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！

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