[发明专利]一种假手腕关节人机自然驱动角度的肌电连续解码方法

权利要求书

1.一种假手腕关节人机自然驱动角度的肌电连续解码方法，其特征在于，包括以下步骤：

步骤1：利用动作捕捉系统记录健侧手腕关节运动三维坐标，通过手腕关节运动学建模方法计算手腕弯曲/伸展角度，具体方法如下：

1-1)手腕关节运动捕捉mark点标记位置选取与关节局部坐标系建立：

在肘关节处设置一个mark点，记为P₁，前臂桡侧设置一个mark点，记为P₂，在手腕外侧和内侧分别设置一个mark点，记为P₃和P₄，再在右手中指掌指关节处设置一个mark点，记为P₅；

肘关节局部坐标原点为P₁，P₁与P₂连线为x轴，方向指向P₂；由P₁、P₂、P₃三点构成平面的法线为y轴，方向指向身体内侧；由右手规则得到，x轴与y轴构成平面的法向量为z轴，方向向上；x、y、z轴的单位矢量计算公式分别为：

k₁＝i₁×j₁

腕关节局部坐标原点为P₃与P₄连线中点，原点与P₅连线为x轴，方向指向P₅；由P₃、P₄、P₅三点构成平面的法向量为z轴，方向向下；由右手规则得到，x轴与z轴构成平面的法向量为y轴，方向指向身体内侧；x、y、z轴的单位矢量计算公式为：

k₂＝i₂×j₂

1-2)手腕关节运动角度计算：

在肘关节与腕关节局部坐标系基础上进行腕关节在人体矢状面内的弯曲/伸展角的求解，以θ表示手腕的弯曲/伸展角；

θ＝arccos(T·i₂·i₁)

式中，T为腕关节局部坐标系到肘关节局部坐标系的转换矩阵，i₁、i₂分别为肘关节和腕关节矢状轴方向的单位矢量；

步骤2：利用肌电采集仪同步采集前臂残存侧六块肌肉的表面肌电信号；六块残存肌肉分别为桡侧腕长伸肌、桡侧腕屈肌、尺侧腕长伸肌、尺侧腕屈肌、指总伸肌和指浅屈肌；

步骤3：对采集到的六通道表面肌电信号进行预处理与特征提取；对表面肌电信号特征值进行重采样，实现表面肌电信号与腕关节运动学数据具有相同的采样频率；

步骤4：采用机器学习的方法，建立BP神经网络，实现手臂表面肌电信号连续解码腕关节弯曲/伸展的角度；首先设置BP神经网络的网络参数，其次对BP神经网络进行训练，最后对其进行测试；

步骤5：采集残侧前臂表面肌电信号，将采集到的表面肌电信号进行预处理与特征提取；将肌电活跃强度特征值输入手腕关节角度连续解码模型，输出连续变化的手腕关节运动角度，并计算网络预测关节角度与运动学计算出的关节角度之间的线性相关系数，判断手臂表面肌电信号连续解码假手腕关节人机自然驱动角度的准确性。

2.根据权利要求1所述的假手腕关节人机自然驱动角度的肌电连续解码方法，其特征在于，步骤3的具体方法如下：

3-1)手臂表面肌电信号预处理：

采用4阶巴特沃斯滤波器对表面肌电信号进行20-500Hz带通滤波，再利用陷波滤波去除50Hz工频干扰；

3-2)手臂表面肌电信号特征提取：

采用包络线法，对滤波之后的表面肌电信号进行全波整理，再进行低通滤波，选择截止频率为4～10Hz，得到表面肌电信号峰值变化。

3.根据权利要求1所述的假手腕关节人机自然驱动角度的肌电连续解码方法，其特征在于，步骤4中，构建三层BP神经网络，提取表面肌电信号的肌电活跃强度特征值作为网络输入，由腕关节运动学模型计算的关节角度作为网络输出，中间层设置10个神经元，每个神经元采用Sigmoid作用函数。

4.根据权利要求1或3所述的假手腕关节人机自然驱动角度的肌电连续解码方法，其特征在于，步骤4的具体方法如下：

4-1)BP神经网络的构建：

构建三层BP神经网络；输入层为表面肌电强度特征值，取b＝6，即输入层有6个神经元节点；输出层为手腕弯曲伸展角度，即输出层有1个神经元节点；中间层神经元节点个数由以下经验公示确定：

其中，g为中间层节点个数，b为输入层节点个数，c为输出层节点个数，d＝1～10为调节常数；取d＝8，即g＝10；

4-2)BP神经网络的训练：

设网络输入向量为X＝[x₁ x₂ x₃ x₄ x₅ x₆]^T，网络输出向量为Y＝[y]^T，中间层网络的神经元输出为：

输出层输出为：

其中，神经元作用函数为：

定义误差函数：

其中，

N为样本数，m为每个样本中样本点数，d_pi为由运动学数据计算出的腕关节弯曲伸展角度，y_pi为由BP神经网络估算出的腕关节弯曲伸展角度，q为网络层数；

利用梯度下降法寻找E的局部最小值，每个连接权值均需沿着E对连接权值导数的反方向修正；若误差函数在理想范围内，则停止迭代，否则继续对连接权值进行修正直到误差足够小；

4-3)BP神经网络的测试：

输入3组手臂表面肌电信号特征值到训练完成的BP神经网络，则会输出3组手腕弯曲伸展角度预测值；计算BP神经网络输入的手腕弯曲伸展角度与真实的经三维运动捕捉系统捕捉的运动学数据解算得到的角度之间的相关系数，来反应两者之间线性相关程度；相关系数计算公式如下：

其中，Cov(X,Y)为X与Y的协方差，Var[X]和Var[Y]分别为X和Y的方差；相关系数|ρ_xy|≤1，|ρ_xy|越接近1表示X与Y相关程度越高，|ρ_xy|越接近于0表示X与Y相关程度越低。