杂，特别是对于使用肌电信号对任务进行连续估计就变得异常困难，与此同时在复杂任务中人体在不同的时间或空间激活不同的肌肉群驱动不同的关节运动，其本身各个阶段肌电信号与关节运动之间的映射关系就是不同的。由此可知，使用单一的估计模型建立肌电信号与上述复杂任务的关节角度的映射关系往往得不到好的结果，模型鲁棒性较差，无法顺利完成整个任务的精准估计。因此，需要开发一种新型的复杂运动连续估计方法，以能顺利完成复杂任务的精准估计。
技术实现思路
针对现有技术的缺陷和改进需求，本专利技术的目的在于提供一种基于肌电映射模型切换的复杂运动连续估计方法，旨在解决现有技术中存在无法连续估计复杂任务的技术问题。为实现上述目的，本专利技术提供了一种基于肌电映射模型切换的复杂运动连续估计方法，其包括如下步骤：S1：根据待估计的关节角度以及驱动对应关节运动的表层肌肉，采集关节角度信号以及多通道肌电信号，根据复杂任务的特性将任务分成多个子任务，多个子任务组合成整个复杂任务，S2：对采集的肌电信号和关节角度信号分别进行预处理，S3：利用预处理后的肌电信号和关节角度信号，采用LSTM深度学习网络建立肌电信号和关节角度信号的映射子关系，得到估计子模型，S4：使用RF集成学习算法对肌电信号与各个估计子模型之间建立映射关系，得到RF切换模型，S5：利用RF切换模型对肌电信号特征进行分类，判断当前运动所属的估计子模型，然后将肌电特征输入相应的估计子模型获取此时的关节角度估计值。进一步的，步骤S2中，对肌电信号进行预处理包括肌电信号的滤波、特征提取和归一化，具体为，对肌电信号进行陷波滤波处理以消除工频干扰，还对肌电信号进行20Hz～460Hz的带通滤波处理以消除低频噪声和高频噪声，对经过降噪处理的肌电信号进行特征提取，采用滑动窗的方法对肌电信号取特征值，得到肌电特征之后按照各通道特征值的最大值、最小值分别对各通道肌电特征进行归一化，得到各通道归一化之后的肌电特征。进一步的，步骤S2中，对关节角度信号进行预处理是指，对实测关节角度信号与估计关节角度信号分别进行滤波处理，使实测关节角度与估计关节角度以相对平滑的角度输入、输出到相应模型。进一步的，步骤S3中，得到的估计子模型为LSTM估计子模型，获得LSTM估计子模型的具体过程为：首先，初始化LSTM深度学习网络的参数，将候选态的权重矩阵WC和偏置bC、输入门的权重矩阵Wi和偏置bi、遗忘门的权重矩阵Wf和偏置bf、输出门的权重矩阵Wo和偏置bo初始化为0～1之间的随机数，设置LSTM深度学习网络的输入层神经元个数为M，层数设置为i，每一层的输出作为下一层的输入，LSTM网络初始化完成之后，对LSTM网络进行训练，将预处理之后的肌电信号以及关节角度信号输入LSTM模型，采用反向传播算法对上述多个权重矩阵和多个偏置进行优化，得到LSTM估计子模型。进一步的，步骤S5中，使用RF集成学习算法对肌电信号与各个LSTM估计子模型之间建立映射关系，得到RF切换模型，具体为：将预处理之后的肌电信号以及所对应的LSTM模型的标签作为输入，训练获得RF切换模型，RF切换模型的输出为LSTM估计子模型的标签，LSTM模型的标签为数字1～n，共生成n个LSTM估计子模型。进一步的，关节角度信号中所述关节为人体复合关节如人手各个关节、肩肘关节等，多通道肌电信号为驱动复合关节运动的相关表层肌肉所产生的肌电信号，肌电信号通道数的选取根据需要估计的复合关节角度目标确定。进一步的，还包括步骤S6，步骤S6为：采用皮尔森相关系数以及均方根误差作为实测关节角度和估计关节角度的评价指标，以评价估计关节角度的估计精度。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下有益效果：本专利技术利用LSTM深度学习网络对于肌电信号中长期记忆性强的优势，提高了单个估计子模型的估计精度。采用模型切换机制，解决了在复杂任务中单一模型无法准确估计的缺陷，实现复杂任务下的精准估计。实验结果表明，本专利技术有效提高了复杂任务下的各关节角度估计精度。附图说明图1是本专利技术基于肌电映射模型切换的复杂运动连续估计方法的实现流程图；图2是本专利技术采用的LSTM深度学习网络的原理示意图；图3是本专利技术采用的RF切换模型的原理示意图；图4是本专利技术LSTM子模型应用于五个手指的估计精度曲线图；图5是本专利技术使用结合模型切换机制的LSTM混合估计模型与单一的LSTM子模型在复杂抓握任务时的估计精度对比曲线图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。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。本专利技术涉及一种基于肌电信号结合模型切换机制与LSTM深度学习网络在复杂任务下的复合运动连续估计方法。提出结合模型切换机制的LSTM混合估计模型实现复杂任务下的人体关节复合运动连续估计。LSTM在处理时间序列问题上具有很大的优势，引入细胞态保存长期记忆，改进了RNN循环神经网络只能保存短期记忆的缺陷。使用LSTM深度学习网络构建肌电信号与人体关节运动之间的映射模型能够相较于其他机器学习提高估计精度。具体的，针对现实生活中不同的任务情景，根据任务复杂特性将任务分成多个子任务，比如分解成n个任务，不同的子任务分别使用LSTM深度学习网络进行训练得到多个LSTM估计子模型。使用随机森林(RF)集成学习算法对肌电信号与其所属的LSTM估计子模型进行训练，得到切换模型。本专利技术采取的技术方案包括如下步骤：S1：根据待估计的关节角度以及驱动对应关节运动的表层肌肉，采集关节角度信号以及多通道肌电信号。根据复杂任务的特性将任务分成多个子任务，多个子任本文档来自技高网...

【技术保护点】
1.一种基于肌电映射模型切换的复杂运动连续估计方法，其特征在于，其包括如下步骤：/nS1：根据待估计的关节角度以及驱动对应关节运动的表层肌肉，采集关节角度信号以及多通道肌电信号，根据复杂任务的特性将任务分成多个子任务，多个子任务组合成整个复杂任务，/nS2：对采集的肌电信号和关节角度信号分别进行预处理，/nS3：利用预处理后的肌电信号和关节角度信号，采用LSTM深度学习网络建立肌电信号和关节角度信号的映射子关系，得到估计子模型，/nS4：使用RF集成学习算法对肌电信号与各个估计子模型之间建立映射关系，得到RF切换模型，/nS5：利用RF切换模型对肌电信号特征进行分类，判断当前运动所属的估计子模型，然后将肌电特征输入相应的估计子模型获取此时的关节角度估计值。/n

【技术特征摘要】
1.一种基于肌电映射模型切换的复杂运动连续估计方法，其特征在于，其包括如下步骤：
S1：根据待估计的关节角度以及驱动对应关节运动的表层肌肉，采集关节角度信号以及多通道肌电信号，根据复杂任务的特性将任务分成多个子任务，多个子任务组合成整个复杂任务，
S2：对采集的肌电信号和关节角度信号分别进行预处理，
S3：利用预处理后的肌电信号和关节角度信号，采用LSTM深度学习网络建立肌电信号和关节角度信号的映射子关系，得到估计子模型，
S4：使用RF集成学习算法对肌电信号与各个估计子模型之间建立映射关系，得到RF切换模型，
S5：利用RF切换模型对肌电信号特征进行分类，判断当前运动所属的估计子模型，然后将肌电特征输入相应的估计子模型获取此时的关节角度估计值。


2.如权利要求1所述的一种基于肌电映射模型切换的复杂运动连续估计方法，其特征在于，步骤S2中，对肌电信号进行预处理包括肌电信号的滤波、特征提取和归一化，
具体为，对肌电信号进行陷波滤波处理以消除工频干扰，还对肌电信号进行20Hz～460Hz的带通滤波处理以消除低频噪声和高频噪声，
对经过降噪处理的肌电信号进行特征提取，采用滑动窗的方法对肌电信号取特征值，
得到肌电特征之后按照各通道特征值的最大值、最小值分别对各通道肌电特征进行归一化，得到各通道归一化之后的肌电特征。


3.如权利要求2所述的一种基于肌电映射模型切换的复杂运动连续估计方法，其特征在于，步骤S2中，对关节角度信号进行预处理是指，对实测关节角度信号与估计关节角度信号分别进行滤波处理，使实测关节角度与估计关节角度以相对平滑的角度输入、输出到相应模型。


4.如权利要求3所述的一种基于...

【专利技术属性】
技术研发人员：张琴，皮特，熊蔡华，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42