发明内容

本发明公开了一种基于表面肌电信号的下肢多关节角度估计方法，利用测试者的原始表面肌电信号以及下肢膝关节与髋关节的实际运动角度，提出了一种结合最小二乘支持向量机和归零神经网络的下肢主动运动意图识别方法，实现了下肢多关节连续运动角度的精准识别。在信号采集过程中，考虑周围环境的其他电子设备产生的扰动，例如蓝牙设备，或采集信号时相应传感器发生平移，所述情况都可被视为测量噪声并会对信号获取产生干扰，进而影响运动意图识别结果。因此建立了一种具有抑制噪声能力的抗噪型归零神经网络模型，有效地解决由于噪声所造成的识别结果较大偏离真实值的情况，从而保证了识别精度，克服了噪声对于求解模型参数产生的影响，并对避免患肢康复训练可能产生的二次损伤提供技术参考。结合说明书附图，本发明的技术方案如下：

一种基于表面肌电信号的下肢多关节连续运动估计方法，所述估计方法具体如下：

S1：为估计人体主动运动意图，同步采集测试者下肢股直肌和股外侧肌的肌电信号以及膝关节与髋关节的运动角度信号；

S2：将所采集的股直肌和股外侧肌的原始肌电信号进行滤波处理，去除噪声，保留可用信号；

S3：采用一种非线性指数函数，将预处理后的表面肌电信号映射成肌肉活跃度，并将通过计算得到的股直肌与股外侧肌的肌肉活跃度作为回归模型的输入信号；

S4：基于最小二乘支持向量机，构建归零神经网络的回归模型，完成对人体下肢膝关节与髋关节的角度估计。模型的输入为所获取的肌肉活跃度，模型的输出为所测量的实际关节角度，对测试者主动运动意图进行识别；

S5：设计一个具有噪声抑制能力的归零神经网络，考虑信号采集过程中受到测量噪声干扰时，例如周围环境中其他电子设备产生的扰动或采集信号时相应传感器发生平移，可以有效抑制噪声对于求解模型参数产生的影响，从而保证识别精度。

步骤S1具体过程为：

本次发明中利用Biopac系统采集人体下肢肌电信号。通过设备采集人体下肢股直肌和股外侧肌两块肌肉的表面肌电信号，并且利用惯性测量单元获取膝关节及髋关节在矢状面运动的实际关节角度信号。步骤S1具体过程为：

S101：用酒精将所需采集股直肌和股外侧肌对应的皮肤表面区域进行擦拭清理；

S102：在所需采集的股直肌和股外侧肌对应的皮肤表面粘贴电极片，将信号采集设备与电极片连接，共需两个信号采集通道；将角度传感器分别绑定于下肢大腿和小腿部；将肌电信号采集设备通过网线端口与计算机连接，并利用与设备相配的软件在计算机端进行信号记录。

S103：测试者下肢在矢状面做周期性踏车运动，利用肌电信号采集设备和角度传感器实时采集股直肌和股外侧肌的表面肌电信号及膝关节和髋关节的角度信号。

步骤S2具体过程为：

经过步骤S1，获取了受试者下肢股直肌和股外侧肌的原始表面肌电信号和关节角运动角度信号。由于肌电信号数据非常微弱且不稳定，也会受到大量的噪声干扰，其中包括肌电信号采集模块、皮肤表面汗液及温度等，因此经过步骤S1所采集的肌电信号需要经过滤波去噪处理。另外肌电信号采集系统的采样频率与角度传感器的采样频率并不相同，所以需要将肌电信号经过进一步子采样，使得其采样频率与角度传感器的采样频率保持一致。

S201：设计500HZ的高通滤波器，去除高频信号的干扰；

S202：设计20HZ的低通滤波器，去除低频信号的干扰；

S203：设计50HZ的陷波滤波器，去除工频信号的干扰；

S204：采集到的肌电信号在幅值上表现出很强的随机性，绝对值运算可将信号幅值转化为正值，并可以直观地反映肌肉的收缩强度。将经过步骤S201，S202及S203滤波处理后的肌电信号进行子采样处理，使得肌电信号的采样频率与角度传感器的采样频率保持一致，具体数学表达式为：

其中，N表示时间窗口的长度，由于采集肌电信号设备的采样频率为2000Hz，角度传感器的采样频率为100Hz，两者相差20倍，所以本发明中N的取值为20。sEMG_s(n)表示为经过子采样处理后，与角度传感器保持相同采样频率的肌电信号，最后将信号进行归一化处理。

步骤S3的具体过程为：

肌肉活跃度是肌肉在电神经刺激下所反映的大小，反映了肌肉的自主收缩力度，比原始的表面肌电信号更稳定，所以利用肌肉活跃度作为回归模型的输入信号。

S301：在本发明中，应用一个常用的非线性指数函数表达式计算肌肉活跃度，具体数学表达式为：

其中，m_j(n)表示第j个通道的肌肉活跃度，C_j为一个常数项系数，它决定了肌电信号和肌肉活跃度之间的非线性程度。C_j的值通常设置在-3到0(线性)的范围之内，随着系数的变化，肌肉活跃度和关节角度呈现出良好的相关性，本次发明将C_j的值设置为0.8。b_j(n)为经过滤波器处理后的第j通道的肌电信号，具体表达式如下：

其中，max(sEMG_j(n))和min(sEMG_j(n))分别表示为第j个通道的表面肌电信号序列的最大值和最小值。

步骤S4的具体过程为：

经过步骤S3可计算得到两通道的肌肉活跃度，本步骤主要目的是将计算得到的肌肉活跃度和步骤S1所得的下肢膝关节与髋关节的实际角度，建立最小二乘支持向量机回归模型，从而识别受试者主动运动意图，对连续运动关节角度进行预测。回归模型的输入为肌肉活跃度，输出为关节角度，两者的非线性映射关系可具体表示为：

其中，是一个非线性函数，将原始低维输入空间的非线性样本映射到高维特征空间中，使模型在高维空间中构造最优超平面，使得非线性回归问题转化为线性回归问题。

S401：最小二乘支持向量机是由支持向量机演变而来，是一种机器学习方法，其核心是求解一个凸优化问题。最小二乘支持向量机可被描述为以下带有等式约束的二次规划问题，并且目标函数中引入了误差因子的二次项，具体形式可表示为：

其中，i＝1…N表示训练数据的长度，α为训练样本的权重向量，b为偏移量，ε表示为误差变量。ζ是惩罚因子，表示用于平衡最大间隔和最小偏差量的系数，ζ的值越高，可以容忍的误差越小，但容易导致过拟合。

S402：步骤S401描述的优化问题可利用拉格朗日乘数法求解，将等式约束优化问题转化为无约束优化问题，拉格朗日函数具体表达式为如下形式：

其中，ρ_i表示为拉格朗日乘子，根据多元函数极值存在条件，将拉格朗日函数对未知变量α，b，ε，ρ的导数等于0，以此来获取无约束优化问题的极值，得到问题的最优解。该过程可描述为以下数学表达式：

S403：建立径向基核函数。由步骤S402可知，当通过非线性映射到高维特征空间时，需要在高维特征空间中计算点积，因此采用核函数方法来代替点积运算。核函数的引入替代了高维空间的内积，从而极大程度降低了计算量和复杂度。本发明中，利用含有参数σ的高斯核函数进行计算，其具体定义如下述数学表达式：

根据以上分析，令于是最小二乘支持向量机所描述的二次规划问题可转化成求解线性方程组的问题，具体形式如下所述：

S404：建立归零神经网络。经过步骤S401,S402,S403，已将原始带有等式约束的优化问题转变成求解一组线性方程组的问题，归零神经网络是一种新型的递归神经网络，主要应用于解决时变二次规划的问题。而最小二乘支持向量机所描述的正是时变二次规划中的一个特例情况，从而本发明设计了归零神经网络来求解此方程组，进而求得回归模型的参数，具体设计思路如下：

首先将步骤S403得到的线性方程组记为以下具有时变参数的方程组形式，具体表达式为：

A(t)x(t)＝B(t)

归零神经网络是一种基于误差的动态求解方法，其核心是使误差函数中的每一个元素都收敛为0，定义矩阵型误差函数如下所示：

e(t)＝A(t)x(t)-B(t)

为了使误差函数e(t)趋向于0，得到动态归零神经网络的设计公式，具体数学表达式为：

其中，参数γ是一个正值，代表了归零神经网络模型的收敛速率。结合误差函数以及设计公式，可得到应用于解决时变二次规划问题的微分动力系统模型，具体数学表达式为：

最小二乘支持向量机构造的是一个静态的二次规划问题，归零神经网络针对的是解决时变系统，因此需要将步骤S403得到的方程组两端看作为随时间变化的常数矩阵与向量。最终，得到用于求解步骤S403中方程组的模型，具体数学表达式为：

S405：根据步骤S404，设计出用于求解步骤S403中的方程组，从而得到拉格朗日乘子ρ和偏移量b，根据拉格朗日乘数法，可计算得到回归模型中的权重向量α，进而求得最终的回归模型，具体数学表达式为：

通过训练样本训练回归模型中的参数，然后将测试数据代入到模型中，从而估计出下肢关节的运动角度。

步骤S5的具体过程为：

步骤S4所描述的是在求解过程中不存在测量噪声干扰的情况下，识别出下肢关节角度。而在实际中由于硬件实现中的实现误差或外部干扰而引入的噪声是难以避免的，从而设计了抗噪型归零神经网络，克服了由于噪声导致角度估计值与实际值存在较大偏差的情况，实现了在噪声环境下对人体下肢关节角进行精准识别。

S501：基于改进的归零神经网络模型设计步骤，设计抗噪归零神经网络模型。根据步骤S404，具有噪声抑制能力的模型是由原始归零神经动力系统演化而来，具体设计公式如下：

其中，γ和λ是可调参数，分别控制模型的收敛速率以及噪声抑制程度，可以保证误差函数e(t)指数收敛到0。其中，积分项的引入主要是用于来抑制噪声干扰。结合误差函数的表达式，将抗噪型归零神经网络动力学模型展开，得到隐蔽式的神经网络模型表达式如下：

基于步骤S404的同理分析，可得到具有抑制噪声能力的归零神经网络模型，并且用于求解由最小二乘支持向量机转化的线性方程组，进而获得回归模型参数，具体数学表达式为：

本发明利用下肢肌肉的表面肌电信号来进行人体主动运动意图识别，并提出了一种基于最小二乘支持向量机和归零神经网络的主动运动意图识别方法，实现了对下肢多关节角度的估计，并具有良好的预测效果。在信号采集过程中，考虑周围环境的其他电子设备产生的扰动，例如蓝牙设备，或采集信号时相应传感器发生平移，所述情况都可被视为测量噪声并会对信号获取产生干扰，进而影响运动意图识别结果，于是引入抗噪型归零神经网络，克服了噪声对于训练模型参数过程中的影响，从而保证了最终角度估计的精度，并对避免患肢康复训练可能产生的二次损伤提供技术参考。