一种基于sEMG的下肢膝关节角度连续预测的方法技术

本发明专利技术涉及人机交互技术领域，且公开了一种基于sEMG的下肢膝关节角度连续预测的方法，包括以下步骤：S1、根据下肢关节角度与肌电信号之间的耦合关系，选择与下肢运动紧密相关的肌肉通道，用Delsys公司开发的Delsys Trigno无线sEMG采集系统采集四个肌肉通道的肌电数据，给下肢的大柜和小腿分别贴反光标记点，用基于VICON光学动作捕捉系统捕捉每个反光标记点的三维坐标值，并计算膝关节角度；通过时间超前特征和时间延时特征的融合，使超前的肌电信号与延迟的角度信号同步，通过注意力机制提高了关键肌电特征的权重，通过增加输入特征与状态的交互，进一步增强输入和上下文之间的信息表示，提升模型的性能，在连续估计下肢膝关节角度时可以获得更高的预测精度。节角度时可以获得更高的预测精度。节角度时可以获得更高的预测精度。

【技术实现步骤摘要】
一种基于sEMG的下肢膝关节角度连续预测的方法


[0001]本专利技术涉及人机交互
，具体为一种基于sEMG的下肢膝关节角度连续预测的方法。

技术介绍

[0002]人机交互是可穿戴机器人领域的一个关键组成部分。肌电信号的幅值一般和肌肉运动力度成正比，且通常超前于相应的人体关节运动20
‑
200ms产生。因此表面肌电信号可以直接反映人体的运动意图，可用于运动模式识别和关节角度预测，能够实现更好的人机交互。当前研究主要有两种方法实现基于sEMG的关节连续运动量估计：(1)、结合肌肉生理力学建立以sEMG为输入的关节动力学模型，进而计算关节力矩、角加速度、角速度等量；(2)、直接建立关联sEMG和关节连续运动量的回归模型；近年来机器学习技术已广泛应用于意图预测，例如支持向量机(SVM)，随机森林(RF)，以及其他人工神经网络(ANN)的算法常用于预测关节角度。
[0003]由于表面肌电信号超前于相应运动产生，可以直接反映人体意图。基于sEMG的动作分类只能预测少数离散肢体动作，应用预测结果控制机器人，无法实现机器人关节本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于sEMG的下肢膝关节角度连续预测的方法，其特征在于，包括以下步骤：S1、根据下肢关节角度与肌电信号之间的耦合关系，选择与下肢运动紧密相关的肌肉通道，用Delsys公司开发的Delsys Trigno无线sEMG采集系统采集四个肌肉通道的肌电数据，给下肢的大柜和小腿分别贴反光标记点，用基于VICON光学动作捕捉系统捕捉每个反光标记点的三维坐标值，并计算膝关节角度；S2、对四个通道的表面肌电信号进行巴特沃斯带通滤波，将原始角度序列和sEMG信号序列分别向后移动L和K个点，移动的序列相对于原始sEMG信号和原始角度信号延迟，将移动后的滞后角度序列和滞后sEMG序列作为初始信号，原始sEMG信号序列被认为是时间超前的sEMG信号序列，如公式所示：L＝g(Δt
×
f
angle
)，对应于延迟角度信号序列，移动点数L、K的计算方式为L＝g(Δt
×
f
angle
)，S3、对四个通道的时间超前的sEMG信号序列提取三个时间超前特征TAF(RMSTAF、WLTAF、VRTAF)，对四个通道移动后的滞后sEMG序列提取三个时间延时特征TDF(RMS、WL、VR)作为融合特征；S4、将4(channel)
×
3(TAF)+4(channel)
×
3(TDF)＝24个融合特征作为模型的输入，以移动后的角度序列作为模型训练的标签值进行训练；S5、训练模型：基于融合特征的Attention
‑
LSTM网络，原始的lstm的计算步骤公式为：f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
))o
t
＝σ(W
o
[h
t
‑1，x
t
]+b
O
)h
t
＝o
t
*tanh(C
t
)；S6、对原始数据的特征均以相同的权重输入到模型中，而不同特征对于膝关节的贡献度是不同的，特征值按照贡献率的不同赋予的权重也不同，在lstm之前加入注意力机制选择贡献...

【专利技术属性】
技术研发人员：李传江，何海燕，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：