[發明專利]基于肌電肌音模型和無跡粒子濾波的關節運動估計方法

有效

• 申請號: 202010051096.X
• 申請日: 2020-01-17
• 公開（公告）號: CN111258426B
• 公開（公告）日: 2023-03-21
• 發明（設計）人: 席旭剛;邱宇晗;楊晨;楊勇;羅志增;楊文偉
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06F3/01
• 分類號: G06F3/01
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明涉及到一種基于肌電肌音模型和無跡粒子濾波的關節運動估計方法，首先采集人體上肢肩關節和肘關節在同步連續運動狀態下肱二頭肌、肱三頭肌、肱橈肌、斜方肌、小圓肌、前三角肌、側三角肌和胸大肌的表面肌電和肌音信號，分別對其進行帶通濾波處理；然后提取表面肌電和肌音信號的威爾遜幅值和模糊熵特征；通過參數替代和化簡將生理肌肉模型和關節運動學相結合組成關節運動模型，并將提取到的特征組成測量方程作為關節運動模型的反饋，得到肌電肌音狀態空間模型；最終通過無跡粒子濾波算法對肩關節和肘關節的同步連續運動進行估計。該方法與傳統的多關節同步連續運動估計方法相比，在預測精度和實時性方面有了明顯的提高。

技術領域

本發明屬于模式識別領域，涉及一種肌電和肌音信號模式識別方法，特別涉及一種基于肌電肌音狀態空間模型和無跡粒子濾波的多關節同步連續運動估計方法。

背景技術

表面肌電(surface Electromyography,sEMG)信號是人機交互中常用的輸入信號源。sEMG是肌肉細胞在神經激活時產生的一種微弱動作電位，可以通過表面電極從淺層肌肉中檢測到。sEMG含有豐富的信息，具有采集簡單、無創傷的特點，目前已成為人機交互領域的一個研究熱點，具有重要的研究價值。目前關于sEMG的研究通常注重于對人體運動意圖的識別，包括離散動作和連續運動。其中關于離散行動分類的研究比較成熟，而對人體關節運動的連續估計，尤其是對多關節連續同步運動的估計是一個難點問題。在康復醫療機器人領域，估計患者的連續運動變量是實現康復機器人平滑控制的關鍵。但是sEMG容易受到汗液和皮膚阻抗變化的干擾，從而影響控制精度。

肌音(mechanomyography，MMG)信號是肌肉收縮時產生的機械或力學振動，它以低頻振動的形式反映肌肉活動。與sEMG相比，MMG不受汗液和皮膚阻抗變化的影響。MMG可以應用于人體運動意圖識別，如假肢控制和手部運動分析。然而，MMG信號的信噪比遠低于sEMG信號，且運動偽影引起的外界噪聲也會給MMG測量帶來干擾。因此，結合sEMG和MMG的優點共同進行人體運動意圖的識別，對提高多關節同步連續運動估計的準確率具有重要意義。

關節連續運動的估計方法主要分為兩種，一種是提取sEMG或MMG的特征，然后通過神經網絡建立sEMG與關節連續運動的回歸模型；另一種是通過生理肌肉模型，比如希爾肌肉模型(Hill-based muscle model，HMM)來估計關節連續運動。但HMM的使用存在兩個問題，一是HMM涉及許多復雜的生理參數，難以識別且計算量大；二是在HMM中，運動狀態是由sEMG識別的力矩間接計算出來的，會帶來累積誤差，降低估計精度。

本發明將HMM與關節運動學相結合，并對模型參數進行簡化替代，同時提取sEMG和MMG信號的威爾遜幅值和模糊熵特征建立反饋方程來減小模型的系統誤差和外部干擾，得出一種用于多關節同步連續運動估計的肌電肌音狀態空間模型，并最終通過無跡粒子濾波算法對人體多關節同步連續運動進行了估計。

發明內容

本發明針對現有技術的不足，提出了一種用于人體多關節同步連續運動估計的肌電肌音狀態空間模型和無跡粒子濾波方法，首先采集人體上肢肩關節和肘關節在同步連續運動狀態下肱二頭肌、肱三頭肌、肱橈肌、斜方肌、小圓肌、前三角肌、側三角肌和胸大肌的sEMG和MMG信號，分別對其進行帶通濾波處理；然后提取sEMG和MMG信號的威爾遜幅值和模糊熵特征；通過參數替代和化簡將生理肌肉模型和關節運動學相結合組成關節運動模型，并將提取到的特征組成測量方程作為關節運動模型的反饋，得到肌電肌音狀態空間模型；最終通過無跡粒子濾波算法對肩關節和肘關節的同步連續運動進行估計。

為了實現以上目的，本發明方法主要包括以下步驟：

步驟一，采集多關節同步連續運動時相關肌肉的肌電信號和肌音信號，即通過肌電信號采集儀采集肌肉的肌電信號，通過加速度傳感器采集肌肉的肌電音號，然后采用帶通濾波的方法對原始的肌電和肌音信號進行預處理；