專利名稱：用于下肢肌電假肢控制的多信息融合運動模式識別方法
技術領域：
本發(fā)明涉及醫(yī)療康復器械，具體講，涉及用于下肢肌電假肢控制的多信息融合運動模式識別方法。
背景技術：
隨著肌電信號生理研究的深入和肌電檢測技術的發(fā)展，表面肌電信號(sEMG)的應用越來越廣泛，包括康復醫(yī)學，人工假肢和計算機控制等，特別是殘疾人肌電假肢的控制。通過在體表一定位置安放電極檢測到的表面肌電信號(surface electromyogramsignal, sEMG)，與肌肉的功能狀態(tài)和活動狀態(tài)之間存在著不同程度的關聯(lián)性，能夠在一定程度上反映神經(jīng)肌肉的活動。因其便攜、無創(chuàng)、安全、多靶點測量，仿生控制效果好，應用前景廣闊，而被廣泛應用于臨床康復過程中。隨著科學技術的發(fā)展，肌電控制假肢的研究已有了長足的進步，但仍未得到廣泛應用，目前的肌電假肢仍以上肢假手為主，而且多是較簡單的2-3個自由度的假手，僅能使殘肢者恢復端水杯、拿刀叉、握筆等單純的運動功能。市場上還未見到技術成熟、控制精準的肌電假腿的誕生，其主要原因是表面肌電信號的處理與動作模態(tài)的識別尚有許多問題亟待解決，建立人體下肢神經(jīng)肌骨模型，進行下肢肌電與運動學方面的研究有著極為重要的意義。在一個模式識別過程中，無論是計算機還是人，首先都要先找出一些最具代表性的特征，然后才能依據(jù)這些特征去識別。肌電信號(EMG)是一種非常微弱的生物電信號，要想對假肢實現(xiàn)精確控制，前提條件便是準確可靠的特征提取和有效的動作識別，因此肌電信號特征對動作分析有著十分重要的意義，傳統(tǒng)的肌電特征提取方法一般有時域分析方法、頻域分析方法、時頻分析方法以及非線性動力學方法。本研究提取了融合時頻特性的特征識別參數(shù)，進行分類識別，可靠并具有實際的應用價值
發(fā)明內(nèi)容

本發(fā)明旨在克服現(xiàn)有技術的不足，有效地提高假肢控制的精確控制與速度，為達到上述目的，本發(fā)明采取的技術方案是，用于下肢肌電假肢控制的多信息融合運動模式識別方法，包括下列步驟通過提取人體在運動時肌肉的肌電信號，計算肌電信號奇異值和功率譜熵作為模式識別的特征參數(shù)，利用支持向量機SVM建立動作識別模型，從而全面準確的區(qū)分下蹲、站起、伸膝和行走四種常見的動作模態(tài)。肌電信號奇異值是矩陣所固有的特征，矩陣奇異值分解的定義如下假設M是k*e的矩陣，k > e，秩為r，r彡e，則存在e*e正交矩陣Z和k*k正交矩陣Q，使得QtMZ = Σ
Γ5 0—Σ 是 k*e 的非負對角陣Σ= O ^5S = diag( ε 17 ε 2，ε 3，...... ε r)其中，diag表示對角矩陣，ε p ε 2，ε 3，...... er 連同 ε r+1 = ε r+2 ....... ε e =O稱為M的奇異值，Z、Q的列向量分別為M的左、右奇異向量；功率譜摘定乂如下用U = Iu1, U2J U3J......，un}，n ^ I，表不某不確定性系統(tǒng)，
其中，各取值概率集合用P表示，P = (P1, P2, P3,......, PnI,O ^ Pi ^ I, i = 1,2,3....., η且乏^=1朽=1那么，系統(tǒng)的信息熵表示為
η
H = Piin Pi
/=1信號經(jīng)過FFT變換后得的功率譜的熵便稱為功率譜熵；肌電信號功率譜熵計算方法如下I)對信號進行FFT變換，得到其離散傅立葉變換X(Wi)，Wi為第i個頻率點；2)計算其功率譜密度為P(Wi) = ^X(Wi)]2其中，X(Wi)為第i個頻率點的傅里葉變換，N為所取點的個數(shù)，P(Wi)為功率譜密度；3)接下來計算信號的功率譜密度分布函數(shù)Pi，即取值概率
_ P(^i)Λ =4)計算信號的功率譜熵
ηH =-^jPlIn P,
J=I其中，Pi為第3)步中計算出來的第i個點的功率譜密度分布函數(shù)即取值概率。利用SVM分類過程如下考慮η個訓練樣本的線性回歸問題，設訓練數(shù)據(jù)集(Xi，Yi) , i = 1，……，1，是第i個樣本的輸入模式，Yi對應于第i個樣本的期望輸出，首先用一非線性變換將輸入的信號值X = (x1； x2, , X1)轉(zhuǎn)化到某個高維空間中，然后在變換空間求最優(yōu)分類面，這種變換，只需一個內(nèi)積函數(shù)(Xi · y」)，i，j = 1，...，1，Xi, Yj e X，χ為輸入的信號值；選用高斯徑向基核函數(shù)RBF來進行轉(zhuǎn)換，其表達式如下K(xi； Xj) = exp {—Y Xi-Xj |2}其中，K(xi； Xj)為所選的核函數(shù)，Y為核參數(shù)，需要用交叉驗證的方式尋找最佳值，這樣，原樣本空間就被映射到了高維特征空間中，這個高維特征空間中構(gòu)造最優(yōu)決策函數(shù)y = wXK(xj, Xj)+by為輸出，Xi, Xj e X為輸入信號，w, b為所需求的參數(shù)；這樣，非線性估計函數(shù)轉(zhuǎn)化為高維特征空間的線性估計函數(shù)；定義R =+e./iA,;r式中，I |w| I2是控制模型的復雜度，c是正規(guī)化參數(shù)，控制對超出誤差樣本的懲罰程度；W3-為誤差控制函數(shù)；利用結(jié)構(gòu)風險最小化原則，尋找W，b就是最小化R ;因此，分類函數(shù)表示為
權(quán)利要求
1.一種用于下肢肌電假肢控制的多信息融合運動模式識別方法，其特征是，包括下列步驟通過提取人體在運動時肌肉的肌電信號，計算肌電信號奇異值和功率譜熵作為模式識別的特征參數(shù)，利用支持向量機SVM建立動作識別模型，從而全面準確的區(qū)分下蹲、站起、伸膝和行走四種常見的動作模態(tài)。
2.如權(quán)利要求I所述的用于下肢肌電假肢控制的多信息融合運動模式識別方法，其特征是，肌電信號奇異值是矩陣所固有的特征，矩陣奇異值分解的定義如下 假設M是k*e的矩陣，k > e，秩為r，r≤e，則存在e*e正交矩陣Z和k*k正交矩陣Q，使得
3.如權(quán)利要求I所述的用于下肢肌電假肢控制的多信息融合運動模式識別方法，其特征是，利用SVM分類過程如下 考慮η個訓練樣本的線性回歸問題，設訓練數(shù)據(jù)集(Xi，Yi), i = 1，……，1，是第i個樣本的輸入模式，Yi對應于第i個樣本的期望輸出，首先用一非線性變換將輸入的信號值X=(X1, X2，...，X1)轉(zhuǎn)化到某個高維空間中，然后在變換空間求最優(yōu)分類面，這種變換，只需一個內(nèi)積函數(shù)(Xi · y」)，i，j = 1，...，1，Xi, Yj e χ，X為輸入的信號值；選用高斯徑向基核函數(shù)RBF來進行轉(zhuǎn)換，其表達式如下K(XpXj) = exp {- Y Xi-Xj I2} 其中，K(Xi，Xp為所選的核函數(shù)，Y為核參數(shù)，需要用交叉驗證的方式尋找最佳值，這樣，原樣本空間就被映射到了高維特征空間中，這個高維特征空間中構(gòu)造最優(yōu)決策函數(shù) y = w X K (Xi, χ」)+b y為輸出，Xi, Xj e χ為輸入信號值，w, b為所需求的參數(shù)；這樣，非線性估計函數(shù)轉(zhuǎn)化為高維特征空間的線性估計函數(shù)；定義R R : ~||ΗΓ + C .Rdmp 式中，I Iwl 12是控制模型的復雜度，C是正規(guī)化參數(shù)，控制對超出誤差樣本的懲罰程度；K ,為誤差控制函數(shù)；利用結(jié)構(gòu)風險最小化原則，尋找W，b就是最小化R ；因此，分類函數(shù)表示為y = Y^ α(Κ(χ - ,Xj) + b Qi expj -Jxi- Xj 2 + b i=lj=i LJ 式中，y為輸出，h為拉格朗日系數(shù)；b為超平面的基本參量，輸入肌電信號的特征參數(shù)，輸出為動作類型；建立模型并檢驗分類結(jié)果。
全文摘要
本發(fā)明涉及醫(yī)療康復器械。為有效地提高假肢控制的精確控制與速度，為達到上述目的，本發(fā)明采取的技術方案是，用于下肢肌電假肢控制的多信息融合運動模式識別方法，包括下列步驟通過提取人體在運動時肌肉的肌電信號，計算肌電信號奇異值和功率譜熵作為模式識別的特征參數(shù)，利用支持向量機SVM建立動作識別模型，從而全面準確的區(qū)分下蹲、站起、伸膝和行走四種常見的動作模態(tài)。本發(fā)明主要應用于醫(yī)療康復器械的設計制造。
文檔編號A61F2/72GK102722643SQ20121016881
公開日2012年10月10日 申請日期2012年5月28日 優(yōu)先權(quán)日2012年5月28日
發(fā)明者萬柏坤, 劉秀云, 徐瑞, 明東, 楊軼星, 綦宏志, 邱爽 申請人:天津大學