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像人体关节一样连续自如运动，而保证机器人运动与人体运动相匹配是实现多种新型服务机器人安全控制的先决条件，如应用于外骨骼机器人、医疗康复机器人等，因此通过sEMG估计人体关节连续运动是近年来肌电分析研究的新热点。
技术实现思路
[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于sEMG的下肢膝关节角度连续预测的方法，解决了基于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像人体关节一样连续自如运动的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：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：
[0008]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；
[0009]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
)，
[0010]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；
[0011]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；
[0012]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
)
[0013]i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)
[0014][0015][0016]o
t
＝σ(W
o
[h
t
‑1，x
t
]+b
o
)
[0017]h
t
＝o
t
*tanh(C
t
)；
[0018]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率高的特征，在不改变lstm的网络结构的基础上在lstm之前加入注意力机制，同时使输入和状态进行交互后再进入lstm内部结构，以增强模型的上下建模的能力；
[0019]S7、增加注意力机制的具体表现为：第一个阶段根据Query和Key计算两者的相似性或者相关性，Si的计算公式为：
[0020]Similarity(Query，Key
i
)＝Query
·
Key
i
[0021]利用softmax对第一阶段的原始分值进行归一化处理，ai的计算公式为：
[0022][0023]第三部根据权重系数对Value进行加权求和；
[0024][0025]将注意力机制的输出作为lstm的输入；
[0026]S8、增加输入和状态交互的具体表现为：当x和h输入到LSTM之前进行了多轮的交互计算，其中x
‑
1就是x，而h0就是hprev，它们经过的交互轮数记为r，r是一个超参数，当r＝0的时候，相当于x和hprev直接输入到LSTM中，此时相当于原始的LSTM计算，将这个计算过程通过数学方式表示：
[0027]公式一
[0028][0029]公式二
[0030][0031]先根据公式一，通过x
‑
1和h0计算得到x1，然后根据公式二,通过x1和h0计算得到h2，经过多轮迭代交互，最终得到融合x和h信息的h4和x5，然后将其作为输入，输入到LSTM中，进行lstm网络计算。
[0032]优选的，所述步骤S1中，四个肌肉通道分别是股直肌、半腱肌、股二头肌和外腓肠肌。
[0033]优选的，所述步骤S5中，ft是遗忘门用来控制前一个时刻的记忆Cprev保留多少记忆；it是输入门，用来控制当前的信息i应输入多少；o是输出门，用来控制当前记忆单元应该输出多少。
[0034]优选的，所述步骤S3中RMSTAF、WLTAF、VRTAFRMS、WL、VR的计算公式如下，
[0035][0036][0037][0038][0039][0040]优选的，所述步骤S1中，公式如下：
[0041][0042][0043][0044][0045](三)有益效果
[0046]本专利技术提供了一种基于sEMG的下肢膝关节角度连续预测的方法，具备以下有益效果：
[0047](1)、本专利技术中，通过时间超前特征和时间延时特征的融合，使超前本文档来自技高网...
【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：
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。