[发明专利]一种基于平滑约束非负矩阵分解的肌肉协同提取方法

说明书

本发明公开了一种基于平滑约束非负矩阵分解的肌肉协同提取方法，依次包括在人体运动过程中采集多块肌肉的肌电数据，得到多通道肌电数据矩阵D(n*m)，然后采用平滑约束非负矩阵分解从肌电数据矩阵D(n*m)中提取肌肉协同，本发明通过添加平滑约束改善非负矩阵分解肌肉协同提取优化过程中目标函数的非凸性，避免迭代陷入局部最优，提高肌肉协同提取的稳定性。

技术领域

本发明涉及生物信号处理技术与传感器技术领域，具体为一种基于平滑约束非负矩阵分解的肌肉协同提取方法。

背景技术

中枢神经系统如何控制身体的肌肉骨骼系统来完成日常各种复杂的肢体动作一直是众多学者研究的焦点和热点；肌肉协同理论能够较好地解释中枢神经系统对于肌肉骨骼系统的控制机制；一个肌肉协同是由多块不同激活强度的肌肉组成，而一个肌肉可在多个肌肉协同中存在激活，人体的各种复杂肢体动作能够通过少数几个肌肉协同在时域上的叠加表示，因此，肌肉协同是一种潜在的人体运动能力评估方法；尤其是脑卒中、脑瘫、脊髓损伤等患者的运动能力评估方面，具有光明的应用前景。

目前，肌肉协同主要通过矩阵分解算法分析多通道肌电数据取得；非负矩阵分解是应用最为广泛的肌肉协同提取方法，该方法首先随机产生初始协同和激活矩阵，并由重构矩阵与原始数据矩阵的残差构建目标函数，最后通过迭代优化的方式不断缩小重构矩阵与原始数据之间的残差，直到达到收敛条件停止迭代，实现肌肉协同模式的提取；非负矩阵分解具有原理简单、容易实现、分解非负性的优点，但是该方法解具有非唯一性，且目标函数具有非凸性，在迭代优化过程中容易陷入局部最优，重复性有待提高。

发明内容

本发明的目的在于提供一种基于平滑约束非负矩阵分解的肌肉协同题图方法，以解决上述背景技术中提出的传统的肌肉协同提取方法的稳定性和重复性有待提高的问题。

为实现上述目的，本发明提供如下技术方案，一种基于平滑约束非负矩阵分解的肌肉协同提取方法，包括如下步骤：

S1.人体运动过程中采集多块肌肉的肌电数据，得到多通道肌电数据矩阵D(n*m)，n为肌电数据的通道数，m为肌电数据的变量数；

S2.采用平滑约束非负矩阵分解从肌电数据矩阵D(n*m)中提取肌肉协同。

优选的，所述S2中肌肉协同的具体包括：

S21.初始化协同数k；

S22.随机产生初始化矩阵C(n*k)和S(k*m)；

S23.迭代更新S

迭代更新C

S24.迭代收敛判断

若Q大于0.01％以及l+1小于1000，则返回S23重新迭代矩阵C(n*k)和S(k*m)，并计算Q；

若Q小于0.01％或者l+1大于1000，则进入S25；

其中l+1为迭代次数；

S25.在协同数k下利用平滑约束非负矩阵分解对肌电数据矩阵D(n*m)进行重构进度判断；

重构精度公式：

若VAF≤80％，则k＝k+1，然后返回S22进入迭代；

若VAF＞80％，则当前协同数k下的矩阵C(n*k)和S(k*m)为最终要提取的肌肉协同。

与现有技术相比，本发明的有益效果是：本发明通过添加平滑约束非负矩阵分解改善肌肉协同提取优化过程中目标函数的非凸性，避免迭代陷入局部最优，提高肌肉协同提取的稳定性。