本发明属于康复机器人运动意图机器学习领域，尤其涉及一种基于神经网络分类器的康复机器人运动意图识别方法。
背景技术：
下肢康复机器人，是能够帮助下肢残疾或下肢瘫痪患者像正常人一样行走的人机一体化系统。近年来，由于人口老龄化、脑中风、交通事故等造成下肢肢体损伤或偏瘫的人数越来越多。
康复机器人，特别是康复外骨骼机器人，其控制归根到底是实现人机协调运动，获取人体运动意图显得至关重要。人体运动意图的获取主要有两种方式，基于生物力学信息以及基于人机交互作用信息。基于生物力学信息是指在人体上安装相应的传感器，通过测得的信号估计人体的运动意图，常用的生物力学信号有肌电信号(emg)，但是，肌电传感器需要紧贴人体表面，使用不便(人体皮肤表面出汗会影响测量的准确度，长时间粘附容易导致传感器脱落)。基于人机交互信息获取人体运动意图，是在外骨骼机构上安装力/力矩传感器或检测外骨骼关节电机电流或力矩，通过测得的人机交互信息获取人体关节的运动轨迹，避免了emg传感器的诸多不便。
技术实现要素：
本发明提供一种基于神经网络分类器的康复机器人运动意图识别方法，解决外骨骼机器人启动时，人体站立、左腿迈步、右腿迈步等三种运动状态的识别问题。
一种基于神经网络分类器的康复机器人运动意图识别方法，包括如下步骤：
(1)采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号；
(2)采用小波阀值对四路关节电流信号进行滤波去噪，
(3)采用加窗方法，把去噪后的四路关节电流信号进行离散化，并同时给出对应的人体运动状态，即站立、左腿迈步、右腿迈步的三个状态的一种，
(4)把离散化的四路关节电流信号作为神经网络的输入，对应的人体运动状态作为神经网络的输出，训练神经网络，构建运动意图的神经网络分类器，
(5)把运动意图神经网络分类器部署在服务器上，
(6)启动外骨骼康复机器人控制系统，
(7)外骨骼康复机器人控制系统接收到运动意图信号后，执行步态程序，
在上述步骤(6)与步骤(7)之间还包括如下步骤：
(1)实时采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号，
(2)采用小波阀值对四路关节电流信号进行滤波去噪，
(3)采用加窗方法，把去噪后的四路关节电流信号进行离散化，
(4)康复外骨骼控制系统把离散化的四路关节电流信号数据上传给服务器上的神经网络分类器，
(5)神经网络分类器输出人体运动意图，即站立、左腿迈步、右腿迈步的三个状态的一种，传输给外骨骼康复机器人控制系统。
有益效果：本申请基于人机交互作用信息，采集康复机器人各个关节的电机电流大小，运用神经网络分类器算法，识别了人体站立、左腿迈步、右腿迈步等三种运动状态，对于人类福祉事业和老龄化社会保障体系具有现实的意义，并将产生明显的社会效益。
具体实施方式
一种基于神经网络分类器的康复机器人运动意图识别方法，包括如下步骤：
(1)采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号。
(2)采用小波阀值对四路关节电流信号进行滤波去噪。
(3)采用加窗方法，把去噪后的四路关节电流信号进行离散化，并同时给出对应的人体运动状态，即站立、左腿迈步、右腿迈步的三个状态的一种。
(4)把离散化的四路关节电流信号作为神经网络的输入，对应的人体运动状态作为神经网络的输出，训练神经网络，构建运动意图的神经网络分类器。
(5)把运动意图神经网络分类器部署在服务器上。
(6)启动外骨骼康复机器人控制系统。
(7)实时采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号。
(8)采用小波阀值对四路关节电流信号进行滤波去噪。
(9)采用加窗方法，把去噪后的四路关节电流信号进行离散化。
(10)康复外骨骼控制系统把离散化的四路关节电流信号数据上传给服务器上的神经网络分类器。
(11)神经网络分类器输出人体运动意图，即站立、左腿迈步、右腿迈步的三个状态的一种，传输给外骨骼康复机器人控制系统。
(12)外骨骼康复机器人控制系统接收到运动意图信号后，执行步态程序。
综合来讲，分为以下三大步骤：
1.数据采集
采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号。
2.数据预处理
用于数据处理的主要方法包括小波分析、kalman滤波等，但是采用kalman滤波方法有时需要对噪声信号构建明确的模型，因此本文中采用小波去噪方法对采集的数据信号进行去噪处理。
采用小波阀值去噪，其过程主要包括以下三步：(1)对含噪信号进行小波分解处理。由于不同的含噪信号具备不同的特点，因此在分析的过程中需要具体确定小波分解层次，得到一组小波系数；(2)对小波系数进行阀值量化处理。对不同层次的原始小波系数选取适宜的阀值进行阀值量化处理，获得估计小波系数；(3)采用小波逆变换重构信号得到去噪信号。小波系数经过阀值化处理之后，进行小波逆变换，得到去噪后信号，即去燥后的四路关节电机电流信号。
本专利使用了加窗的方法来分割电流信号，电流信号的采样频率为100hz，窗口长度为10个样本点，相邻的窗重叠半个窗长。
3.基于神经网络分类器的运动意图识别
误差反向传播神经网络即bp神经网络，是在模式分类中影响最大的一种神经网络。从结构上来讲，它是一种分层型网络，具有输入层、隐含层和输出层的3层结构。在一个bp网络中，中间层可以有2个以上，而具有一个中间层的网络则是一种基本的网络模型。
bp神经网络的学习过程如下：(1)输入信号正向传播。输入信号从输入层经中间层传向输出层，并在输出端产生输出信号，这是输入信号的正向传播。在信号的向前传递过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差信号反向传播。(2)误差信号反向传播。网络的实际输出与期望输出之间的差值即为误差信号，误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号反向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正，使神经网络稳定(即权值不再变化)或均方误差小于某一阈值，则学习过程结束。
显然，本发明的上述实施例仅仅是为了说明本发明所作的举例，而并非对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷例。而这些属于本发明的实质精神所引申出的显而易见的变化或变动仍属于本发明的保护范围。