一种自适应预处理的表面肌电动态肌力预测方法及系统

本发明涉及人工智能信号处理，具体为一种自适应预处理的表面肌电动态肌力预测方法及系统。

背景技术：

1、表面肌电信号（semg）是通过附着于皮肤表面的电极采集的、反映人体肌肉活动过程的生物电信号，能够实时表征神经肌肉系统的激活状态与收缩能力，被广泛应用于康复评估、运动分析、外骨骼控制与人机协作等领域。

2、现有技术中，肌力预测通常通过提取表面肌电信号的时域或频域特征，结合回归模型、支持向量机或神经网络建立肌电信号与肌力之间的映射关系，以固定模型结构与固定信号处理流程实现不同运动场景下的肌力估计。

3、然而在实际动态运动场景下，现有技术存在明显缺陷：

4、其一，通常采用固定带通滤波、固定陷波与固定归一化流程，而动态运动中电极位移、肌肉形变、皮肤拉伸与汗液变化会导致低频伪差显著增强，固定参数难以同时兼顾静态有效成分保留与动态伪差抑制；

5、其二，单一预测模型难以覆盖静态等长收缩、周期动态运动、爆发快速运动与疲劳持续运动等不同状态，各类状态下肌电-肌力映射关系存在差异，模型在状态切换时易产生预测漂移；

6、其三，肌肉疲劳因素通常仅作为分类结果输出，未深度参与状态识别修正、模型权重调整与肌力补偿的全链路闭环，随着运动时间增加，肌电信号频谱发生漂移，导致预测误差累积、长期稳定性不足。

7、综上所述的问题，为此，我们提出一种自适应预处理的表面肌电动态肌力预测方法及系统。

技术实现思路

1、本发明的目的在于提供一种自适应预处理的表面肌电动态肌力预测方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种自适应预处理的表面肌电动态肌力预测方法，包括以下步骤：

4、s1、信号采集与分段：采集目标肌群的多通道表面肌电信号，并按照预设滑动时间窗口对多通道表面肌电信号进行分段处理;

5、s2、信号质量评估：对每一滑动时间窗口内的表面肌电信号计算信号质量评价指标,至少根据有效信号信噪比、相邻通道相关性、均方根值稳定性以及工频噪声能量占比加权获得;

6、s3、自适应预处理：根据和初始运动状态概率，自适应调整信号预处理参数，其中，当表征低频运动伪差增强时，提高带通滤波器低频截止频率;当表征工频噪声增强时，启用陷波滤波;当表征非平稳运动伪差增强时，启用小波阈值去噪或经验模态分解重构;

7、s4、多域特征融合：对预处理后的表面肌电信号提取原始肌电特征、一阶差分肌电特征、二阶差分肌电特征和三阶差分肌电特征，并形成包括时域特征、频域特征、时频域特征和非线性特征的融合特征向量;

8、s5、运动状态识别：将融合特征向量输入运动状态识别模型，输出静态等长收缩状态、周期动态运动状态、爆发快速运动状态和疲劳持续运动状态对应的状态概率向量;

9、s6、疲劳指数构建与修正：根据中值频率下降量、均方根值变化量和样本熵构建复合疲劳指数，并根据复合疲劳指数对疲劳持续运动状态概率进行修正，得到修正后的状态概率向量;

10、s7、动态模型融合：根据修正后的状态概率向量、和复合疲劳指数，确定多个肌力预测模型的融合权重，其中，多个肌力预测模型至少包括静态肌力预测模型、周期动态肌力预测模型、爆发快速运动肌力预测模型和疲劳时序补偿模型;

11、s8、肌力补偿输出：将多个肌力预测模型输出的肌力估计结果按照融合权重进行加权融合，得到融合肌力预测值，并基于复合疲劳指数对融合肌力预测值进行疲劳偏差补偿，输出最终动态肌力预测值或最大随意收缩力百分比。

12、优选地，所述步骤s2、信号质量评估中，信号质量评价指标的过程为：

13、实时检测肌电信号幅值，判断电极脱落与放大器饱和状态；

14、计算单窗口内的信噪比、均方根值稳定性、工频频段能量占比，以及相邻通道间相关系数，计算公式为：

15、

16、其中，表示信噪比，表示相邻通道相关性，表示均方根稳定性，表示工频噪声能量占比，、、、为权重系数；

17、对各指标进行归一化后加权融合，得到信号质量评价指标sqi；

18、根据取值划分质量等级，执行对应分级异常处理机制，该分级异常处理机制分别为：

19、当低于第一质量阈值时，执行报警提示、电极重新校准或信号重新采集；

20、当处于第一质量阈值与第二质量阈值之间时，执行备用通道替换或通道插值修复；

21、当高于第二质量阈值时，允许信号进入后续预处理与预测流程。

22、优选地，所述步骤s3、自适应预处理中，自适应调整预处理参数与去噪策略的过程为：

23、接收信号质量监测与评估模块输出的与运动状态识别模块反馈的运动状态概率；

24、根据运动状态与伪差强度动态调整带通滤波的低频截止频率，静态状态保留低频有效成分，动态状态抑制低频运动伪差；

25、低频截止频率的动态调整规则为：

26、静态等长收缩状态下，低频截止频率设置为10hz～20hz；

27、周期动态运动状态下，低频截止频率调整为20hz～40hz；

28、当检测到强运动伪差时，低频截止频率进一步提高至30hz～50hz；

29、根据噪声类型动态切换去噪策略：工频噪声增强时启用50hz陷波滤波，非平稳伪差增强时启用小波阈值去噪，高频随机噪声增强时启用经验模态分解重构；

30、预处理完成后重新计算，形成闭环反馈调整机制，直至信号质量满足预设阈值。

31、优选地，所述步骤s4、多域特征融合中，生成融合特征向量的过程为：

32、对预处理后的表面肌电信号进行一阶、二阶、三阶差分处理，得到多阶差分信号；

33、其中一阶差分肌电特征用于表征肌电信号变化率与肌肉收缩速度变化特性；

34、二阶差分肌电特征用于表征肌电信号加速度变化与肌肉激活稳定性特征；

35、三阶差分肌电特征用于表征肌肉动态冲击变化趋势与高动态运动状态下的突变特性；

36、分别从原始肌电信号与多阶差分信号中提取时域特征、频域特征、时频域特征与非线性特征；

37、将各类特征按固定维度拼接，形成多维融合特征向量，并进行归一化与维度重构后输出。

38、优选地，所述步骤s5、运动状态识别中，运动状态识别模型为cnn-lstm混合网络、tcn-lstm网络或transformer时序分类网络；所述cnn-lstm混合网络通过卷积层提取肌电信号局部空间与动态变化特征，通过长短期记忆网络提取时间序列动态规律，输出四类运动状态的概率值，其工作过程为：

39、接收连续滑动窗口的融合特征向量作为输入；

40、通过两层卷积层提取不同尺度的局部空间动态特征；

41、通过双层长短期记忆网络学习肌电信号的时间序列变化规律；

42、输出静态等长收缩、周期动态运动、爆发快速运动、疲劳持续运动四类状态的概率值，组成初始状态概率向量。

43、优选地，所述步骤s6、疲劳指数构建与修正中，构建复合疲劳指数并修正状态概率的过程为：

44、从融合特征中提取中值频率、均方根值与样本熵特征，计算中值频率下降程度与均方根值变化程度；

45、融合三类特征构建复合疲劳指数，并划分轻度、中度、重度三个疲劳等级；

46、复合疲劳指数通过如下公式计算：

47、

48、其中，表示中值频率下降程度，表示均方根值变化程度，表示归一化样本熵；、、为对应疲劳特征项的权重系数；

49、根据复合疲劳指数对疲劳持续运动状态的概率进行加权修正，状态概率修正方式为：

50、对疲劳持续运动状态的初始概率进行加权修正：

51、

52、其中为疲劳持续运动状态初始概率，、为疲劳反馈权重系数；

53、并对四类状态概率进行归一化处理，得到修正状态概率向量。

54、优选地，所述步骤s7、动态模型融合中，确定融合权重并输出融合肌力预测值的过程为：

55、配置四类异构肌力预测模型，分别对应四类运动状态；

56、根据修正后状态概率与当前窗口信号质量置信度，计算各模型的融合权重，计算公式为：

57、

58、其中，为修正后的第i类状态概率，为第i类预测模型在当前窗口下的置信度或信号质量修正系数，置信度系数由信号质量评价指标与历史预测误差共同确定；

59、将各模型输出的肌力估计值按权重加权求和，得到融合肌力预测值；

60、当状态概率变化量超过预设阈值时，动态更新融合权重，适配运动状态切换场景。

61、优选地，所述步骤s8、肌力补偿输出中，多个肌力预测模型具体包括：

62、对应静态等长收缩状态的支持向量回归模型；

63、对应周期动态运动状态的长短期记忆网络模型；

64、对应爆发快速运动状态的时序卷积网络、门控循环单元或快速回归模型；

65、对应疲劳持续运动状态的transformer时序补偿模型。

66、一种自适应预处理的表面肌电动态肌力预测系统，包括：

67、表面肌电采集模块，用于采集目标肌群的多通道表面肌电信号，并按照预设滑动时间窗口进行分段处理；所述表面肌电采集模块采用多通道柔性电极阵列结构，包括柔性电极阵列、弹性绑带固定结构、模拟前端放大电路、滤波电路、模数转换电路与无线传输单元；所述柔性电极阵列采用柔性pcb电极，用于贴合皮肤表面采集肌电信号；所述模拟前端放大电路采用差分放大与高共模抑制比结构，用于放大微伏级肌电信号；

68、信号质量监测与评估模块，用于对每一滑动时间窗口内的表面肌电信号计算信号质量评价指标，并执行分级异常处理；

69、自适应预处理模块，用于根据信号质量评价指标与当前运动状态概率，自适应调整滤波参数与去噪策略，对表面肌电信号进行动态预处理；

70、多阶动态肌电特征融合模块，用于提取预处理后信号的原始肌电特征与多阶差分特征，融合多域特征生成融合特征向量；

71、运动状态识别模块，用于将融合特征向量输入识别模型，输出四类运动状态对应的初始状态概率向量；

72、动态疲劳评估模块，用于构建复合疲劳指数，并根据复合疲劳指数修正初始状态概率向量，输出修正后状态概率向量；

73、动态模型融合模块，用于根据修正后状态概率向量、信号质量评价指标与复合疲劳指数，确定多个肌力预测模型的融合权重，输出融合肌力预测值；

74、肌力预测模块，用于基于复合疲劳指数对融合肌力预测值进行疲劳偏差补偿，输出最终动态肌力预测值或最大随意收缩力百分比；

75、控制接口模块，用于将最终动态肌力预测结果输出至外部设备，实现康复机器人、外骨骼机器人或人机协作机械臂的自适应控制。

76、优选地，所述肌力预测模块中，最终动态肌力预测值通过如下公式计算：

77、

78、其中为融合肌力预测值；为复合疲劳指数；为疲劳变化趋势；为信号质量评价指标；为通过训练集标定得到的补偿系数。

79、与现有技术相比，本发明的有益效果是：

80、本发明通过信号质量评价指标sqi驱动的自适应预处理机制，根据运动状态与噪声类型动态调整带通滤波截止频率与去噪策略，形成预处理效果闭环反馈，既保留静态场景下的低频有效肌电成分，又有效抑制动态运动中的电极滑移伪差、工频干扰与非平稳噪声，解决了固定参数难以兼顾多场景的问题。

81、本发明通过多阶差分与多域特征融合全面表征肌肉激活的动态特性，结合cnn-lstm网络精准识别四类运动状态概率，采用异构模型动态加权融合机制替代单一固定模型，使静态收缩、周期运动、爆发运动与疲劳状态下均能匹配最优预测模型，避免状态切换时的预测漂移。

82、本发明复合疲劳指数同时参与运动状态概率修正、模型融合权重调整与最终肌力输出补偿，形成从状态识别到结果输出的全链条疲劳动态调控，有效缓解长时间运动中频谱漂移导致的误差累积，显著提升长期预测稳定性。

83、本发明通过sqi分级机制实现电极脱落、接触不良等异常的自动识别与处置，保障输入信号的可靠性，可广泛适配康复训练、外骨骼控制、人机协作等复杂动态应用场景。