一种基于神经特征和制造技术

本发明专利技术公开了一种基于神经特征和

【技术实现步骤摘要】
一种基于神经特征和LSTM的手腕力矩在线估计方法


[0001]本专利技术属于生机电一体化领域，具体涉及一种基于神经特征和
LSTM
的手腕力矩在线估计方法
。

技术介绍

[0002]肌电信号
(Electromyography
，
EMG)
是人体生物电信号中的一种，是骨骼肌电活动的表征
。
人体骨骼的运动都是通过肌肉的收缩完成，肌肉的收缩总是伴随着肌电信号的产生，因而通过分析肌电信号能够对神经肌肉系统的机能变化做出判断
。
表面肌电信号
(SurfaceElectromyography
，
sEMG)
是电极在皮肤表面测得的肌肉电信号，是运动单位动作电位队列
(Motor Unit Action Potential Train
，
MUAPt)
经过容积导体的低通滤波，传导到皮肤表面叠加形成的
。
当测量电极组成一个高密度阵列时，能够同时测得多通道的表面肌电信号，形成高密度表面肌电信号
(High DensitysEMG
，
HD
‑
sEMG)。
通过盲源分离
(Blind Source Seperation
，
BSS)
算法能够将
HD
‑
sEMG
分解成运动单位尖峰队列
(Motor Unit Spike Train/>，
MUST)
，从而能够得到肌肉电活动的深层神经特征
。
[0003]肌电信号被广泛应用在人机交互的控制中，包括实现对操作力
、
力矩的自然控制
。
目前应用在机械臂
、
假肢等人机接口中的力矩估计主要有两种方法：一种是基于
sEMG
的模式识别方法，这些方法往往局限在表层特征，缺乏对
sEMG
产生机理的剖析，泛化能力差，可解释性低；另一种是基于骨骼肌模型的计算方法，这种方法模型复杂，计算繁琐，时效性差
。
而一种生理意义明确，计算耗时短的力矩估计方法对假手的实时控制至关重要
。

技术实现思路

[0004]为解决上述问题，本专利技术公开了一种基于神经特征和
LSTM
的手腕力矩在线估计方法，它可以用于机械假手的自然控制与实时控制，能够为残障人士提供更好的交互体验，同时也能广泛应用于康复机器人
、
人机交互等领域
。
本专利技术提供了一种新的控制策略，考虑了肌肉活动的神经特征，并通过深度学习方法构建了一个在线力矩估计模型，能够对力矩进行实时估计
。
[0005]为了达到上述的目的，本专利技术的技术方案如下：
[0006]一种基于神经特征和
LSTM(Long Short
‑
Term Memory
，长短时记忆网络
)
的手腕力矩在线估计方法，包括以下步骤：
[0007](1)
训练数据准备：
[0008]实验前，将高密度电极片附着在被试小臂的伸肌和屈肌部分，完成后，被试按照实验范式执行指定动作
。
通过高密度电极片采集
sEMG
，通道数一般选取为
64
通道
、128
通道或
256
通道；同时，通过力矩传感器测量力矩大小
。
对采集得到的数据进行预处理，用于后续的离线训练
。
[0009](2)
盲源分离得到
MUST
：
[0010]针对预处理后的数据，使用盲源分离算法得到各个独立的运动单位动作电位队列
信号
MUAPt
和相对应的分离向量，并通过
Kmeans
聚类算法识别出神经放电脉冲，从而得到
MUST。MUST
是一个0‑1序列，0代表该
MU
当前时刻没有动作电位产生，1代表该
MU
当前时刻处于放电激活状态
。
[0011](3)LSTM
神经网络学习和多项式回归：
[0012]针对原始的
HD
‑
sEMG
和分解得到的
MUSTs
，构建序列到序列的
LSTM
分类器
。
假设高密度电极片有
M
个通道，盲源分离得到了
N
个
MUST
，那么每一个时间步下，
M
个通道的
sEMG
信号组成了一个
M
维的输入特征向量，
N
个当前时间步下的
MUST
值经过处理后构成了一个
N
维输出列向量
。
使用上述输入输出对
LSTM
进行训练，得到一个能够从原始
HD
‑
sEMG
信号识别出
MU
是否发放的神经网络
。
[0013]分解得到的
MUSTs
累加后得到累积脉冲串
(Cumulative Spike Train
，
CST)
，计算
CST
的尖峰数目，并与升采样后的力矩进行多项式回归，确定回归多项式
。
[0014](4)
滑动窗口在线估计力矩：
[0015]对在线采集的
HD
‑
sEMG
信号，每一个新的时间戳，
M
个通道各自能够获得一个新的
sEMG
采样数据，共同构成
M
维输入向量，经过
LSTM
网络的计算，能够得到一个
N
维输出向量
。
选取
400ms
的滑动窗口，在该窗口内计算累积脉冲串，通过多项式回归实时估计手腕力矩
。
[0016]进一步的，步骤
(1)
包括：
[0017](1.1)
滤波：对
sEMG
信号，使用4阶巴特沃斯带通滤波器对原始
sEMG
信号进行
20
‑
500Hz
滤波，使用
50Hz
陷波滤波器滤除信号中的工频干扰；对力矩信号，使用滑动平均滤波滤除噪声干扰
。
[0018](1.2)
中心化：在独立成分分析
(IndependentComponentAnalysis
，
ICA)
中，要求各随机变量满足零均值，需要将
sEMG
减去其均值
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于神经特征和
LSTM
的手腕力矩在线估计方法，其特征在于：包括以下步骤：
(1)
训练数据准备：实验前，将高密度电极片附着在被试小臂的伸肌和屈肌部分，完成后，被试按照实验范式执行指定动作；通过高密度电极片采集
sEMG
，通道数为
64
通道
、128
通道或
256
通道；同时，通过力矩传感器测量力矩大小；对采集得到的数据进行预处理，用于后续的离线训练；
(2)
盲源分离得到
MUST
：针对预处理后的数据，使用盲源分离算法得到各个独立的运动单位动作电位队列信号
MUAPt
和相对应的分离向量，并通过
Kmeans
聚类算法识别出神经放电脉冲，从而得到
MUST
；
MUST
是一个0‑1序列，0代表该
MU
当前时刻没有动作电位产生，1代表该
MU
当前时刻处于放电激活状态；
(3)LSTM
神经网络学习和多项式回归：针对原始的
HD
‑
sEMG
和分解得到的
MUSTs
，构建序列到序列的
LSTM
分类器；假设高密度电极片有
M
个通道，盲源分离得到了
N
个
MUST
，那么每一个时间步下，
M
个通道的
sEMG
信号组成了一个
M
维的输入特征向量，
N
个当前时间步下的
MUST
值经过处理后构成了一个
N
维输出列向量；使用上述输入输出对
LSTM
进行训练，得到一个能够从原始
HD
‑
sEMG
信号识别出
MU
是否发放的神经网络；分解得到的
MUSTs
累加后得到
CST
，计算
CST
的尖峰数目，并与升采样后的力矩进行多项式回归，确定回归多项式；
(4)
滑动窗口在线估计力矩：对在线采集的
HD
‑
sEMG
信号，每一个新的时间戳，
M
个通道各自能够获得一个新的
sEMG
采样数据，共同构成
M
维输入向量，经过
LSTM
网络的计算，能够得到一个
N
维输出向量；选取
400ms
的滑动窗口，在该窗口内计算累积脉冲串，通过多项式回归实时估计手腕力矩
。2.
根据权利要求1所述的一种基于神经特征和
LSTM
的手腕力矩在线估计方法，其特征在于：步骤
(1)
包括：
(1.1)
滤波：对
sEMG
信号，使用4阶巴特沃斯带通滤波器对原始
sEMG
信号进行
20
‑
500Hz
滤波，使用
50Hz
陷波滤波器滤除信号中的工频干扰；对力矩信号，使用滑动平均滤波滤除噪声干扰；
(1.2)
中心化：在
ICA
中，要求各随机变量满足零均值，需要将
sEMG
减去其均值；
(1.3)
扩展：表面肌电信号
x
i
(n)
建模为一个卷积混合模型，如下所示：其中
w
i
(n)
为随机噪声；表示的第
j
个
MUAP
在第
i
个通道中的波形，波形长度为
L
；
t
j
(n)
表示第
j
个
MU
的放电时刻，其值是0或者1，通过用单位脉冲函数
δ
表示：即当第
j
个
MU
在
T
j
(k)
时刻激活时
t
j
(T
j
(k))
＝1；当对
M
个通道的
sEMG
信号进行扩展后，表面肌电的卷积混合模型表示成线性瞬时混合模型；扩展前的观测矩阵由
M
个通道的
sEMG
组成，表示为
X
＝
[x1(n)
，
x2(n)
，
...
，
x
M
(n)]
T
；扩
展后的矩阵为
(1.4)
白化：通过白化处理实现源信号的去相关，降低数据输入的冗余；对扩展矩阵的协方差矩阵
∑
进行特征值分解：
∑
＝
U
Λ
U
T
，其中
U
是正交矩阵，
Λ
是特征值矩阵，则
W
＝
U
Λ
‑
1/2
U
T
为白化矩阵；白化矩阵
W
与相乘得到白化后的数据
Z。3.
根据权利要求1所述的一种基于神经特征和
LSTM
的手腕力矩在线估计方法，其特征在于：步骤
(2)
包括：
(2.1)
通过不动点迭代法得到分离向量
w
：假设衡量源信号稀疏程度的对比函数为
G(x)
，其一阶导数为
g(x)
，则
w
的迭代方程为：
w(n)
＝
E{Zg[w(n
‑
1)
...

【专利技术属性】
技术研发人员：徐宝国，杨心昊，高泽林，宋爱国，
申请(专利权)人：东南大学，
类型：发明
国别省市：