一种肌电假肢控制无监督校准方法技术

本发明专利技术公开了一种肌电假肢控制无监督校准方法；本发明专利技术聚焦于基于回归的比例控制系统，使用基于肌电特征空间相关性的数据加权准则来对假肢控制模型进行无监督校准，通过肌肉活动产生的肌电信号识别截肢者的运动意图，从而对假肢进行意图控制。本发明专利技术无需采集目标用户的运动信息（关节力或力矩），可在假肢使用过程中完成用户的肌电信号采集，大大提高了模型校准过程的便捷性；本发明专利技术可持续采集使用过程中用户的肌电信息，并相隔特定的时间后重复校准，自动更新模型参数，定时更新模型，使得肌电假肢控制系统的性能在使用过程中逐步提升，大大降低了模型校准的成本，促进其商业化生产和更广泛的临床应用。更广泛的临床应用。更广泛的临床应用。

【技术实现步骤摘要】
一种肌电假肢控制无监督校准方法


[0001]本专利技术属于人工智能医疗器械
，具体的说，涉及一种肌电假肢控制无监督校准方法。

技术介绍

[0002]通过解码残留肌肉的肌电信号来识别截肢者的运动意图，进而对只能假肢实现意图直觉控制，是帮助截肢者等运动障碍患者恢复运动功能的重要技术[1]–
[4]。肌电假肢控制可分为两个类别：(1)基于模式识别(如手势识别)的控制方法[5]，以及(2)基于回归的比例控制方法[6]。其中，基于回归的比例控制除了识别离散的运动类别外，还可以定量估计特定关节的力(力矩)等细节信息，虽然肌电假肢控制极具应用潜力，然而，一些有待解决的关键因素阻碍了其现实应用。其中最为关键的因素之一便是肌电信号具有个体差异性[7]，即，对于每个用户，都需要采集其自身的肌电信号训练模型。训练完成的模型在用于新的用户时，性能显著下降。肌电信号的个体差异性是限制肌电假肢控制模型的泛化能力的重要因素，它造成了针对每一用户需要进行长时间的模型校准与个体适配，这个也成为了阻碍肌电假肢控制系统大规模临床使用及商业化生产的重要原因。
[0003]现有解决方案将使用其他用户数据训练完成的模型，进一步使用新的受试者数据进行校准。相较于重新进行模型训练，使用已有模型针对新用户进行校准往往需要更小的数据量，因此具有一定的便捷性。模型校准过程往往为有监督校准，即，校准同时需要目标用户受试者的肌电数据以及运动意图的真值标签(关节的力、力矩等信息)。主要包括：
[0004]方案一：一种协变量移位适应算法，仅仅使用少了模型校准数据即可完成模型校准过程[8]。上述现有方案虽可大大降低训练成本，然而，其仍需要针对每个用户使用少了数据进行模型校准，而该过程是有监督校准，即，既需要用户的肌电，也需要其运动相关(如关节力)的真值。然而，采集关节所需要的力(或其他运动相关的真值)对于用户是额外的负担，通常需要长时间进行反复的实验配置。
[0005]方案二：使用迁移学习算法实现快速肌电控制模型迁移[9]，该方法使用了一种基于最小二乘支持向量机的模型校准方案。对于截肢者而言，由于肢体不完整,部分特定的需要估计所施加力(力矩)的关节可能不存在，因此无法得到。
[0006]方案三：在所有模型校准方法中，最有代表性的方法是一种于2020年提出的基于高效模型训练的多用户通用泛化模型[7]。该方法首先使用多个受试者的肌电和关节力标签为每个受试者每个通道的肌电数据训练受试者特异性模型(时滞线性模型)。单个肌电通道的多个时间窗内的肌电特征对应的模型拟合参数可构成一个有限长单位冲击响应(Finite Impulse Response，FIR)滤波器。这些滤波器天然具有低通滤波器的频域响应形状[10]–
[13]。这些训练得到的模型滤波器都在频域响应进行归一化，使得0Hz处的响应增益为1。将所有受试者和肌电通道对应的模型滤波器进行平均，即可得到一个极具泛化性能的模型滤波器，该滤波器可以为尽可能多的受试者提供肌电特征的时域动力学特性。因此，在训练新的模型时，不需要训练各通道内的时域动力学特性，而只需训练各通道的增益即
可(由于各通道的模型滤波器的增益被归一化)。训练通道增益，相较于训练各通道内的时域动力学特性，是更为轻松的任务，因此需要更少的数据量即可完成。但该模型在使用过程中不会随着用户的体验实时更新。

技术实现思路

[0007]针对以上现有模型校准方案的缺点，本专利技术聚焦于基于回归的比例控制系统，提供一种肌电假肢控制无监督校准方法，其使用基于肌电特征空间相关性的数据加权准则来对假肢控制模型进行无监督校准，其可以通过肌肉活动产生的肌电信号识别截肢者的运动意图，从而对假肢进行意图控制。
[0008]本专利技术的技术方案具体介绍如下。
[0009]本专利技术一种肌电假肢控制无监督校准方法，其通过对比新用户与已有数据库内用户的肌电信号特征，在无需新用户的运动标签情况下，建立新用户肌电信号与假肢运动控制的模型，从而大大降低了使用假肢前校准的步骤与时间；包括如下步骤：
[0010]步骤一、肌电特征提取及肌电假肢控制模型构建
[0011]首先将每个通道中的肌电信号EMG归一化为均值为零，标准差STD为1的时间序列；训练数据片段使用其自身的均值和STD进行归一化，测试信号片段，使用测试过程中从同一受试者获得的肌电数据的相应通道计算平均值和标准差来对进行标准化；
[0012]从训练肌电数据中，计算每100个连续样本的均方根RMS值，过零点ZS和斜率符号变化SSC特征；
[0013]使用上述提取的特征来训练提供通道内时域动力学信息具有时滞的多项式回归模型，该模型由如下公式(1)描述：
[0014][0015]其中i是采样数据的样本索引，V表示多项式模型阶数,Q表示最长时间延迟，F代表提取的特征数,C代表通道数，θ是拟合参数，θ
offset
是常数项，x是特征值；最佳模型参数使用线性最小二乘进行估计，并使用秩显QR因式分解来去除特征相关性；
[0016]步骤二、无监督模型校准
[0017]1)域偏移估计
[0018]将训练集肌电视为源域数据，标记为其中表示某信号样本的特征向量，i∈{1，2，...，N
S
}，将使用假肢的过程中采集到的目标用户的肌电数据视为目标域，标记为其中N
f
＝F
×
C是特征向量维度，N
S
和N
T
为源域和目标域的样本数；源域和目标域的数据矩阵分别标记为和矩阵的每一行表示某一数据样本的特征向量；
[0019]域偏移估计过程的主要目标是估计线性变换矩阵以描述和间的偏移，即其中是线性变换后的源域；
[0020]对源域数据和目标域数据进行校准以获得和X
T
具有最高相似度时的最佳线性变换矩阵A
*
，即域偏移矩阵A
*
；
[0021]2)数据权重计算
[0022]目标域和每个单一源域之间的域偏移程度随不同受试者的不同数据而变化，域偏移矩阵A
*
用于为原始源域中的每个非用户受试数据生成最佳数据权重，在模型训练中，将与目标域数据更为相似的肌电信号分配较高的权重；
[0023]特定的源域和目标域的差异通过基于公式(5)中的矩阵来描述：
[0024][0025]矩阵的最大奇异值λ，也就是矩阵的2
‑
范数，用于表征特定源域和目标域的域偏移程度，中的数据权重由下式获得：
[0026][0027]最后将原始源域中的每个非用户受试依照公式(1)训练出的参数模型数值分别乘以由(6)得出的各自的权重值，不同权重的模型叠加归一化后即为最终用户的肌电假肢控制模型。λ越大表明用户受试与某一非用户受试的特征差距较大，故源域中该非用户受试的模型不适合应用至目标域的用户受试。因此，将λ取倒数，λ越大，会赋予该非用户受试模型较小的权重，反之亦然。其中，m为预设的超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肌电假肢控制无监督校准方法，其特征在于，通过对比新用户与已有数据库内用户的肌电信号特征，在无需新用户的运动标签情况下，建立新用户肌电信号与假肢运动控制的模型，从而降低使用假肢前校准的步骤与时间；包括如下步骤：步骤一、肌电特征提取及肌电假肢控制模型构建首先将每个通道中的肌电信号EMG归一化为均值为零，标准差STD为1的时间序列；训练数据片段使用其自身的均值和STD进行归一化，测试信号片段，使用测试过程中从同一受试者获得的肌电数据的相应通道计算平均值和标准差来对进行标准化；从训练肌电数据中，计算每100个连续样本的均方根RMS值，过零点ZS和斜率符号变化SSC特征；使用上述提取的特征来训练提供通道内时域动力学信息具有时滞的多项式回归模型，该模型由如下公式(1)描述：其中i是采样数据的样本索引，V表示多项式模型阶数,Q表示最长时间延迟，F代表提取的特征数,C代表通道数，θ是拟合参数，θ
offset
是常数项，x是特征值；最佳模型参数使用线性最小二乘进行估计，并使用秩显QR因式分解来去除特征相关性；步骤二、无监督模型校准1)域偏移估计将训练集肌电视为源域数据，标记为其中表示某信号样本的特征向量，i∈{1，2，...，N
S
}，将使用假肢的过程中采集到的目标用户的肌电数据视为目标域，标记为其中N
f
＝F
×
C是特征向量维度，N
S
和N
T
为源域和目标域的样本数；源域和目标域的数据矩阵分别标记为和矩阵的每一行表示某一数据样本的特征向量；域偏移估计过程的主要目标是估计线性变换矩阵以描述和间的偏移，即其中是线性变换后的源域；对源域数据和目标域数据进行校准以获得和X
T
具有最高相似度时的最佳线性变换矩阵A；2)数据权...

【专利技术属性】
技术研发人员：戴晨赟，姜新雨，刘翔宇，
申请(专利权)人：复旦大学，
类型：发明
国别省市：