1.本技术涉及人体信号处理识别的领域，尤其是涉及一种运动意图识别方法。
背景技术：
2.应用于脊髓损伤患者康复训练中的主动式康复机器人能够根据人体运动产生的生物电信号感知运动意图，主动调控输出力矩和关节角度，使患者拥有基本的自理能力。然而人体生物电信号微弱，个体之间的肌电信号存在差异性，且容易受到环境噪声、设备噪声及其它生物电信号的干扰，这使得人体意图的识别变得困难。
3.根据不同信号的种类，可以分为基于人体生物电信号的意图识别方法和基于人机交互力信息的意图识别方法。其中基于人体生物电信号的研究集中在表面肌电信号(semg)和脑电信号(eeg)，通过在人体不同位置安装传感器来检测有效的信息，并通过贝叶斯网络、神经网络、多层感知器、模糊逼近、支持向量机和神经模糊等方法分析和感知人体的运动意图。然而semg和eeg具有复杂的非线性、强耦合和动态时变特征，且容易受到比如环境噪声、采集设备和其它人体生物电信号的随机干扰，这些干扰会使传统分类模型发生偏移，从而导致运动意图预测失败。因此，需要亟需建立一种鲁棒且能够处理非线性数据的人体意图识别方法。
技术实现要素：
[0004][0005]
为了降低干扰并且提高识别效率和识别鲁棒性，本技术提供的一种远动意图识别方法。
[0006]
本技术提供的一种远动意图识别方法采用如下的技术方案：
[0007]
一种远动意图识别方法，包括依次进行的如下步骤：
[0008]
s1获取数据：采用semg信号采集系统采集并处理人体运动的肌电信号，得到肌电信号的原始数据；
[0009]
s2数据处理：采用滤波器处理原始数据中的干扰，将原始数据中的特征进行提取，得到数据特征集；
[0010]
s3建立期望的目标函数和估价函数，具体包括：
[0011]
第一步，
[0012]
建立低阶模型规则，根据低阶模型规则得到原始目标函数，原始目标函数表示为：
[0013][0014]
约束条件：
[0015]
其中，j(ak,ei)为目标函数，ak和bk是第k条规则的后件参数，γ是正则化参数，由交叉验证法得到，ei是模型误差，φk(xi)是xi对第k条规则的隶属度，是投影函数，xi是训练
数据的数据特征集的子集，yi是第i个时刻的运动标签值；
[0016]
并通过拉格朗日方程转换原始目标函数；
[0017]
同时建立优化条件并在优化条件下求解，得到低阶模糊模型：
[0018][0019]
其中，ye是模型预测的运动标签值，xe是预测数据的数据特征集的子集，是隶属核函数，g
ie
代表第i个时刻和第e个时刻的运动标签值所组成的隶属核函数，
[0020]
是核函数，σ是核函数参数；
[0021]
将低阶模糊模型代入原始目标函数中，得到优化后的目标函数：
[0022][0023]
其中，λ＝(λ
1 λ2ꢀ…ꢀ
λn)
t
，
[0024]
λi是拉格朗日乘子；
[0025]
第二步，
[0026]
对低阶模糊模型和优化后的目标函数分别进行期望运算，得到最终估价函数：
[0027][0028]
得到期望目标函数：
[0029][0030]
其中，ρ(g
ie
)为隶属核函数的概率密度函数；
[0031]
是期望矩阵；
[0032]
采用最终估价函数和期望目标函数处理数据特征集。
[0033]
优选的，还包括s4核函数参数和正则化参数的概率估计：
[0034]
采用有放回取样将一部分的数据特征集划分为q组，作为训练数据，另一部分数据作为预测数据；
[0035]
采用训练数据并通过s3中的第一步训练模型，得到最佳核函数参数以及最佳正则化参数；
[0036]
构建最佳核函数参数和最佳正则化参数的概率分布模型：当分组数量足够大时，最佳核函数参数的概率分布模型和最佳正则化参数的概率分布模型均近似服从正态分布，将最佳核函数参数和最佳正则化参数的概率分布模型代入最终估价函数和期望目标函数中。
[0037]
优选的，还包括s5隶属核函数参数的分布估计：
[0038]
将核函数参数的概率分布模型代入隶属核函数参数中，使得隶属核函数参数成为随机变量且表示为
[0039]
根据核函数参数，将核函数参数概率密度函数表示为：
[0040][0041]
由于隶属度函数φk()和核函数k(xi,xj)都是正定的，所以当时，有：
[0042][0043]
当时，有：
[0044][0045]
其中，f是分布函数，代表的概率；
[0046]
此时，模型参数的概率密度函数为：
[0047][0048]
得到隶属核函数参数g
ij
的期望如下所示：
[0049][0050]
将隶属核函数参数g
ij
的期望代入最终估价函数和期望函数中，得到最终的概率分类模型，概率分类模型用于处理作为预测数据的数据特征集。
[0051]
优选的，semg信号采集系统包括：semg信号接收器、三导联线、arduino uno开发
板、表面肌电电极、前端模拟电路采集和后端数字信号过滤处理；
[0052]
前端模拟电路采集：通过多个通道采集肌电信号，然后通过放大和滤波处理得到emg信号；
[0053]
中端：通过semg信号接收器的spdt开关切换envelopemode和rawmode输出信号；envelopemode采用包络检测处理，得到emg动态检测信号；rawmode输出emg原始信号，通过semg信号接收器的蓝白电位器调节envelopemode和rawmode输出信号的通道增益；同时，提供一个外部单通道audiooutputinterface输出原始信号，audiooutputinterface通过跳线帽输出某个通道的原始波形，方便用户在外部仪器设备的帮助下通过这个接口实时监测和分析当前的emg信号；
[0054]
后端数字信号过滤处理：使用arduino uno开发板匹配采集中端的输出信号。
[0055]
优选的，s2数据处理，具体为：
[0056]
滤波处理：采用巴特沃斯滤波器参数调整后的30-300hz带通滤波器和50hz陷波滤波器，处理低频噪声千扰以及市电电压辐射产生的50hz工频干扰；
[0057]
特征提取：提取的时域特征包括：均方根(rms)、标准差(sd)、和平均绝对值(mav)；频域特征包括：平均功率频率(mpf)和中值频率(mf)；
[0058]
得到包括上述特征内容的数据特征集。
[0059]
综上所述，本技术包括以下至少一种有益技术效果：
[0060]
1.为了解决基于肌电信号的人体运动意图感知方面的问题，提高模型的识别效率和鲁棒性且能够处理非线性数据，本发明结合低阶模糊模型的优秀预测能力和具有鲁棒性的概率模型，采用期望运算对运动意图进行预测以消除模型中存在的随机干扰，提高模型对时变动态特征和外部扰动的处理能力。
[0061]
2.由于表面肌电信号在采集过程中容易受到信号采集设备、环境以及其它人体生物电信号噪声的影响，这些噪声数据会使分类模型失效，从而导致运动意图预测不准确。为了更加真实的模拟干扰环境下的非线性系统，采用有放回抽样法对模型进行训练，从而将得到的最佳正则化参数以及最佳核函数参数优化模型，能够抑制噪声对运动意图识别的影响，尽可能提高模型预测的准确性。
具体实施方式
[0062]
本技术实施例公开的一种运动意图识别方法包括依次进行的如下步骤：
[0063]
s1获取数据：采用semg信号采集系统采集并处理人体运动的肌电信号，得到肌电信号的原始数据。
[0064]
具体为：
[0065]
采用机电信号采集设备，机电信号采集设备包括semg信号采集系统、led灯和上位机。semg信号采集系统包括：semg信号接收器、三导联线、arduino uno开发板、表面肌电电极、前端模拟电路采集和后端数字信号过滤处理。led灯通过闪烁体现emg信号强度，上位机用于存储肌电信号。
[0066]
前端模拟电路采集：通过1-6个通道采集人体腿部的肌肉电信号，然后通过放大和滤波处理得到emg信号；
[0067]
中端：通过semg信号接收器的spdt开关切换envelopemode和rawmode输出信号；
envelopemode采用包络检测处理，得到emg动态检测信号；rawmode输出emg原始信号，通过semg信号接收器的蓝白电位器调节envelopemode和rawmode输出信号的通道增益。同时，提供一个外部单通道audiooutputinterface来输出原始信号。这个audiooutputinterface通过跳线帽输出某个通道的原始波形，方便用户在外部仪器设备的帮助下通过这个接口实时监测和分析当前的emg信号。
[0068]
后端数字信号过滤处理：使用arduino uno开发板匹配的6芯肌电模块采集中端的输出信号，并控制led灯，从led灯上快速参考emg信号强度；同时，上位机可用于记录和查看多达6块不同肌肉的emg包络信号或原始信号。
[0069]
s2数据处理：采用滤波器处理原始数据中的干扰，将原始数据中的特征进行提取，得到数据特征集。
[0070]
具体为：
[0071]
滤波处理：采用巴特沃斯滤波器参数调整后的30-300hz带通滤波器和50hz陷波滤波器，处理低频噪声千扰以及市电电压辐射产生的50hz工频干扰。
[0072]
特征提取：提取的时域特征包括：均方根(rms)、标准差(sd)、和平均绝对值(mav)；频域特征包括：平均功率频率(mpf)和中值频率(mf)。
[0073]
得到包括上述特征内容的数据特征集。
[0074]
s3建立期望的目标函数和估价函数，具体包括：
[0075]
s31建立低阶模型规则：
[0076]
低阶模型规则表示为：
[0077]rk
:ifx
(1)
is a
k1 and
···
and x
(n)
is a
kn
，thenk＝1,2,
…
,r。
[0078]
其中，rk代表第k条规则，x
(j)
是数据特征集中的第j个子集，a
kj
是模糊集合，ak和bk是第k条规则的后件参数，是投影函数，yk是第k条模糊规则的输出，r是规则数；
[0079]
s32通过低阶模型规则得到原始目标函数的表达式如下：
[0080][0081]
约束条件：
[0082]
其中，j(ak,ei)为目标函数，γ是正则化参数，由交叉验证法得到，ei是模型误差，φk(xi)是xi对第k条规则的隶属度，yi是第i个时刻的运动标签值；
[0083]
s33构建拉格朗日方程转换原始目标函数：
[0084][0085]
其中，λi是拉格朗日乘子。
[0086]
s34建立优化条件，求解优化条件下的低阶模糊模型：
[0087]
优化条件以及求解过程为:
[0088][0089][0090][0091][0092]
得到如下线性方程：
[0093]
∑θ＝η
[0094]
其中，
[0095][0096][0097]
λ＝(λ
1 λ2ꢀ…ꢀ
λn)
t
,
[0098]br
×1＝(b
1 b2ꢀ…ꢀbr
)
t
，yn×1＝(y
1 y2ꢀ…ꢀyn
)
t
[0099]
求解线性方程可得：
[0100]
θ＝(∑
t
∑)-1
∑
t
η
[0101]
将训练数据代入得到低阶模糊模型：
[0102][0103]
其中，ye是模型预测的运动标签值，xe是预测数据的信号特征，是隶属核函数，g
ie
代表第i个样本和第e个样本所组成的隶属核函数，是核函数，σ是核函数参数；
[0104]
s35优化原始目标函数：
[0105]
将s34中的优化条件下得到的求解结果代入通过原始目标函数的表达式中，得到优化后的目标函数：
[0106][0107]
其中，λ＝(λ
1 λ2ꢀ…ꢀ
λn)
t
，
[0108]
s36：
[0109]
对低阶模糊模型进行期望运算得到的最终估价函数：
[0110][0111]
其中，ρ(g
ie
)为隶属核函数的概率密度函数；
[0112]
对s35中优化后的目标函数进行期望运算得到的期望目标函数：
[0113][0114]
其中，是期望矩阵。
[0115]
因为，经过拉格朗日方程转换后的目标函数中的正则化参数γ，以及低阶模糊模型中的核函数参数σ，是由交叉验证法得到的，十分依赖于数据，所以当数据特征受到干扰时，会导致模型的鲁棒性不足，为了消除干扰，采用s4。
[0116]
s4核函数参数和正则化参数的概率估计：
[0117]
s41：对核函数参数进行概率估计，具体是：
[0118]
采用有放回取样将一部分的数据特征集划分为q组，作为训练数据，另一部分的数据特征集作为预测数据；
[0119]
采用训练数据通过s31-s34训练模型，选取效果最好的核函数参数作为最佳核函数参数；
[0120]
构建最佳核函数参数的概率分布模型：当分组数量足够大时，最佳核函数参数的概率分布模型近似服从正态分布：
[0121]
σ～n(μ,θ2)，
[0122]
其中，μ是正态分布的中心，θ是正态分布的方差；由极大似然法得到：
[0123][0124][0125]
s42：对正则化参数进行概率估计，具体是：
[0126]
采用有放回取样将一部分的数据特征集划分为q组，作为训练数据，另一部分的数据特征集作为预测数据；
[0127]
采用训练数据通过s31-s34训练模型，得到最佳正则化参数；
[0128]
构建最佳正则化参数的概率分布模型：当分组数量足够大时，最佳正则化参数的概率分布模型近似服从正态分布：
[0129]
γ～n(χ,ξ2)，
[0130]
其中，μ是正态分布的中心，θ是正态分布的方差；由极大似然法得到：
[0131]
[0132][0133]
s44：最佳核函数参数和最佳正则化参数的概率分布模型代入最终估价函数和期望目标函数中。
[0134]
由于核函数参数具有近似服从正态分布的规律，那么隶属核函数也成为一个随机变量，变量隶属核函数表示为
[0135]
s5通过核函数参数的分布推导变量隶属核函数的分布规律：
[0136]
根据核函数参数，将核函数参数的概率密度函数表示为：
[0137][0138]
由于隶属度函数φk()和核函数k(xi,xj)都是正定的，所以当时，有：
[0139][0140]
当时，有：
[0141][0142][0143]
其中，f是分布函数，f求导就是概率密度函数，代表的概率；
[0144]
此时，模型参数的概率密度函数为：
[0145][0146]
得到隶属核函数参数g
ij
的期望如下所示：
[0147][0148]
将核函数的期望代入s36中的最终估价函数和期望目标函数，得到最终的概率分类模型。概率分类模型用于处理作为预测数据的数据特征集。
[0149]
实验验证：
[0150]
采用上述中一种运动意图识别方法及其应用的肌电信号采集设备，进行实验。
[0151]
选择四块肌肉：股直肌、股二头肌、胫前肌和腓肠肌，作为emg信号源。
[0152]
选取2名年龄为26岁和28岁的男性，分别做出站立、脚离地、脚触地、上楼和下楼的动作，每个动作重复10次，每次5秒钟，用semg信号采集系统采集步态信息。采集到原始信号后，我们对信号进行巴特沃斯滤波处理。在此，我们使用六阶30-350hz带通滤波器和50hz陷波滤波器来处理噪声干扰。
[0153]
特征选择：选取方差(var)、均方根(rms)和平均功率频率(mpf)三个特征值作为意向识别的数据特征集。在本实验中，采用移动数据窗来处理表面肌电信号每个周期的活动段信息，并选择移动数据窗长度为100ms，每个移动数据窗移动距离为100ms。
[0154]
在训练过程中，将50％的数据特征集分成40组，每组包含500个数据，对每组数据采用步骤s31-s34训练模型得到每组的最佳核函数参数和最佳正则化参数，接着采用步骤s35-s5来构建概率分类模型。其余50％的数据通过最终的概率分类模型用于识别运动意图。
[0155]
运动意图识别结果：
[0156]
表1运动意图识别准确率
[0157][0158]
通过表1可以看出，与其他方法或模型相比，采用本发明得到的动作识别准确率均大于90％。特别是，本实验选取了具有相似性较高的动作，这种相似性较高的动作会极大程度的干扰运动意图的识别准确性，但本发明相较于现有的方法或模型而言依旧具有更高的预测准确率。
[0159]
以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。