一种基于肌电信号的人体运动状态识别方法技术

本发明专利技术公开了一种基于肌电信号的人体运动状态识别方法，特点是采集肌电信号；对肌电信号进行预处理得到时间窗肌电时间序列信号；将所有时间窗肌电时间序列信号转换为肌电灰度图像；采用卷积神经网络实现当前人体运动状态识别；优点是将传统肌电信号转换为具体的肌电灰度图像来提取特征，不会在提取特征的过程中丢失一些有用的信息，能完整地将特征表达出来，使用时间窗具有实时采集分析效果，采用巴特沃斯滤波器具有计算效率高的优点，采用卷积神经网络能准确的提取肌电灰度图像的特征，完成对当前肌电灰度图像的分类，从而最终识别出当前人体运动状态，不需要依赖经验来提取特征，使得分类的精确度较高，有效地提高了人体运动状态识别的准确率。运动状态识别的准确率。运动状态识别的准确率。

【技术实现步骤摘要】
一种基于肌电信号的人体运动状态识别方法


[0001]本专利技术涉及一种运动状态识别方法，尤其是一种基于肌电信号的人体运动状态识别方法。

技术介绍

[0002]下肢助力外骨骼机器人是一种供人穿戴的人机一体化机械装置，将人的智力和机器人的体力结合在一起，属于人机协同机器人，当穿戴者具有主观的运动意图，但运动能力衰退或失去运动能力的情况时，下肢助力外骨骼机器人可对人体关节的转动起一定辅助作用，或穿戴者完全依靠下肢助力外骨骼机器人带动进行人体运动，例如助老助残或进行康复训练等。
[0003]肌电信号是人体表面一种相当微弱的生物电信号，是反应肌肉形态、生理机能以及状态变化的生理参数，极易受到周围环境的影响，肌电信号常用于下肢助力外骨骼机器人的运动意图识别与控制场景中。
[0004]现有的肌电信号的运动识别方法采用时域或频域信号处理手段，处理肌电信号，获取肌电信号的特征向量，然后用支持向量机、神经网络、贝叶斯等分类器方法进行运动动作分类；现有的运动识别方法对嵌入式硬件的性能要求低，运算效率高，但从信号中提取特征时，不但会丢失一些有用信息，而且只能提取部分特征，不能对该信号进行完整的表达；此外，对于特征的提取需要经验，不同的信号处理方法提取的特征不一样，影响运动状态分类的准确性。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种基于肌电信号的人体运动状态识别方法，不但能不依赖经验完整地提取特征信息，而且能有效地提高了运动状态识别的准确性。
[0006]本专利技术解决上述技术问题所采用的技术方案为：一种基于肌电信号的人体运动状态识别方法，包括以下步骤：
[0007]①
采集肌电信号：将肌电传感器的多个肌电电极片贴在人的大腿和小腿的指定肌肉位置处，肌电传感器按照预设的采集频率分别采集人在行走状态、上楼梯状态、下楼梯状态和弯腰状态的肌电信号，并发送至信号处理模块；
[0008]②
对肌电信号进行预处理：信号处理模块对一个采集周期内接收到的肌电信号采用巴特沃斯滤波器进行处理得到滤波处理后的肌电信号，再对滤波处理后的所有肌电信号按照预设的时间窗长度依次滑动进行时间窗截取处理，得到与每个时间窗对应的一组时间窗肌电时间序列信号；
[0009]③
信号处理模块将所有时间窗肌电时间序列信号转换为肌电灰度图像：根据每组时间窗肌电时间序列信号获取对应的由每个肌电信号的幅值组成的幅值序列组，将幅值序列组中的所有元素按顺序排列形成一个M
×
N的肌电矩阵，其中M表示肌电矩阵的行数，N表示肌电矩阵的列数，对每个肌电矩阵进行归一化处理得到归一化的肌电矩阵，构造与每个
肌电矩阵对应的肌电灰度图像，该肌电灰度图像的像素点的行数为M行，列数为N列，该肌电灰度图像中的每个像素点的灰度值为在归一化的肌电矩阵中与该像素点所在的行数和列数均相同的元素的数值；
[0010]④
在信号处理模块中采用卷积神经网络实现当前人体运动状态识别：将肌电灰度图像实时输入到卷积神经网络中，并且采用softmax作为分类器对肌电灰度图像进行运动状态分类，得到肌电灰度图像被分类到行走状态、上楼梯状态、下楼梯状态和弯腰状态中的各个运动状态的概率，将其中数值最大的概率所对应的运动状态作为当前的人体运动状态，完成识别过程。
[0011]所述的步骤
②
中采用的巴特沃斯滤波器为其中ω表示为预设的采集频率，ω
c
表示截止频率，H(ω)表示振幅频率，s表示巴特沃斯滤波器的阶数。
[0012]所述的预设的采集频率为1000Hz。
[0013]所述的巴特沃斯滤波器的阶数s为2阶。
[0014]所述的巴特沃斯滤波器为带通滤波器。
[0015]所述的截止频率的上截止频率为450Hz，下截止频率为20Hz。
[0016]所述的步骤
③
中具体的归一化处理方法为：将每个肌电矩阵第i行第i列的元素的值记为VEMG(i，j)，1≤i≤M，1≤j≤N，对肌电矩阵进行归一化处理后得到归一化的肌电信号幅值VEMG
after
(i，j)，其中min(VEMG)表示该肌电矩阵中的最小元素值，max(VEMG)表示该肌电矩阵中的最大元素值。
[0017]所述的步骤
④
中所述的卷积神经网络的具体方法为：
[0018]A对肌电灰度图像采取卷积操作，提取肌电灰度图像中的特征值C
x，y
(Θ)，其中x表示像素点横坐标，y表示像素点纵坐标，m表示行变量，n表示列变量，Θ
x+m-1，y+n-1
表示第x+m-1行、第y+n-1列的像素点的灰度值，P
m，n
表示第m行、第n列的像素点的高斯卷积函数权值，r表示高斯卷积函数的行数；
[0019]B采用均方根池化策略对特征值进行特征降解得到降解后的特征矩阵。
[0020]所述的步骤
④
中肌电灰度图像被分类到行走状态、上楼梯状态、下楼梯状态和弯腰状态中的各个运动状态的概率的具体方法为：定义肌电灰度图像被分类到行走状态的概率为d1，定义肌电灰度图像被分类到上楼梯状态的概率为d2，定义肌电灰度图像被分类到下楼梯状态的概率为d3，，定义肌电灰度图像被分类到弯腰状态的概率为d4，其中Z1表示降解后的特征矩阵的第一个特征值，Z2表示降解后的特征矩阵的第二个特征值，Z3表示降解后的特征矩阵的第三个特征值，Z4表示降解后的特征矩阵的第四个特征值。
[0021]与现有技术相比，本专利技术的优点在于先将肌电传感器的多个肌电电极片贴在人的大腿和小腿的指定肌肉位置处，肌电传感器按照预设的采集频率分别采集人在行走状态、上楼梯状态、下楼梯状态和弯腰状态的肌电信号，并发送至信号处理模块，然后信号处理模
块对采集到的肌电信号进行预处理得到时间窗肌电时间序列信号，接下来信号处理模块将时间窗肌电时间序列信号先转换成肌电矩阵之后转换成肌电灰度图像，最后在信号处理模块中采用卷积神经网络实现当前人体运动状态识别；将传统的肌电信号转换为具体的肌电灰度图像来提取特征，不但不会在提取特征的过程中丢失一些有用的信息，而且能完整地将特征表达出来，使用时间窗具有实时采集分析效果，采用巴特沃斯滤波器具有计算效率高的优点，最后采用卷积神经网络能准确的提取肌电灰度图像的特征，完成对当前肌电灰度图像的分类，从而最终识别出当前人体运动状态，不需要依赖经验来提取特征，使得分类的精确度较高，有效地提高了人体运动状态识别的准确率。
附图说明
[0022]图1为本专利技术的流程示意图；
[0023]图2为本专利技术某一段滤波处理后的肌电信号被时间窗截取得到时间窗肌电时间序列信号的示意图；
[0024]图3为本专利技术某一组时间窗肌电时间序列信号转换为肌电灰度图像的示意图。
具体实施方式
[0025]以下结合附图实施例对本专利技术作进一步详细描述。
[0026]如图1所示，一种基于肌电信号的人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于肌电信号的人体运动状态识别方法，其特征在于包括以下步骤：
①
采集肌电信号：将肌电传感器的多个肌电电极片贴在人的大腿和小腿的指定肌肉位置处，肌电传感器按照预设的采集频率分别采集人在行走状态、上楼梯状态、下楼梯状态和弯腰状态的肌电信号，并发送至信号处理模块；
②
对肌电信号进行预处理：信号处理模块对一个采集周期内接收到的肌电信号采用巴特沃斯滤波器进行处理得到滤波处理后的肌电信号，再对滤波处理后的所有肌电信号按照预设的时间窗长度依次滑动进行时间窗截取处理，得到与每个时间窗对应的一组时间窗肌电时间序列信号；
③
信号处理模块将所有时间窗肌电时间序列信号转换为肌电灰度图像：根据每组时间窗肌电时间序列信号获取对应的由每个肌电信号的幅值组成的幅值序列组，将幅值序列组中的所有元素按顺序排列形成一个M
×
N的肌电矩阵，其中M表示肌电矩阵的行数，N表示肌电矩阵的列数，对每个肌电矩阵进行归一化处理得到归一化的肌电矩阵，构造与每个肌电矩阵对应的肌电灰度图像，该肌电灰度图像的像素点的行数为M行，列数为N列，该肌电灰度图像中的每个像素点的灰度值为在归一化的肌电矩阵中与该像素点所在的行数和列数均相同的元素的数值；
④
在信号处理模块中采用卷积神经网络实现当前人体运动状态识别：将肌电灰度图像实时输入到卷积神经网络中，并且采用softmax作为分类器对肌电灰度图像进行运动状态分类，得到肌电灰度图像被分类到行走状态、上楼梯状态、下楼梯状态和弯腰状态中的各个运动状态的概率，将其中数值最大的概率所对应的运动状态作为当前的人体运动状态，完成识别过程。2.根据权利要求1所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的步骤
②
中采用的巴特沃斯滤波器为其中ω表示为预设的采集频率，ω
c
表示截止频率，H(ω)表示振幅频率，s表示巴特沃斯滤波器的阶数。3.根据权利要求1或2所述的一种基于肌电信号的人体运动状态识别方法，其特征在于所述的预设的采集频率为1000Hz。4.根据权利要求2所述的一种基于肌电信号的人体运动状态识别方法，其...

【专利技术属性】
技术研发人员：徐兆红，许留凯，田俊，郏云涛，何方剑，裘焱枫，张克勤，
申请(专利权)人：宁波工业互联网研究院有限公司，
类型：发明
国别省市：