一种基于相似规律搜索的下肢运动关节角度实时预测方法与流程

本发明涉及人体运动意图实时连续预测技术领域，特别是涉及一种基于相似规律搜索的下肢运动关节角度实时预测方法。

背景技术：

随着可穿戴机器人技术的不断发展，其控制需求逐步从被动控制向主动控制转变和迈进。其关键技术中，控制柔顺已经成为制约其发展的瓶颈，而人体运动意图的感知预测又是制约柔顺控制的关键。当前，人体意图感知预测方法主要包括基于脑电、肌电与物理运动传感器的意图感知预测。脑电信号产生于意图输送过程前端，超前于下肢运动，但辨识难度高，由于技术限制尚不能适用于下肢关节角度的实时连续预测；肌电信号产生于肌肉运动前25ms-125ms左右，但肌电传感器对佩戴环境要求较高，不适合长期佩戴；物理运动传感器，如惯性测量单元imu，具有佩戴方便，鲁棒性好等优势，但是其感知信号滞后于人体运动，往往需要通过预测来弥补感知上的延迟。当前在人体运动关节角度预测领域，主要通过肌电、物理运动传感器以及两者相结合的方式来实现对关节角度的预测。

中国发明专利cn202010245346.3公布了一种基于肌电信号的人体运动意图实时连续预测方法，通过将肌电信号与惯性传感器获取的信号输入到lstm神经网络实现对膝关节角度的实时预测；中国发明专利cn201810850181.5公布了一种基于表面肌电信号连续估计人体关节角度的方法，利用稀疏伪输入高斯过程回归算法构建预测模型，实现了人体关节角度的连续估计；中国发明专利cn201910804483.3公布了一种基于多传感器信息融合的下肢运动位姿快速预测系统及方法，通过将肌电信号估计的角度与惯性测量单元解算获取的角度进行短时动态加权数据融合，实现对穿戴者下肢运动姿态和关节的位置坐标进行快速预测；2019年浙江大学的王昕，将多个预测模型进行融合来实现对下肢关节角度的预测，实现了对关节角度较高准确性的预测。

上述方法，均可实现对下肢关节角度的连续预测，但在计算资源消耗、预测模型训练以及关节角度的实时预测仍存在一定的局限性。当前针对人体下肢运动关节角度的实时连续预测需求，还没有一种能有效实现预测模型实时构建与关节角度实时预测的方法。

因此，设计一种可实现预测模型实时训练、预测实时性高的关节角度连续预测方法，去解决现有技术方法中存在的不足十分必要。

技术实现要素：

本发明的目的在于解决下肢运动关节角度的实时预测问题，实现预测模型的实时构建以及关节角度的实时准确预测，改善现有可穿戴机器人的柔顺控制性能，本发明提供了一种基于相似规律搜索的下肢运动关节角度实时预测方法，利用物理运动传感器来获取下肢运动规律，构建关节运动规律数据库，基于相似规律搜索利用历史规律实现对未来运动的预测，以实现对下肢运动关节角度的实时预测，本发明不仅预测速度快，而且可实现预测模型的在线实时构建，算法鲁棒性高。

本发明采用以下技术方案：

一种基于相似规律搜索的下肢运动关节角度实时预测方法，包括以下步骤：

s1、为了获取下肢运动规律，将惯性测量单元布置于下肢关节连杆处，将关节角度测量单元布置于下肢关节处；

s2、针对单个关节，获取下肢周期性运动中的惯性测量单元测量的六轴数据以及关节角度测量单元获取的关节角度angle；

得到每个采样时刻获取的运动数据列向量和关节角度标签向量vec’＝[angle]

其中，accx为x轴加速度，accy为y轴加速度，accz为z轴加速度，gyrox为x轴角速度，gyroy为y轴角速度，gyroz为z轴角速度；

s3、通过实时滑动窗口连续获取当前运动数据帧pt＝[vec1vec2vec3…vecn]和关节角度标签帧p’t＝[vec’n]，并构建关节运动规律数据库其中，n表示n个连续采样点序列长度，t表示当前采样点；

s4、将当前运动数据帧pt与关节运动规律数据库t中的历史帧序列进行匹配搜索，找到匹配度最高的历史帧pm，以采样点坐标m作为最佳匹配位置；

s5、以采样点m后的关节角度标签帧p’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict，实现对当前采样点t后多个连续时刻的关节角度预测。

优选的，还包括s6，令所述t+i采样点时刻的关节角度预测值anglepredict满足以下关系：

angle’predict＝anglet+w·(anglepredict-anglet)

将angle’predict作为最终关节角度预测值，其中，w为系数，w满足0<w<1，anglet为t采样点时刻的关节角度值。

优选的，系数w满足w＝f(r)，其中r为每次规律匹配过程中序列中相关度最高的值，w与r正相关。

优选的，s1中，针对髋关节角度的预测，在髋关节与膝关节连杆上布置有惯性测量单元；对于膝关节角度的预测，膝关节与踝关节连杆上布置有惯性测量单元；所述惯性测量单元包含加速度计和陀螺仪。

优选的，s1中，角度测量仪采用倾角仪或旋转角度仪。

优选的，s2中，所述下肢周期性运动包括行走、跑步、上楼、下楼、上坡和下坡。

优选的，s3中，通过6×n的滑动窗口windowslid实时滑动窗口连续获取当前运动数据帧，n小于单个运动周期的采样点数。

优选的，s3中，在构建当前运动数据帧之前，需要判断历史采样点数是否不小于滑动窗口长度n，当历史采样点数不小于滑动窗口长度n时，开始构建运动数据帧。

优选的，s4中，将当前运动数据帧pt与关节运动规律数据库t中的历史帧序列进行匹配搜索，获取每次匹配过程中当前运动帧pt与历史帧序列的相关度rk构成序列{rk|0＜k＜t}，其中，关节运动规律数据库t中的历史帧序列为{pk|pk∈t,0＜k＜t}，模板匹配中采用矩阵相关性计算或矩阵hash特征提取与汉明距离计算方法来计算运动帧之间的相关度。

优选的，s4中，在匹配搜索过程中，设置搜索停止条件：次数限制qlimit和相关度阈值rthreshold，当搜索次数大于qlimit或相关度大于rthreshold时中止搜索。

本发明至少具有如下有益的技术效果：

本发明基于相似规律搜索的下肢运动关节角度实时预测方法，利用物理运动传感器来获取下肢运动规律，构建关节运动规律数据库，基于相似规律搜索利用历史规律实现对未来运动的预测，以实现对下肢运动关节角度的实时预测，通过预测既弥补了物理运动传感器的滞后性，又发挥了物理运动传感器的鲁棒性优势。本发明中在相似规律搜索过程中利用多个通道数据同时进行相似运动规律的匹配搜索，避免了采用单通道数据易受干扰的缺点，提高了序列模板匹配的稳定性。本发明可实现训练过程的实时建模与实时预测，提高了方法的实用性与便利性。同时本发明对于可穿戴机器人柔顺控制具有巨大意义，通过将预测角度提前输入到关节角度控制器进行跟随，可有效改善当前可穿戴机器人跟随控制的滞后性，提高穿戴舒适感。

进一步的，为提高预测角度的稳定性，使得t+i采样点时刻的关节角度预测值anglepredict满足关系：angle’predict＝anglet+w·(anglepredict-anglet)，w满足0<w<1，在当前规律与历史规律相似时w越大，预测作用越强，当前规律与历史规律差异越大时w越小，预测作用越弱。

进一步的，系数w满足w＝f(r)，其中r为每次匹配过程中序列中相关度最高的值，w与r正相关，使预测模型在匹配效果好时预测效果强，匹配效果差时预测效果弱。

进一步的，在构建当前运动数据帧之前，需要判断历史采样点数是否不小于滑动窗口长度n，同时n一般小于单个运动周期采样点数，以提高预测准确性。

进一步的，在匹配搜索过程中，为了降低无效搜索次数，因此设置搜索停止条件。

附图说明

图1为本发明基于相似规律搜索的下肢运动关节角度实时预测方法的处理流程图；

图2为本发明中传感器布置示意图；

图3为本发明实施例中惯性测量单元获取的6轴运动规律数据在矩阵中的存储形式示意图；

图4为本发明实施例中运动规律数据库构建方法示意图；

图5为本发明实施例中基于相似规律搜索的角度预测过程示意图。

图中，1-惯性测量单元，2-角度测量单元，3-躯干，4-髋关节，5-大腿，6-膝关节，7-小腿，8-踝关节，9-足。

具体实施方式

下面结合附图对本发明做详细的说明，以使本发明的优点和特征更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

参照图1和图2，本发明基于相似规律搜索的下肢运动关节角度实时预测方法，包括以下步骤：

s1、为获取下肢运动规律，将惯性测量单元1布置于下肢关节连杆处，将关节角度测量单元2布置于下肢关节处用以获取关节实时角度；

s2、针对单个关节，获取下肢周期性运动中的惯性测量单元1输出的六轴数据，以及关节角度测量单元2获取的关节角度angle，六轴数据包括x轴加速度accx、y轴加速度accy、z轴加速度accz、x轴角速度gyrox、y轴角速度gyroy和z轴角速度gyroz；

每个采样时刻获取运动数据列向量和关节角度标签向量vec’＝[angle]；

s3、通过6×n的滑动窗口windowslid(n表示n个连续采样点序列长度)连续获取运动数据帧pt＝[vec1vec2vec3…vecn]和关节角度标签帧p’＝[vec’n](每帧数据包括当前采样点和前n-1个采样点数据)，并构建关节运动规律数据库(t表示当前采样点)；

s4、将实时滑动窗口获取的当前运动帧pt与关节运动规律数据库t中的历史帧序列{pk|pk∈t,0＜k＜t}通过模板匹配，找到匹配度最高的历史帧pm，以采样点坐标m作为最佳匹配位置；

s5、以采样点m后的关节角度标签帧p’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict，实现对未来(当前采样点t后)多个连续时刻的关节角度预测；

本发明进一步的改进在于，还包括s6，为提高预测角度的稳定性，将最终关节角度预测值angle’predict＝anglet+w·(anglepredict-anglet)，系数w满足(0<w<1)，w越大，预测作用越强，w越小，预测作用越弱。系数w满足w＝f(r)，其中r为每次匹配过程中序列{rk|0＜k＜t}中相关度最高的值，w与r正相关，使预测模型在匹配效果好时预测效果强，匹配效果差时预测效果弱

本发明进一步的改进在于，s1中，惯性测量单元1包含加速度计和陀螺仪，布置于下肢关节连杆处，针对髋关节角度的预测，布置于髋关节与膝关节连杆，对于膝关节角度的预测，布置于膝关节与踝关节连杆，角度测量仪2可采用倾角仪或旋转角度仪来获取对应的关节角度angle。

本发明进一步的改进在于，s2中，下肢周期性运动为步态运动，包括但不限于行走、跑步、上楼、下楼、上坡和下坡这些周期性下肢步态运动。

本发明进一步的改进在于，所s3中，在构建运动帧pt＝[vec1vec2vec3…vecn]之前，需要判断历史采样点数是否不小于滑动窗口长度n(n一般小于单个运动周期采样点数，以提高预测准确性)。

本发明进一步的改进在于，s4中，模板匹配可采用矩阵相关性计算、矩阵hash特征提取与汉明距离计算方法，获取每次规律匹配搜索过程中当前运动帧pt与历史帧序列{pk|pk∈t,0＜k＜t}的相关度rk构成的序列{rk|0＜k＜t}。

本发明进一步的改进在于，所s4中，在搜索过程中，为了降低无效搜索次数设置搜索停止条件：次数限制qlimit和相关度阈值rthreshold，当搜索次数大于qlimit或相关度大于rthreshold时中止搜索。

实施例

参见图1，本实施例基于相似规律搜索的下肢运动关节角度实时预测方法，包括步骤：

s1、为获取下肢运动规律，将惯性测量单元1布置于下肢关节连杆处，将关节角度测量单元2布置于下肢关节处用以获取关节实时角度；

s2、针对单个关节，获取步态运动中的惯性测量单元1输出的六轴数据，以及关节角度测量单元2获取的关节角度angle，六轴数据包括x轴加速度accx、y轴加速度accy、z轴加速度accz、x轴角速度gyrox、y轴角速度gyroy和z轴角速度gyroz，每个采样时刻获取运动数据列向量和关节角度标签向量vec’＝[angle]；

s3、通过6×n的滑动窗口windowslid(n表示n个连续采样点序列长度),连续获取运动数据帧pt＝[vec1vec2vec3…vecn]和关节角度标签帧p’t＝[vec’n](每帧数据包括当前采样点t和t前n-1个采样点数据)，并构建关节运动规律数据库(t表示当前采样点)；

s4、将实时滑动窗口获取的当前运动帧pt与关节运动规律数据库t中的历史帧序列{pk|pk∈t,0＜k＜t}通过模板匹配，找到匹配度最高的历史帧pm，以采样点坐标m作为最佳匹配位置；

s5、以采样点m后的关节角度标签帧p’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict，实现对未来(当前采样点t后)多个连续时刻的关节角度预测；

s6、为提高预测角度的稳定性，将最终关节角度预测值angle’predict＝anglet+w·(anglepredict-anglet)，系数w满足(0<w<1)，w越大，预测作用越强，w越小，预测作用越弱；

参见图3，在本实施例中，针对单个关节采集的六轴数据(包括x轴加速度accx，y轴加速度accy，z轴加速度accz，x轴角速度gyrox，y轴角速度gyroy，z轴角速度gyroz)，按矩阵形式存入运动数据缓存区；

参见图4，在运动规律数据库t构建过程中，通过6×n的滑动窗口windowslid(n表示n个连续采样点序列长度),连续获取运动数据帧pt＝[vec1vec2vec3…vecn]和关节角度标签帧p’t＝[vec’n](每帧数据包括当前采样点t和t前n-1个采样点数据)，并构建关节运动规律数据库(t表示当前采样点)；

参见图5，在匹配预测过程中，滑动窗口实时获取当前运动帧pt与关节运动规律数据库t中的历史帧序列{pk|pk∈t,0＜k＜t}通过模板匹配搜索，找到匹配度最高的历史帧pm，以采样点坐标m作为最佳匹配位置，以采样点m后的关节角度标签帧p’m+i的值作为t+i采样点时刻的关节角度预测值anglepredict，经过优化后，最终实现对未来(当前采样点t后)多个连续时刻的关节角度预测。

以上显示和描述了本发明的基本原理，主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入本发明要求保护的范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。