【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)
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。