CN111643321A - 基于sEMG信号的外骨骼关节角度预测方法及*** - Google Patents

Abstract

本发明属于生物特征识别技术领域，具体涉及一种基于sEMG信号的外骨骼关节角度预测方法及***。通过对sEMG信号采集、滤波处理、特征提取，得到sEMG多维联合特征矩阵数据集，并将数据集分为训练数据集和测试数据集。采用复合权重粒子群优化长短时间记忆(IPSO‑LSTM)网络进行模型训练，实现有效提取sEMG信号中的具有时间相关性与空间相关性的时间序列信息，以解决LSTM模型中迭代次数、学习速率、隐含层神经元参数较难确定和网络过拟合问题，进一步改善了模型的精准度。

Description

基于sEMG信号的外骨骼关节角度预测方法及***

技术领域

本发明涉及一种基于sEMG信号的关节角度预测方法，用于外骨骼机器人主动康复意图识别，探索运动关节相关肌肉的sEMG信号和运动关节角度的映射关系，特别适用于外骨骼机器人人机交互模块，实现人机协同控制。

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，现在大多数研究内容都是基于sEMG信号进行康复动作分类，研究基于sEMG信号进行连续运动量估计和预测的较少。

发明内容

本发明的技术解决问题是：提出基于sEMG信号的外骨骼关节角度预测方法及***，用于实时性强和准确性高地实现人体运动意图识别的角度预测。

本发明的技术解决方案为：一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于包括如下步骤：

s1、初始化粒子群的种群数量、进化次数、惯性权重、个体学习因子、全局学习因子，以迭代次数、学习速率、隐含层数为粒子的自变量，设置每个自变量边界，初始化每个自变量的位置与速度，进而初始化粒子群；

s2、遍历粒子群的每个sEMG信号粒子，将粒子的自变量迭代次数、学习速率、隐含层数的位置值赋值给长短时间记忆深度学习网络模型中相应的参数，建立长短时间记忆深度学习网络模型；获取外骨骼关节sEMG信号多维联合特征矩阵数据集，所述外骨骼关节sEMG信号多维联合特征矩阵数据集为外骨骼关节sEMG信号的特征参数，并将其分为训练样本和验证样本，利用训练样本进行长短时间记忆深度学习网络模型训练，得到训练集输出值y_t，利用验证样本进行长短时间记忆网络验证，得到训练集输出值y_v；将训练集的拟合误差和验证集的验证误差加权组合构建粒子群适应度函数，计算并存储每个粒子对应的适应度函数fit_i,i＝1～I，其中，I为粒子群的种群数量；实时计算粒子群各自变量的群体极值和每个粒子各自变量的个体极值；

s3、根据粒子群的惯性权重、个体学习因子、全局学习因子和粒子群各自变量的群体极值和每个粒子各自变量的个体极值，更新每个粒子各自变量的位置和速度，之后，重复执行步骤s2～步骤s3，直到达到粒子群的进化次数后进入步骤s4；

s4、将此时粒子群各自变量的群体极值，作为最优迭代次数、学习速率和隐含层数代入长短时间记忆深度学习网络模型中，得到基于粒子群优化的长短时间记忆深度学习网络模型；

s5、将预测数据输入基于粒子群优化的长短时间记忆深度学习网络模型，对预测数据进行训练，得到关节角度值预测结果。

所述粒子群适应度函数为：

其中，y_t、y′_t分别表示训练集输出值及其对应的实际值；y_v、y′_v分别表示验证集输出值及其对应的实际值，N为训练样本数量，M为验证样本数量；W₁为训练集的拟合误差权重，W₂验证集的验证误差权重。

所述训练集的拟合误差权重W₁和验证集的验证误差权重W₂相等，均由计算公式得到：

其中，gbest代表历史群体最优位置，best_i代表第i个粒子的历史最优位置，fit代表适应度函数。

所述更新每个粒子的每个自变量的位置和速度的计算公式为：

其中：V_id和X_id分别是第i个粒子第d个自变量更新后的速度，w是惯性权重，

和

分别是当前第i个粒子第d个自变量的速度，P_id表示第i个粒子第d个自变量的个体极值；P_gd表示粒子群第d个自变量的群体极值；c₁为每个粒子的个体学习因子，c₂为粒子群的群体学习因子；random(0,1)表示区间[0,1]上的随机数。

所述粒子群的群体极值为粒子群适应度函数最小值所对应的粒子的自变量的位置值。

所述每个粒子各自变量的个体极值，通过如下方法获得：将当前各自变量的位置值与进化前各自变量的位置值进行比较，取较小的值为该自变量的个体极值。

所述sEMG信号多维联合特征矩阵数据集通过如下方法获取：

(2.1)、同步采集康复者与膝关节屈伸运动相关的sEMG信号和关节角度信息；

(2.2)、将集康复者与膝关节屈伸运动相关的sEMG信号进行带通滤波处理，得到sEMG信号频段内的信号数据；

(2.3)、将步骤(2.2)得到的sEMG信号频段内的信号数据进行陷波处理，滤除干扰的影响；

(2.4)、将进行滤波去噪之后的sEMG信号数据进行归一化处理，得到归一化sEMG信号数据

(2.5)、提取归一化sEMG信号的特征参数，得到sEMG信号多维联合特征矩阵数据集，所述特征参数包括积分值(iemg)、均方根(rms)、中值频率(mf)、平均频率(mpf)、小波系数最大值(cwt)中的一种、两种或者多种。

本发明的另一个技术解决方案是：一种基于sEMG信号的外骨骼关节角度预测***，该***包括sEMG信号采集***、外骨骼机器人、外骨骼控制器、上位机；其中：

sEMG信号采集***，用于通过传感器实时获取康复者与膝关节屈伸运动相关的sEMG信号，并将其发送给外骨骼控制器；

外骨骼控制器，将康复者与膝关节屈伸运动相关的sEMG信号和关节角度信息同步发送给上位机；

外骨骼机器人，支撑并帮助康复者运动，实时地将关节角度值发送给外骨骼控制器；

上位机，将获取的数据进行信号滤波降噪处理，计算sEMG信号的特征参数，得到sEMG信号多维联合特征矩阵数据集，所述多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值；根据多维联合特征矩阵数据集，采用基于粒子群优化的长短时间记忆深度学习网络模型对运动关节的角度进行预测，解算出关节屈伸过程中的运动角度。

所述滤波降噪处理包括采用带通滤波器对sEMG信号的带通滤波和采用陷波滤波器对干扰信号的抑制。

所述特征参数包括积分值(iemg)、均方根(rms)、中值频率(mf)、平均频率(mpf)、小波系数最大值(cwt)中的一种、两种或者多种。

所述基于粒子群优化的长短时间记忆深度学习网络模型通过下列方法得到：

(1)、初始化粒子群的种群数量、进化次数、惯性权重、个体学习因子、全局学习因子，以迭代次数、学习速率、隐含层数为自变量，设置每个自变量边界，初始化每个自变量的位置与速度，进而初始化粒子群；

(2)、遍历粒子群的每个粒子，将粒子的自变量迭代次数、学习速率、隐含层数的位置值赋值给长短时间记忆深度学习网络模型中相应的参数，建立长短时间记忆深度学习网络模型；获取外骨骼关节sEMG信号多维联合特征矩阵数据集，所述外骨骼关节sEMG信号多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值，并将其分为训练样本和验证样本，利用训练样本进行长短时间记忆深度学习网络模型训练，得到训练集输出值y_t，利用验证样本进行长短时间记忆网络验证，得到训练集输出值y_v；将训练集的拟合误差和验证集的验证误差加权组合构建粒子群适应度函数，计算并存储每个粒子对应的适应度函数fit_i,i＝1～I，其中，I为粒子群的种群数量；实时计算粒子群各自变量的群体极值和每个粒子各自变量的的个体极值；

(3)、根据粒子群的惯性权重、个体学习因子、全局学习因子和粒子群各自变量的群体极值和每个粒子各自变量的个体极值对粒子群进行进化处理，更新每个粒子各自变量的位置和速度，之后，重复执行步骤(2)～步骤(3)，直到达到粒子群的进化次数后进入步骤(4)；

(4)、将此时粒子群各自变量的群体极值，作为最优迭代次数、学习速率和隐含层数代入长短时间记忆深度学习网络模型中，得到基于改进粒子群优化的长短时间记忆深度学习网络模型。

本发明与现有技术相比的优点在于：

(1)、本发明提出一种基于粒子群优化的长短时间记忆深度学习网络模型(IPSO-LSTM)，采用粒子群优化算法得到最优的长短时间记忆深度学习网络模型，解决了迭代次数、学习速率、隐含层神经元数设定存在随机性和网络过拟合问题；

(2)、本发明对通过对比多种特征参数组合下的模型预测结果，得出外骨骼膝关节康复训练的角度估计最佳LSTM模型；

(3)、本发明提出复合粒子群适应度函数优化方法，根据适应度函数调节权重系数，适应度函数考虑了两部分误差：训练集的拟合误差和验证集的验证误差，模型误差小，预测精度高；

(4)、本发明给出了一种基于sEMG信号(sEMG)信号采集、处理和特征提取的方法，通过特征分析，得到与膝关节运动关联度高的肌肉组合和相应的特征参数矩阵，预测更加准确。

附图说明

图1为本发明实施例实验流程图；

图2为本发明实施例外骨骼采集和控制***实验框图；

图3为本发明实施例膝屈伸运动相关肌肉的sEMG信号原始值；

图4为本发明实施例膝屈伸运动相关肌肉的sEMG信号滤波值；

图5为本发明实施例不同肌肉的膝关节屈伸积分值(iemg)变化曲线；

图6为本发明实施例不同肌肉的膝关节屈伸均方根(rms)变化曲线；

图7为本发明实施例不同肌肉的膝关节屈伸中值频率(mpf)变化曲线；

图8为本发明实施例不同肌肉的膝关节屈伸平均频率(mf)变化曲线；

图9为本发明实施例不同肌肉的膝关节屈伸小波系数最大值(cwt)变化曲线；

图10(a)为本发明实施例不同肌肉的膝关节屈伸特征参数的均值；

图10(b)为本发明实施例不同肌肉的膝关节屈伸特征参数的标准差；

图11为本发明实施例(IPSO-LSTM)算法流程图。

具体实施方式

以下结合附图和具体实施例对本发明进行详细说明。

外骨骼关节角度预测是人机协同控制策略的重要内容，同时关节角度预测算法的性能直接决定了外骨骼主动意图识别的精准度，因此为了使预测精度和速度满足康复训练要求，需要研究有效的预测方法来提高外骨骼机器人主动训练的性能。

如图1所示，本发明提供了一种基于sEMG信号的外骨骼关节角度预测方法，用于外骨骼机器人主动康复意图识别。该方法通过对sEMG信号信号采集、处理和特征提取，作为基于粒子群优化的长短时间记忆深度学习算法的实验数据集，预测下肢外骨骼***的膝关节角度，并通过算法优化，提升预测的精度。

上述基于sEMG信号的外骨骼关节角度预测方法包括如下步骤：

s1、初始化粒子群的种群数量、进化次数、惯性权重、个体学习因子、全局学习因子，以迭代次数、学习速率、隐含层数为粒子的自变量，设置每个自变量边界，初始化每个自变量的位置与速度，进而初始化粒子群；

s2、遍历粒子群的每个粒子，将粒子的自变量迭代次数、学习速率、隐含层数的位置值赋值给长短时间记忆深度学习网络模型中相应的参数，建立长短时间记忆深度学习网络模型；获取外骨骼关节sEMG信号多维联合特征矩阵数据集，所述外骨骼关节sEMG信号多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值，并将其分为训练样本和验证样本，利用训练样本进行长短时间记忆深度学习网络模型训练，得到训练集输出值y_t，利用验证样本进行长短时间记忆网络验证，得到训练集输出值y_v；将训练集的拟合误差和验证集的验证误差加权组合构建粒子群适应度函数，计算并存储每个粒子对应的适应度函数fit_i,i＝1～I，其中，I为粒子群的种群数量；实时计算粒子群各自变量的群体极值和每个粒子各自变量的个体极值；

所述sEMG信号多维联合特征矩阵数据集通过如下方法获取：

(2.1)、同步采集康复者与膝关节屈伸运动相关的sEMG信号和关节角度信息；

(2.2)、将集康复者与膝关节屈伸运动相关的sEMG信号进行带通滤波处理，得到sEMG信号频段内的信号数据；

(2.3)、将步骤(2.2)得到的sEMG信号频段内的信号数据进行陷波处理，滤除干扰的影响；

(2.4)、将进行滤波去噪之后的sEMG信号数据进行归一化处理，得到归一化sEMG信号数据

(2.5)、提取归一化sEMG信号的特征参数，得到sEMG信号多维联合特征矩阵数据集，所述特征参数包括积分值(iemg)、均方根(rms)、中值频率(mf)、平均频率(mpf)、小波系数最大值(cwt)中的一种、两种或者多种。

所述粒子群适应度函数为：

其中，y_t、y _{^' t}分别表示训练集输出值及其对应的实际值；y_v、y _{^' v}分别表示验证集输出值及其对应的实际值，N为训练样本数量，M为验证样本数量；W₁为训练集的拟合误差权重，W₂验证集的验证误差权重。

所述训练集的拟合误差权重W₁和验证集的验证误差权重W₂相等，均由计算公式得到：

其中，gbest代表历史群体最优位置，best_i代表第i个粒子的历史最优位置，fit代表适应度函数。

所述粒子群的群体极值为粒子群适应度函数最小值所对应的粒子的自变量的位置值。

所述每个粒子各自变量的个体极值，通过如下方法获得：将当前各自变量的位置值与进化前各自变量的位置值进行比较，取较小的值为该自变量的个体极值。

s3、根据粒子群的惯性权重、个体学习因子、全局学习因子和粒子群各自变量的群体极值和每个粒子各自变量的个体极值，更新每个粒子各自变量的位置和速度，之后，重复执行步骤s2～步骤s3，直到达到粒子群的进化次数后进入步骤s4；

所述更新每个粒子的每个自变量的位置和速度的计算公式为：

其中：V_id和X_id分别是第i个粒子第d个自变量更新后的速度，w是惯性权重，

和

分别是当前第i个粒子第d个自变量的速度，P_id表示第i个粒子第d个自变量的个体极值；P_gd表示粒子群第d个自变量的群体极值；c₁为每个粒子的个体学习因子，c₂为粒子群的群体学习因子；random(0,1)表示区间[0,1]上的随机数。

s4、将此时粒子群各自变量的群体极值，作为最优迭代次数、学习速率和隐含层数代入长短时间记忆深度学习网络模型中，得到基于粒子群优化的长短时间记忆深度学习网络模型；

s5、将预测数据输入基于粒子群优化的长短时间记忆深度学习网络模型，对预测数据进行训练，得到关节角度值预测结果。

基于上述方法，本发明还提供了一种基于sEMG信号的外骨骼关节角度预测***，该***包括sEMG信号采集***、外骨骼机器人、外骨骼控制器、上位机，其中：

sEMG信号采集***，用于通过传感器实时获取康复者与膝关节屈伸运动相关的sEMG信号，并将其发送给外骨骼控制器；

外骨骼控制器，将康复者与膝关节屈伸运动相关的sEMG信号和关节角度信息同步发送给上位机；

外骨骼机器人，支撑并帮助康复者运动，实时地将关节角度值发送给外骨骼控制器；

上位机，将获取的数据进行信号滤波降噪处理，计算sEMG信号的特征参数，得到sEMG信号多维联合特征矩阵数据集；所述特征参数包括积分值(iemg)、均方根(rms)、中值频率(mf)、平均频率(mpf)、小波系数最大值(cwt)中的一种、两种或者多种；所述多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值；根据多维联合特征矩阵数据集，采用基于粒子群优化的长短时间记忆深度学习网络模型对运动关节的角度进行预测，解算出关节屈伸过程中的运动角度。所述滤波降噪处理包括采用带通滤波器对sEMG信号的带通滤波和采用陷波滤波器对干扰信号的抑制。

为了降低参数的随机性，提升模型的预测效果，本发明提出一种复合权重粒子群优化LSTM预测模型算法，以解决LSTM模型中迭代次数、学习速率、隐含层神经元参数较难确定和网络过拟合问题，进一步改善了模型的精准度。所述基于粒子群优化的长短时间记忆深度学习网络模型通过下列方法得到：

(1)、初始化粒子群的种群数量、进化次数、惯性权重、个体学习因子、全局学习因子，以迭代次数、学习速率、隐含层数为自变量，设置每个自变量边界，初始化每个自变量的位置与速度，进而初始化粒子群；

(2)、遍历粒子群的每个粒子，将粒子的自变量迭代次数、学习速率、隐含层数的位置值赋值给长短时间记忆深度学习网络模型中相应的参数，建立长短时间记忆深度学习网络模型；获取外骨骼关节sEMG信号多维联合特征矩阵数据集，所述外骨骼关节sEMG信号多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值，并将其分为训练样本和验证样本，利用训练样本进行长短时间记忆深度学习网络模型训练，得到训练集输出值y_t，利用验证样本进行长短时间记忆网络验证，得到训练集输出值y_v；将训练集的拟合误差和验证集的验证误差加权组合构建粒子群适应度函数，计算并存储每个粒子对应的适应度函数fit_i,i＝1～I，其中，I为粒子群的种群数量；实时计算粒子群各自变量的群体极值和每个粒子各自变量的的个体极值；

(3)、根据粒子群的惯性权重、个体学习因子、全局学习因子和粒子群各自变量的群体极值和每个粒子各自变量的个体极值对粒子群进行进化处理，更新每个粒子各自变量的位置和速度，之后，重复执行步骤(2)～步骤(3)，直到达到粒子群的进化次数后进入步骤(4)；

(4)、将此时粒子群各自变量的群体极值，作为最优迭代次数、学习速率和隐含层数代入长短时间记忆深度学习网络模型中，得到基于改进粒子群优化的长短时间记忆深度学习网络模型(IPSO-LSTM)。

实施例：

如图2所示，本发明提供了一种基于sEMG信号的外骨骼关节角度预测采集实验平台。该实验平台包括sEMG信号采集***、外骨骼机器人、外骨骼控制器和上位机。该实验平台基于sEMG信号采集***和外骨骼控制器获取sEMG信号数据和关节角度数据，并将sEMG信号数据和关节角度数据传输给上位机***，上位机***对数据进行滤波及特征提取等，然后输入到IPSO-LSTM模型进行预测，得到关节角度控制信号，最后经数据传输通路传输给下位机控制器，下位机控制器将执行命令发送给康复机器人控制驱动器，从而实现下肢康复机器人***的康复训练。

1、信号采集和预处理

(1)信号采集

在下肢康复训练过程时，本实验对象为一名健康男性(身高：175cm，体重62kg)，在坐卧式外骨骼样机上进行了膝关节康复训练实验。实验采用美国Noraxon的sEMG信号采集分析***进行实验，sEMG信号采集***采用前置放大器的肌电信号采集模块，本实施例中，利用无线通信(如，蓝牙、wifi等)的肌电信号传输方法，以便受试者身上没有多余的线缆影响正常运动。

肌电信号分为两路：第一路使用Noraxon sEMG采集分析***的模拟量输出模块(Analog Output，简称AO盒)进行sEMG信号采集，通过AO盒采集到的sEMG信号信号直接发送给控制器，利用控制器在每个定时周期里同时将两类信号发送给上位机，这样保证了sEMG信号与控制器通过CAN采集到的角度值的同步。由于sEMG信号有效信号集中于50Hz-150Hz频段内，同时考虑到串口与上位机通信的速率和准确率问题，将膝关节角度的采样频率设置为33.33Hz，sEMG信号信号的采样频率设置为300Hz，是角度采样频率的9倍；第二路由sEMG采集分析器进行数据分析处理后，与Motion运动采集器采集到的关节运动角度信号同步后，传到Noraxon上位机***中进行可视化的数据采集，两路信号可以互相验证有效性。

(2)信号预处理

为得到准确的sEMG信号，需要对采集的原始信号降噪处理，以提高原始信号的信噪比，因此，采用能滤除噪声干扰的滤波方法十分必要，分析sEMG信号研究发现，sEMG信号频段约为10Hz-500Hz，有效信号集中于50Hz-150Hz频段内。实验中sEMG信号采样频率为2000Hz，因此设置的巴特沃斯带通滤波器为：通带频率范围为50-150Hz，阻带频率范围为10-500Hz。

该带通滤波器能滤除大部分的50Hz以下的低频噪声干扰，同时保留了sEMG信号的主要信息。但是由于肌电信号中有很大部分的干扰来自50Hz工频干扰，而巴特沃斯带通滤波器阻带衰减比较缓慢，因此经过该滤波器的信号可能仍含有不少的50Hz噪声干扰。有必要再经过一个50Hz的陷波滤波器进行处理。本发明采用2阶巴特沃斯滤波器设计了50Hz陷波滤波器。图3和图4分别给出了膝关节屈伸运动时，测得的股直肌、股外侧肌、半腱肌、股二头肌和腓肠肌的原始信号和滤波后的信号

2、多维特征提取

实验者在外骨骼机器人上进行膝关节屈伸运动，运动幅度约为60°～90°，一个运动周期为18s，共进行10个运动周期。从图5～图9、图10(a)和图10(b)可以看出不同肌肉的膝关节屈伸运动的特征量变化，可以看出股直肌、股外侧肌、半腱肌和腓肠肌的积分值周期性较好，股二头肌的积分值周期性相对较差。股直肌和股外侧肌为一组相位相同，半腱肌、股二头肌和腓肠肌为一组相位相同，两组相位相差180°。综合数据分析可得，针对膝关节屈曲动作，股直肌的iemg、半腱肌的rms、股外侧肌的mpf、腓肠肌的mf和股直肌的cwt结果较好。

3、IPSO-LSTM算法模型训练

人体意图识别通常包含两种类型，一种是实现离散动作的意图识别，另一种则需要针对人体不同部位的运动角度、力等连续量进行估计。本发明采用IPSO-LSTM模型对人体下肢连续运动量进行估计，解算出人体下肢膝关节屈伸过程中的运动角度。具体步骤如下：

步骤一、采用Noraxon公司的sEMG采集分析***进行sEMG信号信号采集，通过其模拟量输出模块(AO盒)采集的sEMG信号信号直接发送给外骨骼控制器，这样保证了sEMG信号信号与控制器通过CAN采集到的关节角度值同步。

步骤二、采用巴特沃斯带通滤波器对sEMG信号信号滤波，其通带频率范围为50-150Hz，阻带频率范围为10-500Hz，然后用2阶巴特沃斯滤波器设计50Hz陷波滤波器，减少了噪声干扰。

步骤三、针对多通道sEMG信号运动动作信号，从实际应用效果和低计算复杂性角度，选择提取特征参数：积分值(iemg)、均方根(rms)、中值频率(mf)、平均频率(mpf)和小波系数最大值(cwt)。通过研究发现，对于膝关节屈伸运动，选择股直肌的iemg、半腱肌的rms、股外侧肌的mpf、腓肠肌的mf和股直肌的cwt结果较好。

步骤四、为便于膝关节角度的连续估计，将采集的运动信息进行归一化处理，测试者进行了4组膝关节屈伸动作，每组9个周期，每个动作周期18s，采集5路sEMG信号信号，共4(组)×9(个周期)×5(块肌肉)×5400(每周期原始值个数)＝972000个原始数据，经过特征提取和特征选择，共有4(组)×5(块肌肉)×5(类特征值)×9(个周期)×600(每周期特征值个数)＝540000个特征数据，构成sEMG信号多维联合特征矩阵数据集。任意选择3组作为训练数据，剩下的1组作为测试数据，进行膝关节角度估计。所述归一化处理方法是

步骤五、搭建LSTM模型和IPSO-LSTM模型，通过训练sEMG信号多维联合特征矩阵数据集，构建sEMG信号信号与运动关节的角度映射关系，解算出人体下肢膝关节屈伸过程中的运动角度。提出应用粒子群算法解决LSTM模型中迭代次数、学习速率和隐含层神经元数设定存在随机性的问题。

粒子群算法(Particle Swarm Optimization,PSO Particle SwarmOptimization,PSO)属于进化算法的一种，和模拟退火相似，也是从随机解出发，通过迭代寻找最优解，也是通过适应度来评价解的品质，比遗传算法规则更为简单，没有遗传算法的“交叉”和“变异”操作，通过追随当前搜索到的最优值来寻找全局最优。实现容易，精度高，收敛快。PSO在对动物集群活动行为观察基础上，利用群体中得到个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。

PSO中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子门就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，个体极值P_id。另一个就是整个种群目前找到的最优解，全局极值P_gd。也可以不用整个集群而只是用其中一部分最为粒子的邻居，那么在所有邻居中的极值就是局部极值。在找到这两个最优值时，粒子根据如下的公式更新自己的速度和新的位置如下所示。

V_id＝w·V_id+c₁·random(0,1)·(P_id-X_id)+c₂·random(0,1)·(P_gd-X_id)

X_id＝X_id+V_id

V_id是粒子的速度，w是惯性权重，X_id是当前粒子的位置，P_id表示第i个变量的个体极值的第d维，P_gd表示全局最优解的第d维，本实施例中，d＝1～3，C₁和C₂为学习因子，前者为每个粒子的个体学习因子，后者为每个粒子的学习因子。random(0,1)表示区间[0,1]上的随机数。在每一维粒子的速度都会被限制在一个最大速度V_max，如果某一维更新后的速度超过设定的V_max，那么这一维度的速度被限定为V_max。

本文提出一种基于粒子适应值的自适应惯性权重粒子群算法，通过每个粒子的历史最优适应度值和群体历史最优适应度值的比值，定义了自适应惯性权重，如下公式所示：

其中，gbest代表历史群体最优位置，best_i代表第i个粒子的历史最优位置，fit代表适应度函数。

IPSO-LSTM算法的流程如图11所示，具体步骤如下：

步骤5.1：将36个周期的sEMG信号和关节角度数据进行归一化处理并分割，按照分配的基本原则，本文选择比例约为7:1:1，在总数据集中随机选择28个周期数据作为训练集、4个周期作为验证集和4个周期作为测试集；

步骤5.2：初始化粒子群的种群数量、进化次数和学习因子，设置迭代次数、学习速率和隐含层数边界，初始化粒子的位置与速度，随机生成一个粒子X_i,o(h,ε,n)，h代表隐含层数，ε代表学习速率，n代表迭代次数；本实施例中，迭代次数取值范围为0-1000，学习速率取值范围为0.0005-0.1，隐含层数取值范围为1-1000。

步骤5.3：将LSTM网络误差作为适应度函数，利用X_i,o对LSTM模型进行参数赋值，应用训练集对模型进行训练，达到迭代次数限制后得到训练集输出值y_t和验证集输出值y_v，得到适应度函数fit_i：

式中：y_t、y′_t分别表示训练集输出值及其对应的实际值；y_v、y′_v分别表示验证集输出值及其对应的实际值。上述适应度函数包含了两部分误差：训练集的拟合误差和验证集的验证误差。本发明将二者的权重值均由计算公式得到：

其中，gbest代表历史群体最优位置，best_i代表第i个粒子的历史最优位置，fit代表适应度函数。

步骤5.4：针对每个粒子计算其位置X_i和适应度值fit_i，根据初始粒子的fit_i值计算个体和群体极值，保留每个粒子的最优位置；

步骤5.5：根据个体极值和全局极值更新粒子自身的位置和速度，进行多次迭代；计算更新的粒子fit_i值，同时根据新种群粒子fit_i值更新权重系数和粒子个体与群体极值。

步骤5.6：判断满足PSO算法最大迭代次数后，得到最优迭代次数、学习速率和隐含层数，得到最优PSO-LSTM模型。

上述过程中，可以随机选择几组特征参数(积分值、标准差、平均功率频率、中值频率和小波系数最大值)组合作为训练集进行IPSO-LSTM模型训练，通过对比不同时频特征组合下模型的预测误差，确定IPSO-LSTM模型的性能好坏(平均误差最小的特征参数组对应的模型最优)，将得到的最优IPSO-LSTM模型，应用在实时控制***中进行实验验证。

本实施例中，其中一组特征值组合为半腱肌的均方根、腓肠肌的中值频率和股直肌的小波系数最大值，通过粒子群算法得出最优的迭代次数为750，学习速率为0.0029，隐含层神经元数为707。

步骤六、将预测数据输入PSO-LSTM模型，对测试数据进行训练，得到输出关节角度预测结果。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (11)

1.一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于包括如下步骤：

s1、初始化粒子群的种群数量、进化次数、惯性权重、个体学习因子、全局学习因子，以迭代次数、学习速率、隐含层数为粒子的自变量，设置每个自变量边界，初始化每个自变量的位置与速度，进而初始化粒子群；

s2、遍历粒子群的每个sEMG信号粒子，将粒子的自变量迭代次数、学习速率、隐含层数的位置值赋值给长短时间记忆深度学习网络模型中相应的参数，建立长短时间记忆深度学习网络模型；获取外骨骼关节sEMG信号多维联合特征矩阵数据集，所述外骨骼关节sEMG信号多维联合特征矩阵数据集为外骨骼关节sEMG信号的特征参数，并将其分为训练样本和验证样本，利用训练样本进行长短时间记忆深度学习网络模型训练，得到训练集输出值y_t，利用验证样本进行长短时间记忆网络验证，得到训练集输出值y_v；将训练集的拟合误差和验证集的验证误差加权组合构建粒子群适应度函数，计算并存储每个粒子对应的适应度函数fit_i,i＝1～I，其中，I为粒子群的种群数量；实时计算粒子群各自变量的群体极值和每个粒子各自变量的个体极值；

s3、根据粒子群的惯性权重、个体学习因子、全局学习因子和粒子群各自变量的群体极值和每个粒子各自变量的个体极值，更新每个粒子各自变量的位置和速度，之后，重复执行步骤s2～步骤s3，直到达到粒子群的进化次数后进入步骤s4；

s4、将此时粒子群各自变量的群体极值，作为最优迭代次数、学习速率和隐含层数代入长短时间记忆深度学习网络模型中，得到基于粒子群优化的长短时间记忆深度学习网络模型；

s5、将预测数据输入基于粒子群优化的长短时间记忆深度学习网络模型，对预测数据进行训练，得到关节角度值预测结果。

2.根据权利要求1所述的一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于所述粒子群适应度函数为：

其中，y_t、y′_t分别表示训练集输出值及其对应的实际值；y_v、y′_v分别表示验证集输出值及其对应的实际值，N为训练样本数量，M为验证样本数量；W₁为训练集的拟合误差权重，W₂验证集的验证误差权重。

3.根据权利要求2所述的一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于所述训练集的拟合误差权重W₁和验证集的验证误差权重W₂相等，均由计算公式得到：

其中，gbest代表历史群体最优位置，best_i代表第i个粒子的历史最优位置，fit代表适应度函数。

4.根据权利要求1所述的一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于所述更新每个粒子的每个自变量的位置和速度的计算公式为：

其中：V_id和X_id分别是第i个粒子第d个自变量更新后的速度，w是惯性权重，

和

分别是当前第i个粒子第d个自变量的速度，P_id表示第i个粒子第d个自变量的个体极值；P_gd表示粒子群第d个自变量的群体极值；c₁为每个粒子的个体学习因子，c₂为粒子群的群体学习因子；random(0,1)表示区间[0,1]上的随机数。

5.根据权利要求1所述的一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于粒子群的群体极值为粒子群适应度函数最小值所对应的粒子的自变量的位置值。

6.根据权利要求1所述的一种基于sEMG信号的外骨骼关节角度预测方法，其特征在于所述每个粒子各自变量的个体极值，通过如下方法获得：将当前各自变量的位置值与进化前各自变量的位置值进行比较，取较小的值为该自变量的个体极值。

7.根据权利要求1所述的一种基于sEMG信号的外骨骼关节角度预测方法，所述sEMG信号多维联合特征矩阵数据集通过如下方法获取：

(2.1)、同步采集者与膝关节屈伸运动相关的sEMG信号和关节角度信息；

(2.2)、将集者与膝关节屈伸运动相关的sEMG信号进行带通滤波处理，得到sEMG信号频段内的信号数据；

(2.3)、将步骤(2.2)得到的sEMG信号频段内的信号数据进行陷波处理，滤除干扰的影响；

(2.4)、将进行滤波去噪之后的sEMG信号数据进行归一化处理，得到归一化sEMG信号数据

(2.5)、提取归一化sEMG信号的特征参数，得到sEMG信号多维联合特征矩阵数据集，所述特征参数包括积分值iemg、均方根rms、中值频率mf、平均频率mpf、小波系数最大值cwt中的一种、两种或者多种。

8.一种基于sEMG信号的外骨骼关节角度预测***，其特征在于包括sEMG信号采集***、外骨骼机器人、外骨骼控制器、上位机；其中：

sEMG信号采集***，用于通过传感器实时获取者与膝关节屈伸运动相关的sEMG信号，并将其发送给外骨骼控制器；

外骨骼控制器，将者与膝关节屈伸运动相关的sEMG信号和关节角度信息同步发送给上位机；

外骨骼机器人，支撑并帮助者运动，实时地将关节角度值发送给外骨骼控制器；

上位机，将获取的数据进行信号滤波降噪处理，计算sEMG信号的特征参数，得到sEMG信号多维联合特征矩阵数据集，所述多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值；根据多维联合特征矩阵数据集，采用基于粒子群优化的长短时间记忆深度学习网络模型对运动关节的角度进行预测，解算出关节屈伸过程中的运动角度。

9.根据权利要求8所述的一种基于sEMG信号的外骨骼关节角度预测***，其特征在于所述滤波降噪处理包括采用带通滤波器对sEMG信号的带通滤波和采用陷波滤波器对干扰信号的抑制。

10.根据权利要求8所述的一种基于sEMG信号的外骨骼关节角度预测***，其特征在于所述特征参数包括积分值iemg、均方根rms、中值频率mf、平均频率mpf、小波系数最大值cwt中的一种、两种或者多种。

11.根据权利要求8所述的一种基于sEMG信号的外骨骼关节角度预测***，其特征在于所述基于粒子群优化的长短时间记忆深度学习网络模型通过下列方法得到：

(1)、初始化粒子群的种群数量、进化次数、惯性权重、个体学习因子、全局学习因子，以迭代次数、学习速率、隐含层数为自变量，设置每个自变量边界，初始化每个自变量的位置与速度，进而初始化粒子群；

(2)、遍历粒子群的每个粒子，将粒子的自变量迭代次数、学习速率、隐含层数的位置值赋值给长短时间记忆深度学习网络模型中相应的参数，建立长短时间记忆深度学习网络模型；获取外骨骼关节sEMG信号多维联合特征矩阵数据集，所述外骨骼关节sEMG信号多维联合特征矩阵数据集包括外骨骼关节sEMG信号的特征参数和关节角度值，并将其分为训练样本和验证样本，利用训练样本进行长短时间记忆深度学习网络模型训练，得到训练集输出值y_t，利用验证样本进行长短时间记忆网络验证，得到训练集输出值y_v；将训练集的拟合误差和验证集的验证误差加权组合构建粒子群适应度函数，计算并存储每个粒子对应的适应度函数fit_i,i＝1～I，其中，I为粒子群的种群数量；实时计算粒子群各自变量的群体极值和每个粒子各自变量的的个体极值；

(3)、根据粒子群的惯性权重、个体学习因子、全局学习因子和粒子群各自变量的群体极值和每个粒子各自变量的个体极值对粒子群进行进化处理，更新每个粒子各自变量的位置和速度，之后，重复执行步骤(2)～步骤(3)，直到达到粒子群的进化次数后进入步骤(4)；

(4)、将此时粒子群各自变量的群体极值，作为最优迭代次数、学习速率和隐含层数代入长短时间记忆深度学习网络模型中，得到基于改进粒子群优化的长短时间记忆深度学习网络模型。

Images