[发明专利]一种基于sEMG信号的外骨骼关节角度预测方法及系统

说明书

本发明请求保护一种基于sEMG信号的外骨骼关节角度预测方法及系统，属于外骨骼机器人人机交互技术领域。其包括以下步骤：获取外骨骼关节的sEMG肌电信号，并对采集的外骨骼关节sEMG肌电信号进行信号放大处理；采用EMD和小波联合去噪的方式对外骨骼关节sEMG肌电信号进行滤波处理；对经过滤波处理的外骨骼关节sEMG肌电信号采用移动窗单门限多阈值方法进行信号分割，获取起始和结束位置；采用基于动态相关性和冗余性分析的前向特征选择方法，提取外骨骼关节sEMG信号的特征参数；将获得的特征参数输入BP神经网络进行训练和学习，并采用贝叶斯滤波方法融合多类信号之间产生的协同信息，得到关节角度值预测结果。

技术领域

本发明属于外骨骼机器人人机交互技术领域，具体属于一种基于sEMG信号的关节角度预测方法。

背景技术

主动康复是在外骨骼机器人的辅助下，患者通过自身的运动能力完成康复训练动作。主动康复能够使患者充分调动自身潜在的运动能力，使肌肉得到充分的锻炼，因此能够加速康复进程，提高康复效果。然而，主动康复需要对人体的运动意图进行实时、准确的预测和判断，才能控制设备在运动过程中施加适当的辅助，更有效的帮助患者顺利完成康复动作。现在主要有两类方法来检测人体运动的意图，其中一种常用的方法就是测量人机之间的各种接触信息，如位置、力信息，根据测量出人机之间的角度变化和人体运动学信息等，对人体的运动意图进行判断。尽管这种方法具有更强的可靠性，但存在一定的滞后性。另外一种是将人体本身的生物电信号(主要是sEMG信号)检测出来，根据测得的人体生物信号，对运动的意图进行判断，然后可以根据建立的生物模型来对应确定关节的角度或力矩信息，以此作为控制器的输入方式，现有研究基于sEMG信号进行连续运动量估计和预测的都是以粒子群算法作为估计算法，但是粒子群算法的缺点为：网络权重的编码而且遗传算子的选择有时比较麻烦。惯性权重w很小时偏重于发挥粒子群算法的局部搜索能力；惯性权重很大时将会偏重于发挥粒子群算法的全局搜索能力。选择合适的遗传算子的权重参数和更新参数就比较复杂，因此提供一种降低复杂度的预测方法就显得比较重要了。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种降低计算复杂度的基于sEMG信号的外骨骼关节角度预测方法及系统。本发明的技术方案如下：

一种基于sEMG信号的外骨骼关节角度预测方法，其包括以下步骤：

获取外骨骼关节的sEMG肌电信号，并对采集的外骨骼关节sEMG肌电信号进行信号放大处理；

采用EMD和小波联合去噪的方式对外骨骼关节sEMG肌电信号进行滤波处理；

对经过滤波处理的外骨骼关节sEMG肌电信号采用移动窗单门限多阈值方法进行信号分割，获取起始和结束位置；

采用基于动态相关性和冗余性分析的前向特征选择方法，提取外骨骼关节sEMG信号的特征参数；

将获得的特征参数输入BP神经网络进行训练和学习，并采用贝叶斯滤波方法融合多类信号之间产生的协同信息，得到关节角度值预测结果。

进一步的，所述采用EMD和小波联合去噪的方式对外骨骼关节sEMG肌电信号进行滤波处理，具体包括：

步骤1：采用EMD法对带噪信号进行分解，得到IMF分量；

步骤2：通过计算每一个IMF分量与带噪信号的相关性，确定每一个IMF分量中是否包含信息数据；

步骤3：找到信号模态和噪声模态之间的分界点k；

步骤4：使用小波阈值降噪算法进行降噪处理，对原信号进行N层小波变换，得到对应的小波轮廓系数和小波系数，对小波轮廓系数和小波系数进行阈值处理，得到硬阈值和软阈值；

步骤5：对小波系数进行稀疏化处理，利用小波轮廓系数和小波系数进行信号重构。