本发明属于模式识别领域，涉及一种肌电和肌音信号模式识别方法，特别涉及一种基于肌电肌音状态空间模型和无迹粒子滤波的多关节同步连续运动估计方法。
背景技术：
表面肌电(surfaceelectromyography,semg)信号是人机交互中常用的输入信号源。semg是肌肉细胞在神经激活时产生的一种微弱动作电位，可以通过表面电极从浅层肌肉中检测到。semg含有丰富的信息，具有采集简单、无创伤的特点，目前已成为人机交互领域的一个研究热点，具有重要的研究价值。目前关于semg的研究通常注重于对人体运动意图的识别，包括离散动作和连续运动。其中关于离散行动分类的研究比较成熟，而对人体关节运动的连续估计，尤其是对多关节连续同步运动的估计是一个难点问题。在康复医疗机器人领域，估计患者的连续运动变量是实现康复机器人平滑控制的关键。但是semg容易受到汗液和皮肤阻抗变化的干扰，从而影响控制精度。
肌音(mechanomyography，mmg)信号是肌肉收缩时产生的机械或力学振动，它以低频振动的形式反映肌肉活动。与semg相比，mmg不受汗液和皮肤阻抗变化的影响。mmg可以应用于人体运动意图识别，如假肢控制和手部运动分析。然而，mmg信号的信噪比远低于semg信号，且运动伪影引起的外界噪声也会给mmg测量带来干扰。因此，结合semg和mmg的优点共同进行人体运动意图的识别，对提高多关节同步连续运动估计的准确率具有重要意义。
关节连续运动的估计方法主要分为两种，一种是提取semg或mmg的特征，然后通过神经网络建立semg与关节连续运动的回归模型；另一种是通过生理肌肉模型，比如希尔肌肉模型(hill-basedmusclemodel，hmm)来估计关节连续运动。但hmm的使用存在两个问题，一是hmm涉及许多复杂的生理参数，难以识别且计算量大；二是在hmm中，运动状态是由semg识别的力矩间接计算出来的，会带来累积误差，降低估计精度。
本发明将hmm与关节运动学相结合，并对模型参数进行简化替代，同时提取semg和mmg信号的威尔逊幅值和模糊熵特征建立反馈方程来减小模型的系统误差和外部干扰，得出一种用于多关节同步连续运动估计的肌电肌音状态空间模型，并最终通过无迹粒子滤波算法对人体多关节同步连续运动进行了估计。
技术实现要素：
本发明针对现有技术的不足，提出了一种用于人体多关节同步连续运动估计的肌电肌音状态空间模型和无迹粒子滤波方法，首先采集人体上肢肩关节和肘关节在同步连续运动状态下肱二头肌、肱三头肌、肱桡肌、斜方肌、小圆肌、前三角肌、侧三角肌和胸大肌的semg和mmg信号，分别对其进行带通滤波处理；然后提取semg和mmg信号的威尔逊幅值和模糊熵特征；通过参数替代和化简将生理肌肉模型和关节运动学相结合组成关节运动模型，并将提取到的特征组成测量方程作为关节运动模型的反馈，得到肌电肌音状态空间模型；最终通过无迹粒子滤波算法对肩关节和肘关节的同步连续运动进行估计。
为了实现以上目的，本发明方法主要包括以下步骤：
步骤一，采集多关节同步连续运动时相关肌肉的肌电信号和肌音信号，即通过肌电信号采集仪采集肌肉的肌电信号，通过加速度传感器采集肌肉的肌电音号，然后采用带通滤波的方法对原始的肌电和肌音信号进行预处理；
步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：
fmt是肌腱力，fa(l)是主动力-肌腱关系，fv(v)是主动力-速度关系，，fp(l)是被动力-肌腱关系，
将化简后的肌肉模型与关节运动学相结合得到关节角加速度
si(i＝1,2,...,5)是替代参数，均为常数，θ是关节角。
得出肌电肌音状态空间模型在离散时间下的表达式如下：
ts是采样时间，
步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征组成测量方程作为状态反馈。然后将肌电肌音特征按下式与关节运动拟合：
肌电肌音状态空间模型的最终表达式如下：
步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对膝关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数。
mk是时刻k的状态变量，nk是时刻k的测量值，
然后计算每个粒子的重要性权值
p是后验密度函数，
最终输出估计的结果：
步骤五，令k＝k 1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计。
本发明设计的基于肌电肌音模型和无迹粒子滤波的关节运动估计方法，具有如下特点：
本发明建立的用于人体上肢肩关节和肘关节同步连续运动估计的肌电肌音状态空间模型和无迹粒子滤波方法，通过参数替代和化简将希尔肌肉模型和关节运动学相结合，使其能通过人体生物信号直接估计肩关节和肘关节的同步连续运动，减小了累积误差；同时采集运动时对应肌肉的肌电信号和肌音信号，精度和抗干扰能力强；提取肌电和肌音信号的威尔逊幅值和模糊熵特征建立测量方程作为状态反馈，减小了系统误差和外部干扰；使用无迹粒子滤波算法估计关节运动，精度高，稳定性和实时性好。该方法与传统的多关节同步连续运动估计方法相比，在预测精度方面有了明显的提高。
附图说明
图1为本发明的实施流程图；
图2为本发明采集的肌电信号及其特征；
图3为本发明采集的肌音信号及其特征；
图4为使用本发明的预测模型对肩、肘关节单独运动的估计结果图；
图5为使用本发明的预测模型对肩、肘关节同步运动的估计结果图。
具体实施方式
如图1所示，本实施例包括如下步骤：
步骤一，采集人体上肢肩关节和肘关节同步连续运动时相关肌肉的肌电信号和肌音信号，具体是：十名志愿者分别在有负重和无负重情况下进肘关节和肩关节屈伸运动，每轮动作周期约为10秒，通过肌电信号采集仪和加速度传感器分别采集关节运动时相关肌肉的肌电和肌音信号，采集肌肉分别是肱二头肌、肱三头肌、肱桡肌、斜方肌、小圆肌、前三角肌、侧三角肌和胸大肌，然后采用带通滤波方法进行预处理。
步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：
fmt是肌腱力，fa(l)是主动力-肌腱关系，fv(v)是主动力-速度关系，fp(l)是被动力-肌腱关系，
将化简后的肌肉模型与关节运动学相结合得到关节角加速度
si(i＝1,2,...,5)是替代参数，均为常数，θ是关节角。
得出肌电肌音状态空间模型在离散时间下的表达式如下：
ts是采样时间，
步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征，如图2和图3所示，组成测量方程作为状态反馈。然后将肌电肌音特征按下式与关节运动拟合：
肌电肌音状态空间模型的最终表达式如下：
步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数。
mk是时刻k的状态变量，nk是时刻k的测量值，
然后计算每个粒子的重要性权值
p是后验密度函数，
最终输出估计的结果：
步骤五，令k＝k 1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计，结果如表1、图4和图5所示。
表1肩、肘关节单独及同步运动估计(rmse，均方根误差；cc，相关系数)
1.基于肌电肌音模型和无迹粒子滤波的关节运动估计方法，其特征在于，该方法包括如下步骤：
步骤一，采集多关节同步连续运动时相关肌肉的肌电信号和肌音信号，即通过肌电信号采集仪采集肌肉的肌电信号，通过加速度传感器采集肌肉的肌电音号，然后采用带通滤波的方法对原始的肌电和肌音信号进行预处理；
步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：
fmt是肌腱力，fa(l)是主动力-肌腱关系，fv(v)是主动力-速度关系，fp(l)是被动力-肌腱关系，
将化简后的肌肉模型与关节运动学相结合得到关节角加速度
si是替代参数，均为常数，θ是关节角，i＝1,2,...,5；
得出肌电肌音状态空间模型在离散时间下的表达式如下：
ts是采样时间，
步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征组成测量方程作为状态反馈；然后将肌电肌音特征按下式与关节运动拟合：
肌电肌音状态空间模型的最终表达式如下：
步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数；
mk是时刻k的状态变量，nk是时刻k的测量值，
然后计算每个粒子的重要性权值
p是后验密度函数，
最终输出估计的结果：
步骤五，令k＝k 1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计。
技术总结