本发明专利技术提供的一种针对人体下肢的实时运动预测方法，该方法包括：采集下肢关节在不同步态下的肌电信号及各关节角度值，并对其进行预处理，得到下肢关节对应的训练样本以及测试样本；根据各下肢关节对应的所有训练样本中输入数据部分垂直拼接得到训练输入总矩阵，然后将训练输入总矩阵作为初始BPNN网络的输入，当前关节对应的训练样本中输出数据部分作为初始BPNN网络的输出，对初始BPNN网络进行训练，得到当前关节对应的BPNN关节角度预测模块。本发明专利技术的实时运动预测方法提高了计算效率，使得预测结果更加接近实际数据，并且通过多GPU的方式加速预测方法的效率，减少了预测过程的数据同步开销。据同步开销。据同步开销。
【技术实现步骤摘要】
一种针对人体下肢的实时运动预测方法及装置
[0001]本专利技术涉及机器人领域，尤其涉及一种针对人体下肢的实时运动预测方法及装置。
技术介绍
[0002]下肢外骨骼助力机器人是一种能够识别人体下肢运动状态并提供助力，增强人体能力的人体辅助机械装置。外骨骼系统是一种人在内环的人机耦合装置，要感知人的运动并辅助人体运动，不可避免的就要对人体的运动进行识别和预测。而机器对人的感知方式中，力、位置传感器等会产生复杂的传感系统，会使是使用者感到一定程度的不自然，并且由于人体实际动作与神经信号之间存在100ms的延迟，神经信号与动作之间会存在天然的延迟现象。骨骼肌是驱使人肢体运动的动力来源，肌肉的活动也对应着肢体的活动，而反映肌肉活动状态的表面肌电信号以其便于采集和表面无创的优势，已经成为人机交互的重要手段。
[0003]下肢的髋关节、膝关节与踝关节是人体运动最为重要的几个关节，对于人体的灵活性和平衡具有较大的贡献。目前应用于下肢的外骨骼康复或者助力机器人大多使用足底压力、机器与人之间的交互力和置于关节部位的其他传感器来获取人体的运动信息。如日本筑波大学的HAL外骨骼助力机器人，使用足底压力传感器获取行走状态下足底压力变化的信息判断人体行走的相位。然而这种依赖物理传感器的人机交互系统由于会产生一定的滞后问题，对于在提前于人体动作的肌电信号方面，使用肌电信号针对下肢运动的识别和预测远落后于上肢的运动模式识别和预测。
[0004]有鉴于此，特提出本专利技术。
技术实现思路
[0005]针对现有技术存在的问题，本专利技术提供了一种可以实现针对人体下肢的实时运动预测方法，该预测方法通过采用反向传播神经网络(BPNN)进行合理的调整以及应用，提高了计算效率，使得预测结果更加接近实际数据，并且通过多GPU的方式加速预测方法的效率，减少了预测过程的数据同步开销。
[0006]为了实现本专利技术的上述目的，特采用以下技术方案：
[0007]第一方面，本专利技术公开了一种针对人体下肢的实时运动预测方法，包括如下步骤：
[0008]采集下肢关节在不同步态下的肌电信号及各关节角度值，并对其进行预处理，得到下肢关节对应的训练样本以及测试样本；
[0009]根据各下肢关节对应的所有训练样本中输入数据部分垂直拼接得到训练输入总矩阵，然后将训练输入总矩阵作为初始BPNN网络的输入，当前关节对应的训练样本中输出数据部分作为初始BPNN网络的输出，对初始BPNN网络进行训练，得到当前关节对应的BPNN关节角度预测模块；
[0010]将各下肢关节对应的所有测试样本中输入数据部分垂直拼接得到测试输入总矩
阵，根据测试输入总矩阵构建BPNN关节角度预测模，以用于预测关节角度；
[0011]控制各个GPU进行BPNN的正向计算并在各个GPU之间进行正向计算输出，然后控制各个GPU进行BPNN的反向误差计算输出，并将同步得到的所述正向计算输出以及所述反向误差计算输出更新BPNN的权重。
[0012]第二方面，本专利技术公开了关于上述实时预测方法的实时预测装置，该装置包括：
[0013]采集预处理模块：用于采集下肢关节在不同步态下的肌电信号及各关节角度值，并对其进行预处理，得到下肢关节对应的训练样本以及测试样本；
[0014]训练样本处理模块：用于根据各下肢关节对应的所有训练样本中输入数据部分垂直拼接得到训练输入总矩阵，然后将训练输入总矩阵作为初始BPNN网络的输入，当前关节对应的训练样本中输出数据部分作为初始BPNN网络的输出，对初始BPNN网络进行训练，得到当前关节对应的BPNN关节角度预测模块；
[0015]测试样本处理模块：用于将各下肢关节对应的所有测试样本中输入数据部分垂直拼接得到测试输入总矩阵，根据测试输入总矩阵构建BPNN关节角度预测模，以用于预测关节角度；
[0016]GPU校正模块：用于控制各个GPU进行BPNN的正向计算并在各个GPU之间进行正向计算输出，然后控制各个GPU进行BPNN的反向误差计算输出，并将同步得到的所述正向计算输出以及所述反向误差计算输出更新BPNN的权重。
[0017]第三方面，本专利技术公开了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述方法的步骤。
[0018]第四方面，本专利技术公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述方法的步骤。
[0019]本专利技术实施例提供的实时预测方法以及实时预测装置，可根据设定的时间跨度重构各个下肢关节的原始关节角度数据，使得预测时长可以根据实际预测需求进行调整，且通过采用多个GPU进行预测的方式加速了预测过程的效率，通过采用本专利技术的操作方式还能相应的降低多个GPU之间的数据同步开销，可见本专利技术的方案具有广泛的应用价值。
附图说明
[0020]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
[0021]图1为本专利技术实施例提供的实时运动预测方法的流程示意图；
[0022]图2为本专利技术实施例提供的一种计算机设备的流程示意图。
具体实施方式
[0023]下面将结合附图和具体实施方式对本专利技术的技术方案进行清楚、完整地描述，但是本领域技术人员将会理解，下列所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，仅用于说明本专利技术，而不应视为限制本专利技术的范围。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保
护的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
[0024]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0025]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0026]为了更加清晰的对本专利技术中的技术方案进行阐述，下面以具体实施例的形式进行说明。
[0027]如图1所示，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种针对人体下肢的实时运动预测方法，其特征在于，包括如下步骤：采集下肢关节在不同步态下的肌电信号及各关节角度值，并对其进行预处理，得到下肢关节对应的训练样本以及测试样本；根据各下肢关节对应的所有训练样本中输入数据部分垂直拼接得到训练输入总矩阵，然后将训练输入总矩阵作为初始BPNN网络的输入，当前关节对应的训练样本中输出数据部分作为初始BPNN网络的输出，对初始BPNN网络进行训练，得到当前关节对应的BPNN关节角度预测模块；将各下肢关节对应的所有测试样本中输入数据部分垂直拼接得到测试输入总矩阵，根据测试输入总矩阵构建BPNN关节角度预测模块，以用于预测关节角度；控制各个GPU进行BPNN的正向计算并在各个GPU之间进行正向计算输出，然后控制各个GPU进行BPNN的反向误差计算输出，并将同步得到的所述正向计算输出以及所述反向误差计算输出更新BPNN的权重。2.根据权利要求1所述的实时预测方法，其特征在于，所述预处理的过程包括：对所述肌电信号进行去噪处理和对所述各角度值进行平滑处理。3.根据权利要求1所述的实时预测方法，其特征在于，调用GPU之间的PCI
‑
E总线在各GPU之间同步所述正向计算输出并保存在GPU内存中。4.权利要求1
‑
3任一项所述的实时预测方法的实时预测装置，其特征...
【专利技术属性】
技术研发人员：李钊，桂剑，马斌，于朱庭，江海岳，朱大鹏，赵婷，
申请(专利权)人：上海前瞻创新研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。