[发明专利]一种基于生机接口的智能假肢手臂控制方法

权利要求书

1.一种基于生机接口的智能假肢手臂控制方法，其特征在于，包括以下步骤：

1)意图识别阶段：

通过肌电传感器采集受试者的手部或肘部运动过程的sEMG信号，并进行肌肉协同提取，通过模型映射计算，预测受试者的相应的手部动作或肘部运动结果；

2)任务分析阶段：

采集受试者一组手部或肘部运动过程的sEMG信号，并根据前馈数据监督和疲劳检测机制分别判断当前患者的肌电数据质量，并根据当前患者的肌电数据质量对期望输入修正，并得到修正后的期望输入；

3)协调控制阶段：

对修正的期望输入进行控制任务的计算，最终进行相应的底层控制，完成智能假肢的完整控制过程。

2.根据权利要求1所述的一种基于生机接口的智能假肢手臂控制方法，其特征在于，所述意图识别阶段，包括以下步骤：

1-1)采集手部或肘部运动相关的sEMG信号，对采集到的sEMG信号添加对应的动作标签和关节角度；

1-2)对采集到的sEMG信号进行预处理，然后对预处理后的数据进行最大最小归一化处理，得到归一化结果；

1-3)对归一化结果进行非负矩阵分解，将手部或肘部sEMG数据分解为协同矩阵和时间激活系数矩阵的乘积形式，分别滑动提取手部或肘部对应的肌肉协同矩阵序列；

1-4)分别使用手部和肘部的肌肉协同矩阵进行模型映射计算，得到相应的手部动作或肘部运动结果。

3.根据权利要求2所述的一种基于生机接口的智能假肢手臂控制方法，其特征在于，所述步骤1-4)，包括以下步骤：

步骤1：对手部动作的肌肉协同矩阵采用决策树作为分类器进行离线模型训练，提取的手部协同矩阵为输入，动作标签为输出，进行模型训练，得到协同矩阵到手部离散动作的分类模型；

步骤2：对肘部运动的肌肉协同矩阵采用BP神经网络作为回归算法进行离线模型训练，提取的肘部协同矩阵为输入，关节角度为输出，得到协同矩阵到肘部连续运动的回归模型；

步骤3：使用离线模型训练得到的分类模型和回归模型，对于相同维度的输入数据，预测得到在线控制时的手部或肘部识别结果；

步骤4：将在线控制时的手部或肘部识别结果等待任务分析阶段进行调用。

4.根据权利要求1所述的一种基于生机接口的智能假肢手臂控制方法，其特征在于，所述任务分析阶段，包括以下步骤：

2-1)在线控制前，离线采集一组完整手部或肘部运动过程的sEMG信号，并进行肌肉协同提取，将其作为基准肌肉协同；

按照设定要求截取该组sEMG信号，得到一组设定长度的中值频率序列，对中值频率序列计算均值和标准差，将获取的均值和标准差之和作为基准上限，均值和标准差之差作为基准下限，作为肌肉疲劳的判断标准；

所述肌电数据质量，包括：当前肌肉协同与基准肌肉协同的相似度p和肌肉疲劳状态；

2-2)进行前馈数据判断：在线控制时，对当前采集的sEGM信号进行肌肉协同矩阵的计算，并与2-1)中的基准肌肉协同进行对比，计算二者的相似度；

2-3)进行肌肉疲劳判断：对当前在线采集的sEMG数据计算中值频率，对比当前中值频率浮动范围是否超出步骤2-1)中的基准上、下限，当超出范围时，认为当前处于肌肉疲劳状态，否则，不处于肌肉疲劳状态；

2-4)根据获取到的肌肉协同相似度、肌肉疲劳状态判断结果，判断是否将意图识别阶段的得到在线控制时的手部或肘部识别结果作为期望输入；

当相似度超过阈值且肌肉不处于疲劳状态时，使用识别结果作为期望输入；否则，根据预先规划的假肢运动轨迹进行期望输入调整，直到重新满足判断条件。