一种基于表面肌电信号的下肢动作识别方法及系统技术方案

技术编号：40528558 阅读：7 留言：0更新日期：2024-03-01 13:48

本发明专利技术公开了一种基于表面肌电信号的下肢动作识别方法及系统，属于模式识别技术领域，包括训练和使用两个部分，本发明专利技术利用表面肌电信号对人体下肢离散动作进行识别，能够对预测运动意图以及实时控制研究提供可靠的依据；其次，本发明专利技术利用堆叠技术和加权思路改进了标准随机森林算法，提高了随机森林算法的泛化性能，从而提高了下肢动作识别模型的实用性。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及模式识别，更具体的说是涉及一种基于表面肌电信号(surfaceelectromyography,semg)的下肢动作识别方法及系统。

技术介绍

1、人体下肢运动由许多不同的运动模式构成，如行走、跑步、上楼和下楼等，是一个复杂和变化的过程。单个运动由不同的肢体动作构成，准确的识别肢体动作可以为下肢外骨骼的机构设计与优化提供理论指导和技术支持，也是下肢外骨骼实现辅助行走、康复训练、智能控制的基础。

2、目前，人体下肢动作识别研究常用的方法有图像检测、足底压力检测和位姿信号检测等。图像检测技术较为昂贵、不可移动、对环境要求较高。足底压力和位姿信号识别的动作滞后于实际肢体动作。

3、semg是肌肉收缩时所产生的生理电信号。semg反映了神经肌肉的活动和功能状态，广泛应用于生理医学、康复工程、运动医学和智能假肢等诸多领域。由于肌肉收缩动力学的肌电延迟效应，semg信号的产生要比实际肢体动作的产生提前约40-100ms，这对于预测运动意图和实现实时控制具有重要意义。

4、semg信号作为一种微弱的生物电信号，容易受到电极移位、肌肉疲劳、肌肉收缩力变化等因素引起的概念漂移。常规的基于模式识别的肌电运动意图识别系统，无法在较长的一段时间内维持较高的识别性能。由于个体差异、肌肉和皮肤组织的差异等因素，训练好的识别系统无法作为通用系统应用于大量人群。

5、综上，提供一种具有泛化性能的下肢动作识别方法及系统是本领域技术人员亟须解决的问题。

技术实现思路</p>

1、有鉴于此，本专利技术提供了一种基于表面肌电信号的下肢动作识别方法及系统，利用堆叠技术和加权思路改进了标准随机森林算法，提高了人体下肢动作识别的泛化性能。

2、为了实现上述目的，本专利技术采用如下技术方案：

3、一种基于表面肌电信号的下肢动作识别方法，包括以下步骤：

4、(1)模型训练：

5、采集离散动作对应的表面肌电信号，并对所述表面肌电信号进行标记，获取所述表面肌电信号对应标记值；

6、对所述表面肌电信号进行预处理后，提取所述表面肌电信号的信号特征；

7、利用所述表面肌电信号的信号特征和所述标记值构建训练数据集；

8、基于堆叠法和加权法改进随机森林算法构建堆叠加权随机森林(stackingweighted random forest，swrf)模型；

9、利用所述训练数据集对所述堆叠加权随机森林模型进行训练；

10、(2)动作识别：

11、采集实际动作对应的表面肌电信号，并进行预处理；

12、提取所述表面肌电信号的信号特征；

13、将所述信号特征输入到训练好的堆叠加权随机森林模型进行动作识别，并输出识别结果。

14、优选的，所述表面肌电信号的信号特征包括所述表面肌电信号的均方根和平均绝对值，计算公式为：

15、

16、

17、其中，rms(root mean square)为表面肌电信号的均方根，mav(mean absolutevalue)为表面肌电信号的平均绝对值，n为采样点数，xi为第i个样本的数值。

18、优选的，基于堆叠法和加权法改进随机森林算法构建堆叠加权随机森林模型，包括：

19、步骤1：构建初始随机森林模型，并利用所述训练数据集对所述初始随机森林模型进行训练，得到随机森林模型；

20、步骤2：使用k折交叉验证对所述随机森林模型进行袋外预测，获得每个随机森林模型的袋外预测值；

21、步骤3：将袋外预测值作为输入变量，标签值作为因变量，生成一个新的数据集；

22、步骤4：利用加权随机森林方法和新的数据集对随机森林模型进行训练，得到堆叠加权随机森林模型。

23、优选的，所述加权随机森林(weighted random forest，wrf)方法，包括：

24、计算预测袋外样本的准确率：

25、

26、其中，ypre，j表示第i个决策树对第j个袋外样本的预测值，yrea，j为第j个袋外样本的真实值，m为袋外样本数量；

27、通过计算决策树的均方根误差，获得每个决策树对袋外样本的分类性能；

28、使用加权投票法确定每个决策树的权重，每个决策树的权重ωi为：

29、

30、通过加权投票法获得的每一个决策树的最终预测结果outi，j为：

31、

32、其中，c为种类的数量，outj为第j个样本的预测值，oi，j为第i个决策树对第j个样本的预测输出值。

33、优选的，所述预处理为滤波处理。

34、另一方面，本专利技术还提供了一种用于上述的任意一种基于表面肌电信号的下肢动作识别方法的系统，包括模型训练子系统和识别子系统；

35、所述模型训练子系统包括：

36、第一采集模块，采集离散动作对应的表面肌电信号，并对所述表面肌电信号进行标记，获取所述表面肌电信号对应标记值；

37、第一预处理模块，对第一采集模块采集的所述表面肌电信号进行预处理；

38、第一特征提取模块，用于提取预处理后的表面肌电信号的信号特征；

39、数据集模块，利用所述表面肌电信号的信号特征和所述标记值构建训练数据集；

40、模型构建模块，基于堆叠法和加权法改进随机森林算法构建堆叠加权随机森林模型；

41、训练模块，利用所述训练数据集对所述堆叠加权随机森林模型进行训练，并将训练好的堆叠加权随机森林模型发送到识别模块；

42、所述识别子系统包括：

43、第二采集模块，用于采集表面肌电信号；

44、第二预处理模块，对所述第二采集模块采集的表面肌电信号进行预处理，

45、第二特征提取模块，对第二预处理模块预处理后的表面肌电信号进行信号特征提取；

46、识别模块，将第二特征提取模块提取的信号输入训练好的堆叠加权随机森林模型进行动作识别，并输出识别结果。

47、优选的，所述第一特征提取模块与所述第二特征提取模块分别包括一个均方根计算单元和平均绝对值计算单元；

48、所述均方根计算单元用于计算所述表面肌电信号的均方根，计算公式为：n为采样点数，xi为第i个样本的数值；

49、所述平均绝对值计算单元用于计算所述表面肌电信号的平均绝对值，n为采样点数，xi为第i个样本的数值。

50、优选的，所述模型构建模块包括：

51、初始模型构建单元，构建初始随机森林模型；

52、第一训练单元，利用所述训练数据集对所述初始随机森林模型进行训练，得到随机森林模型；

53、交叉验证单元，使用k折交叉验证来获得每个决策树的袋外预测值；

54、数据集单元，将袋外预测值作为输入变量，标签本文档来自技高网...

【技术保护点】

1.一种基于表面肌电信号的下肢动作识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于表面肌电信号的下肢动作识别方法，其特征在于，所述表面肌电信号的信号特征包括所述表面肌电信号的均方根和平均绝对值，计算公式为：

3.根据权利要求1所述的一种基于表面肌电信号的下肢动作识别方法，其特征在于，基于堆叠法和加权法改进随机森林算法构建堆叠加权随机森林模型，包括：

4.根据权利要求3所述的一种基于表面肌电信号的下肢动作识别方法，其特征在于，所述加权随机森林方法，包括：

5.根据权利要求1所述的一种基于表面肌电信号的下肢动作识别方法，其特征在于，所述预处理为滤波处理。

6.一种用于如权利要求1-5所述的任意一种基于表面肌电信号的下肢动作识别方法的系统，其特征在于，包括模型训练子系统和识别子系统；

7.根据权利要求6所述的一种基于表面肌电信号的下肢动作识别系统，其特征在于，所述第一特征提取模块与所述第二特征提取模块分别包括一个均方根计算单元和平均绝对值计算单元；

8.根据权利要求6所述的一种基于

...

【技术特征摘要】

1.一种基于表面肌电信号的下肢动作识别方法，其特征在于，包括以下步骤：

4.根据权利要求3所述的一种基于表面肌电信号的下肢动作识别方法，其特征在于，所述加权随机森林方法，包括：

5...

【专利技术属性】
技术研发人员：陈伟海，沈成，张越，裴忠才，王建华，陈健尔，
申请(专利权)人：北京航空航天大学杭州创新研究院，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人