[发明专利]一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法

说明书

本发明公开了一种基于GRA‑ICS‑SVR模型和MMG信号的肌力估计方法，将肌力大小分为8个等级，分别采集各个肌力等级下的三通道MMG信号和对应等级下肌力信号，选取稳定的肌力信号片段相对应的MMG信号片段，从时域、频域、时频域和非线性动力学特征中提取MMG信号特征，采用GRA方法从MMG信号特征中筛选出有效特征，构建样本数据；采用SVR模型进行肌力估计，并利用改进的布谷鸟搜索算法即ICS算法，对SVR模型的关键参数进行优化，寻找SVR模型关键参数的最优解，建立基于ICS‑SVR的肌力估计模型，本发明能够实现精度更高的肌力估计。

技术领域

本发明涉及膝关节伸展力估计技术领域，尤其是一种基于GRA-ICS-SVR模型和MMG信号的肌力估计方法。

背景技术

骨骼肌作为人体运动系统的动力部分，在神经系统的支配下，与骨骼、关节一起完成站、坐、行、跳等基本的肢体行为，以及更复杂的动作。虽然这些行为没有直接影响到人们的生存，但是它们直接关系到人类独立自主的生活能力。肌肉、骨骼和关节方面的运动障碍，对人体的自由行动能力造成了严重的影响，为了帮助这些行动受限人群重新获得独立生活的能力，康复辅助设备受到了越来越多重视。

一些结构化环境中的康复辅助设备虽然能够通过传感器或者设备本身的机械原理来获得肢体运动过程中的动力学信息，实现简单重复的任务，然后在非结构化环境中的康复装置，需引入力感知来增加灵巧的交互能力。然而，目前的康复设备进行力控制和交互能力远远落后于预期效果，而且不能反映使用者的运动意图，更不能使康复辅助设备获得灵活性和柔顺性运行。因此，人体肢体发力应该被准确的预测和估计，以帮助康复辅助设备和助力设备提高自然性和灵活性，及时响应，适当协助使用者，使得使用者获得有效的和舒适的训练。

在人体康复训练和辅助助力中下肢膝关节是目前广泛关注对象之一，它决定人体行走、跳跃等运动。膝关节运动是完成下肢动作的重要组成部分，而膝关节发力是完成下肢动作和对外界环境交互起到至关重要的作用。膝关节发力是用于推断膝关节结构负荷的生物力学量度，及时准确估计下肢的发力信息是下肢康复辅助设备输出功率和力信息的关键，也是使下肢膝关节控制设备更加柔顺性和灵活性的关键。

然而，神经信息的复杂性、神经信号与人体运动意图之间的时变和非线性映射给意图解码和后续的人机交互带来了挑战。目前相对传统测量肌力方法，人体表面生物信号便于测量，测量过程中对人体没有损伤。所以，基于人体表面生物信号估计肌力越来越受到研究人员的关注。人体表面生物信号，如肌电信号(sEMG)或肌音信号(MMG)。由于肌电信号(sEMG)特征与肌力呈现出非线性复杂的关系，近年来，学者们开始采用神经网络模型、支持向量机等方法，探究利用肌电信号(sEMG)估计或预测人体动力学参数。但是，肌电信号(sEMG)测试时，肌电传感器不仅需要低噪声环境，而且还要皮肤表面处理和合适放置位置等条件。这些条件的影响，往往导致实际测试信号不稳定，不仅给实际应用带来困难，而且限制了实际的应用。

相关研究表明，肌肉活动时不仅会伴随有sEMG信号的产生，同时还会产生MMG信号即肌音信号。MMG信号是由肌肉收缩时肌肉纤维的机械振动产生的。研究表明，MMG信号可以提供反映肌肉活动特征的招募运动单位数量和发射率的信息。肌音信号(MMG)同肌电信号(sEMG)类似，也包含大量肌肉活动状态、运动模式和运动意图等丰富的信息。目前，用于测试肌音信号的传感器种类较多，传感器放置的位置不需要很精确，可以放置在衣服纸上进行测试，另外，肌音信号是机械信号，不受出汗引起皮肤阻抗变化的影响。但由于肌音信号具有信号弱、频率低、随机性强等特点，这也给我们解码肌音信号和利用肌音信号进行估计和预测肌力带来挑战。利用MMG信号进行肌力估计，需要解决两个关键问题，一是有效提取能够反映肌肉活动的特征，二是构建合适的肌力估计的模型进行肌力估计。