[发明专利]一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法

权利要求书

1.一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法，其特征在于，包括以下步骤：

S1，采集受试者的MMG信号和对应的肌力信号；

S2，对所采集的MMG信号和肌力信号分别进行滤波处理；

S3，对滤波处理后的MMG信号进行特征提取，提取MMG信号特征；将MMG信号特征和与该MMG信号相对应的肌力信号即标签，作为样本数据；获取一定数量的样本数据，生成样本集；

S4，构建肌力估计模型，肌力估计模型的输入为MMG信号特征，输出为肌力估计值；将样本集划分为训练集和测试集，利用训练集对估计模型进行训练，构建肌力估计模型；

S5，利用测试集在肌力估计模型中得到的肌力估计结果，对肌力估计模型进行性能评价。

2.根据权利要求1所述的一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法，其特征在于，步骤S1中，利用三个加速度传感器分别采集股直肌、股外侧肌和股内侧肌处的MMG信号，获取三通道MMG信号；利用力传感器采集小腿处的肌力信号；

在步骤S3中，将肌力信号与肌力信号所对应的三通道MMG信号特征合并，作为样本数据。

3.根据权利要求1或2所述的一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法，其特征在于，步骤S2中，采用四阶Butterworth滤波器对所采集的MMG信号进行带通滤波，得到频率为5～100Hz的MMG信号；采用三阶Butterworth滤波器对所采集的肌力信号进行低通滤波，得到频率在2Hz以下的肌力信号；

选取稳定的肌力信号片段和与该稳定的肌力信号片段相对应的MMG信号片段；稳定的肌力信号片段是指：波动范围小于设定波动阈值的肌力信号片段；

在步骤S3中，对所选择的与该稳定的肌力信号片段相对应的MMG信号片段进行特征提取，将该稳定的肌力信号片段和与该稳定的肌力信号片段相对应的MMG信号特征作为样本数据。

4.根据权利要求1或2所述的一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法，其特征在于，以最大自主收缩力MVC为准，将肌力大小分为8个等级，分别为10％MVC、20％MVC、30％MVC、40％MVC、50％MVC、60％MVC、70％MVC、80％MVC；

在步骤S3中，针对8个不同等级的肌力信号，分别进行MMG信号和肌力信号采集，分别对8个不同等级的肌力信号所对应的MMG信号进行特征提取，用于构建样本集。

5.根据权利要求1或2所述的一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法，其特征在于，步骤S3中，采用滑动窗口进行MMG信号特征的提取，对每个窗口内的MMG信号提取如下特征：

选取MMG信号的均方根、峭度、标准差、斜率符号变化、平均绝对值、过零率、波形长度作为时域特征；

选取MMG信号的平均频率和中值频率作为频域特征；

MMG信号经过三层小波包分解，计算小波包能量和每个频段的能量，并将小波包能量和每个频段的能量作为时频域特征；

选取MMG信号的复杂度、样本熵、近似熵、模糊熵、分布熵、盒数分维数、最大Lyapunov指数作为非线性动力学特征。