[发明专利]基于疲劳分析的肌力估计方法

说明书

本发明公开了一种基于疲劳分析的肌力估计方法，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并进行预处理，对表面肌电信号进行活动段划分后提取每个活动段中疲劳相关特征，构建疲劳特征信号；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和对应的疲劳特征信号作为输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；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并预处理后得到表面肌电信号，然后构建得到疲劳特征信号，输入训练好的多输入LVN网络中，得到肌力估计结果。本发明结合疲劳特征和LVN网络，提高肌力估计的准确性和鲁棒性。

技术领域

本发明属于肌电数据分析技术领域，更为具体地讲，涉及一种基于疲劳分析的肌力估计方法。

背景技术

大脑可激活肌肉，肌肉激活后收缩产生电信号，从而产生机械力。人体的任何一种运动，包括咀嚼、眨眼等微小动作以及跑步、弹跳、托举等大型运动都需要通过相应的肌肉收缩实现。不同的运动需要的肌肉不同，有些运动只需要一种肌肉参与，而有些运动需要多种肌肉共同参与。肌力即肌肉收缩强度，相关研究在步态分析、骨科、康复、人体工程学设计、触觉技术、远距手术和人机交互等许多应用中都具有重要的意义。

目前业内多采用肌电-肌力模型来进行肌力估计。肌电-肌力是一种非线性并且动态变化的关系，非线性等级主要取决于施力时肌肉纤维的组合方式、收缩的时间以及力等级，而动态关系是因为肌肉缩短效应以及电气时延(即肌电信号到产生的时延)所致。因此，建立的肌电-肌力模型是否可靠取决于该模型能否捕获系统的动态变化以及非线性。除需要表述系统动态与非线性的困难外，运动模式、肌肉状态及个体差异性等都会影响肌力估计精度。肌肉疲劳也是其中一个重要且常见的影响因素，但以往许多实验研究避开了肌肉疲劳问题。然而肌肉疲劳严重影响着肌肉激活能力、收缩能力以及肌电信号与力的动态关系，是难以忽视的重点难点。

目前关于疲劳状态下的肌力估计研究较少。Soo等人提出了一种基于频带技术的力估计模型，发现疲劳程度越大，该模型相较于传统的RMS-力模型的改善效果越明显。Na等人提出了一种结合表面肌电和肌动模型的疲劳状态下力估计方法，发现随着肌肉疲劳的加深，肌动模型的峰值降低而收缩时间增加。中国科学技术大学陈香教授团队利用疲劳趋势修正了多项式模型和Hill模型，一定程度上消除了疲劳对肌力预测的影响。Asefi等人中使用拉盖尔模型分别对三段疲劳数据训练并预测，发现三段数据的拉盖尔一阶核系数的峰值与中值频率均存在下降趋势，认为可以将一阶核峰值和二阶高频成分作为疲劳发生的指标，并实现了等长收缩下受肌肉疲劳影响的肌电-肌力动态模型，识别了肌电-肌力的动态关系。但是以上方法对于疲劳分析的效果有限，难以在实际应用中对肌力估计性能实现实质性的提升。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于疲劳分析的肌力估计方法，通过引入疲劳特征，结合LVN网络，提高肌力估计的准确性和鲁棒性。

为了实现上述发明目的，本发明基于疲劳分析的肌力估计方法包括以下步骤：

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；