一种用于手腕动作识别的生物启发式网络模型设计方法

摘要

本发明涉及运动生物学领域，尤其涉及一种用于手腕动作识别的生物启发式网络模型设计方法，该方法包括：步骤1，建立以肌电信号到腕部关节自由度的网络模型；步骤2，采用以生物学知识为导向的网络参数初始化规则对网络模型的参数初始化；步骤3，基于反向传播算法优化网络模型的参数；步骤4，识别腕部动作。本发明以运动生物学的知识构建网络模型，逐层解析肌肉群激活度、单一肌肉激活度、关节激活度，最终获得手腕动作，能够提升动作识别的准确率及识别过程的透明度，还有利于促进人体运动，特别是手部运动相关理论的研究与发展以及促进肌电信号解码在康复医疗、人机交互等发明的应用。

说明书

技术领域

本发明涉及运动生物学领域，尤其涉及一种用于手腕动作识别的生物启发式网络模型设计方法。

背景技术

人体手势动作的产生是一个相当复杂的过程。近年来，随着人机交互的发展，以及计算机技术的迅速发展，手势识别技术在假肢医疗、康复训练、运动锻炼中广泛运用。基于肌电信号的手势识别往往采用以多特征为输入、以“黑盒”式模式识别算法为分类器的方式进行识别。因此，模型本身不具有解释性，即无法提供单一肌肉激活度及单一关节的激活度。此外，传统方法受外部因素的干扰严重，在不同场景应用中稳定性较差。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提出了一种用于手腕动作识别的生物启发式网络模型，其具体技术方案如下。

一种用于手腕动作识别的生物启发式网络模型设计方法，包括如下步骤：

步骤1，建立以肌电信号到腕部关节自由度的网络模型；

步骤2，采用以生物学知识为导向的网络参数初始化规则对网络模型的参数初始化；

步骤3，基于反向传播算法优化网络模型的参数；

步骤4，识别腕部动作。

进一步的，所述步骤1具体为：构建网络模型，包括：第一层为肌肉群激活层，第二层为单肌肉激活层和第三层为肌肉骨骼层，所述网络模型的输入层为肌肉群激活层，输入为肌电信号MAV特征值，肌肉群激活度为

进一步的，所述步骤2具体为：

定义一块肌肉对电极捕获的sEMG信号的贡献与电极与肌肉之间的距离成反比，从距离中推导出生物权重

其中Ω

对参数

其中α为可调整的系数，其中归一化的距离为:

其中max取其最大值，min取其最小值。

根据解剖学知识，涉及腕部六个手势动作的前臂肌肉主要由9块肌肉组成，控制着腕部的三个自由度包括旋前/旋前(PRO/SUP)，屈曲/伸展(FLE/EXT)和桡侧/尺侧偏移(RD/UD)的运动，

其中k

进一步的，所述步骤3具体为：通过反向传播算法对网络模型参数作进一步优化，以提高模型的识别率，定义输出误差为；

其中E表示损失误差，d

则

其中η为步长因子，其中

其中

进一步的，所述步骤4具体为：

采用sigmoid函数作为输入层到隐藏层的传递函数，公式如下：

其中O

从隐藏层到输出层的传递函数如下：

y

本发明以运动生物学的知识构建网络模型，逐层解析肌肉群激活度、单一肌肉激活度、关节激活度，最终获得手腕动作，能够提升动作识别的准确率及识别过程的透明度，还有利于促进人体运动，特别是手部运动相关理论的研究与发展以及促进肌电信号解码在康复医疗、人机交互等发明的应用。

附图说明

图1为本发明的用于手腕动作识别的生物启发式网络模型的结构示意图；

图2为本发明的生理学初始化的前臂的3D模型示意图；

图3为本发明的肌肉块到电极距离得计算结果示意图；

图4为本发明的权重系数

图5为本发明的不同参数初始化下的训练误差的对比结果示意图；

图6为本发明的准确率对比结果示意图。

具体实施方式

为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图，对本发明作进一步详细说明。

一种用于手腕动作识别的生物启发式网络模型设计方法，包括如下步骤：

步骤1，建立以肌电信号到腕部关节自由度的网络模型；

步骤2，采用以生物学知识为导向的网络参数初始化规则对网络模型的参数初始化；

步骤3，基于反向传播算法优化网络模型的参数；

步骤4，识别腕部动作。

如图1所示，所述步骤1具体为：构建网络模型，包括：第一层为肌肉群激活层，第二层为单肌肉激活层和第三层为肌肉骨骼层，所述网络模型的输入层为肌肉群激活层，输入为肌电信号MAV特征值，肌肉群激活度为

肌肉群是指在其中所有肌肉通过电极捕捉到sEMG信号中参与EMG信号贡献的肌肉组合，所以说肌群激活度与捕捉到的sEMG信号密切相关，来自单个通道的sEMG信号确定相应sEMG电极下肌肉的激活度，将平均绝对值MAV作为肌肉群的激活，因为MAV几乎肌力呈线性关系，并已被广泛接受为手势识别的sEMG信号的特征。

所述步骤2具体为：

定义一块肌肉对电极捕获的sEMG信号的贡献与电极与肌肉之间的距离成反比，从距离中推导出生物权重

其中Ω

对参数

其中α为可调整的系数，其中归一化的距离为:

其中max取其最大值，min取其最小值。

根据解剖学知识，涉及腕部六个手势动作的前臂肌肉主要由9块肌肉组成，控制着腕部的三个自由度包括旋前/旋前(PRO/SUP)，屈曲/伸展(FLE/EXT)和桡侧/尺侧偏移(RD/UD)的运动，

其中k

所述步骤3具体为：通过反向传播算法对网络模型参数作进一步优化，以提高模型的识别率，定义输出误差为；

其中E表示损失误差，d

则

其中η为步长因子，其中

其中

所述步骤4具体为：

采用sigmoid函数作为输入层到隐藏层的传递函数，公式如下：

其中O

从隐藏层到输出层的传递函数如下：

y

实施例：

如图2所示，一种用于手腕动作识别的生物启发式网络模型使用一个公共数据库ISRMYO-I，该数据库中sEMG信号由一个带有18个电极的电极套采集，其中2个电极为参考电极。模数转换器的分辨率和采样频率分别设置为12位186和1k Hz。在采集过程中，告知所有受试者佩戴带配备的电极套，即将两个接地电极放在前臂的腹侧，然后将套管拉到肘部的正上方，而不使用电极位置标记。每个受试者每天必须进行两次采集，总共采集十天的数据。对于每个实验采集，要求受试者随机遵循屏幕上显示的提示做出相应的手势，并且每个提示将给予十秒钟以让受试者跟随。这些手势包括三个基本动作，手部休息HR，手部打开HO和手部闭合HC，六个手腕动作，手腕屈伸WF，手腕伸展WE，手腕旋前WP，手腕旋后WS，尺屈UF和尺侧偏移RF，以及四种类型的抓握，细捏FP，键捏KP，球形抓握SG和圆柱抓握CG。总体而言，数据库包含来自六个受试者的sEMG信号，每个受试者进行了20次实验，一天两次，分别在上午和下午进行，在本网络模型中选择了六个腕部运动来验证所提出发明的可用性和可解释性。

设置参数α为20，因此可将参数

所述一种用于手腕动作识别的生物启发式网络模型中与腕部动作相关的肌肉及其功能如下：

·内旋肌M1使前臂PRO内旋并弯曲肘部；

·腕屈肌M2进行屈曲FLE和绑架手RD；

·掌长肌M3弯曲腕部FLE；

·腕屈肌腕M4控制腕屈FLE和尺骨偏斜UD；

·前屈肌M5前臂前肌PRO；

·腕伸肌M6控制伸展EXT和腕部偏斜RD；

·腕短肌伸肌M7控制伸展EXT和腕部偏斜RD；

·腕伸肌M8用于伸出手EXT和使手在腕部内收UD；

·旋后肌M9旋前臂SUP。

根据公式

如图5所示，在相同的优化算法下，对比以生物学知识为导向的网络参数初始化及与随机初始化对训练误差的影响，可以发现，以生物学知识为导向的网络参数初始化的初始误差为0.9，低于随机参数初始化的初始误差约为1.2。在前100次网络优化的迭代中，具有生物特征参数初始化的误差随着优化的变化体现较稳定，而随机参数的优化误差不稳定。在600次迭代优化之后，随机参数初始化开始波动，但另一个仍然保持非常稳定的下降；在2000次迭代优化后，生物学知识为导向参数初始化的误差达到0.25以下，但以随机参数设置的误差约为0.45。

经过训练后的网络模型可以实现对手腕动作的识别，在某场景下，对比一种用于手腕动作识别的生物启发式网络模型与传统他传统方法，包括SVM，LDA，kNN，MLP，DT和CNN，在识别率上的区别，如图6所示，在实验中，实施例使用肌电信号的归一化MAV特征作为输入，一种用于手腕动作识别的生物启发式网络模型涉及方法取得了近82％的平均准确度，部分受试者准确率的优化结果准确率可以达到90％能全面优于其他分类器，误差值较其他分类器比较高。