[发明专利]基于疲劳分析的肌力估计方法

权利要求书

1.一种基于疲劳分析的肌力估计方法，其特征在于，包括以下步骤：

S1：对于K个样本对象，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号，按照预设方法进行预处理后，得到预处理后的表面肌电信号x_k(i)与肌力信号y_k(i)，其中i＝1,...,N，N表示信号长度；

S2：采用长度为L_win、滑动步长为Δ的滑动窗口在表面肌电信号x_k(i)进行滑动提取信号段，计算每个信号段的平均瞬时能量，第j个信号段的平均瞬时能量E_k(j)的计算公式如下：

其中，j＝1,2,…,N_part，N_part表示划分得到的信号段数量；

设置能量阈值当且则将第j+1个信号段的起点作为活动段的起点，当且则将第j个信号段的终点作为活动段的终点，其余情况则不作任何操作，从而得到表面肌电信号x_k(i)的活动段划分；

记表面肌电信号x_k(i)所得到的活动段数量为D_k，第d个活动段表示为分别表示表面肌电信号x_k(i)第d个活动段的起点和终点的原始采样点序号，d＝1,2,…,D_k；

S3：根据实际需要设置表面肌电信号中与疲劳相关的G个特征，然后对于每个表面肌电信号x_k(i)分别提取每个活动段的G个特征f_k,d,g，g＝1,2,…,G；

S4：根据活动段划分对每个表面肌电信号x_k(i)分别构建其G个疲劳特征信号F_k,g(i)，即当采样点则第g个特征对应的疲劳特征信号F_k,g(i)＝f_k,d,g，否则F_k,g(i)＝0；

S5：构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号x_k(i)和对应的疲劳特征信号作为多输出LVN网络的输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；LVN网络采用基于连续域蚁群训练算法的训练方法，包括以下步骤：

S5.1：初始化LVN网络参数；

S5.2：设置连续域蚁群算法的相关参数，包括解档案SOL中的解组合数量A，每次循环生成新的解组合数量B，计算A个解的选择概率p_a，计算公式如下：

β_a表示每个解组合的权重，其计算公式如下：

其中，γ表示预设的调整参数；

S5.3：初始化解档案SOL：令解组合为LVN网络的参数组合，首先生成A个初始解组合，然后基于每个解组合配置LVN网络，将训练样本输入LVN网络得到估计肌力信号，结合期望肌力信号根据代价函数计算公式计算得到代价函数值；

S5.4：令迭代次数τ＝1；

S5.5：在[0,1]随机生成一个抽样值，如果抽样值小于预设阈值，则进入步骤S5.6，否则进入步骤S5.7；

S5.6：将当前解档案SOL中的A个解组合按照代价函数值从小到大进行排序，根据排序确定每个解组合的选择概率p_a；然后在[0,1]随机生成B个抽样值，对于每个抽样值，判断其所落入的解组合对应的累计选择概率区间，将对应的解组合作为指导解组合；分别根据每个指导解组合生成一个新解组合，具体方法如下：

对于LVN网络的各个待估计参数，将指导解组合中该待估计参数的值作为均值μ，然后采用如下公式计算得到标准差σ：

其中，SOL_a表示当前解档案SOL中的第a个解组合中该待估计参数的值，ξ表示预设的遗忘因子；

对均值为μ和标准差为σ的高斯分布进行采样得到新解中该待估计参数的值，从而生成1个新解组合；

对于生成的B个新解组合，基于每个新解组合配置LVN网络，将训练样本输入LVN网络得到估计肌力信号，结合期望肌力信号根据代价函数计算公式计算得到每个新解组合的代价函数值；

S5.7：将当前解档案SOL中的A个解组合依次作为指导解组合，生成A个新解组合；然后基于每个新解组合配置LVN网络，将训练样本输入LVN网络得到估计肌力信号，结合期望肌力信号根据代价函数计算公式计算得到每个新解组合的代价函数；

S5.8：将当前解档案SOL中的A个解组合和生成的所有新解组合进行合并，按照代价函数值从小到大进行排序，筛选出前A个解组合构成新解档案SOL；

S5.9：判断迭代次数τ＜τ_max，如果是，进入步骤S5.10，否则进入步骤S5.11；

S5.10：令τ＝τ+1，返回步骤S5.5；

S5.11：将当前解档案SOL中代价函数值最优的解组合作为LVN网络参数，对LVN网络进行配置；

S6：当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集表面肌电信号并预处理后得到表面肌电信号x′(i)，进行活动段划分后提取出各个活动段与疲劳相关的G个特征，生成G个疲劳特征信号F′_g(i)，然后将表面机电信号x′(i)和G个疲劳特征信号F′_g(i)输入训练好的多输入LVN网络，得到估计的肌力信号。