本發(fā)明涉及信號處理領(lǐng)域，尤其涉及一種肌電信號模式識別方法；更具體地，本發(fā)明涉及一種基于表面肌電信號的腦癱兒步態(tài)識別方法。

背景技術(shù)：

腦癱是繼小兒麻痹之后又一肢體殘疾的主要疾病，近年來，腦癱的發(fā)病率越來越高，主要發(fā)生在嬰兒出生前后的一段時間內(nèi)，運動障礙是腦癱兒的一大主要癥狀，這也給腦癱兒及其家人的日常生活帶來了極大的不便。目前腦癱的治療主要采取康復訓練，這要在醫(yī)護人員的幫助下完成，這樣不僅浪費時間而且給醫(yī)護人員帶來了極大的挑戰(zhàn)，不僅醫(yī)護人員要適應(yīng)患者的走路習慣，患者也要配合醫(yī)護人員的訓練指導，而且訓練效率較低、勞動強度較大并且訓練的效果也容易受到訓練醫(yī)護人員的主觀因素的影響。

開發(fā)可以用于下肢康復的外骨骼機器人也是近些年的研究熱點，但是傳統(tǒng)的外骨骼機器人是采用多種傳感器來獲取訓練者的力或者力矩信息來進行控制，不能反映訓練者的運動意圖。

肌電信號是由肌肉產(chǎn)生的一種微弱的生物電信號，能夠在一定程度上反映神經(jīng)肌肉的功能狀態(tài)，已經(jīng)被廣泛的應(yīng)用到康復醫(yī)學領(lǐng)域。近幾年，隨著生物醫(yī)學技術(shù)、人工智能技術(shù)的發(fā)展，使用肌電信號進行動作識別已經(jīng)有很多人在研究了，但是用肌電信號來進行步態(tài)識別的研究還很少。

實際上，使用肌電信號進行動作和手勢的識別相比于步態(tài)識別更加容易，這是因為動作手勢不用劃分不同的動作和手勢，直接可以對不同的動作手勢進行模式識別，但是步態(tài)識別需要先對一個步態(tài)周期進行劃分，然后在利用劃分好的肌電信號進行步態(tài)識別。

將肌電信號用于外骨骼機器人或者智能康復裝置的控制系統(tǒng)中可以實現(xiàn)系統(tǒng)的柔性控制，增加系統(tǒng)的適應(yīng)性，針對每個訓練者制定相應(yīng)的康復訓練計劃，提高訓練的效率。但是，如上所述，用肌電信號來進行步態(tài)識別的研究還很少。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)中存在上述缺陷，提供一種基于表面肌電信號的腦癱兒步態(tài)識別方法。

根據(jù)本發(fā)明，提供了一種基于表面肌電信號的腦癱兒步態(tài)識別方法，包括：

第一步驟：采集對象腿部不同通道的肌電信號和對象雙腿的腿部角度數(shù)據(jù)；

第二步驟：對所采集的肌電信號進行預處理；

第三步驟：利用雙腿的腿部角度數(shù)據(jù)進行步態(tài)劃分，同時將相對應(yīng)的各個通道的肌電信號數(shù)據(jù)也進行同樣的步態(tài)劃分；

第四步驟：提取預處理后信號的時域和頻域特征，并且對所提取的特征進行特征組合；

第五步驟：利用提取的特征組合建立模型，并按照步態(tài)劃分得到的步態(tài)階段進行步態(tài)識別。

優(yōu)選地，第五步驟利用提取的特征組合在matlab中l(wèi)ibsvm工具箱建立模型并進行步態(tài)識別。

優(yōu)選地，第三步驟的步態(tài)劃分得到的步態(tài)階段包括：支撐中期、支撐末期、預擺動期、擺動中期和擺動末期。

優(yōu)選地，第四步驟以每個通道經(jīng)過預處理的數(shù)據(jù)作為數(shù)據(jù)源進行特征提取。

優(yōu)選地，時域和頻域特征包括：方差、過零點數(shù)、波形長度、絕對平均值、中值頻率、平均功率頻率、均方根和積分肌電值，而且第四步驟提取了方差、過零點數(shù)、波形長度、絕對平均值、中值頻率、平均功率頻率、均方根和積分肌電值的特征值。

優(yōu)選地，在第四步驟中，將n個通道在同一個時間段提取的特征按照通道順序進行組合，再將所提取的特征和過零點數(shù)進行組合，生成特征向量，向量維度為[5x30,nx2]，n為自然數(shù)。

優(yōu)選地，第五步驟包括：在模型訓練過程中，將不同步態(tài)階段提取的特征進行分類標注，對標注好的多個特征向量利用svm建立模型。

本發(fā)明通過采集腦癱兒腿部的表面肌電信號識別其步態(tài)，從而用于腦癱兒的智能康復系統(tǒng)的開發(fā)，使人機交互系統(tǒng)更能反映人的意志。

附圖說明

結(jié)合附圖，并通過參考下面的詳細描述，將會更容易地對本發(fā)明有更完整的理解并且更容易地理解其伴隨的優(yōu)點和特征，其中：

圖1示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的基于表面肌電信號的腦癱兒步態(tài)識別方法的流程圖。

圖2示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的基于表面肌電信號的腦癱兒步態(tài)識別方法采用的步態(tài)劃分方法及8個通道的肌電信號步態(tài)劃分和雙腿的角度數(shù)據(jù)的示意圖。

需要說明的是，附圖用于說明本發(fā)明，而非限制本發(fā)明。注意，表示結(jié)構(gòu)的附圖可能并非按比例繪制。并且，附圖中，相同或者類似的元件標有相同或者類似的標號。

具體實施方式

為了使本發(fā)明的內(nèi)容更加清楚和易懂，下面結(jié)合具體實施例和附圖對本發(fā)明的內(nèi)容進行詳細描述。

圖1示意性地示出了根據(jù)本發(fā)明優(yōu)選實施例的基于表面肌電信號的腦癱兒步態(tài)識別方法的流程圖。

如圖1所示，根據(jù)本發(fā)明優(yōu)選實施例的基于表面肌電信號的腦癱兒步態(tài)識別方法包括：

第一步驟s1：采集對象腿部不同通道的肌電信號和對象雙腿的腿部角度數(shù)據(jù)；

具體地，例如可以按照固定的采樣頻率采集不同通道的腿部肌肉電信號，即肌電信號；并利用3d位置傳感器采集對象雙腿的腿部角度數(shù)據(jù)。

第二步驟s2：對所采集的肌電信號進行預處理；例如，對所采集的肌電信號進行濾波、陷波和去噪等預處理。在該步驟中，對每個通道的肌電信號數(shù)據(jù)進行預處理，由此可以盡可能減少外界干擾對原始肌電信號所造成的影響。

例如，所采用的帶通濾波器為10-350hz的elliptic帶通濾波器，陷波器采用的是60hz陷波器，去噪是利用db4小波函數(shù)來進行小波去噪。

第三步驟s3：利用雙腿的腿部角度數(shù)據(jù)進行步態(tài)劃分，同時將相對應(yīng)的各個通道的肌電信號數(shù)據(jù)也進行同樣的步態(tài)劃分。

例如，雙腿的腿部角度數(shù)據(jù)，將對象的步態(tài)分為五個步態(tài)階段：支撐中期、支撐末期、預擺動期、擺動中期和擺動末期。

第四步驟s4：提取預處理后信號的時域和頻域特征，并且對所提取的特征進行特征組合。

例如，對經(jīng)過預處理的肌電信號數(shù)據(jù)分別提取各個通道的五個步態(tài)階段的特征值。具體而言：

以每個通道經(jīng)過預處理的數(shù)據(jù)作為數(shù)據(jù)源進行特征提取，分別提取上述五個步態(tài)階段的特征，所述提取的特征包括：方差、過零點數(shù)、波形長度、絕對平均值、中值頻率、平均功率頻率、均方根和積分肌電值。計算公式如下：

方差為：

其中n為采集的表面肌電信號的采樣點數(shù)，yi為第i個表面肌電信號采樣點的幅值，為樣本均值。

過零點數(shù)為：

假設(shè)有兩個樣本yi和yi+1，如果滿足：{yi>0且yi+1<0}或{yi<0且yi+1>0}，則過零點個數(shù)加一。其中yi為第i個表面肌電信號采樣點的幅值。

波形長度為：

其中，△yi＝y(tǒng)i-yi-1，yi為第i個表面肌電信號采樣點的幅值。

絕對平均值為：

其中n為采集的表面肌電信號采樣點數(shù)，yi為第i個表面肌電信號采樣點的幅度值。

中值頻率為：

其中psd(f)為表面肌電信號的功率譜密度估計函數(shù)。

平均功率頻率：

其中psd(f)為表面肌電信號的功率譜密度估計函數(shù)。

均方根：

其中n為采樣點數(shù)，yi為第i個表面肌電信號采樣點的幅度值。

積分肌電值：

其中△為i的變化量，yi為第i個表面肌電信號采樣點的幅度值。

根據(jù)上述提取的特征值，對所提取的特征值進行特征組合。具體而言：

將n個通道在同一個時間段提取的特征按照通道順序進行組合，再將所提取的特征和過零點數(shù)進行組合，生成特征向量，向量維度為[5x30,nx2]。

第五步驟s5：利用提取的特征組合建立模型，并按照步態(tài)劃分出的步態(tài)階段進行步態(tài)識別。

具體地，可以利用提取的特征組合在matlab中l(wèi)ibsvm工具箱建立模型并進行步態(tài)識別。

具體地，例如，在模型訓練過程中，將不同步態(tài)階段提取的特征進行分類標注。對標注好的多個特征向量利用libsvm工具箱建立模型。

在模型訓練過程中，使用libsvm工具箱的svm模式識別方法將多個特征作為訓練樣本進行模型訓練，最終生成可以識別五類組合特征的分類模型，分別對應(yīng)五個步態(tài)階段。

在識別過程中，腦癱患者像平時一樣走路，各個步態(tài)周期的五個階段的特征值分別被提取，經(jīng)過上述處理后與建立的模型進行計算，得到最終的識別結(jié)果。所述識別結(jié)果對腦癱患者在訓練時一個步態(tài)周期的五個階段。

需要說明的是，模型建立完成之后，進入步態(tài)識別。步態(tài)識別的起始點為整個方法的起始點，返回第一步驟s1肌電信號采集環(huán)節(jié)，重復進行肌電信號采集、肌電信號特征提取、特征向量組合(也即第一步驟s1至第三步驟s3)，并配合已經(jīng)建立的模型，輸出識別結(jié)果。不斷循環(huán)識別，輸出步態(tài)識別結(jié)果。

由此，本發(fā)明提供一種肌電信號模式識別方法，能夠識別出腦癱兒五個不同的步態(tài)階段，分別為支撐中期、支撐末期、預擺動期、擺動中期和擺動末期。最好的特征組的識別率幾乎都可以達到60％以上，最好可以達到100％，平均識別率都在80％以上?？梢詫崿F(xiàn)將肌電信號應(yīng)用于腦癱兒康復系統(tǒng)中，這樣不僅提高了訓練的效率，還解決了傳感器信號控制不能反映訓練者運動意圖的難題，提高了訓練系統(tǒng)的自動化和智能程度。

此外，需要說明的是，除非特別指出，否則說明書中的術(shù)語“第一”、“第二”、“第三”等描述僅僅用于區(qū)分說明書中的各個組件、元素、步驟等，而不是用于表示各個組件、元素、步驟之間的邏輯關(guān)系或者順序關(guān)系等。

可以理解的是，雖然本發(fā)明已以較佳實施例披露如上，然而上述實施例并非用以限定本發(fā)明。對于任何熟悉本領(lǐng)域的技術(shù)人員而言，在不脫離本發(fā)明技術(shù)方案范圍情況下，都可利用上述揭示的技術(shù)內(nèi)容對本發(fā)明技術(shù)方案作出許多可能的變動和修飾，或修改為等同變化的等效實施例。因此，凡是未脫離本發(fā)明技術(shù)方案的內(nèi)容，依據(jù)本發(fā)明的技術(shù)實質(zhì)對以上實施例所做的任何簡單修改、等同變化及修飾，均仍屬于本發(fā)明技術(shù)方案保護的范圍內(nèi)。