基于肌电信号GA-Elman的上肢关节角度估计方法与流程

本发明属于模式识别领域，涉及一种基于肌电信号的模式识别方法，特别涉及一种上肢同步连续关节角的估计方法。

背景技术：

偏瘫是一种由神经损伤引起的运动功能障碍。偏瘫患者的临床治疗主要是由治疗师一对一的手工治疗。这种方法费时，不能量化和客观地评价。因此，迫切需要一种新的、高效的康复疗法来弥补传统康复训练的不足。机器人用于参加康复训练，可以使治疗师摆脱主要的体力劳动，并为病人制定更好的康复方案，使康复的效果有很大的提高。

表面肌电图能在一定程度上反映神经肌肉的活动，其采集过程对人体是方便无害的。它能适应偏瘫患者生理状况的特殊性。因此，它成为最重要的生物信号之一，它直接反映用户的预期运动，它经常被用作用户瘫痪手臂性能的指示工具。semg用于通过估计力、扭矩和角度来检测预期的运动，以产生机器人上肢运动。这将引导用户瘫痪的手臂作为康复治疗。在康复系统中，人的运动意图必须从semg不断地识别，并且进一步被作为机器人设备控制命令，使得机器人能够与人的意图相匹配，从而机器人能够执行有效的辅助。许多研究利用emg信号中蕴含的动作模式信息估计了上肢的关节角。han等采用了状态空间隐马尔可夫模型和传统的闭环预测校正方法来估计关节与emg信号的连续运动。zhang等分别使用主成分分析和独立成分分析来分别分解semg模式。采用人工神经网络连续估计肩关节和肘关节的四个关节角度。yee等人采用了与虚拟人体模型相结合的后传播神经网络来估计肩关节和肘关节的估计角度。xiao等提出了表面肌电信号的多延迟特征信号，以提高肘关节运动估计的性能，并利用随机森林来提高关节角精度的估计。ding等提出了一种基于关联的冗余分割方法。建立了运动模型的一般状态空间模型，并提出了一种预测修正算法。liu等建立了一种基于肌电信号的非线性自回归模型，以连续解码肩部、肘部和手腕运动。然而，这些文献中的运动估计的性能仍然不令人满意，并且对于多关节的同步连续研究仍较少，存在很大的研究空间。

技术实现要素：

本发明针对现有技术中存在识别肩部和手腕的三个关节的同步运动意图方面仍然存在一些困难。其中，肩部和肘部向上肢带来广泛的运动，肩部和肘部在较宽的运动范围内具有比手腕更多的变化。因此，同时估计肩关节和肘关节的自由度更有意义。为了更加准确的对上肢肩关节和肘关节同步连续运动的关节角估计，本发明提出了一种基于肌电信号的上肢同步连续关节角的ga-elman神经网络估计方法。

本发明首先从相关肌肉组上采集相应的表面肌电信号，然后应用小波去噪对信号进行去噪。我们通过小波包变换提取出32-375hz(32-63hz,63-125hz,125-250hz,250-375hz)四个子空间波段的信号，这个波段内的信号特征可以滤除高频噪声和不必要的低频信息。然后计算这四个子空间的小波包能量熵，后将提取到的特征和肩关节角度肘角节角度同时输入两个ga-elman神经网络，实现肌电信号的上肢肩关节和肘关节同步连续运动的关节角估计。实验结果表明，该方法的估计结果优于其它分类方法。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).获取人体上肢肌电信号样本数据，具体是：首先通过肌电信号采集仪得到人体上肢相关肌肉肌电信号，再运用能量阈值确定动作的起始位置和终止位置，获得动作肌电信号。

步骤(2).将步骤(1)获取的原始肌电信号进行硬阈值小波降噪。对降噪后的信号进行小波包变换，选取特定频段子空间，计算小波包能量熵，得到semg特征。

所述特征提取方法，具体算法如下：

semg信号等非平稳信号包含大量的细节信息，单纯的对低频部分进行分解不能如实地反映信号的局部细节，需要对高频部分进行相同的分解操作。coifman,meyer与wickerhauser提出小波包，小波包分解可以分解每一级的细节部分。它同时对子空间的低频部分和高频部分进行分解，比小波变换具有更好的时频局部化分析能力。

其中，f(t)表示原始信号，g与h分别是高通滤波器与低通滤波器，表示第j层第i节点。小波包分解本质是，将原始信号分别通过高通滤波器与低通滤波器获得高频分量与低频分量，然后将得到的分量重复这个过程，直到满足需要合适的频率精度范围。小波包分解将原始信号分解成2ⁿ个不同层次的频段。本文选用六层小波包分解。六层小波包分解后我们选择特定频段的子空间，计算小波包能量熵。信息熵的定义为：

设x＝{x1,x2,x3,…,xn,}是被测信号的离散序列，若是把每个分量看成某种性态，则x中含n种不同性态；设p＝{p1,p2,p3,…,pn,}里的元素是和这n种可能出现性态对应的概率分量，那么p等定义为:

其中的每一个可能出现的性态xi，所表示的不确定性信息量为：

i(xi)＝-logapii＝1,2,3,…,n

上式中，当a＝2时，信息熵的常用单位是二进制单位，当a＝e时，信息熵是自然单位，当a＝10时，信息熵单位是迪特。

把x中所含有的不确定性的信息量命名为自信息量i(x)。由自信息量定义可以知道i(x)同样也是随机变量，不能够准确的表达出被测信号信息。所以，信息熵可以表示为：

1)通过小波包分解，得到第j级每个节点的小波包能量。

di,j(n＝1,2,…,k)为第j级第i节点的重建信号，n是采样点的指标。信号的总能量e是每个节点小波包能量的总和。

2)在第j层的小波包能量熵定义为：

其中小波包能量为pi,j＝ei,j/ej。

ei,j为第j层第i节的小波包能量熵，ej为第j层小波包能量熵。

上述过程得到的是第j层的小波包能量熵，而表面肌电信号很弱，能量主要分布在13～500hz的频率范围内，提取出特定频率段32～375hz(32-63hz,63-125hz,125-250hz,250-375hz)波段的信号特征可以滤除高频噪声和不必要的低频信息，能更好地代表不同的上肢运动模式。所以需要计算特定频段的子空间的小波包能量熵。特定子频带小波包能量香农熵的公式为：

wpesei,j＝-pi,jlog(pi,j)

步骤(3).人体上肢肩关节和肘关节预测。将计算得到的小波包能量熵wpesei,j作为输入信号输入到ga-elman网络预测模型中。通过实验确定ga-elman网络的拓扑结构，以及遗传算法ga的迭代次数。将采集得到的肌电信号分为训练集和测试集两组，用训练集训练预测网络。得到训练完成的ga-elman预测模型后，就可以使用测试集来完成人体上肢肩关节和肘关节的预测。遗传算法ga可以解决bp算法容易陷入局部极小的缺点。我们使用遗传算法优化的elman神经网络。

本发明与已有的诸多肌电信号的特征提取方法相比，具有如下特点：

小波包分解同时对信号的低频和高频部分进行多层次划分，对信号进行更加精细的分析。对非平稳信号分析、弱信号提取等提供了一条有效的途径。而semg就是一种非平稳的弱信号，小波包分解可以如实的反应semg的细节特点，具有更好的时频局部化分析能力。它抗干扰强，特别适合肌电信号的实时处理。能量熵尤其可以用来评估信号的复杂性。将小波包分解与信息熵结合，即为小波包能量熵。基于肌电信号的有效信息频率所处位置，选择了特定频率段的小波包能量熵。这个方法很好的去除了肌电信号中的冗余信息。它算法简单，计算速度快。根据得到的特征，利用ga-elman网络对人体肩关节和肘关节角度进行预测，取得了较为理想的效果。

附图说明

图1为本发明的实施流程图；

图2为本发明使用优化的elman网络即ga-elman网络结构图；

图3为本发明对提取的特征利用ga-elman网络进行肩关节肘关节角度预测图；

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例包括如下步骤：

步骤一，获取人体上肢肌电信号样本数据，具体操作是：首先用表面肌电信号采集仪获取到与人体肩关节肘关节关节活动相关的肌肉表面电信号，再运用能量阈值确定动作的起始位置和终止位置作为原始肌电信号。

(1)采集人体上肢的肌电信号。10位健康受试者在实验期间，安静地坐在椅子上，躯干直立，右手放松。所有动作从最低点开始，在运动完成后回到原来的位置。实验者共完成三个动作，动作一受试者被要求用右手在与人体垂直面接触他们的右肩，动作二受试者必须尽可能地与人体垂直面举起右臂，动作二受试者必须尽可能地与人体水平面举起右臂。每次运动后，右臂回到初始位置。每个受试者的三个动作按10s顺序进行，每个受试者总共执行20组动作，在完成实验后，休息10s以减少肌肉疲劳的影响。选用与肩关节肘关节关节有关的8块肌肉作为表面肌电信号来源。采用delsystrigno肌电信号采集仪来采集对应肌肉的表面肌电信号。

步骤二，将步骤一获取的semg动作信号进行小波降噪。将原始肌电信号进行多尺度小波分解，再将各尺度上由噪声产生的小波分量去掉，最后利用小波逆变换重构原始信号作为有效肌电信号。

步骤三，将步骤二获取的有效肌电信号使用db3小波包进行六层分解，选取特定频率段，并计算小波包能量熵。表一为四个肌电通道的特定四个频段的小波包能量熵。

表一四个肌电通道的特定四个频段的平均小波包能量熵

步骤四，将步骤三所求得的小波包熵作为特征向量输入ga-elman网络模型中，获得关节角度预测值。

ga-elman可以看作是一种无需人工干预的自适应系统.它可以自动调整连接重量和结构，实现遗传算法和elman的集成。它的结构图如图2所示。根据表面肌电信号与肩关节运动和肘关节运动的关系，采用特征向量和关节角作为elman神经网络的输入，以肩关节角和肘关节角度作为神经网络的输出。通过构建和训练网络，建立了肌电信号与关节角度信号的映射关系。图3为关节角度的预测效果图。我们使用rmse和平均r²对估计性能进行了评价。

其中n是关节角的长度，是预测的关节角，yi是实际的关节角。决定因子r²计算如下：

其中yi表示实际关节角，表示yi的平均值，表示估计的联合角。n是关节角度样本数。表二为将部分受试者的特征数据输入到三种不同的神经网络后的平均rmse和平均r²。

表二特征数据输入到三种不同的神经网络后的平均rmse和平均r²。