专利名称：用于下肢肌电假肢控制的多信息融合运动模式识别方法
技术领域：
本发明涉及医疗康复器械，具体讲，涉及用于下肢肌电假肢控制的多信息融合运动模式识别方法。
背景技术：
随着肌电信号生理研究的深入和肌电检测技术的发展，表面肌电信号(sEMG)的应用越来越广泛，包括康复医学，人工假肢和计算机控制等，特别是残疾人肌电假肢的控制。通过在体表一定位置安放电极检测到的表面肌电信号(surface electromyogramsignal, sEMG)，与肌肉的功能状态和活动状态之间存在着不同程度的关联性，能够在一定程度上反映神经肌肉的活动。因其便携、无创、安全、多靶点测量，仿生控制效果好，应用前景广阔，而被广泛应用于临床康复过程中。随着科学技术的发展，肌电控制假肢的研究已有了长足的进步，但仍未得到广泛应用，目前的肌电假肢仍以上肢假手为主，而且多是较简单的2-3个自由度的假手，仅能使残肢者恢复端水杯、拿刀叉、握笔等单纯的运动功能。市场上还未见到技术成熟、控制精准的肌电假腿的诞生，其主要原因是表面肌电信号的处理与动作模态的识别尚有许多问题亟待解决，建立人体下肢神经肌骨模型，进行下肢肌电与运动学方面的研究有着极为重要的意义。在一个模式识别过程中，无论是计算机还是人，首先都要先找出一些最具代表性的特征，然后才能依据这些特征去识别。肌电信号(EMG)是一种非常微弱的生物电信号，要想对假肢实现精确控制，前提条件便是准确可靠的特征提取和有效的动作识别，因此肌电信号特征对动作分析有着十分重要的意义，传统的肌电特征提取方法一般有时域分析方法、频域分析方法、时频分析方法以及非线性动力学方法。本研究提取了融合时频特性的特征识别参数，进行分类识别，可靠并具有实际的应用价值
发明内容
本发明旨在克服现有技术的不足，有效地提高假肢控制的精确控制与速度，为达到上述目的，本发明采取的技术方案是，用于下肢肌电假肢控制的多信息融合运动模式识别方法，包括下列步骤通过提取人体在运动时肌肉的肌电信号，计算肌电信号奇异值和功率谱熵作为模式识别的特征参数，利用支持向量机SVM建立动作识别模型，从而全面准确的区分下蹲、站起、伸膝和行走四种常见的动作模态。肌电信号奇异值是矩阵所固有的特征，矩阵奇异值分解的定义如下假设M是k*e的矩阵，k > e，秩为r，r彡e，则存在e*e正交矩阵Z和k*k正交矩阵Q，使得QtMZ = Σ
Γ5 0—Σ 是 k*e 的非负对角阵Σ= O ^5S = diag( ε 17 ε 2，ε 3，...... ε r)其中，diag表示对角矩阵，ε p ε 2，ε 3，...... er 连同 ε r+1 = ε r+2 ....... ε e =O称为M的奇异值，Z、Q的列向量分别为M的左、右奇异向量；功率谱摘定乂如下用U = Iu1, U2J U3J......，un}，n ^ I，表不某不确定性系统，
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，系统的信息熵表示为
η
H = Piin Pi
/=1信号经过FFT变换后得的功率谱的熵便称为功率谱熵；肌电信号功率谱熵计算方法如下I)对信号进行FFT变换，得到其离散傅立叶变换X(Wi)，Wi为第i个频率点；2)计算其功率谱密度为P(Wi) = ^X(Wi)]2其中，X(Wi)为第i个频率点的傅里叶变换，N为所取点的个数，P(Wi)为功率谱密度；3)接下来计算信号的功率谱密度分布函数Pi，即取值概率
_ P(^i)Λ =4)计算信号的功率谱熵
ηH =-^jPlIn P,
J=I其中，Pi为第3)步中计算出来的第i个点的功率谱密度分布函数即取值概率。利用SVM分类过程如下考虑η个训练样本的线性回归问题，设训练数据集(Xi，Yi) , i = 1，……，1，是第i个样本的输入模式，Yi对应于第i个样本的期望输出，首先用一非线性变换将输入的信号值X = (x1； x2, , X1)转化到某个高维空间中，然后在变换空间求最优分类面，这种变换，只需一个内积函数(Xi · y」)，i，j = 1，...，1，Xi, Yj e X，χ为输入的信号值；选用高斯径向基核函数RBF来进行转换，其表达式如下K(xi； Xj) = exp {—Y Xi-Xj |2}其中，K(xi； Xj)为所选的核函数，Y为核参数，需要用交叉验证的方式寻找最佳值，这样，原样本空间就被映射到了高维特征空间中，这个高维特征空间中构造最优决策函数y = wXK(xj, Xj)+by为输出，Xi, Xj e X为输入信号，w, b为所需求的参数；这样，非线性估计函数转化为高维特征空间的线性估计函数；定义R =+e./iA,;r式中，I |w| I2是控制模型的复杂度，c是正规化参数，控制对超出误差样本的惩罚程度；W3-为误差控制函数；利用结构风险最小化原则，寻找W，b就是最小化R ;因此，分类函数表示为
权利要求
1.一种用于下肢肌电假肢控制的多信息融合运动模式识别方法，其特征是，包括下列步骤通过提取人体在运动时肌肉的肌电信号，计算肌电信号奇异值和功率谱熵作为模式识别的特征参数，利用支持向量机SVM建立动作识别模型，从而全面准确的区分下蹲、站起、伸膝和行走四种常见的动作模态。
2.如权利要求I所述的用于下肢肌电假肢控制的多信息融合运动模式识别方法，其特征是，肌电信号奇异值是矩阵所固有的特征，矩阵奇异值分解的定义如下 假设M是k*e的矩阵，k > e，秩为r，r≤e，则存在e*e正交矩阵Z和k*k正交矩阵Q，使得
3.如权利要求I所述的用于下肢肌电假肢控制的多信息融合运动模式识别方法，其特征是，利用SVM分类过程如下 考虑η个训练样本的线性回归问题，设训练数据集(Xi，Yi), i = 1，……，1，是第i个样本的输入模式，Yi对应于第i个样本的期望输出，首先用一非线性变换将输入的信号值X=(X1, X2，...，X1)转化到某个高维空间中，然后在变换空间求最优分类面，这种变换，只需一个内积函数(Xi · y」)，i，j = 1，...，1，Xi, Yj e χ，X为输入的信号值；选用高斯径向基核函数RBF来进行转换，其表达式如下K(XpXj) = exp {- Y Xi-Xj I2} 其中，K(Xi，Xp为所选的核函数，Y为核参数，需要用交叉验证的方式寻找最佳值，这样，原样本空间就被映射到了高维特征空间中，这个高维特征空间中构造最优决策函数 y = w X K (Xi, χ」)+b y为输出，Xi, Xj e χ为输入信号值，w, b为所需求的参数；这样，非线性估计函数转化为高维特征空间的线性估计函数；定义R R : ~||ΗΓ + C .Rdmp 式中，I Iwl 12是控制模型的复杂度，C是正规化参数，控制对超出误差样本的惩罚程度；K ,为误差控制函数；利用结构风险最小化原则，寻找W，b就是最小化R ；因此，分类函数表示为y = Y^ α(Κ(χ - ,Xj) + b Qi expj -Jxi- Xj 2 + b i=lj=i LJ 式中，y为输出，h为拉格朗日系数；b为超平面的基本参量，输入肌电信号的特征参数，输出为动作类型；建立模型并检验分类结果。
全文摘要
本发明涉及医疗康复器械。为有效地提高假肢控制的精确控制与速度，为达到上述目的，本发明采取的技术方案是，用于下肢肌电假肢控制的多信息融合运动模式识别方法，包括下列步骤通过提取人体在运动时肌肉的肌电信号，计算肌电信号奇异值和功率谱熵作为模式识别的特征参数，利用支持向量机SVM建立动作识别模型，从而全面准确的区分下蹲、站起、伸膝和行走四种常见的动作模态。本发明主要应用于医疗康复器械的设计制造。
文档编号A61F2/72GK102722643SQ20121016881
公开日2012年10月10日 申请日期2012年5月28日 优先权日2012年5月28日
发明者万柏坤, 刘秀云, 徐瑞, 明东, 杨轶星, 綦宏志, 邱爽 申请人:天津大学