[发明专利]基于人工神经网络智能预测人体关节力矩的方法

说明书

本发明涉及一种基于人工神经网络智能预测人体关节力矩的方法，包括以下步骤：步骤S1:采集待测人体关节多自由度角度数据和肌电信号数据；步骤S2:将得到的多自由度角度数据和肌电信号数据进行去噪处理，并进行归一化处理；步骤S3：将归一化后的多自由度角度数据和肌电信号数据作为弹性网络的输入,训练弹性网络,在弹性网络学习过程中根据输入变量系数的零数统计值筛选出与输出相关的变量，得到稀疏化后的变量数据；步骤S4：构建一人工神经网络；步骤S5:将稀疏化后的变量数据作为人工神经网络的输入，得到待测人体关节力矩。本发明可为运动康复过程中实时步态分析和外骨骼机器人控制的研究提供依据。

技术领域

本发明涉及一种基于人工神经网络智能预测人体关节力矩的方法。

背景技术

人体关节力矩是生物力学中一个非常重要的参数，但现有的关节力矩预测方法往往需要输入人体的运动学和动力学数据，而这些数据的测量极其复杂，所需设备也非常昂贵，没法在无约束的环境中使用。于是人们开始研究基于人工神经网络的关节力矩预测方法，通过输入一些比较容易测量的数据来获取关节力矩，这样便可以降低其测量的复杂度和测量成本，使关节力矩能快速方便地测量出来。但是目前基于人工神经网络的预测方法也存在一些弊端，即需要输入的变量很多，预测过程还是比较复杂，必须在特定的实验环境中进行测量。所以如何优化神经网络的输入变量，是当前研究的关键问题，也是在日常环境中预测实时关节力矩的必要条件。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工神经网络智能预测人体关节力矩的方法，能够在日常条件下获取实时关节力矩，可为运动康复过程中实时步态分析和外骨骼机器人控制的研究提供依据。

为实现上述目的，本发明采用如下技术方案：

一种基于人工神经网络智能预测人体关节力矩的方法，其特征在于，包括以下步骤：

步骤S1:采集待测人体关节多自由度角度数据和肌电信号数据；

步骤S2:将得到的多自由度角度数据和肌电信号数据进行去噪处理，并进行归一化处理；

步骤S3：将归一化后的多自由度角度数据和肌电信号数据作为弹性网络的输入,训练弹性网络,在弹性网络学习过程中根据输入变量系数的零数统计值筛选出与输出相关的变量，得到稀疏化后的变量数据；步骤S4：构建一人工神经网络；

步骤S5:将稀疏化后的变量数据作为人工神经网络的输入，得到待测人体关节力矩。

进一步的，所述弹性网络具体为：

（1）

式中X为输入变量，y为输出变量，β为输入变量系数;

弹性网络在学习过程中将与输出无关的变量系数减小到零,而变量是否与输出相关，取决于输入变量系数的零数的统计值，其表达式如下所示：

（2）

式中为第i个受试者第m个输入变量的输入变量系数，为第m个输入变量的输入变量系数。

进一步的，所述人工神经网络为三层网络结构，包括一个隐藏层，M个隐藏神经元。

本发明与现有技术相比具有以下有益效果：

本发明能够在日常条件下获取实时关节力矩，可为运动康复过程中实时步态分析和外骨骼机器人控制的研究提供依据。

附图说明

图1是本发明方法流程图;

图2是本发明一实施例中人工神经网络结构图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。