买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:东南大学
摘要:本发明公开了一种基于神经特征和LSTM的手腕力矩在线估计方法,包括以下步骤:(1)实验人员保持手臂不动,通过手腕对力矩传感器施加力矩;(2)同步采集力矩传感器的数据和高密度表面肌电信号;(3)使用盲源分离算法对高密度表面肌电信号进行分解,得到运动单位尖峰队列MUST;(4)基于原始HD‑sEMG信号和分解得到的MUST,构建输入输出向量,对LSTM进行训练,同时将神经特征的放电率与力矩进行多项式回归;(5)通过滑动窗口计算CST的实时放电率DR用于力矩的实时估计。本发明用于机械假手的自然控制与实时控制,能够为残障人士提供更好的交互体验,同时也能广泛应用于康复机器人、人机交互等领域。
主权项:1.一种基于神经特征和LSTM的手腕力矩在线估计方法,其特征在于:包括以下步骤:1训练数据准备:实验前,将高密度电极片附着在被试小臂的伸肌和屈肌部分,完成后,被试按照实验范式执行指定动作;通过高密度电极片采集sEMG,通道数为64通道、128通道或256通道;同时,通过力矩传感器测量力矩大小;对采集得到的数据进行预处理,用于后续的离线训练;2盲源分离得到MUST:针对预处理后的数据,使用盲源分离算法得到各个独立的运动单位动作电位队列信号MUAPt和相对应的分离向量,并通过Kmeans聚类算法识别出神经放电脉冲,从而得到MUST;MUST是一个0-1序列,0代表该MU当前时刻没有动作电位产生,1代表该MU当前时刻处于放电激活状态;3LSTM神经网络学习和多项式回归:针对原始的HD-sEMG和分解得到的MUSTs,构建序列到序列的LSTM分类器;假设高密度电极片有M个通道,盲源分离得到了N个MUST,那么每一个时间步下,M个通道的sEMG信号组成了一个M维的输入特征向量,N个当前时间步下的MUST值经过处理后构成了一个N维输出列向量;使用上述输入输出对LSTM进行训练,得到一个能够从原始HD-sEMG信号识别出MU是否发放的神经网络;分解得到的MUSTs累加后得到CST,计算CST的尖峰数目,并与升采样后的力矩进行多项式回归,确定回归多项式;4滑动窗口在线估计力矩:对在线采集的HD-sEMG信号,每一个新的时间戳,M个通道各自能够获得一个新的sEMG采样数据,共同构成M维输入向量,经过LSTM网络的计算,能够得到一个N维输出向量;选取400ms的滑动窗口,在该窗口内计算累积脉冲串,通过多项式回归实时估计手腕力矩。
全文数据:
权利要求:
百度查询: 东南大学 一种基于神经特征和LSTM的手腕力矩在线估计方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。