一种表面肌电信号端侧自适应解码方法及系统

本发明属于肌电解码、在线自适应，具体涉及一种表面肌电信号端侧自适应解码方法及系统。

背景技术：

1、近年来，肌电解码在医疗康复领域得到了广泛应用。表面肌电信号作为反映肌肉活动的生物电信号，可以解码用户的运动意图，为运动障碍患者提供自然、便捷的控制方式。目前，肌电解码技术已被应用于智能假肢控制、康复机器人辅助训练、外骨骼助力设备以及虚拟现实康复等系统中，显著改善了患者的康复体验，提升了肢体功能恢复效果。

2、然而，表面肌电信号存在明显的非平稳性：受肢体姿态变化、电极位置偏差、传感器接触变化和肌肉疲劳等多种因素影响，肌电信号的幅值和频谱特性会随时间发生显著漂移，导致模型的识别精度下降，系统控制稳定性变差，影响设备使用体验。

3、除此之外，肌电解码系统对实时性要求较高，同时涉及人体生理电信号等敏感数据。传统方案大多依赖云端处理或高性能计算平台，不仅存在通信延迟、网络波动等问题，还面临生理数据隐私泄露的安全风险。因此，将肌电解码算法部署于可穿戴设备等端侧平台，在本地完成信号处理、运动意图识别与控制决策，已成为行业发展的主流方向，能够有效降低系统延迟、减少通信功耗、增强设备便携性与隐私安全性。

4、目前大多数端侧肌电解码系统仅支持固定模型推理功能，缺乏在线参数更新与持续学习能力。当肌电信号分布发生变化时，系统难以实现自适应调整。现有自适应方案通常依赖cpu或gpu等高性能设备完成在线或离线训练，存在计算资源消耗大、功耗高以及存储需求高等问题，难以直接部署于资源受限的端侧设备。

技术实现思路

1、技术问题：针对上述技术问题，本发明提出一种能够部署于端侧设备、同时具备低功耗实时推理能力与自适应更新能力的肌电解码系统及方法，以提高系统在长期使用过程中的稳定性、鲁棒性以及持续控制能力。

2、技术方案：为了实现上述目的，本发明的技术方案如下：

3、一种表面肌电信号端侧自适应解码方法，包括以下步骤：

4、s1:获取采集的腕关节肌肉群的表面肌电信号;

5、s2:对采集到的所述表面肌电信号进行预处理与特征提取，得到多通道肌电特征值；

6、s3:利用部署于可编程逻辑器件的基于多层感知机的运动意图解码模型对所述肌电特征值进行推理，得到运动意图预测结果，并根据所述运动意图预测结果控制控制对象运动；

7、s4:根据所述控制对象的当前位置坐标与预设目标位置坐标计算位置偏差向量，并根据所述位置偏差向量生成二维运动意图标签；基于所述肌电特征值和所述二维运动意图标签构建所述运动意图解码模型的训练样本，并根据所述运动意图预测结果与所述二维运动意图标签之间的误差更新所述运动意图解码模型。

8、s5:利用所述训练样本，在所述可编程逻辑器件侧对所述运动意图解码模型进行在线训练与参数更新，并将更新后的运动意图解码模型用于后续对所述肌电特征值的推理。

9、进一步的，s2中所述预处理与特征提取包括：采用滑动窗口对所述表面肌电信号进行分段处理，计算每个通道时间窗口的均方根值作为该通道的肌电特征值。

10、进一步的，所述运动意图解码模型为多层感知机，包括输入层、隐藏层和输出层；所述输入层用于接收所述肌电特征值，所述隐藏层采用relu作为激活函数，所述输出层输出二维连续运动速度信息。

11、进一步的，s4中所述根据所述控制对象的当前位置与预设目标位置生成运动意图标签，具体包括：

12、根据所述控制对象的当前位置与预设目标位置实时推断用户意图方向，所述用户意图方向表示为从所述当前位置指向所述目标位置的单位向量：

13、；

14、其中：表示当前位置；表示目标位置；

15、利用所述表面肌电信号的肌肉激活强度来表征光标的运动速度，结合所述单位向量生成连续运动意图标签：

16、；

17、其中，表示用户的连续运动意图标签，为第i个通道的均方根值。

18、进一步的，s5中，模型训练过程中的反向传播、梯度计算以及模型参数更新操作均部署于可编程逻辑硬件单元中执行；所述在线训练与参数更新的触发条件为：当检测到控制精度低于预设阈值时自动触发，或由用户手动触发。

19、进一步的，采用定点量化技术，将所述运动意图解码模型的权重参数与偏置参数由32位浮点数转为定点数，所述定点数的整数位宽为3位、小数位宽为7位，用于降低模型存储资源占用及硬件计算复杂度。

20、进一步的，步骤s3所述可编程逻辑器件中部署有可重构乘加阵列；所述运动意图解码模型的推理过程和在线训练过程中的矩阵乘法运算，均通过所述可重构乘加阵列对权重矩阵进行分块计算实现并行处理；

21、并且，所述可编程逻辑器件中采用层间流水线并行机制，将所述多层感知机中各层级的计算过程进行解耦，通过数据流接口在各层级之间直接传输数据，使不同层级的计算任务能够以流水线方式并行执行。

22、进一步的，所述可编程逻辑器件为fpga，所述运动意图解码模型部署于zynq系列fpga的可编程逻辑侧；所述训练样本存储于端侧设备的片外存储介质中。

23、本发明另一方面提出一种表面肌电信号端侧自适应解码系统，包括顶层控制器、推理单元、反向传播单元以及模型更新引擎，其中，

24、所述顶层控制器部署在系统的处理器侧，用于控制推理任务的调度及模型更新任务的启用；

25、所述推理单元、反向传播单元以及模型更新引擎均部署在fpga可编程逻辑侧；

26、所述推理单元用于对表面肌电信号进行预处理，并利用预处理后的数据进行运动意图解码模型的推理，得到运动意图预测结果；

27、所述反向传播单元用于利用训练集计算损失函数、偏置梯度和权重梯度；

28、所述模型更新引擎用于根据所述偏置梯度和权重梯度更新模型参数。

29、进一步的，所述处理器侧与fpga可编程逻辑侧交互接口采用axi-stream协议，并设有基于dma的双缓冲机制，通过乒乓操作隐藏数据传输与数据处理的等待时间；所述推理单元采用定点数格式执行模型推理，所述反向传播单元和所述模型更新引擎采用浮点数格式执行模型参数更新。

30、有益效果：本发明提出一种表面肌电信号端侧自适应解码方法及系统，采用多层感知机实现肌电信号的实时解码，并通过人机协同自适应方法使模型能够持续更新。相对于现有技术，本发明具有以下有益效果：

31、本发明采用端侧在线自适应训练机制，通过人机协同方式生成运动意图标签并构建训练样本，在可编程逻辑器件侧直接完成模型的反向传播与参数更新。当电极位移、肌肉疲劳等干扰因素引起肌电信号特征漂移时，系统无需离线重训练即可在线恢复解码性能。经6名受试者实验验证，在电极位置偏移扰动下，系统可快速恢复较高的识别性能，任务完成率保持在99%以上，路径效率达78%以上，表明本发明具备良好的在线自适应能力、鲁棒性及长期连续控制能力。

32、本发明将运动意图解码模型部署于fpga可编程逻辑侧，采用定点量化技术及硬件并行加速机制，有效降低了模型推理的计算复杂度与功耗。实验数据表明，fpga端推理功耗为0.131 w，单次推理平均耗时为14.08 μs，相较于同平台处理器端软件执行方式，推理功耗降低约95%，能够满足端侧设备对低功耗与实时性的双重需求。

33、作为本发明的优选实施方式，通过构建可重构处理单元阵列对权重矩阵进行分块计算，并采用层间流水线并行机制，可进一步减少访存开销与模块空闲时间，提高计算吞吐率。实验数据表明，在200次迭代下对1000个训练样本进行在线训练，总耗时约4.94 s，训练功耗为0.365 w，相较于处理器端软件执行方式降低约87%，表明本发明在资源受限的端侧设备上具备高效的在线训练能力。