[发明专利]一种基于人体肌肉动力学模型和肌电信号的肌力解码方法

说明书

一种基于人体肌肉动力学模型和肌电信号的肌力解码方法，针对现有肌电解码基于数学模型等方法，存在无法实现长期的肌肉估计，且大部分仅能适用于肌肉力等级估计，准确度低，且存在较长的延时，无法实现连续的实时力解码。本发明根据人体骨骼肌收缩模型，建立与肌肉激活程度相关的肌肉时空耦合动力学方程，然后对肌肉动力学方程进行降维获得最低一阶的肌肉动力学方程，同时基于降维后的肌肉动力学模型，推导出肌电与肌肉力的低维动力学关系，同时结合实时滤波算法对肌电信号进行采集和滤波，最后采用参数辨识和在线修正算法，获得模型参数并建立基于肌电信号的肌肉力估计模型。该方法可以代替传统的肌肉力等级估计方法，实现实时且高精度的肌肉力解码，为人体肌肉力估计和基于肌肉力的控制奠定了基础。

技术领域

本发明涉及一种人体肌肉力解码方法，可用于对肌肉产生的电信号进行力解码。

背景技术

肌电信号作为一种易于获取的生物电信号，在医疗和康复领域有着广泛的应用。目前绝大多数的肌电信号解码均采用模式识别的方式，可以通过解码获得肌肉支配对象的运动轨迹。而在实际移动物体时，人脑会根据物体的特征计算出适当的肌肉力，并通过神经系统对肌肉发出相应的指令。该指令能够控制骨骼肌肉收缩，并且以肌电信号的形式被观测到，最终实现对物体的牢固握持。因此，肌电信号的肌肉力解码的研究不仅可以用于肌肉运动原理的探索，也可以作为控制信号来实现与机器人的协同动作。

到目前为止，有很多研究人员对肌电信号进行解码研究，但这些方法只能够解码多种运动模式，但无法精确解码力。同时，过去的一些研究也表明，肌电信号幅值一般会随着骨骼肌力的增加而增加，但这种关系并不是固定的，会受很多因素的影响。而目前在力估计常用的模型中，绝大多为实验模型，很多算法的训练时间也很长，容易过度学习，并且模型的结构参数也很难修正。所以，实用性相当差。基于生物学的骨骼肌模型能够实现更加精细和稳定的力估计，但是目前没有一个方便且简单实用的通用模型，限制了其在肌电估计力上的应用。虽然有一些方法可以用来完善这个模型，但它们仍然很复杂并且难以实现稳定的肌肉力估计。因此，基于生物学机理模型，研究出一种稳定且准确的肌电信号的力解码方法有着重要的意义。

发明内容

本发明的目的在与提出一种新的基于肌电信号的肌肉力解码方式，以生物学机理模型为基础，通过降维算法和参数识别算法，实现实用、且稳定和准确度较高的肌肉力解码。首先，根据骨骼肌收缩模型，建立与肌肉激活程度相关的肌肉时空耦合动力学方程；其次，对肌肉动力学方程进行降维获得最低一阶的肌肉动力学方程，同时基于降维后的肌肉动力学模型，推导出肌电与肌肉力的低维动力学关系；然后，采用实时滤波算法对肌电信号进行采集和滤波；最后采用参数辨识和参数修正算法，获得模型参数并建立基于肌电信号的肌肉力估计模型。

本发明解决其技术问题所采用的技术方案是：

一种基于生物肌肉动力学模型降维的肌电力信号解码方法，包括以下步骤：

步骤1：确定生物学模型，根据骨骼肌收缩模型，建立与肌肉激活程度相关的肌动蛋白-肌球蛋白结合动力学方程，用来描述肌肉力与肌电信号强度的关系；

步骤2：对模型进行降维。这里可以先将模型进行时空分离来降低模型维度。在此基础上，通过线性变换得到一个新的系统，该系统可以分为快系统和慢系统。在去除快速系统后，无限维常微分方程系统可以简化为常微分方程的有限集，实现进一步的降维，得到极低维的骨骼肌动力学模型。然后将时间和空间变量进行综合，并根据肌肉力与速度关系，最终获得骨骼肌宏观力；

步骤3：由于原始肌电信号包含大量噪声，因此需要对信号进行滤波处理。采用卡尔曼滤波方法对肌电信号进行估计，然后再采用采样数较低的均值滤波进行平滑处理，最后根据多通道相关性系数对数据进行融合；