基于疲劳分析的肌力估计方法技术

本发明专利技术公开了一种基于疲劳分析的肌力估计方法，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号并进行预处理，对表面肌电信号进行活动段划分后提取每个活动段中疲劳相关特征，构建疲劳特征信号；构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号和对应的疲劳特征信号作为输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集并预处理后得到表面肌电信号，然后构建得到疲劳特征信号，输入训练好的多输入LVN网络中，得到肌力估计结果。本发明专利技术结合疲劳特征和LVN网络，提高肌力估计的准确性和鲁棒性。力估计的准确性和鲁棒性。力估计的准确性和鲁棒性。

【技术实现步骤摘要】
基于疲劳分析的肌力估计方法


[0001]本专利技术属于肌电数据分析
，更为具体地讲，涉及一种基于疲劳分析的肌力估计方法。

技术介绍

[0002]大脑可激活肌肉，肌肉激活后收缩产生电信号，从而产生机械力。人体的任何一种运动，包括咀嚼、眨眼等微小动作以及跑步、弹跳、托举等大型运动都需要通过相应的肌肉收缩实现。不同的运动需要的肌肉不同，有些运动只需要一种肌肉参与，而有些运动需要多种肌肉共同参与。肌力即肌肉收缩强度，相关研究在步态分析、骨科、康复、人体工程学设计、触觉技术、远距手术和人机交互等许多应用中都具有重要的意义。
[0003]目前业内多采用肌电
‑
肌力模型来进行肌力估计。肌电
‑
肌力是一种非线性并且动态变化的关系，非线性等级主要取决于施力时肌肉纤维的组合方式、收缩的时间以及力等级，而动态关系是因为肌肉缩短效应以及电气时延(即肌电信号到产生的时延)所致。因此，建立的肌电
‑
肌力模型是否可靠取决于该模型能否捕获系统的动态变化以及非线性。除需要表述系统动态与非线性的困难外，运动模式、肌肉状态及个体差异性等都会影响肌力估计精度。肌肉疲劳也是其中一个重要且常见的影响因素，但以往许多实验研究避开了肌肉疲劳问题。然而肌肉疲劳严重影响着肌肉激活能力、收缩能力以及肌电信号与力的动态关系，是难以忽视的重点难点。
[0004]目前关于疲劳状态下的肌力估计研究较少。Soo等人提出了一种基于频带技术的力估计模型，发现疲劳程度越大，该模型相较于传统的RMS
‑<br/>力模型的改善效果越明显。Na等人提出了一种结合表面肌电和肌动模型的疲劳状态下力估计方法，发现随着肌肉疲劳的加深，肌动模型的峰值降低而收缩时间增加。中国科学技术大学陈香教授团队利用疲劳趋势修正了多项式模型和Hill模型，一定程度上消除了疲劳对肌力预测的影响。Asefi等人中使用拉盖尔模型分别对三段疲劳数据训练并预测，发现三段数据的拉盖尔一阶核系数的峰值与中值频率均存在下降趋势，认为可以将一阶核峰值和二阶高频成分作为疲劳发生的指标，并实现了等长收缩下受肌肉疲劳影响的肌电
‑
肌力动态模型，识别了肌电
‑
肌力的动态关系。但是以上方法对于疲劳分析的效果有限，难以在实际应用中对肌力估计性能实现实质性的提升。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于疲劳分析的肌力估计方法，通过引入疲劳特征，结合LVN网络，提高肌力估计的准确性和鲁棒性。
[0006]为了实现上述专利技术目的，本专利技术基于疲劳分析的肌力估计方法包括以下步骤：
[0007]S1：对于K个样本对象，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号，按照预设方法进行预处理后，得到预处理后的表面肌电信号x
k
(i)与肌力信号y
k
(i)，其中i＝1,...,N，N表示信号长度；
[0008]S2：采用长度为L
win
、滑动步长为Δ的滑动窗口在表面肌电信号x
k
(i)进行滑动提取信号段，计算每个信号段的平均瞬时能量，第j个信号段的平均瞬时能量E
k
(j)的计算公式如下：
[0009][0010]其中，j＝1,2,
…
,N
part
，N
part
表示划分得到的信号段数量；
[0011]设置能量阈值当且则将第j+1个信号段的起点作为活动段的起点，当且则将第j个信号段的终点作为活动段的终点，其余情况则不作任何操作，从而得到表面肌电信号x
k
(i)的活动段划分；
[0012]记表面肌电信号x
k
(i)所得到的活动段数量为D
k
，第d个活动段表示为分别表示表面肌电信号x
k
(i)第d个活动段的起点和终点的原始采样点序号，d＝1,2,
…
,D
k
；
[0013]S3：根据实际需要设置表面肌电信号中与疲劳相关的G个特征，然后对于每个表面肌电信号x
k
(i)分别提取每个活动段的G个特征f
k,d,g
，g＝1,2,
…
,G；
[0014]S4：根据活动段划分对每个表面肌电信号x
k
(i)分别构建其G个疲劳特征信号F
k,g
(i)，即当采样点则第g个特征对应的疲劳特征信号F
k,g
(i)＝f
k,d,g
，否则F
k,g
(i)＝0；
[0015]S5：构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号x
k
(i)和对应的疲劳特征信号作为多输出LVN网络的输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；
[0016]S6：当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集表面肌电信号并预处理后得到表面肌电信号x
′
(i)，进行活动段划分后提取出各个活动段与疲劳相关的G个特征，生成G个疲劳特征信号F
′
g
(i)，然后将表面机电信号x
′
(i)和G个疲劳特征信号F
′
g
(i)输入训练好的多输入LVN网络，得到估计的肌力信号。
[0017]本专利技术基于疲劳分析的肌力估计方法，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号并进行预处理，对表面肌电信号进行活动段划分后计算每个活动段中疲劳相关的特征，构建表面肌电信号对应的疲劳特征信号；构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号和对应的疲劳特征信号作为多输入LVN网络的输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集并预处理后得到表面肌电信号，然后构建得到疲劳特征信号，输入训练好的多输入LVN网络中，得到肌力估计结果。
[0018]本专利技术具有以下技术效果：
[0019]1)本专利技术首次将LVN网络应用于肌力估计，通过结合疲劳特征，相对于仅采用表面肌电信号进行肌力估计的方法，提高了肌力估计的准确性和鲁棒性；
[0020]2)本专利技术从备选特征中筛选出与疲劳程度相关性较强的特征作为疲劳相关特征
时，使得对于表面肌电信号的特征描述更加准确，从而提高肌力估计的准确性；
[0021]3)本专利技术对LVN网络的具体结构进行了研究，提出将疲劳特征信号进行融合并对疲劳特征信号融合权重进行局部稀疏性惩罚的优化方式，使得特征权重可以自适应调整的同时突出了修正作用较大的MDF与MPF特征对模型的贡献，进一步提高了肌力估计的准确性；
[0022]4)本专利技术在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于疲劳分析的肌力估计方法，其特征在于，包括以下步骤：S1：对于K个样本对象，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号，按照预设方法进行预处理后，得到预处理后的表面肌电信号x
k
(i)与肌力信号y
k
(i)，其中i＝1,...,N，N表示信号长度；S2：采用长度为L
win
、滑动步长为Δ的滑动窗口在表面肌电信号x
k
(i)进行滑动提取信号段，计算每个信号段的平均瞬时能量，第j个信号段的平均瞬时能量E
k
(j)的计算公式如下：其中，j＝1,2,
…
,N
part
，N
part
表示划分得到的信号段数量；设置能量阈值当且则将第j+1个信号段的起点作为活动段的起点，当且则将第j个信号段的终点作为活动段的终点，其余情况则不作任何操作，从而得到表面肌电信号x
k
(i)的活动段划分；记表面肌电信号x
k
(i)所得到的活动段数量为D
k
，第d个活动段表示为，第d个活动段表示为分别表示表面肌电信号x
k
(i)第d个活动段的起点和终点的原始采样点序号，d＝1,2,
…
,D
k
；S3：根据实际需要设置表面肌电信号中与疲劳相关的G个特征，然后对于每个表面肌电信号x
k
(i)分别提取每个活动段的G个特征f
k,d,g
，g＝1,2,
…
,G；S4：根据活动段划分对每个表面肌电信号x
k
(i)分别构建其G个疲劳特征信号F
k,g
(i)，即当采样点则第g个特征对应的疲劳特征信号F
k,g
(i)＝f
k,d,g
，否则F
k,g
(i)＝0；S5：构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号x
k
(i)和对应的疲劳特征信号作为多输出LVN网络的输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；S6：当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集表面肌电信号并预处理后得到表面肌电信号x
′
(i)，进行活动段划分后提取出各个活动段与疲劳相关的G个特征，生成G个疲劳特征信号F
′
g
(i)，然后将表面机电信号x
′
(i)和G个疲劳特征信号F
′
g
(i)输入训练好的多输入LVN网络，得到估计的肌力信号。2.根据权利要求1所述的肌力估计方法，其特征在于，所述步骤S1中表面肌电信号的预处理方法包括以下步骤：1)对表面肌电信号进行去噪处理；2)对去噪后的表面肌电信号进行滑动平均；3)将滑动平均后的表面肌电信号归一化到零均值和单位方差；4)对归一化后的表面肌电信号按照预设频率进行降采样；5)采用修正平滑方法对降采样后的表面肌电信号进行处理，得到修正平滑后的表面肌电信号；肌力信号的预处理方法包括以下步骤：
1)对肌力信号进行滑动平均；2)采用样本对象在预定动作下的肌力最大值对滑动平均后的肌力信号进行归一化；3)采用表面肌电信号的相同降采样频率对归一化后的肌力信号按照预设频率进行降采样。3.根据权利要求1所述的肌力估计方法，其特征在于，所述步骤S3中特征的确定方法包括以下步骤：S3.1：根据实际需要确定G
′
个备选特征；S3.2：对于每个表面肌电信号x
k
(i)分别提取每个活动段的G
′
个特征f
k,d,g
′
，g
′
＝1,2,
…
,G
′
，得到每个表面肌电信号x
k
(i)中第g
′
个特征对应的特征序列S3.3：将活动段的序号作为疲劳值并进行归一化，得到各个表面肌电信号x
k
(i)的疲劳值序列O＝{1/D
k
,2/D
k
,
…
,1}；S3.4：对于每个表面肌电信号x
k
(i)，将疲劳值作为自变量、特征值作为因变量，分别对每个特征序列和疲劳值序列O＝{1/D
k
,2/D
k
,
…
,1}进行线性回归，得到决定系数对K个表面肌电信号x
k
(i)中第g
′
个特征的决定系数进行平均，得到第g
′
个特征的决定系数个特征的决定系数S3.5：对于每个表面肌电信号x
k
(i)，分别计算每个特征序列和疲劳值序列O＝{1/D
k
,2/D
k
,
…
...

【专利技术属性】
技术研发人员：夏侯士戟，罗茜，马敏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：