基于树突神经网络的步态轨迹预测方法及相关设备

本发明涉及了生物信号处理，具体涉及了基于树突神经网络的步态轨迹预测方法及相关设备。

背景技术：

1、对于正常人、老年人或者有一侧肢体可以正常运动的外骨骼穿戴者，可以通过对穿戴者自身步态轨迹的解码，实现穿戴者对下肢外骨骼的主动控制，达到人机协同的目的。根据人体步态的产生机理，足底压力、关节角度、下肢表面肌电（surfaceelectromyography，semg）和脑电(electroencephalogram，eeg)等信号中都包含步态信息，目前用于步态轨迹解码的信号以关节角度等运动学信号为主，但是关节角度等运动学信号产生于实际运动发生后，不能实现对步态轨迹的预测，因此很难直接用于下肢外骨骼的控制。

2、而脑肌电信号产生于实际步态之前，理论上可以用于步态轨迹的预测，但脑肌电信号中可解码出的步态信息量少，进而导致步态轨迹预测精度难以提升，因此，亟需提出一种可解码脑肌电信号步态信息的方法，实现对下肢外骨骼的连续实时控制。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供基于树突神经网络的步态轨迹预测方法及相关设备，用于解决目前下肢步态轨迹解码时效性和精度低的技术问题。

2、本发明的目的是由以下技术方案实现的：

3、第一方面，本发明提供了一种基于树突神经网络的步态轨迹预测方法，包括：

4、获取双腿运动过程中肌肉群的semg信号和下肢主要关节的运动学信号和大脑皮层eeg信号；

5、对所述semg信号、运动学信号和大脑皮层eeg信号进行预处理；

6、将预处理后的semg信号、运动学信号和eeg信号输入至步态轨迹预测模型中，对双腿步态轨迹进行预测，得到双腿的膝关节运动轨迹；

7、所述步态轨迹预测模型采用的是树突神经网络模型，所述树突神经网络模型将输入semg信号和eeg信号进行融合后，根据融合后的数据进行解码，基于解码后的数据得到双腿的膝关节运动轨迹。

8、作为本发明的进一步改进，所述预处理过程包括：

9、对所述eeg信号进行重采样后，基于采样后的eeg信号进行去噪操作，所述去噪操作至少包括对采样后的eeg信号依次进行重参考、带通滤波、与眼电相关独立成分去除和运动伪迹去除；

10、对所述semg信号进行带通滤波和小波去噪操作。

11、作为本发明的进一步改进，所述semg信号进行带通滤波采用的带通滤波器为基于巴特沃斯滤波器设计的两级iir滤波器，滤波频率为1-3hz的delta波段。

12、作为本发明的进一步改进，还包括将预处理后得到的semg信号和eeg信号进行归一化处理。

13、作为本发明的进一步改进，所述树突神经网络模型用于模拟神经元树突结构，树突神经网络模型的预测方式为：

14、

15、式中，为第个树突分支层的输出，为第个树突分支层的输出，为第个树突分支层到第个树突分支层的权值矩阵，为哈达玛积。

16、作为本发明的进一步改进，所述树突神经网络模型中包括数据融合模块，所述数据融合模块用于对输入的semg信号和eeg信号进行并联数据融合；所述并联数据融合包括：

17、将semg信号和eeg信号同时输入至一个树突神经网络模型中，将树突神经网络中的标签设置为膝关节运动轨迹，则树突神经网络直接学习从semg信号和eeg信号中解码出膝关节运动轨迹。

18、作为本发明的进一步改进，所述数据融合模块用于对输入的semg信号和eeg信号进行串联数据融合；所述串联数据融合包括：

19、设置两个串联的树突神经网络，将eeg信号输入至第一个树突神经网络中，将第一个树突神经网络的标签设置为semg信号，基于第一个树突神经网络解码得到semg信号；将解码得到的semg信号作为第二个树突神经网络的输入，将第二个树突神经网络中的标签设置为膝关节运动轨迹，基于对semg信号进行解码输出膝关节运动轨迹。

20、第二方面，本发明提供了一种基于树突神经网络的步态轨迹预测系统，包括：

21、运动数据获取模块，获取双腿运动过程中肌肉群的semg信号和eeg信号；

22、数据预处理模块，对所述semg信号和eeg信号进行预处理；

23、步态轨迹预测模块，将预处理后的semg信号和eeg信号输入至步态轨迹预测模型中，对双腿步态轨迹进行预测，得到双腿的膝关节运动轨迹；

24、所述步态轨迹预测模型采用的是树突神经网络模型，所述树突神经网络模型将输入semg信号和eeg信号进行融合后，根据融合后的数据进行解码，基于解码后的数据得到双腿的膝关节运动轨迹。

25、第三方面，本发明提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述的基于树突神经网络的步态轨迹预测方法。

26、第四方面，本发明提供了一种计算设备，包括：

27、一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述基于树突神经网络的步态轨迹预测方法中的步骤。

28、本发明的有益效果在于：本发明提供了一种基于树突神经网络的步态轨迹预测方法，通过获取双腿运动过程中肌肉群的semg（表面肌电信号）和下肢主要关节的eeg（脑电图信号）信号，经预处理后输入采用树突神经网络模型的步态轨迹预测模型，该树突神经网络模型对输入的semg信号和eeg信号进行融合后解码，基于解码后的数据得到双腿的膝关节运动轨迹，从而利用树突神经网络模型对semg信号和eeg信号的融合解码能力，实现对双腿膝关节运动轨迹的有效预测，解决了如何基于semg信号和eeg信号准确获取双腿膝关节运动轨迹的技术问题。

1.一种基于树突神经网络的步态轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述的基于树突神经网络的步态轨迹预测方法，其特征在于，对所述semg信号和eeg信号进行预处理，所述预处理过程包括：

3.根据权利要求2所述的基于树突神经网络的步态轨迹预测方法，其特征在于，所述semg信号进行带通滤波采用的带通滤波器为基于巴特沃斯滤波器设计的两级iir滤波器，滤波频率为1-3hz的delta波段。

4.根据权利要求2所述的基于树突神经网络的步态轨迹预测方法，其特征在于，还包括将预处理后得到的semg信号和eeg信号进行归一化处理。

5.根据权利要求1所述的基于树突神经网络的步态轨迹预测方法，其特征在于，所述树突神经网络模型用于模拟神经元树突结构，树突神经网络模型的预测方式为：

6.根据权利要求1或5所述的基于树突神经网络的步态轨迹预测方法，其特征在于，所述树突神经网络模型中包括数据融合模块，所述数据融合模块用于对输入的semg信号和eeg信号进行并联数据融合；所述并联数据融合包括：

7.根据权利要求1或5所述的基于树突神经网络的步态轨迹预测方法，其特征在于，所述数据融合模块用于对输入的semg信号和eeg信号进行串联数据融合；所述串联数据融合包括：

8.一种基于树突神经网络的步态轨迹预测系统，其特征在于，包括：

9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行权利要求1至7任一所述的基于树突神经网络的步态轨迹预测方法。

10.一种计算设备，其特征在于，包括：