一种基于肌电信号多层特征提取的手部运动意图识别方法技术

本发明专利技术公开了一种基于肌电信号多层特征提取的手部运动意图识别方法，获取手部动作时手臂上多路肌电信号和对应的手部动作A；对多路肌电信号分别进行多层特征提取，实时更新肌电信号的时域幅值范围并根据肌电信号的时域强度分层提取满足强度要求的信号过零点数，获得特征数据；将特征数据与对应的手部动进行训练，获取预测模型。本发明专利技术提取的多层特征提供了肌电信号在不同信号强度下频率信息，提高了手部运动意图识别的准确性。手部运动意图识别的准确性。手部运动意图识别的准确性。

【技术实现步骤摘要】
一种基于肌电信号多层特征提取的手部运动意图识别方法


[0001]本专利技术属于信息领域，具体涉及一种基于肌电信号多层特征提取的手部运动意图识别方法。

技术介绍

[0002]表面肌电信号是由肌肉兴奋时各运动单元产生的一个个动作电位序列在皮肤表面叠加而成，是一种非平稳的微弱信号。近年来肌电信号的相关研究成果已在临床诊断、康复医学、生物机械等诸多领域得到了应用。肌电控制假肢是肌电信号在助老助残康复领域的一类典型的应用，它通过采集人体肌肉表面的肌电信号，经过特征提取和模式识别获取人体运动意图后用于假肢的运动控制，这种控制模式因其动作自然、与人体操作习惯相似而受到广泛关注。国内外学者为了提高动作识别的准确性，开展了大量的研究工作。现有研究大多通过提取多种不同的肌电信号时域、频域或时频域特征，将他们组合成庞大的特征矩阵后用来进行动作的识别，这种方式虽然能够提高动作识别的准确率，但却导致计算量急剧增加，对于处理器计算能力有限的商业化假手，这种方法并不适用。因此，研究高效的特征提取能够尽可能多地凸显出信号与动作相关的本质信息，有助于提高手部运动意图识别的准确性。

技术实现思路

[0003]专利技术目的：本专利技术提出了一种基于肌电信号多层特征提取的手部运动意图识别方法，提高肌电假手动作控制的准确性和稳定性。
[0004]技术方案：本专利技术提供了一种基于肌电信号多层特征提取的手部运动意图识别方法，具体包括以下步骤：
[0005](1)获取手部动作时手臂上多路肌电信号和对应的手部动作A；
[0006](2)对多路肌电信号分别进行多层特征提取：实时更新肌电信号的时域幅值范围并根据肌电信号的时域强度分层提取满足强度要求的信号过零点数，获得特征数据；
[0007](3)将特征数据与对应的手部动进行训练，获取预测模型。
[0008]进一步地，步骤(1)所述的多路肌电信号为肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌四路肌电信号，并分别记为EMG1、EMG2、EMG3、EMG4。
[0009]进一步地，步骤(1)所述的多路肌电信号由肌电传感器分别贴合在用户手臂的肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌上获取。
[0010]进一步地，所述步骤(2)实现过程如下：
[0011]对于EMG1，更新肌电信号的最大值Max
E1
和最小值Min
E1
，更新方法如下：
[0012][0013][0014]其中，EMG1_CURR为当前时刻第一肌电传感器采集得到的肌电信号的电压值，Max
E1
和Min
E1
的初值均设为0；
[0015]根据预先设置特征提取层数N和预先设置的特征提取窗口长度W，N和W均为为大于等于2的整数，计算各层阈值TH(n)如下：
[0016][0017]根据各层阈值TH(n)，计算在第i个采样时刻的第n层特征值F(n,i)为：
[0018][0019][0020]以同样的方式对EMG2、EMG3、EMG4肌电信号进行特征提取。
[0021]进一步地，步骤(3)所述预测模型为BP神经网络模型。
[0022]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术提取的多层特征提供了肌电信号在不同信号强度下频率信息，提高了手部运动意图识别的准确性；本专利技术与现有的通过傅里叶变换、小波变换等提取肌电信号特征的方法相比，具有计算量小、算法复杂度低等特点，能有效降低特征提取的时延，适合于没有高性能计算处理能力的场合，尤其适合于商业化消费级假手中的应用；本专利技术提出的分层特征提取中上设置了肌电信号幅值范围的实时更新环节，动态调节特征提取的阈值，能够有效抑制动作识别过中由于肌电传感器与皮肤贴合位置发生变化而导致动作识别不稳定的问题；同时，这种动态调节肌电信号特征提取阈值的方法还能有效抑制肌电信号个体差异对动作识别的影响，扩大了肌电信号动作识别方法对不同人的适用范围。
附图说明
[0023]图1为本专利技术的流程图；
[0024]图2为一段典型的肌电信号波形图，使用长度为500毫秒的窗口对该信号进行特征提取；
[0025]图3为对图2所示肌电信号进行传统过零点数特提取得到的波形图；
[0026]图4为对图2所示肌电信号进行2层特征提取后得到的波形图；
[0027]图5为对图2所示肌电信号进行3层特征提取后得到的波形图；
[0028]图6为对图2所示肌电信号进行5层特征提取后得到的波形图。
具体实施方式
[0029]下面结合附图对本专利技术做进一步详细说明。
[0030]本专利技术提供一种基于肌电信号多层特征提取的手部运动意图识别方法，包括信号采集、多层特征提取、预测模型训练及运动意图识别。如图1所示，具体包括以下步骤：
[0031]步骤1：取第一至第四肌电传感器，第一至第四肌电传感器分别用于采用手臂上肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌的表面肌电信号，同步记录配戴者手部做动作时第一至第四肌电传感采集得到的肌电信号和对应的手部动作并分别记为EMG1、EMG2、EMG3、
EMG4、A。
[0032]步骤2：对步骤1中采集得到的四路肌电信号分别进行多层特征提取，以EMG1的多层特征提取为例，具体步骤如下：
[0033]步骤2.1：更新肌电信号的最大值Max
E1
和最小值Min
E1
，更新方法如下：
[0034][0035][0036]其中，EMG1_CURR为当前时刻第一肌电传感器采集得到的肌电信号的电压值，Max
E1
和Min
E1
的初值均设为0；
[0037]步骤2.2：根据预先设置特征提取层数N和预先设置的特征提取窗口长度W，N均为为大于等于2的整数，计算各层阈值TH(n)如下：
[0038][0039]步骤2.3：根据步骤2.2中获得的各层阈值TH(n)，计算在第i个采样时刻的第n层特征值F(n,i)为：
[0040][0041][0042]其中，j为某一采样时刻，当EMG1序列数据中j时刻采样时刻的数据与(j
‑
1)时刻数据的符号不同，且两者差值的绝对值大于TH(n)时记为1。
[0043]步骤3：将步骤2中获得特征数据与对应的手部动进行训练，获取预测模型。
[0044]预测模型为BP神经网络，也可以采用其他类型预测模型。
[0045]第一至第四肌电传感器分别分别贴合在用户手臂的肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌上。因此，只需要将四个肌电传感器贴合在佩戴者手臂的肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌上，使用者随机做几个目标手势之后即可进行手部运动意图识别。
[0046]图2为一段典型的肌电信号波形图，使用长度为500毫秒的窗口对该信号进行特征提取；图3至图6分别为对该肌电信号进行传统过零点数特提取得到的波形，进行2层特征提取后得到的波形，进行3层特征提取后得到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于肌电信号多层特征提取的手部运动意图识别方法，其特征在于，包括以下步骤：(1)获取手部动作时手臂上多路肌电信号和对应的手部动作A；(2)对多路肌电信号分别进行多层特征提取：实时更新肌电信号的时域幅值范围并根据肌电信号的时域强度分层提取满足强度要求的信号过零点数，获得特征数据；(3)将特征数据与对应的手部动进行训练，获取预测模型。2.根据权利要求1所述的一种基于肌电信号多层特征提取的手部运动意图识别方法，其特征在于，步骤(1)所述的多路肌电信号为肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌四路肌电信号，并分别记为EMG1、EMG2、EMG3、EMG4。3.根据权利要求1所述的一种基于肌电信号多层特征提取的手部运动意图识别方法，其特征在于，步骤(1)所述的多路肌电信号由肌电传感器分别贴合在用户手臂的肱侧腕屈肌、肱桡肌、指伸肌、尺侧腕伸肌上获取。4.根据权利要求2所述的一种基于肌电信号多层特征提取的手部运动意图识别方法，...

【专利技术属性】
技术研发人员：吴常铖，刘志浩，赵炳权，费飞，朱永凯，
申请(专利权)人：江苏省疾病预防控制中心江苏省公共卫生研究院，
类型：发明
国别省市：