基于肌电模型和无迹卡尔曼滤波的关节运动估计方法与流程

本发明属于模式识别领域，涉及一种肌电信号模式识别方法，特别涉及一种基于状态空间肌电模型和无迹卡尔曼滤波的关节连续运动估计方法。

背景技术：

表面肌电信号(surfaceelectromyography,semg)是现今比较热门的前沿科学技术人机交互的输入信号源，它是一种非平稳的微弱信号，是肌肉兴奋时与其相关的运动单元共同产生的一组动作电位序列，它的特征区分明显，蕴含的信息丰富，且采集简单无创伤，成为目前人机交互技术中热门的研究领域。对于表面肌电信号的研究主要集中在特征提取和模式识别这两个过程。相应的研究成果也比较成熟，可以识别多个离散的动作类别。但在康复医疗机器人等领域更多时候需要的是对患者连续运动变量的预测，以实现对康复机器人的平滑柔顺控制。

传统的关节连续运动估计方法有提取肌电特征，然后通过神经网络建立semg与连续运动的回归模型。生理肌肉模型也是估计连续关节运动的一种方法。buchanan等人提出了一种基于肌电信号的正向动力学模型，该模型由希尔肌肉模型(hillmusclemodel,hmm)、肌肉激活动力学和关节正向动力学组成。该模型涉及多个生理参数，计算困难，实际应用受到限制。hmm是估计连续关节运动最常用的肌肉模型，但存在两个问题：一是hmm涉及到许多难以识别的复杂的生理参数，计算负担也比较大；二是hmm可以直接从semg信号计算关节力矩，但如果需要连续的关节运动估计，则还需要从力矩中计算运动状态。这通常会带来累计误差，降低预测精度。

而将hmm与关节正向动力学结合起来，并对模型参数进行简化替代的方法能够有效解决上述问题，该方法不需要计算关节力矩，而是可以直接从semg信号中计算关节运动。同时使用肌电特征组成测量方程作为反馈，并使用闭环预测算法，可较为准确的估计关节连续运动。

技术实现要素：

本发明涉及到一种用于关节角度估计的状态空间肌电模型和无迹卡尔曼滤波方法，首先采集膝关节在连续运动状态下股二头肌、股四头肌、股外侧肌、股内侧肌、半腱肌、股薄肌的肌电信号和实时角度，对其进行带通滤波处理，并提取小波系数和均方根特征，然后使用一种结合了肌肉动力学、关节动力学、骨骼动力学和相关肌电特征的状态空间肌电模型，通过无迹卡尔曼滤波算法，得出sigma采样集χi和权重wi，然后进行进一步的预测，计算出系统状态变量和协方差矩阵p(k+1|k)，迭代循环后，实现对膝关节连续运动的估计。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤一，采集关节连续运动时相关肌肉的肌电信号，即通过肌电信号采集仪采集关节运动时相关肌肉的肌电信号，然后采用带通滤波的方法对原始信号进行预处理。

步骤二，根据希尔肌肉模型和关节动力学求出状态空间肌电模型的非线性表达式；该状态空间肌电模型首先对希尔肌肉模型进行参数代替及简化处理，简化处理后的离散时间的预测模型如下：

ts是采样时间，是k时刻的关节角速度，θk是k时刻的关节位置，si是代替参数，均为常数。

然后提取均方根xrms和小波系数αj,k组成测量方程作为状态反馈。然后按下式将肌电特征与关节运动拟合。

u取值1和2，是离线识别的固定参数，和是时间k的均方根和小波系数。

得到最终表达式：

其中ak＝a(k)，ωk是过程噪声，υk是测量噪声，t是采样时间，是关节角加速度，是关节角速度，θk是关节位置，是离线识别的固定参数，和是时间k的均方根和小波系数，si是均为常数的代替参数；

步骤三，根据步骤二的状态空间肌电模型，使用无迹卡尔曼滤波算法对膝关节连续运动进行估计。sigma采样集χi和权重wi定义如下：

其中χi是sigma采样集，wi是相应权重，是特征状态的均值，n是特征状态维数，p(k)是误差协方差矩阵，是调节参数，并假设ωk和υk均为高斯白噪声。

步骤四，对步骤三的sigma采样集进行进一步预测，并计算出系统状态变量和协方差矩阵如下：

其中是特征状态变量，χi(k+1|k)是sigma采样集，p(k+1|k)是误差协方差矩阵。

然后再次运用无迹变换，得出系统残差和卡尔曼增益矩阵如下：

其中sk+1是系统残差，kk+1是卡尔曼增益矩阵，是进一步预测的特征状态变量，γi(k+1|k)是进一步观测的采样集，r是噪声协方差矩阵。

步骤五：令k＝k+1，对步骤四进行迭代循环，最终实现对膝关节连续运动的估计。

本发明设计的基于状态空间肌电模型和无迹卡尔曼滤波的关节连续运动估计，具有如下特点：

本发明建立的用于膝关节角度估计的状态空间肌电模型和无迹卡尔曼滤波方法，将正向动力学与希尔肌肉模型结合了起来，并对其进行了参数简化，使其可直接用于膝关节运动的估计，减小了累积误差。同时提取均方根和小波系数等肌电特征，建立测量方程，减小了系统误差和外部干扰，提高了关节预测的精度。使用的闭环预测算法，无迹卡尔曼滤波算法，精度高，稳定性好，对目标机动反应快速。该方法与传统的角度估计方法相比，在预测精度方面有了明显的改进。

附图说明

图1为本发明的实施流程图；

图2(a)为本发明有负重状态采集的肌电信号特征；

图2(b)为本发明无负重状态采集的肌电信号特征；

图3为使用发明的预测模型在无负重状态下的估计效果图；

图4为使用发明的预测模型在有负重状态下的估计效果图。

具体实施方式

如图1所示，本实施例包括如下步骤：

步骤一，采集膝关节连续运动时的肌电信号，具体是：四名志愿者坐在椅子上分别在有负重和无负重情况下进行膝关节屈伸运动，动作时长为10秒，通过trigno肌电信号采集仪采集膝关节运动时相关肌肉的肌电信号，分别是股二头肌，股四头肌，股外侧肌，股内侧肌，半腱肌，股薄肌，然后采用带通滤波方法进行预处理。

步骤二，根据希尔肌肉模型和关节动力学求出状态空间肌电模型的非线性表达式，该状态空间肌电模型首先对希尔肌肉模型进行参数代替及简化处理，再提取均方根和小波系数肌电特征，组成测量方程作为状态反馈，最终与关节运动进行拟合，得到状态空间肌电模型的非线性表达式。

参数替代和模型结合后的加速度计算如下：

si是代替参数，均为常数。

对滤波处理后的肌电信号进行特征提取，提取均方根xrms和小波系数αj,k如图2所示,组成测量方程作为状态反馈。然后按下式将肌电特征与关节运动拟合。

u取值1和2，是离线识别的固定参数，和是时间k的均方根和小波系数。

参数识别如表1所示：

表1有无负重情况下的参数

最终得到状态空间肌电模型的非线性表达式：

其中ak＝a(k)，ωk是过程噪声，υk是测量噪声，t是采样时间，是关节角加速度，是关节角速度，θk是关节位置，是离线识别的固定参数，和是时间k的均方根和小波系数，si是均为常数的代替参数。

步骤三，根据步骤二的状态空间肌电模型，使用无迹卡尔曼滤波算法对膝关节连续运动进行估计。sigma采样集χi和权重wi定义如下：

其中χi是sigma采样集，wi是相应权重，是特征状态的均值，n是特征状态维数，p(k)是误差协方差矩阵，是调节参数，并假设ωk和υk均为高斯白噪声。

步骤四，对步骤三的sigma采样集进行进一步预测，并计算出系统状态变量和协方差矩阵如下：

其中是特征状态变量，χi(k+1|k)是sigma采样集，p(k+1|k)是误差协方差矩阵。

然后再次运用无迹变换，得出系统残差和卡尔曼增益矩阵如下：

其中sk+1是系统残差，kk+1是卡尔曼增益矩阵，是进一步预测的特征状态变量，γi(k+1|k)是进一步观测的采样集，r是噪声协方差矩阵。

步骤五：令k＝k+1，对步骤四进行迭代循环，最终实现对膝关节连续运动的估计，结果如图3和图4所示。