[发明专利]非线性握持状态评估装置标定方法

说明书

本发明提供了一种非线性握持状态评估装置标定方法，包括：步骤S1：通过拉伸试验机测量非线性握持传感装置在不同条件下的力‑时间曲线与电压‑时间曲线，构成离线数据库；步骤S2：对离线数据库中的曲线进行特征提取，简化数据特征；步骤S3：利用机器学习方式处理离线数据，针对不同状态指标完成模型训练；步骤S4：利用训练完毕的机器学习模型对实时握持测量数据生成多指标反馈。本发明通过利用机器学习方法，处理电压与力之间的非线性关系，实现非线性握持状态评估装置的标定，可以打破现有技术的单一指标局限性，实现基于多指标的康复训练。

技术领域

本发明涉及握持状态传感器技术领域，具体地，涉及一种非线性握持状态评估装置标定方法。

背景技术

握力的测量对于疾病康复、运动训练以及大脑健康来说非常重要。对握力进行实时评估有利于患者的针对性康复、运动员的肌肉力量锻炼以及大脑损伤的辅助判断。测量握力的设备在医院、社区、养老机构等地方得到了广泛的使用。然而现有的测力计主要基于线性的力-时间系统，包括弹簧系统、液压系统等。这类测力计只能实现对于握力数值这单一状态量的评估，缺乏对于握持速度、疲劳率等状态的反馈。非线性传感器通过建立电压与待测特征间的非线性映射，实现常规线性传感装置不具备的过程量测量功能。对于非线性传感器的标定，尤其是握持状态传感器，尚没有完善的标定方法。并且对于多状态量的实时反馈，也暂时没有形成科学的方案。

因此，需要一种针对非线性握持传感装置的标定方法以解决上述问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种非线性握持状态评估装置标定方法。

根据本发明提供的一种非线性握持状态评估装置标定方法，包括：

步骤S1：通过拉伸试验机测量非线性握持传感装置在不同条件下的力-时间曲线与电压-时间曲线，构成离线数据库；

步骤S2：对离线数据库中的曲线进行特征提取，简化数据特征；

步骤S3：利用机器学习方式处理离线数据，针对不同状态指标完成模型训练；

步骤S4：利用训练完毕的机器学习模型对实时握持测量数据生成多指标反馈。

优选地，所述非线性握持传感装置包括非线性压缩单元和压电感应单元，所述压电感应单元设置在所述非线性压缩单元中，所述压电感应单元受压时产生电压信号。

优选地，所述力-时间曲线与电压-时间曲线相互对应。

优选地，所述步骤S1中的不同条件包括不同的拉伸机压缩高度和压缩速度。

优选地，所述步骤S2包括：通过数据特征粗提取对电压-时间曲线进行特征提取，通过主成分分析法对力-时间曲线进行降维处理。

优选地，所述步骤S3包括：

步骤S3.1：获取拉伸试验机的压缩距离和压缩速度参数，获取非线性握持传感装置的形变状态；

步骤S3.2：采用BP神经网络搭建力信号与电压信号间的非线性映射，实现依靠电信号对力信号进行重构；

步骤S3.3：采用支持向量机模型对压缩速度和非线性握持传感装置的形变状态进行分类识别，通过电信号特征识别出握持速度和形变状态。

优选地，所述握持速度包括快、中等、慢三个档位，所述形变状态包括预变形、接触变形和完全变形三个状态。

优选地，所述步骤S4包括：利用训练完成的BP神经网络和支持向量机模型对实时测量的电压信号的特征进行处理，得到实时反馈的最大握力、握持速度以及疲劳率。

优选地，所述疲劳率通过力-时间曲线上方面积/下方面积计算得到。