基于肌音和CNN--SVM模型的人体膝关节运动意图识别研究

摘要

随着人口老龄化进程的加剧，老年人口数量快速增长，解决老年人因四肢运动能力弱化带来的日常生活不便等问题成为当务之急。另一方面，由于血管性疾病和意外伤害等原因导致截肢人数逐年增多，需要为他们实施有针对性的康复护理和训练。但由于子女忙于工作、护理人员不足和日益上涨的劳动力成本等现状，使照护老年人和肢体残疾人成为每个家庭的棘手问题。而可穿戴助力机器人或动力假肢则可为那些四肢运动能力弱化的老年人或肢体残疾人提供运动辅助和康复训练，提高他们的自理能力和生活质量，从而减轻人工照护负担甚至无需人工照护。随着人机交互技术的发展，可穿戴助力机器人将逐渐地由被动接受人指令的方式向主动识别理解人体运动意图的方式发展。机器人根据人体运动意图对人体运动进行实时跟随和适时助力，从而实现人机协调运动。因此，人体运动意图识别对实现人机协调运动控制显得至关重要。然而，目前在如何实现稳定、便捷地获取人体运动信息和实时、连续地识别人体运动意图等相关研究中仍存在一些问题，以致机器人难以实时跟随人体连续运动并适时提供助力，影响了人机协调运动的自然性和灵活性。 本文即以应用于助老助残、康复训练等相关领域的可穿戴助力机器人为研究背景，以解决人机协调运动控制技术中的人体运动信息获取和人体运动意图识别等关键问题为研究目标，以膝关节运动为研究对象探索一种新的人体运动意图识别方法。本文主要工作以及创新性成果概括如下: (1)发展了一种基于非直接皮肤接触检测的肌音(Mechanomyography，MMG)信号来获取人体运动信息的方法，实现了比表面肌电(surface Electromyography，sEMG)信号更低限度介入人体的运动信息检测。本文根据人体运动解剖学选取了4块与膝关节运动相关的肌肉，在实验中，对着选取的肌肉位置将MMG传感器放置在衣服上进行多通道MMG信号检测，并从隔衣检测到的多通道MMG信号中提取人体运动信息，用于人体膝关节动作模式识别和运动角度估计，实验结果验证了基于MMG信号获取人体运动信息的可行性。该方法比基于sEMG信号获取人体运动信息的方法更有优势，将促进更稳定、更便捷、更低限度介入人体的可穿戴运动信息检测装置的研发，大大提升可穿戴助力装置的灵活性、舒适性和可穿戴性。 (2)提出了一种基于MMG信号和卷积神经网络(Convolutional Neural Network，CNN)与支持向量机(Support Vector Machine，SVM)结合模型的人体动作模式识别方法，将主要应用于图像处理等领域的CNN引入到对时间序列信号的直接处理上，克服了传统分类器算法采用手工设计特征的缺点，提高了分类性能。本文以膝关节运动实验中隔衣检测到的4通道MMG信号为实验数据，将其以时间序列信号形式输入到CNN-SVM模型中对6种膝关节动作进行识别，并采用交叉验证、混淆矩阵和受试者工作特征曲线等分类器性能评估方法对该模型进行评估。实验结果表明，CNN-SVM动作识别模型不仅能够通过CNN卷积和池化运算自动提取有效的特征，而且通过SVM分类器对自动提取的特征进行处理和分类后进一步提高了模型的泛化能力和识别率，与以提取手工设计特征进行分类的传统方法相比具有更好的效果。 (3)提出了一种基于MMG信号和CNN-SVM模型的人体运动估计方法，将应用于模式识别领域的CNN引入到对时间序列信号的回归估计方面，实现了对人体运动角度的估计而无需建立复杂的肌肉模型和手工设计特征。本文以膝关节运动实验中隔衣检测到的3通道MMG信号为实验数据，将其以时间序列信号形式输入到CNN-SVM模型中对膝关节运动角度进行估计，并采用均方根误差和相关系数等回归模型性能评估指标对该模型进行评估。实验结果表明，CNN-SVM角度估计模型能够通过CNN自动提取有效的特征，并通过SVM回归进一步降低了估计误差和提高了模型泛化能力。 (4)搭建了一个人体运动意图识别应用仿真环境，验证和演示了本文所提方法在可穿戴助力机器人控制中的可行性。本文采用SolidWorks创建了三维虚拟人体和助力机器腿模型，并在LabVIEW和MATLAB联合环境下，将基于膝关节动作模式识别与运动角度估计的膝关节运动意图识别方法应用于虚拟助力机器腿的仿真控制中，可以形象直观地观察到人机协调运动过程，方便了对所研究方法的验证。

目录

声明

摘要

第1章绪论

1．1研究背景与意义

1．2人体运动意图识别研究现状

1．2．1基于人体生物电信号方法

1．2．2基于人机交互力信息方法

1．2．3肌音信号研究与应用

1．3信号特征提取与选择

1．3．1手工设计特征

1．3．2自动提取特征

1．4论文主要研究内容与结构安排

第2章卷积神经网络与支持向量机结合模型

2．1卷积神经网络

2．1．1 CNN结构

2．1．2 CNN训练

2．2支持向量机

2．2．1 SVM分类

2．2．2 SVM回归

2．3 CNN-SVM模型及其实现方法

2．3．1 CNN-SVM模型

2．3．2算法实现

2．4本章小结

第3章基于肌音的人体膝关节运动信息获取

3．1 引言

3．2运动信息获取

3．2．1肌肉选取

3．2．2肌音信号采集

3．3数据预处理

3．3．1滑动窗

3．3．2滤波

3．3．3归一化

3．4本章小结

第4章基于CNN-SVM模型的人体膝关节动作模式识别

4．1 引言

4．2 CNN-SVM动作识别模型

4．3实验结果与分析

4．3．1实验规程

4．3．2交叉验证

4．3．3混淆矩阵

4．3．4 ROC曲线

4．3．5连续动作识别

4．4本章小结

第5章基于CNN-SVM模型的人体膝关节运动角度估计

5．1 引言

5．2 CNN-SVM角度估计模型

5．3实验结果与分析

5．3．1实验规程

5．3．2均方根误差

5．3．3相关系数

5．3．4连续角度估计

5．4本章小结

第6章人体运动意图识别应用仿真环境搭建

6．1人体运动意图识别在助力机器人控制中的应用

6．2基于SolidWorks的三维虚拟模型创建

6．3基于LabVIEW和MATLAB的联合仿真

6．3．1仿真软件

6．3．2仿真编程

6．3．3仿真演示

6．4本章小结

第7章总结与展望

7．1总结

7．2展望

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果