阅读说明：本技术 基于多传感器融合的下肢运动位姿快速预测系统及方法 (Multi-sensor fusion-based lower limb movement pose rapid prediction system and method ) 是由 陶云飞 黄玉平 郑继贵 陈靓 于 2019-08-28 设计创作，主要内容包括：基于多传感器融合的下肢运动位姿快速预测系统,包括表面肌电传感器、惯性传感器、位姿响应模块、位姿解算模块和外部辅助装置。外部辅助装置穿戴在穿戴者腰部和下肢上；表面肌电传感器实时获取穿戴者下肢各肌肉表面肌电信号；惯性传感器固定在外部辅助装置上；位姿响应模块根据采集的各肌肉表面肌电信号时序确定当前下肢各肌肉表面肌电信号对应的运动状态；位姿解算模块将惯性传感器采集的各关节运动角度与解算估计出的关节运动角度进行短时动态加权数据融合,实时获得穿戴者下肢运动姿态和关节的位置坐标。本发明同时提供了下肢运动位姿快速预测方法。本发明能够对人体下肢运动位姿进行快速预测,同时提高了连续运动量的估计精度。(The system for quickly predicting the motion pose of the lower limb based on multi-sensor fusion comprises a surface electromyography sensor, an inertial sensor, a pose response module, a pose resolving module and an external auxiliary device. The external assisting device is worn on the waist and lower limbs of the wearer; the method comprises the following steps that a surface electromyography sensor acquires electromyography signals of the surfaces of muscles of the lower limb of a wearer in real time; the inertial sensor is fixed on the external auxiliary device; the pose response module determines the motion state corresponding to the electromyographic signals of the surfaces of the muscles of the current lower limb according to the time sequence of the electromyographic signals of the surfaces of the muscles collected; the pose calculation module carries out short-time dynamic weighted data fusion on each joint motion angle acquired by the inertial sensor and the calculated and estimated joint motion angle, and obtains the lower limb motion attitude of the wearer and the position coordinates of the joints in real time. The invention also provides a method for quickly predicting the motion pose of the lower limbs. The invention can quickly predict the motion pose of the lower limbs of the human body and simultaneously improve the estimation precision of the continuous motion amount.)

基于多传感器融合的下肢运动位姿快速预测系统及方法

技术领域

本发明涉及基于多传感器融合的下肢运动位姿快速预测系统及方法，属于外骨骼机器人和人机协同控制领域。

背景技术

目前，在康复训练及助力助行方面，外骨骼机器人作为可替代人工辅助的重要设备越来越受到患者青睐。但现有的外骨骼机器人人机协同效果欠佳，主要是由于人体运动信息预测方式多采用物理传感器的方式进行，物理传感器只有在穿戴者身体有一定的运动幅度情况下，才能够采集到人体运动信息，导致存在较大的时间延迟，无法实现快速预测的要求；同时，单一传感器对某一离散动作的预测具有一定的准确性，而连续运动量估计却存在着较大的不足。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种基于多传感器融合的下肢运动位姿快速预测系统及方法，能够对人体下肢运动位姿进行快速预测，同时提高了连续运动量的估计精度。

本发明的技术解决方案是：

基于多传感器融合的下肢运动位姿快速预测系统，包括表面肌电传感器、惯性传感器、位姿响应模块、位姿解算模块和外部辅助装置；

外部辅助装置穿戴在穿戴者腰部和下肢上，能够随人体左、右下肢运动；

表面肌电传感器粘贴在穿戴者下肢股直肌、股内侧肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌表面，用于实时获取穿戴者下肢各肌肉表面肌电信号，传输给位姿响应模块；

惯性传感器固定在外部辅助装置上，用于实时获取穿戴者下肢髋关节运动角度、膝关节运动角度和踝关节运动角度；

位姿响应模块固定于外部辅助装置上，对穿戴者下肢表面肌电信号进行滤波处理，然后将采集的各肌肉表面肌电信号时序与人体下肢肌肉活动时序数据库中预先储存的人体下肢肌肉活动时序进行匹配，找到当前下肢各肌肉表面肌电信号对应的运动状态；

位姿解算模块固定于外部辅助装置上，对表面肌电传感器采集的信号进行解算，估计出穿戴者下肢髋关节运动角度、膝关节运动角度、踝关节运动角度，将惯性传感器采集的髋关节运动角度、膝关节运动角度、踝关节运动角度与解算估计出的穿戴者下肢髋关节运动角度、膝关节运动角度、踝关节运动角度进行短时动态加权数据融合，实时获得穿戴者下肢运动姿态，通过外部辅助装置尺寸，解算出髋、膝、踝关节的位置坐标。

外部辅助装置包括腰围板、大腿外侧板、大腿固定绑带、小腿外侧板、小腿固定绑带、脚踏板和脚踏板绑带，腰围板穿戴在穿戴者腰部，大腿外侧板通过大腿固定绑带穿戴在穿戴者大腿外侧，小腿外侧板通过小腿固定绑带穿戴在穿戴者小腿外侧，脚踏板通过脚踏板绑带穿戴在穿戴者脚下；腰围板与大腿外侧板之间、大腿外侧板与小腿外侧板之间、小腿外侧板与脚踏板之间均采用万向节连接。

惯性传感器包括腰部惯性传感器、大腿部惯性传感器、小腿部惯性传感器和脚部惯性传感器；

腰部惯性传感器固定在腰围板前端外侧，大腿部惯性传感器固定在大腿外侧板外表面上，小腿部惯性传感器固定在小腿外侧板外表面上，脚部惯性传感器固定在脚踏板外表面上。

人体下肢肌肉活动时序数据库获取方式为：

S1、大量试验者按使用要求穿戴外部辅助装置进行相应的运动，获得大量股直肌、股内侧肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌的表面肌电信号训练样本；

S2、采用倒谱方法对各肌肉表面肌电信号训练样本进行端点检测，提取出有效活动段数据；

S3、采用特征提取方法来提取各肌肉表面肌电信号训练样本有效活动段数据的特征参数，特征参数包括绝对值均值、均方根、平均功率频率和中值频率；

S4、根据各个特征参数获取与不同运动相对应的8块肌肉活动时序，形成运动特征匹配列表，该运动特征匹配列表形成了人体下肢肌肉活动时序数据库。

步骤S4中形成运动特征匹配列表的方法如下：

对于某一运动，某肌肉表面肌电信号训练样本中的四个特征参数按照增减趋势进行进制编码转换，并按照绝对值均值、均方根、平均功率频率、中值频率顺序依次排列形成编码条；

8条肌肉的表面肌电信号训练样本有效活动段数据形成8条编码条，合并保存为一条数据矩阵，不同运动将保存不同的数据矩阵，最终形成不同运动的运动特征匹配列表。

某肌肉表面肌电信号训练样本中的四个特征参数按照增减趋势进行进制编码转换的方法如下：

若某特征参数数值增加则为01，特征参数数值减小则为10，特征参数数值保持不变则为00。

设髋关节屈曲、伸展的角度为α_髋，髋关节外展、内收的角度为β_髋，髋关节内旋、外旋的角度为γ_髋，记惯性传感器采集的髋关节运动角度为(α_髋2，β_髋2，γ_髋2)，位姿解算模块解算估计出的穿戴者下肢髋关节运动角度为(α_髋1，β_髋1，γ_髋1)，位姿解算模块将(α_髋2，β_髋2，γ_髋2)与(α_髋1，β_髋1，γ_髋1)进行短时动态加权数据融合的方法如下：

在当前运动时刻的之前时间t内，存在n个惯性传感器采集的髋关节运动角度(α_髋2，β_髋2，γ_髋2)，n个位姿解算模块解算估计出的穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)，则在时间t内，髋关节运动角度参考值

满足：

式中，i＝1,2,3,...,n.

则髋关节运动角度测量偏差的平均值

满足：

则髋关节运动角度测量偏差的均方差：

式中，j＝1,2，σ_1髋j为髋关节屈曲、伸展运动角度测量偏差的均方差，σ_2髋j为髋关节外展、内收运动角度测量偏差的均方差，σ_3髋j为髋关节外旋、内旋运动角度测量偏差的均方差，(σ_1髋1，σ_2髋1，σ_3髋1)为位姿解算模块解算估计髋关节运动角度测量偏差的均方差，(σ_1髋2，σ_2髋2，σ_3髋2)为惯性传感器髋关节运动角度测量偏差的均方差；

利用如下公式解算短时动态加权融合系数：

式中，k＝1,2,3，当k＝1时，w_1髋j为髋关节屈曲、伸展运动角度测量的短时动态加权融合系数，当k＝2时，w_2髋j为髋关节外展、内收运动角度测量的短时动态加权融合系数，当k＝3时，w_3髋j为髋关节外旋、内旋运动角度测量的短时动态加权融合系数；

数据融合后髋关节运动角度：

设膝关节屈曲伸展的角度为α_膝，记惯性传感器采集的膝关节运动角度为α_膝2，位姿解算模块解算估计出的穿戴者下肢膝关节运动角度为α_膝1，位姿解算模块将α_膝2与α_膝1进行短时动态加权数据融合的方法如下：

在当前运动时刻的之前时间t内，存在n个惯性传感器采集的膝关节运动角度为α_膝2，n个位姿解算模块解算估计出的穿戴者下肢膝关节运动角度为α_膝1，则在时间t内，膝关节运动角度参考值

满足：

则膝关节运动角度测量偏差的平均值

满足：

则膝关节运动角度测量偏差的均方差：

式中，j＝1,2，σ_膝j为膝关节运动角度测量偏差的均方差，σ_膝2为惯性传感器膝关节运动角度测量偏差的均方差，σ_膝1为位姿解算模块解算估计膝关节运动角度测量偏差的均方差；

利用如下公式解算短时动态加权融合系数：

式中，j＝1,2，w_膝j为膝关节运动角度测量的短时动态加权融合系数；

数据融合后膝关节运动角度：

α_膝＝w_膝1α_膝1+w_膝2α_膝2。

设踝关节跖屈背屈的角度为α_踝，踝关节内翻外翻的角度为β_踝，踝关节内旋外旋的角度为γ_踝，记惯性传感器采集的踝关节运动角度为(α_踝2，β_踝2，γ_踝2)，位姿解算模块解算估计出的穿戴者下肢踝关节运动角度为(α_踝1，β_踝1，γ_踝1)，位姿解算模块将(α_踝2，β_踝2，γ_踝2)与(α_踝1，β_踝1，γ_踝1)进行短时动态加权数据融合的方法如下：

在当前运动时刻的之前时间t内，存在n个惯性传感器采集的踝关节运动角度为(α_踝2，β_踝2，γ_踝2)，n个位姿解算模块解算估计出的穿戴者下肢踝关节运动角度为(α_踝1，β_踝1，γ_踝1)，则在时间t内，踝关节运动角度参考值

满足：

则踝关节运动角度测量偏差的平均值

满足：

则踝关节运动角度测量偏差的均方差：

式中，j＝1,2，σ_1踝j为踝关节跖屈、背屈运动角度测量偏差的均方差，σ_2踝j为踝关节内翻、外翻运动角度测量偏差的均方差，σ_3踝j为踝关节内旋、外旋运动角度测量偏差的均方差，(σ_1踝1，σ_2踝1，σ_3踝1)为位姿解算模块解算估计踝关节运动角度测量偏差的均方差，(σ_1踝2，σ_2踝2，σ_3踝2)为惯性传感器踝关节运动角度测量偏差的均方差；

利用如下公式解算短时动态加权融合系数：

式中，k＝1,2,3，当k＝1时，w_1踝j为踝关节跖屈、背屈运动角度测量的短时动态加权融合系数，当k＝2时，w_2踝j为踝关节内翻、外翻运动角度测量的短时动态加权融合系数，当k＝3时，w_3踝j为踝关节内旋、外旋运动角度测量的短时动态加权融合系数；

数据融合后踝关节运动角度：

基于多传感器融合的下肢运动位姿快速预测方法，包括如下步骤：

(1)穿戴者在下肢股直肌、股内侧肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌表面粘贴表面肌电传感器；

(2)穿戴者穿戴外部辅助装置，其中腰围板穿戴在穿戴者腰部，大腿外侧板通过大腿固定绑带穿戴在穿戴者大腿外侧，小腿外侧板通过小腿固定绑带穿戴在穿戴者小腿外侧，脚踏板通过脚踏板绑带穿戴在穿戴者脚下；腰围板与大腿外侧板之间、大腿外侧板与小腿外侧板之间、小腿外侧板与脚踏板之间均采用万向节连接；

(3)将惯性传感器固定在腰围板前端外侧，大腿外侧板、小腿外侧板及脚踏板外表面上；

(4)穿戴者下肢做任意动作，表面肌电传感器、惯性传感器进行信息采集；

(5)表面肌电传感器将表面肌电信号传输给位姿响应模块，位姿响应模块将采集的各肌肉表面肌电信号时序与人体下肢肌肉活动时序数据库进行匹配，找到此时的运动状态；

(6)表面肌电传感器、惯性传感器将采集的信号传输给位姿解算模块，位姿解算模块通过表面肌电信号估算出穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)，通过短时动态加权融合方法将惯性传感器采集的髋关节运动角度(α_髋2，β_髋2，γ_髋2)、膝关节运动角度α_膝2、踝关节运动角度(α_踝2，β_踝2，γ_踝2)与髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)进行数据融合，实时获得人体下肢运动姿态髋关节运动角度(α_髋，β_髋，γ_髋)、膝关节运动角度α_膝、踝关节运动角度(α_踝，β_踝，γ_踝)，通过外部辅助装置中腰围板、大腿外侧板、小腿外侧板、脚踏板安装尺寸，分别解算出髋、膝、踝关节的位置坐标(x_髋,y_髋,z_髋)、(x_膝,y_膝,z_膝)、(x_踝,y_踝,z_踝)。

与现有技术相比，本发明具有如下有益效果：

(1)本发明在下肢肌肉表面粘贴表面肌电传感器，能够实时采集肌肉的肌电信号，结合预先建立的人体下肢肌肉活动时序数据库，实现了对穿戴者下肢运动状态的快速、实时判断。

(2)本发明通过短时动态加权融合方法将表面肌电传感器估计得到的各关节角度与惯性传感器得到的各关节角度进行数据融合，实现了连续运动量的准确估计。

(3)本发明在下肢肌肉表面粘贴表面肌电传感器，能够实时采集肌肉的肌电信号，位姿解算模块通过短时动态加权数据融合方法预测各关节运动角度及位置坐标，实现人体下肢运动位姿的实时预测，且能够预测人体下肢7个自由度及相应关节动作组合。

附图说明

图1为本发明基于多传感器融合的人体下肢运动位姿快速预测方法流程图；

图2为本发明基于多传感器融合的人体下肢运动位姿快速预测系统原理图；

图3为本发明外部辅助装置穿戴示意图(仅标出单侧标号，对侧设置相同)；

1-腰围板；2-腰部惯性传感器；3-大腿外侧板；4-大腿部惯性传感器；5-大腿固定绑带；6-小腿外侧板；7-小腿部惯性传感器；8-小腿固定绑带；9-脚踏板绑带；10-脚踏板；11-脚部惯性传感器。

具体实施方式

本发明提出了一种基于多传感器融合的下肢运动位姿快速预测系统，包括表面肌电传感器、惯性传感器、位姿响应模块、位姿解算模块和外部辅助装置。

图2为本发明基于多传感器融合的人体下肢运动位姿快速预测系统原理图。

具体地，外部辅助装置穿戴在穿戴者腰部和下肢上，能够随人体左、右下肢运动。如图3所示，外部辅助装置包括腰围板1、大腿外侧板3、大腿固定绑带5、小腿外侧板6、小腿固定绑带8、脚踏板10和脚踏板绑带9，腰围板1穿戴在穿戴者腰部，大腿外侧板3通过大腿固定绑带5穿戴在穿戴者大腿外侧，小腿外侧板6通过小腿固定绑带8穿戴在穿戴者小腿外侧，脚踏板10通过脚踏板绑带9穿戴在穿戴者脚下；腰围板1与大腿外侧板3之间、大腿外侧板3与小腿外侧板6之间、小腿外侧板6与脚踏板10之间均采用万向节连接。

惯性传感器用于实时获取穿戴者下肢角度信号。具体地，惯性传感器包括腰部惯性传感器2、大腿部惯性传感器4、小腿部惯性传感器7和脚部惯性传感器11。腰部惯性传感器2固定在腰围板1前端外侧，大腿部惯性传感器4固定在大腿外侧板3外表面上，小腿部惯性传感器7固定在小腿外侧板6外表面上，脚部惯性传感器11固定在脚踏板10外表面上。

表面肌电传感器粘贴在穿戴者下肢股直肌、股内侧肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌表面，用于实时获取穿戴者下肢各肌肉表面肌电信号，传输给位姿响应模块；

位姿响应模块固定于外部辅助装置上，对穿戴者下肢表面肌电信号进行滤波处理，然后将采集的各肌肉表面肌电信号时序与数据库中预先储存的人体下肢肌肉活动时序进行匹配，找到当前下肢表面肌电信号对应的运动状态。

人体下肢肌肉活动时序数据库获取方式为：

大量试验者按使用要求穿戴外部辅助装置进行相应的运动，获得大量训练样本，对训练样本进行端点检测提取有效活动段数据，采用特征提取方法来提取系列特征参数，通过对不同特征参数及其增减趋势的排列组合，获取与不同运动相对应的8块肌肉活动时序，再采用特殊编码的方式形成运动特征匹配列表，所述运动特征匹配列表包括8块肌肉在活动过程中的起点、终点信息，该运动特征匹配列表形成了人体下肢肌肉活动时序数据库。

例如，试验者进行某一运动，获得股直肌、股内侧肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌的表面肌电信号训练样本，采用倒谱方法对各个肌肉的表面肌电信号训练样本进行端点检测，提取出有效活动段数据，采用时域特征提取方法、频域特征提取方法提取各个肌肉的表面肌电信号训练样本有效活动段数据的特征参数，特征参数包括绝对值均值、均方根、平均功率频率、中值频率，根据各个特征参数的增减趋势对其进行进制编码转换并形成编码条，若特征参数数值增加则为01，特征参数数值减小则为10，特征参数数值保持不变则为00，每一条肌肉的表面肌电信号训练样本有效活动段数据有4个特征参数，编码条按照绝对值均值、均方根、平均功率频率、中值频率顺序依次排列每个特征参数的增加趋势，如01 00 10 00，此编码条代表某一运动，某一条肌肉的绝对值均值增加，均方根不变，平均功率频率减小，中值频率不变。

对于某一运动，同时获取8条肌肉的表面肌电信号训练样本有效活动段数据的各个特征参数且将其的增减趋势进行进制编码转换，形成8条编码条并合并保存为一条数据矩阵，不同运动将保存不同的数据矩阵，最终形成不同运动的运动特征匹配列表。

位姿解算模块固定于外部辅助装置上，通过基于粒子群优化的神经网络模型对表面肌电传感器采集的信号解算估计出穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)，将惯性传感器采集的髋关节运动角度(α_髋2，β_髋2，γ_髋2)、膝关节运动角度α_膝2、踝关节运动角度(α_踝2，β_踝2，γ_踝2)与髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)进行动态加权数据融合，实时获得穿戴者下肢运动姿态，通过外部辅助装置中腰围板、大腿外侧板、小腿外侧板、脚踏板安装尺寸，分别解算出髋、膝、踝关节的位置坐标(x_髋,y_髋,z_髋)、(x_膝,y_膝,z_膝)、(x_踝,y_踝,z_踝)。

其中，人体下肢运动位姿为髋、膝、踝关节位置和姿态，髋、膝、踝关节姿态包括髋关节屈曲、髋关节伸展的角度，即为α_髋，髋关节外展、髋关节内收的角度，即为β_髋，髋关节内旋、髋关节外旋的角度，即为γ_髋，膝关节屈曲、膝关节伸展的角度，即为α_膝，踝关节跖屈、踝关节背屈的角度，即为α_踝，踝关节内翻、踝关节外翻的角度，即为β_踝，踝关节内旋、踝关节外旋的角度，即为γ_踝。

位姿解算模块将(α_髋2，β_髋2，γ_髋2)与(α_髋1，β_髋1，γ_髋1)进行短时动态加权数据融合的方法如下：

在当前运动时刻的之前时间t内，存在n个惯性传感器采集的髋关节运动角度(α_髋2，β_髋2，γ_髋2)，n个位姿解算模块解算估计出的穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)，则在时间t内，髋关节运动角度参考值

满足：

式中，i＝1,2,3,...,n.

则髋关节运动角度测量偏差的平均值

满足：

则髋关节运动角度测量偏差的均方差：

式中，j＝1,2，σ_1髋j为髋关节屈曲、伸展运动角度测量偏差的均方差，σ_2髋j为髋关节外展、内收运动角度测量偏差的均方差，σ_3髋j为髋关节外旋、内旋运动角度测量偏差的均方差，(σ_1髋1，σ_2髋1，σ_3髋1)为位姿解算模块解算估计髋关节运动角度测量偏差的均方差，(σ_1髋2，σ_2髋2，σ_3髋2)为惯性传感器髋关节运动角度测量偏差的均方差；

利用如下公式解算短时动态加权融合系数：

式中，k＝1,2,3，当k＝1时，w_1髋j为髋关节屈曲、伸展运动角度测量的短时动态加权融合系数，当k＝2时，w_2髋j为髋关节外展、内收运动角度测量的短时动态加权融合系数，当k＝3时，w_3髋j为髋关节外旋、内旋运动角度测量的短时动态加权融合系数；

数据融合后髋关节运动角度：

位姿解算模块将α_膝2与α_膝1进行短时动态加权数据融合的方法如下：

在当前运动时刻的之前时间t内，存在n个惯性传感器采集的膝关节运动角度为α_膝2，n个位姿解算模块解算估计出的穿戴者下肢膝关节运动角度为α_膝1，则在时间t内，膝关节运动角度参考值

满足：

则膝关节运动角度测量偏差的平均值

满足：

则膝关节运动角度测量偏差的均方差：

式中，j＝1,2，σ_膝j为膝关节运动角度测量偏差的均方差，σ_膝2为惯性传感器膝关节运动角度测量偏差的均方差，σ_膝1为位姿解算模块解算估计膝关节运动角度测量偏差的均方差；

利用如下公式解算短时动态加权融合系数：

式中，j＝1,2，w_膝j为膝关节运动角度测量的短时动态加权融合系数；

数据融合后膝关节运动角度：

α_膝＝w_膝1α_膝1+w_膝2α_膝2。

位姿解算模块将(α_踝2，β_踝2，γ_踝2)与(α_踝1，β_踝1，γ_踝1)进行短时动态加权数据融合的方法如下：

在当前运动时刻的之前时间t内，存在n个惯性传感器采集的踝关节运动角度为(α_踝2，β_踝2，γ_踝2)，n个位姿解算模块解算估计出的穿戴者下肢踝关节运动角度为(α_踝1，β_踝1，γ_踝1)，则在时间t内，踝关节运动角度参考值满足：

则踝关节运动角度测量偏差的平均值

满足：

则踝关节运动角度测量偏差的均方差：

式中，j＝1,2，σ_1踝j为踝关节跖屈、背屈运动角度测量偏差的均方差，σ_2踝j为踝关节内翻、外翻运动角度测量偏差的均方差，σ_3踝j为踝关节内旋、外旋运动角度测量偏差的均方差，(σ_1踝1，σ_2踝1，σ_3踝1)为位姿解算模块解算估计踝关节运动角度测量偏差的均方差，(σ_1踝2，σ_2踝2，σ_3踝2)为惯性传感器踝关节运动角度测量偏差的均方差；

利用如下公式解算短时动态加权融合系数：

式中，k＝1,2,3，当k＝1时，w_1踝j为踝关节跖屈、背屈运动角度测量的短时动态加权融合系数，当k＝2时，w_2踝j为踝关节内翻、外翻运动角度测量的短时动态加权融合系数，当k＝3时，w_3踝j为踝关节内旋、外旋运动角度测量的短时动态加权融合系数；

数据融合后踝关节运动角度：

位姿解算模块通过关节角度估计模型对表面肌电传感器采集的信号解算，估计出穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)。其中关节角度估计模型采用基于粒子群优化的神经网络模型实现。

基于粒子群优化的神经网络模型输入为各肌肉表面肌电信号训练样本有效活动段数据的特征参数[X₁,X₂,X₃,...,X₃₂]，输出为穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)，采用Sigmoid函数作为隐含层的作用函数，采用线性函数作为输出层的作用函数；

以神经网络在训练集上产生的均方误差作为目标函数，构造如下的适应度函数，来计算个体的适应值：

式中：y_ln′为神经网络计算输出；T_ln′为目标输出；N为训练样本数；L为输出神经元个数；

在一个D维的搜索空间中，每一次迭代过程，粒子通过个体极值和全局极值更新自身的速度和位置，并找到最优适应度值，从而优化神经网络参数，更新公式如下：

式中，w为惯性权重；d＝1,2,…,D；i＝1,2,…,m，m>32；k为当前迭代次数；x_id为粒子的位置；v_id为粒子的速度；c₁和c₂为加速度因子；r₁和r₂为分布于[0，1]之间的随机数；为粒子的个体极值；

为粒子种群的全局极值。

同时，本发明提供一种利用所述基于多传感器融合的人体下肢运动位姿快速预测系统进行人体下肢运动位姿快速预测的方法，如图1所示，包括如下步骤：

步骤一：穿戴者将选定的下肢肌肉肌腹中心位置处进行去除毛发、角质，涂抹酒精等处理，按照使用要求依次粘贴表面肌电传感器；

步骤二：穿戴者穿戴外部辅助装置，其中腰围板穿戴在穿戴者腰部，大腿外侧板通过大腿固定绑带穿戴在穿戴者大腿外侧，小腿外侧板通过小腿固定绑带穿戴在穿戴者小腿外侧，脚踏板通过脚踏板绑带穿戴在穿戴者脚下；腰围板与大腿外侧板之间、大腿外侧板与小腿外侧板之间、小腿外侧板与脚踏板之间均采用万向节连接；将惯性传感器固定在腰围板前端外侧，大腿外侧板、小腿外侧板及脚踏板外表面上；

步骤三：当穿戴者下肢做任意动作时，所设置的所有表面肌电传感器、惯性传感器进行信息采集，分别获取左、右下肢股直肌、股内侧肌、股外侧肌、股二头肌、半腱肌、胫骨前肌、腓肠肌和比目鱼肌的表面肌电信号，获取左、右下肢大腿、小腿、脚角度信号；

步骤四：表面肌电传感器将测得的8路表面肌电信号传输给位姿响应模块，位姿响应模块将此8路表面肌电信号的活动时序与人体下肢肌肉活动时序数据库进行匹配，找到此时的运动位姿，并将该组表面肌电信号的活动时序作为新样本填充到数据库中；

步骤五：表面肌电传感器、惯性传感器将采集的信号传输给位姿解算模块，位姿解算模块通过表面肌电信号估算出穿戴者下肢髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)，通过短时动态加权融合方法将惯性传感器采集的髋关节运动角度(α_髋2，β_髋2，γ_髋2)、膝关节运动角度α_膝2、踝关节运动角度(α_踝2，β_踝2，γ_踝2)与髋关节运动角度(α_髋1，β_髋1，γ_髋1)、膝关节运动角度α_膝1、踝关节运动角度(α_踝1，β_踝1，γ_踝1)进行数据融合，实时获得人体下肢运动姿态髋关节运动角度(α_髋，β_髋，γ_髋)、膝关节运动角度α_膝、踝关节运动角度(α_踝，β_踝，γ_踝)，通过外部辅助装置中腰围板、大腿外侧板、小腿外侧板、脚踏板安装尺寸，分别解算出髋、膝、踝关节的位置坐标(x_髋,y_髋,z_髋)、(x_膝,y_膝,z_膝)、(x_踝,y_踝,z_踝)，实现人体下肢运动位姿快速预测。

本发明在下肢肌肉表面粘贴表面肌电传感器，能够实时采集肌肉的肌电信号，结合预先建立的人体下肢肌肉活动时序数据库，实现了对穿戴者下肢运动状态的快速、实时判断。在此基础上，位姿解算模块通过短时动态加权数据融合方法预测各关节运动角度及位置坐标，实现人体下肢运动位姿的实时预测以及连续运动量的准确估计。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。