基于局部L2约束非负矩阵分解的上肢运动角度估计方法技术

本发明专利技术涉及基于局部L2约束非负矩阵分解的上肢运动角度估计方法，本发明专利技术提出局部L2约束非负矩阵分解算法用于解决多自由度连续运动角度估计中对不同自由度解耦不充分且解耦效果不稳定的问题。首先对肌电信号进行预处理和特征提取，然后使用NMFLC分解肌电信号获取协同元矩阵，使用非负最小二乘法获得激活系数，最后通过同一自由度的正反激活系数的线性组合获得该自由度的估计角度。本发明专利技术提出的方法能够对非激活自由度实现更好的抑制效果，充分解耦单自由度动作，并且该方法实现的解耦效果更加稳定，一定程度上提高了多自由度连续运动角度估计的准确性。动角度估计的准确性。动角度估计的准确性。

【技术实现步骤摘要】
基于局部L2约束非负矩阵分解的上肢运动角度估计方法


[0001]本专利技术涉及一种基于局部L2约束非负矩阵分解的上肢多自由度运动角度估计方法，提出局部L2约束非负矩阵分解算法(non
‑
negative matrix decomposition with local constraint,NMFLC)用于人体上肢多自由度运动角度的估计。使用NMFLC分解关节运动肌电信号，提取出协同元和激活系数，然后将与同一自由度相关的两个激活系数线性组合，最终获得该自由度的角度，属于模式识别模型


技术介绍

[0002]表面肌电信号(surface electromyography，sEMG)是由肌肉收缩时活跃的肌纤维的电活动产生。中枢神经系统对人体产生的控制指令，以电位的形式在神经元中传递，最终传导到与脊髓相连的运动神经元。当肢体控制指令传导到运动神经元，会继续以电位的形式传递，最终会引起运动单元中肌纤维的电位的变化，造成肌肉收缩。运动神经元和它直接控制的肌纤维组成运动控制的最小单位：运动单元。当不同的运动单元依次被激活后，多个运动单位上的电位会叠加在皮肤表层形成sEMG。
[0003]sEMG是与人体运动直接相关的生理电信号，可以通过在皮肤表面放置采集电极检测肌电信号变化，采集过程简单方便。通过解析sEMG可以实现对人体运动意图的估计，通过采集上肢sEMG可以帮助残疾人实现对假肢的灵活控制，sEMG实现的人机交互平台也是下一代人机交互的主要方向，可以通过分析sEMG，估计人体的控制意图，从而实现对机器人的远程同步控制。
[0004]人体上肢运动的肌电控制最早采用基于sEMG幅值的开关控制方式，当肌电幅值大于控制阈值时产生动作，虽然这种离散直接控制系统取得了很高的成功率，但一次只能控制一个或两个自由度，幅值较小时无法控制，并且肌电控制阈值需要多次实验确定，控制的实时性不好。目前人体上肢运动角度估计主要有两类：离散动作识别和连续运动估计。离散动作识别采用监督学习的方法，通过对sEMG进行特征提取，并利用样本离线训练分类器，最后使用模型识别新样本的动作类型。虽然这种方法有较高的准确性，但是只能预测少数离散的动作，无法实现连续平滑的同步控制，因此，利用sEMG实现对多自由度运动的连续比例同步控制受到了广泛的关注。Zhang等人利用稀疏伪输入高斯过程回归方法来映射sEMG特征和手部运动，在多自由度角度的离线和在线估计都能达到较高的估计精度。这是一种监督学习方法，需要采集关节角度来离线训练分类器，虽然使用同侧训练和对侧训练策略的结果无显著差异，但是仍然无法适用于双侧截肢患者。Jiang等人基于肌肉协同理论，利用非负矩阵分解算法(Nonnegative Matrix Factorization,NMF)实现了对腕部两个自由度动作的比例同步控制。采用DOF
‑
wise的策略，每次只激活一个自由度并利用非负矩阵算法提取该自由度的控制信息。这是一种准无监督学习方法，只需知道单自由度动作中哪个自由度被激活。但在单自由度动作下，NMF对非目标自由度的抑制效果不强，使得不同自由度之间的解耦效果不好，对非目标自由度角度的估计不准确。为了提高在NMF算法在单自由度激活时对非目标自由度的抑制效果，Lin等人在NMF目标函数中加入对系数的L1范数正则
项，稀疏性约束限制了NMF可能解的空间，提高了在单自由度激活时对非目标自由度的抑制效果。但这种方法添加的是对所有自由度激活系数的约束，对目标自由度也有一定的抑制作用，另外，在单自由度动作时，人们可能激活多个自由度，对非目标自由度的过多抑制不利于充分的解耦，并且该方法的解耦鲁棒性不强。
[0005]以上方法在分解单自由度肌电信号时对非目标自由度的估计效果不好，对单自由度动作解耦不充分且解耦效果不稳定。为了解决以上问题，本专利技术提出局部L2约束的非负矩阵分解算法来分解肌电信号，进而估计出关节运动角度。

技术实现思路

[0006]本专利技术的目的是针对现有方法对用户非目标自由度运动的角度估计效果不理想，本专利技术提出采用基于局部L2约束非负矩阵分解的NMFLC方法来分解人体肌电信号，实现对人体关节运动角度的准确估计，。实现对人体多自由度连续运动角度的估计，基于DOF
‑
wise的方法需要采集每个自由度单独运动的肌电信号，但用户的单自由度运动中非目标自由度也会有一定的动作，这会造成不同自由度之间解耦不充分，使得对非目标自由度角度的估计不准确。
[0007]为实现上述目的，本专利技术的技术方案是：
[0008]一种基于局部L2约束非负矩阵分解的上肢运动角度估计方法，包括以下步骤：
[0009]步骤一，人体上肢肌电信号采集，用户依次完成手部的单自由度和多自由度动作，采用Trigno肌电采集系统，在靠近肘关节1/3处的均匀放置7个无线电极，以2kHz的频率采集人体肌电信号；
[0010]步骤二，对肌电信号进行预处理和特征提取，对采集到的原始肌电信号依次进行高通滤波、全波整流和低通滤波，然后采用不重叠时间窗分割肌电信号，并提取该时间窗内肌电信号的时域特征；
[0011]步骤三，分解肌电特征信号获取协同元矩阵，使用NMFLC将肌电特征信号分解为协同元和激活系数的乘积，将协同元矩阵用于人体运动中关节自由度的角度估计；
[0012]步骤四，获取测试集激活系数并估计关节运动中不同自由度的角度。
[0013]与现有技术相比，本专利技术的有益效果在于：
[0014]本专利技术提出NMFLC方法来分解人体上肢关节运动肌电特征信号，并通过分解出的激活系数的线性组合获得关节运动角度。NMFLC通过在目标函数中添加恰当的L2约束，更好地解耦了单自由度动作，获取出每个自由度对应的协同元，从而实现对上肢多自由度运动角度的准确估计。另外，该方法鲁棒性更强，关节角度估计效果更加稳定。
附图说明
[0015]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1为本专利技术基于局部L2约束非负矩阵分解的上肢运动角度估计方法的流程图；
[0017]图2为本专利技术基于局部L2约束非负矩阵分解的上肢多自由度的平均信噪比及显著
性分析图；
[0018]图3为本专利技术基于局部L2约束非负矩阵分解的上肢运动角度估计方法的不同方法的估计效果图；
[0019]图4为本专利技术基于局部L2约束非负矩阵分解的上肢运动角度估计方法的ASNR标准差对比图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于局部L2约束非负矩阵分解的上肢运动角度估计方法，其特征在于：包括以下步骤：步骤一、人体上肢肌电信号采集，用户依次完成手部的单自由度动作和多自由度动作，采用Trigno肌电采集系统，在靠近肘关节处均匀放置多个无线电极，采集人体肌电信号；步骤二、对原始肌电信号进行预处理和特征提取，对采集到的原始肌电信号依次进行高通滤波、全波整流和低通滤波，然后采用不重叠时间窗分割肌电信号，并提取该时间窗内肌电信号的时域特征；步骤三、分解肌电特征信号获取协同元矩阵，使用NMFLC将肌电特征信号分解为协同元和激活系数的乘积，将协同元矩阵用于人体运动中关节自由度的角度估计；步骤四、获取测试集激活系数并估计关节运动中不同自由度的角度。2.根据权利要求1所述的一种基于局部L2约束非负矩阵分解的上肢运动角度估计方法，其特征在于：所述步骤一中所述单自由度动作包括腕部屈伸动作和握手伸手动作，所述多自由度动作包括腕部屈伸、手部张合两个自由度同时运动。3.根据权利要求2所述的一种基于局部L2约束非负矩阵分解的上肢运动角度估计方法，其特征在于：所述步骤一中在靠近肘关节1/3的前臂均匀放置7个无线电极，可以采集桡侧腕长伸肌、尺侧腕伸肌、指浅屈肌，电极方向和肌肉纤维方向平行，系统采样频率为2kHz，并经过20～450Hz滤波器输出信号。4.根据权利要求1所述的一种基于局部L2约束非负矩阵分解的上肢运动角度估计方法，其特征在于：所述步骤三具体包括：设定肌电信号特征矩阵为Z
M
×
T
，M和T分别为采集通道数和样本个数，肌电状态可近似成协同元矩阵W
M
×
2N
及其激活系数矩阵F
2N
×
T
的乘积：式(1)中，W
i+(
‑
)
为第i个协同元，每个元素大小代表不同肌肉在这个协同元中的贡献，N为运动涉及的自由度的个数，本方法中N＝2，上标“+
”“‑”
分别同一自由度下的正反方向，F
i+(
‑
)
是W
i+(
‑
)
的激活向量，代表第i个协同元的激活程度；肌电特征矩阵可以表示为式(2)中，F
1j+(
‑

【专利技术属性】
技术研发人员：孟明，周广钱，席旭刚，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：