CN109846487B - 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置 - Google Patents

Abstract

本申请公开了一种基于MIMU/sEMG融合的大腿运动姿态测量方法，包括：至少采集大腿运动的角速度信息和加速度信息；采集大腿处肌肉的表面肌电信息；根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算，对所述表面肌电信息进行特征提取，结合角速度信息，采用机器学习的方式构建表面肌电信息‑大腿转动关节角的预测模型，引入表面肌电信息输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型。本申请还公开了一种基于MIMU/sEMG融合的大腿运动姿态测量装置。本案装置整体结构简单、智能化程度高、制造成本低、易于佩戴，有利于大规模推广使用。

Description

基于MIMU/sEMG融合的大腿运动姿态测量方法和装置

技术领域

本发明设计一种大腿运动姿态的测量装置，尤其是一种结构简单可靠、智能化程度高的可穿戴式大腿运动姿态的测量装置，可应用于短跑训练领域。

背景技术

短跑训练用大腿运动姿态的测量是指以大腿作为研究对象，通过测量手段获取短跑训练时大腿部的运动姿态信息，包括大腿的运动姿态、运动夹角、力、加速度、空间位置、肌电信号等，通过分析上述运动姿态参数，获取短跑训练时运动员的大腿运动规律，该过程是人体运动姿态获取必不可少的测试技术，在步态监测、智慧医疗、体育训练等领域都有着广泛的应用。

运动姿态测量方法主要包括基于视频图像传感器的运动姿态测量方法以及基于可穿戴式惯性传感器的运动姿态测量测量方法。

基于视频图像传感器的运动姿态测量是通过提取视频图像中人体模型的各个关节点，分析各部位的运动特征，从而对人体运动姿态的时间序列进行标识，实现三维空间中人体运动姿态的恢复。此类***一般需在空间分布多个视频传感器，***构造较为复杂。并且该方法的测量精度易受到运动遮挡、光照干扰、图像噪声等影响。对短跑运动而言，训练时双腿的交替摆动必然导致运动遮挡。

基于可穿戴式惯性传感器的运动姿态检测方法是通过采集运动时人体关键关节节点处加速度、角速度等参数，通过对数据进行算法处理获得人体的运动姿态。该方法需测试者佩戴惯性传感器，一般由惯性传感器和处理单元构成。

近年来，随着微机电技术和半导体技术的飞速发展，MIMU(Micro InertialMeasurement Unit，微型惯性测量单元)、sEMG(surface Electromyography，表面肌电信号)等传感器被广泛应用于体育训练、步态监测、智慧医疗等运动姿态测量领域。因MIMU、sEMG具备体积小、重量轻、成本低等优势，将其固定于大腿处对短跑训练产生的影响极小，因此基于MIMU/sEMG融合的可穿戴式大腿运动姿态测量将为短跑训练大腿运动姿态测量提供了一条更为便捷的途径。

发明内容

本发明的目的在于提供一种基于MIMU/sEMG融合的大腿运动姿态测量方法和装置，以克服现有技术中的不足。

为实现上述目的，本发明提供如下技术方案：

本申请实施例公开一种基于MIMU/sEMG融合的大腿运动姿态测量方法，包括：

至少采集大腿运动的角速度信息和加速度信息；

采集大腿处肌肉的表面肌电信息；

根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算，对所述表面肌电信息进行特征提取，结合角速度信息，采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型，引入表面肌电信息输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型。

本申请实施例还公开了一种基于MIMU/sEMG融合的大腿运动姿态测量装置，包括：

MIMU模块，至少采集大腿运动的角速度信息和加速度信息；

sEMG模块，采集大腿处肌肉的表面肌电信息；

处理模块，根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算，对所述表面肌电信息进行特征提取，结合角速度信息，采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型，引入表面肌电信息输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型。

与现有技术相比，本发明的优点在于：整体结构简单、智能化程度高、制造成本低、易于佩戴，有利于大规模推广使用。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1所示为本发明具体实施例中测量装置的原理示意图；

图2所示为本发明具体实施例中表面肌电信号-大腿转动关节角的预测算法流程图；

图3所示为本发明具体实施例中上位机姿态解算流程示意图。

具体实施方式

以下将结合附图所示的各实施方式对本发明进行详细描述。但该等实施方式并不限制本发明，本领域的普通技术人员根据该等实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

结合图1所示，本申请的一实施例中，提供一种基于MIMU/sEMG融合的大腿运动姿态测量装置，包括MIMU模块、sEMG模块、控制芯片模块、电源模块、无线通信模块和上位机。

MIMU模块和sEMG模块分别与控制芯片模块之间通信连接，控制芯片模块通过无线通信模块与上位机之间无线通信，电源模块为MIMU模块、sEMG模块、控制芯片模块和无线通信模块供电。

本实施例的测量装置主要用于大腿运动姿态的测量，因此测量装置还包括一用以与大腿进行捆绑的绑带，绑带的两端可以设置相配合的魔术贴，MIMU模块、sEMG模块、控制芯片模块、电源模块、无线通信模块固定在绑带上。

控制芯片模块以ATmega328单片机作为控制芯片，***电路包括时钟电路、复位电路、ISP下载电路等电路组成。

MIMU模块包括MPU9250芯片，用于获取大腿运动姿态信息。通过串口总线与控制芯片模块连接，实时采集MPU9250输出的惯性信息数据并做滤波处理。MPU9250输出的惯性信息数据包括加速度传感器输出的比力信息、陀螺仪输出的角速度信息以及地磁传感器输出的磁场强度信息。

sEMG模块包括了***肌肉电传感器myoware，用于获取短跑训练时大腿处肌肉的运动规律信息。采用Ag/AgCl表面电极，经肌电信号连接引线接入控制芯片ATmega328的ADC0端口，经ATmega328内部的模数转换后进行肌电信号采集，获取肌电信号。

无线通信模块优选采用蓝牙模块，蓝牙模块选用了型号为HC-08的蓝牙模块，通过蓝牙4.0协议与上位机进行无线数据通信。

电源模块采用1块7.4V锂电池供电。

上位机根据惯性导航原理对MPU9250输出的加速度、角速度信息进行导航解算，获取大腿的运动姿态、空间位置、运动速度等信息。对表面肌电信号进行特征提取，结合MPU9250输出的角速度信息，采用机器学习的方式构建表面肌电信号-大腿转动关节角的预测模型。引入表面肌电信号输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型，实现短跑训练时大腿运动姿态的精确测量。

预测模型的构建主要分为训练过程和预测过程两个阶段，训练过程中需要采集人体运动时大腿处的表面肌电信号、MPU9250输出的角速度信息，并进行滤波、特征提取、归一化等预处理，之后利用广义回归神经网络对表面肌电信号、MPU9250输出的角速度信息进行迭代训练，得到新的广义回归神经网络；预测过程中将得到的新的广义回归神经网络对实际应用时的测试数据进行训练预测，得到大腿转动关节角的预测数据，并对预测数据进行平滑滤波处理最终获得大腿转动关节角的预测结果。该算法流程图如图2所示。

训练过程中，提取表面肌电信号的均方根RMS为特征参数，并将其转化为振幅特征曲线：

其中，sEMG(k)表示采集到第k个表面肌电信号的幅值，n表示采集到表面肌电信号的个数。对公式(1)进行低通滤波处理得：

F(k)＝RMS(k)*ε+F(k-1)*(1-ε) (2)

其中，F(k-1)为前一时刻低通滤波处理后的信号，ε为周期因子，这里设定为ε＝2π/1024。

分别对表面肌电信号低通滤波过后的信号以及MPU9250输出的角度信息进行归一化处理，并送入广义回归神经网络中进行训练。

广义回归神经网络主要由输入层、模式层、求和层以及输出层构成。

输入层：设X＝[x₁,x₂,...,x_n]^T为输入，其输出设为Y＝[y₁,y₂,...,y_n]^T。其中x和y均为随机数。

模式层：设联合概率密度函数f(x,y)服从正态分布，已知x的观测值为X，对于X条件下y的预测输出为：

求和层：采用高斯核函数作为传递函数，设f(x,y)服从正态分布，则

其中，X_i和Y_i均为样本观测值；n为样本容量，d为样本维数，σ为光滑因子。用

代替式(3)中的f(X,Y)，可得：

预测过程中，利用训练得到的新的广义回归神经网络对实际测试获得的表面肌电信号、MPU9250输出的角速度进行大腿转动关节角预测、平滑滤波，最终输出大腿转动关节角的预测结果。

上位机通过引入表面肌电信号输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型，实现短跑训练时大腿运动姿态、空间位置的精确估计，该估计过程的算法流程框图如图3所示，其中进行Kalman滤波估计时，建立的Kalman滤波估计的状态方程为：

状态量为：X＝[δV_e δV_n δV_u φ_e φ_n φ_u]^T，δV_e为东向速度误差，δV_n为北向速度误差，δV_u为天向速度误差，φ_e为东向失准角，φ_n为北向失准角，φ_u是天向失准角。

为X的微分，W为激励噪声矢量。F为状态转移矩阵，如下：

其中：

其中，V_e为东向速度，V_n为北向速度，V_u为天向速度，R_n为沿卯酉圈的曲率半径，R_m为沿子午圈的曲率半径，L为地理纬度，ω_ie为地球自转角速度，h为高度，f_e为东向比力，f_n为北向比力，f_u为天向比力。

滤波估计的观测方程为：

Z＝HX+V (9)

Z为Kalman滤波估计的观测矢量，Z＝[δV_e δV_n δV_u δφ_n]^T，[δV_e δV_n δV_u]^T＝V_SINS-V_OUT，V_SINS为由MPU9250输出的角速度和加速度信息进行惯性导航解算获得的东、北、天三个方向的速度，V_OUT为外观测提供的东、北、天三个方向的速度，δφ_n为MPU9250输出的角速度和加速度信息进行惯性导航解算获得的俯仰角与大腿转动关节角预测的差值。V为观测噪声矢量，H为***观测矩阵，如下：

利用Kalman滤波算法进行姿态估计，步骤如下：

(1)根据前一时刻状态量

以及一步状态转移矩阵Φ_k,k-1计算预测值

(2)根据前一时刻的一步预测均方误差P_k-1、一步状态转移矩阵Φ_k,k-1、***噪声方差阵Q_k-1以及***噪声驱动阵Γ_k-1计算一步预测均方误差P_k/k-1，

(3)根据一步预测均方误差P_k/k-1、滤波观测阵H_k以及测量噪声序列的方差阵R_k计算滤波增益值K_k：

(4)根据一步预测值

观测量Z_k、滤波观测阵H_k以及滤波增益值K_k计算滤波估计的状态估计

(5)根据滤波增益值K_k、滤波观测阵H_k、一步预测均方误差P_k/k-1以及测量噪声序列的方差阵R_k计算均方差P_k：

返回步骤(1)，进行下一时刻Kalman滤波估计，实现大腿运动姿态的估计。

本实施例方案应用了单片机技术、无线通信技术、惯性导航技术、生物学技术等多信息融合技术，实现了短跑训练用大腿运动姿态的测量，为监测短跑训练时大腿的运动状态提供了一种新的设计思路和方法。

本案中的上位机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施例加以描述，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种基于MIMU/sEMG融合的大腿运动姿态测量方法，其特征在于，包括：

至少采集大腿运动的角速度信息和加速度信息；

采集大腿处肌肉的表面肌电信息；

根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算，对所述表面肌电信息进行特征提取，结合角速度信息，采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型，引入表面肌电信息输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型，

建立的Kalman滤波估计的状态方程为：

状态量为：X＝[δV_e δV_n δV_u φ_e φ_n φ_u]^T，δV_e为东向速度误差，δV_n为北向速度误差，δV_u为天向速度误差，φ_e为东向失准角，φ_n为北向失准角，φ_u是天向失准角

为X的微分，W为激励噪声矢量，F为状态转移矩阵，如下：

其中：

其中，V_e为东向速度，V_n为北向速度，V_u为天向速度，R_n为沿卯酉圈的曲率半径，R_m为沿子午圈的曲率半径，L为地理纬度，ω_ie为地球自转角速度，h为高度，f_e为东向比力，f_n为北向比力，f_u为天向比力；

滤波估计的观测方程为：

Z＝HX+V (9)

Z为Kalman滤波估计的观测矢量，Z＝[δV_e δV_n δV_u δφ_n]^T，[δV_e δV_n δV_u]^T＝V_SINS-V_OUT，V_SINS为惯性导航解算获得的东、北、天三个方向的速度，V_OUT为外观测提供的东、北、天三个方向的速度，δφ_n为惯性导航解算获得的俯仰角与大腿转动关节角预测的差值，V为观测噪声矢量，H为***观测矩阵，如下：

2.根据权利要求1所述的基于MIMU/sEMG融合的大腿运动姿态测量方法，其特征在于，所述表面肌电信息-大腿转动关节角的预测模型的算法包括：

s1、对表面肌电信息进行特征提取、低通滤波和归一化处理，对角速度信息进行归一化处理；

s2、利用广义回归神经网络对表面肌电信息和角速度信息进行迭代训练，得到新的广义回归神经网络；

s3、新的广义回归神经网络对大腿运动时的测试数据进行训练预测，得到大腿转动关节角的预测数据；

s4、对预测数据进行平滑滤波处理，获得大腿转动关节角的预测结果。

3.根据权利要求2所述的基于MIMU/sEMG融合的大腿运动姿态测量方法，其特征在于，步骤s1中，提取表面肌电信号的均方根RMS为特征参数，并将其转化为振幅特征曲线：

其中，sEMG(k)表示采集到第k个表面肌电信号的幅值，n表示采集到表面肌电信号的个数；

对公式(1)进行低通滤波处理后的信号表示为F(k)：

F(k)＝RMS(k)*ε+F(k-1)*(1-ε) (2)

其中，F(k-1)为前一时刻低通滤波处理后的信号，ε为周期因子。

4.根据权利要求2所述的基于MIMU/sEMG融合的大腿运动姿态测量方法，其特征在于，步骤s2中，广义回归神经网络包括输入层、模式层、求和层以及输出层，其中：

输入层：X＝[x₁,x₂,...,x_n]^T为输入，其输出设为Y＝[y₁,y₂,...,y_n]^T，x和y均为随机数；

模式层：联合概率密度函数f(x,y)服从正态分布，已知x的观测值为X，对于X条件下y的预测输出为：

求和层：采用高斯核函数作为传递函数，设f(x,y)服从正态分布，则

其中，X_i和Y_i均为样本观测值；n为样本容量，d为样本维数，σ为光滑因子，用

代替式(3)中的f(X,Y)，可得：

输出层：令

设

则有：

5.根据权利要求1所述的基于MIMU/sEMG融合的大腿运动姿态测量方法，其特征在于，利用Kalman滤波算法进行姿态估计，步骤如下：

(1)根据前一时刻状态量

以及一步状态转移矩阵Φ_k,k-1计算预测值

(2)根据前一时刻的一步预测均方误差P_k-1、一步状态转移矩阵Φ_k,k-1、***噪声方差阵Q_k-1以及***噪声驱动阵Γ_k-1计算一步预测均方误差P_k/k-1，

(3)根据一步预测均方误差P_k/k-1、滤波观测阵H_k以及测量噪声序列的方差阵R_k计算滤波增益值K_k：

(4)根据一步预测值

观测量Z_k、滤波观测阵H_k以及滤波增益值K_k计算滤波估计的状态估计

(5)根据滤波增益值K_k、滤波观测阵H_k、一步预测均方误差P_k/k-1以及测量噪声序列的方差阵R_k计算均方差P_k：

其中，I为单位矩阵，

返回(1)，进行下一时刻Kalman滤波估计，实现大腿运动姿态的估计。

6.一种基于MIMU/sEMG融合的大腿运动姿态测量装置，其特征在于，包括：

MIMU模块，至少采集大腿运动的角速度信息和加速度信息；

sEMG模块，采集大腿处肌肉的表面肌电信息；

处理模块，根据惯性导航原理对所述角速度信息和加速度信息进行惯性导航解算，对所述表面肌电信息进行特征提取，结合角速度信息，采用机器学习的方式构建表面肌电信息-大腿转动关节角的预测模型，引入表面肌电信息输出的大腿转动关节角信息作为外观测信息，构建基于外观测反馈补偿的Kalman滤波估计模型，

建立的Kalman滤波估计的状态方程为：

状态量为：X＝[δV_e δV_n δV_u φ_e φ_n φ_u]^T，δV_e为东向速度误差，δV_n为北向速度误差，δV_u为天向速度误差，φ_e为东向失准角，φ_n为北向失准角，φ_u是天向失准角，

为X的微分，W为激励噪声矢量，F为状态转移矩阵，如下：

其中：

其中，V_e为东向速度，V_n为北向速度，V_u为天向速度，R_n为沿卯酉圈的曲率半径，R_m为沿子午圈的曲率半径，L为地理纬度，ω_ie为地球自转角速度，h为高度，f_e为东向比力，f_n为北向比力，f_u为天向比力；

滤波估计的观测方程为：

Z＝HX+V (9)

Z为Kalman滤波估计的观测矢量，Z＝[δV_e δV_n δV_u δφ_n]^T，[δV_e δV_n δV_u]^T＝V_SINS-V_OUT，V_SINS为惯性导航解算获得的东、北、天三个方向的速度，V_OUT为外观测提供的东、北、天三个方向的速度，δφ_n为惯性导航解算获得的俯仰角与大腿转动关节角预测的差值，V为观测噪声矢量，H为***观测矩阵，如下：

7.根据权利要求6所述的基于MIMU/sEMG融合的大腿运动姿态测量装置，其特征在于，所述处理模块包括控制芯片模块和上位机，所述控制芯片模块与上位机之间通过无线方式通信，所述MIMU模块和sEMG模块分别与控制芯片模块之间连接。

8.根据权利要求7所述的基于MIMU/sEMG融合的大腿运动姿态测量装置，其特征在于，所述MIMU模块采用MPU9250，所述sEMG模块采用myoware，所述控制芯片模块采用ATmega328。

9.根据权利要求7所述的基于MIMU/sEMG融合的大腿运动姿态测量装置，其特征在于，还包括可捆绑于大腿上的绑带，所述控制芯片模块、MIMU模块和sEMG模块设置于绑带上。

Images