一种运动意图识别方法

1.申请属于生理信号处理技术领域，尤其涉及一种运动意图识别方法。


背景技术：

2.近年来，主动式康复机器人开始应用于脊髓损伤患者的康复训练。它能够根据肌电信号感知人体的运动意图，主动调控输出力矩和关节角度，使患者拥有基本的自理能力，极大程度的节约了时间成本和人力成本。然而人体肌电信号比较微弱，个体之间的肌电信号存在差异性，相同个体每次测量结果也存在差异，这使得人体意图的感知变得困难。
3.针对人体运动意图感知与识别难点，学者们建立了两类主要的方法。第一类是特征提取法，这类方法从复杂多变的肌电信号中提取稳定的特征，主要包括时域特征，频域特征，时频域特征以及机器学习特征。虽然这类方法取得了广泛的应用。然而，特征的选取和高维特征的融合依然存在较大的挑战，对于单一的特征，其中蕴含的信息经常不能满足多种动作的运动识别。多种特征组合则容易导致特征维数过大，增加模型的计算复杂度。第二类是建立鲁棒的分类器，这类方法基于机器学习增强模型的学习能力，常用的模型有贝叶斯网络、神经网络、多层感知器、模糊逼近、支持向量机和神经模糊系统辨识方法。尽管这些分类方法层出不穷，但是面对高维数据往往计算效率不高，且未考虑收到噪声和不确定性干扰的情况。此外，肌电信号数据量大，测量结果的时变性和差异性强，固定参数的模型不能适应肌电信号中的时变特性。
4.在实际应用中，上述局限性的存在导致人体运动意图的识别准确率低。


技术实现要素：

5.本技术实施例提供了一种运动意图识别方法，其目的是为了解决人体运动意图的识别准确率低的问题。
6.本技术实施例提供了一种运动意图识别方法，该识别方法包括：根据n个肌电信号数据样本，构建运动意图识别模型；利用预先定义的投影函数和后件参数对运动意图识别模型进行扩展；在采集到第n 1个肌电信号数据样本时，利用第n 1个肌电信号数据样本对扩展后的运动意图识别模型进行更新；利用更新后的运动意图识别模型对待识别肌电信号数据进行运动意图识别，得到待识别肌电信号数据对应的运动意图；其中，预先定义的投影函数的表达式为：；为第n个核函数，，为投影函数，为第n个肌电信号数据样本的投影函数。
7.本技术的上述方案有如下的有益效果：在本技术的实施例中，通过根据n个肌电信号数据样本，构建运动意图识别模型，并利用预先定义的投影函数和后件参数对运动意图识别模型进行扩展，然后在采集到第n 1个肌电信号数据样本时，利用第n 1个肌电信号数据样本对扩展后的运动意图识别模型进行更新，最终利用更新后的运动意图识别模型对待识别肌电信号数据进行运动意图识别，得到待识别肌电信号数据对应的运动意图。其中，通过用预先设定的投影函数和后件参数对运动意图识别模型进行扩展，使得运动意图识别模型能用较少的模糊规则数量和更明确的模糊规则解决肌电信号中的非线性问题，同时通过利用新的肌电信号数据样本对运动意图识别模型进行更新，使得更新后的模型能够准确预测人体的动态特性，从而使得在利用更新后的模型进行运动意图识别时能大大提高运动意图的识别准确率。
8.本技术的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
9.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
10.图1为本技术一实施例提供的运动意图识别方法的流程图；图2为本技术一实施例提供的构建运动意图识别模型的流程图；图3为本技术一实施例提供的对扩展后的运动意图识别模型进行更新的流程图；图4为本技术一实施例提供的前件参数更新过程示意图；图5为本技术一实施例提供的扩展核学习在线更新示意图。
具体实施方式
11.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
12.应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
13.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
14.如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0015]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0016]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0017]
针对目前人体运动意图的识别准确率低的问题，本技术实施例通过根据n个肌电信号数据样本，构建运动意图识别模型，并利用预先定义的投影函数和后件参数对运动意图识别模型进行扩展，然后在采集到第n 1个肌电信号数据样本时，利用第n 1个肌电信号数据样本对扩展后的运动意图识别模型进行更新，最终利用更新后的运动意图识别模型对待识别肌电信号数据进行运动意图识别，得到待识别肌电信号数据对应的运动意图。其中，通过用预先设定的投影函数和后件参数对运动意图识别模型进行扩展，使得运动意图识别模型能用较少的模糊规则数量和更明确的模糊规则解决肌电信号中的非线性问题，同时通过利用新的肌电信号数据样本对运动意图识别模型进行更新，使得更新后的模型能够准确预测人体的动态特性，从而使得在利用更新后的模型进行运动意图识别时能大大提高运动意图的识别准确率。
[0018]
下面结合具体实施例对本技术提供的运动意图识别方法进行示例性的说明。
[0019]
本技术实施例提供了一种运动意图识别方法，该方法可以由终端设备执行，也可以由应用于终端设备中的装置（比如芯片）来执行，下述实施例以该方法由终端设备执行为例。作为一种示例，该终端设备可以是平板，服务器或者笔记本电脑等，本技术实施例对此不做限定。
[0020]
如图1所示，本技术实施例提供的运动意图识别方法包括如下步骤：步骤101，根据n个肌电信号数据样本，构建运动意图识别模型。
[0021]
上述肌电信号数据为在人体腿部运动过程中采集到的相关肌肉的肌电信号。
[0022]
在本技术的一些实施例中，由于肌电的原始信号数据量大，容易受到干扰致使信号上下波动。为了获得最优的分类器性能，提高肌电信号的识别能力，需要提取信号稳定的特征。因此，提取多种易于识别的时域和频域特征。将所有通道的特征按列排列形成输入特征向量x，采用模糊c均值（fcm，fuzzy c-means）聚类算法将高维特征数据分解到模糊集中，模糊中心数目为r，最后可以得到每个模糊中心 和方差的表达式为：其中，为第k个模糊中心，为第i个肌电信号数据样本对第k个模糊集的隶属度，q为决定模糊度的一个指数权重，为第i个肌电信号数据样本。
其中，为第k个模糊集的方差。
[0023]
求得每个模糊中心和方差后，高斯隶属度函数定义为：其中，为样本对第k个模糊集的隶属度。
[0024]
通过以上聚类方法，高维肌电特征数据能够用r个模糊中心来表达。
[0025]
由于肌电信号不平稳、易受干扰，所以训练数据往往存在较强非线性，此时需要建立较多的模糊规则来保证模型的精度，然而随着模糊规则的数量增多，模型的计算复杂度增大，容易导致规则的维数灾难。因此，现有低阶核学习的运动意图识别模型通过将肌电信号数据样本分解到模糊集中，实现运动意图感知，该模型可以通过如下模糊规则表述：其中，rk为第k个模糊集的模糊规则，x
i(n)
为第i个肌电信号数据样本的第n维变量，，a
kn
为第k个规则的第n个模糊集，yk为第k个规则中的运动意图的预测值，和为第k个模糊集的模糊规则中的后件参数，为第i个肌电信号数据样本的投影函数。
[0026]
该模型的最终表达式为：其中，为第i个拉格朗日乘子，，为第i个核函数，，为投影函数，为肌电信号数据样本对第k个模糊集的隶属度，为第i个肌电信号数据样本对第k个模糊集的隶属度，为第k个模糊集的模糊规则中的后件参数。
[0027]
步骤102，利用预先定义的投影函数和后件参数对运动意图识别模型进行扩展。
[0028]
具体的，通过将运动意图识别模型中的投影函数和后件参数替换为预先定义的投影函数和后件参数，便可得到扩展后的运动意图识别模型。
[0029]
在本技术的一些实施例中，利用预先定义的投影函数和后件参数对运动意图识别模型进行扩展是为了在最终的运动意图识别模型中能显式表达后件参数a以及能清晰的描述模糊规则，避免模糊规则的意义不明确。
[0030]
步骤103，在采集到第n 1个肌电信号数据样本时，利用第n 1个肌电信号数据样本对扩展后的运动意图识别模型进行更新。
[0031]
在本技术的一些实施例中，在利用n个肌电信号数据样本构建并扩展运动意图识别模型后，再利用第n 1个肌电信号数据样本对扩展后的运动意图识别模型进行更新是为了更好的模拟人体系统中肌电信号的动态过程。
[0032]
步骤104，利用更新后的运动意图识别模型对待识别肌电信号数据进行运动意图识别，得到待识别肌电信号数据对应的运动意图。
[0033]
在本技术的一些实施例中，利用更新后的运动意图识别模型对待识别肌电信号数据进行运动意图识别是为了能够准确预测人体的动态特性。
[0034]
值得一提的是，本技术通过用预先设定的投影函数和后件参数对运动意图识别模型进行扩展，使得运动意图识别模型能用较少的模糊规则数量和更明确的模糊规则解决肌电信号中的非线性问题，同时通过利用新的肌电信号数据样本对运动意图识别模型进行更新，使得更新后的模型能够准确预测人体的动态特性，从而使得在利用更新后的模型进行运动意图识别时能大大提高运动意图的识别准确率。
[0035]
下面结合具体实施例对步骤101进行示例性的说明。
[0036]
在本技术的一些实施例中，如图2所示，根据n个肌电信号数据样本，构建运动意图识别模型的具体实现方式包括如下步骤：步骤201，将n个肌电信号数据样本分解到r个模糊集中。
[0037]
具体的，采集人体腿部运动过程相关肌肉的肌电信号，然后根据移动时间窗对肌电信号划分为n个肌电信号数据样本，并提取n个肌电信号数据样本的多维特征，最后将所有通道的多维特征按列排列形成输入特征向量x，采用模糊c均值（fcm，fuzzy c-means）聚类算法将多维特征数据分解到模糊集中。
[0038]
上述多维特征包括：时域特征和频域特征。
[0039]
在本技术的一些实施例中，提取n个肌电信号数据样本的时域特征和频域特征是为了获得最优的分类器性能，提高肌电信号的识别能力。
[0040]
步骤202，计算每个肌电信号数据样本对每个模糊集的隶属度，并基于隶属度构建运动意图识别模型。
[0041]
具体的，得到每个肌电信号数据样本的r个模糊中心和方差，并根据r个模糊中心和方差计算每个肌电信号数据样本对每个模糊集的隶属度，并根据n个肌电信号数据样本对多个模糊集的隶属度，构建运动意图识别模型。
[0042]
通过如下公式计算每个肌电信号数据样本对每个模糊集的隶属度：其中，为第k个模糊中心，为第i个肌电信号数据样本对第k个模糊集的隶属度，q为决定模糊度的一个指数权重，为第i个肌电信号数据样本。
[0043]
通过如下公式得到每个肌电信号数据样本对每个模糊集的方差：
其中，为第k个模糊集的方差。
[0044]
通过如下公式获取每个肌电信号数据样本对每个模糊集的隶属度：其中，为样本对第k个模糊集的隶属度。
[0045]
构建的运动意图识别模型为：其中，为第i个拉格朗日乘子，，为第i个核函数，，为肌电信号数据样本对第k个模糊集的隶属度，为第i个肌电信号数据样本对第k个模糊集的隶属度，为第k个模糊集的模糊规则中的后件参数。
[0046]
下面结合具体实施例对步骤102进行示例性的说明。
[0047]
在本技术的一些实施例中，扩展后的运动意图识别模型为：其中，为运动意图，为肌电信号数据样本对第k个模糊集的隶属度，为预先定义的后件参数，为预先定义的投影函数，为第k个模糊集的模糊规则中的后件参数，。
[0048]
其中，为第n个肌电信号数据样本对应的拉格朗日乘子，为第n个肌电信号数据样本，为第n个肌电信号数据样本第k个模糊集的隶属度，为第n个核函数，，为投影函数，为第n个肌电信号数据样本的投影函数。
[0049]
需要说明的是，用预先定义的投影函数和后件参数对运动意图识别模型进行扩展是为了提高运动意图识别模型的泛化性。
[0050]
值得一提的是，通过以上变换，扩展核学习的运动意图识别模型可以用多个显式的模糊规则来描述，这使得扩展后的运动意图识别模型有更明确的意义。
[0051]
在本技术的一些实施例中，对运动意图识别模型进行扩展的具体实现方式还包括如下步骤：步骤一，建立核函数矩阵。
[0052]
步骤二，对核函数矩阵进行特征值分解，并按照从大至小的顺序从分解后的特征值中选取m个特征值。
[0053]
步骤三，将m个特征值对应的核函数作为支持核函数。
[0054]
其中，上述支持核函数为扩展后的运动意图识别模型中多个最大的特征值对应的核函数。
[0055]
步骤四，将扩展后的运动意图识别模型中除支持核函数以外的其他核函数删除，得到降维后的运动意图识别模型。
[0056]
具体的，通过用奇异值分解（svd ，singular value decomposition）对核函数矩阵k进行特征值分解，保留m个最大的特征值对应的核函数，这些被称为支持核函数，其余的则删除。
[0057]
需要说明的是，将扩展后的运动意图识别模型中除支持核函数以外的其他核函数删除是为了减少扩展后的运动意图识别模型中参数的冗余。
[0058]
步骤五，对降维后的运动意图识别模型中的参数进行求解，并利用求解后的参数得到最终运动意图识别模型。
[0059]
在本技术的一些实施例中，降维后的运动意图识别模型为：其中，，为第m个支持核函数，m为支持核函数的数量，为第k个模糊集的模糊规则中的后件参数，，为中的第m个参数，。 [0060]
在本技术的一些实施例中，降维后的运动意图识别模型中的参数包括后件参数和后件参数。需要说明的是，在求解得到后件参数和后件参数的具体值后，将具体值代入，即可得到最终运动意图识别模型。
[0060]
对降维后的运动意图识别模型中的参数进行求解，包括：对降维后的运动意图识别模型建立如下线性方程：
其中，为第n个肌电信号数据样本对第r个模糊集的隶属度，为第n个肌电信号数据样本的第m个支持核函数，为当肌电信号数据样本量为n时第r个模糊集的模糊规则中的后件参数，为当肌电信号数据样本量为n时中的第m个参数，r为模糊集的数量，为第n个肌电信号数据样本对应的运动意图的真实值。
[0061]
基于最小二乘法对线性方程进行求解，得到。
[0062]
在本技术的一些实施例中，最终运动意图识别模型可以通过如下模糊规则表述：其中， rk为第k个模糊集的模糊规则，x
i(n)
为第i个肌电信号数据样本的第n维变量，，a
kn
为第k个规则的第n个模糊集，yk为第k个规则中的运动意图的预测值，为第k个模糊规则中第m个支持核函数对应的后件参数，为第k个模糊集的模糊规则中的后件参数，为第m个支持核函数，m为支持核函数的数量。
[0063]
下面结合具体实施例对步骤103进行示例性的说明。
[0064]
在本技术的一些实施例中，如图3所示，在采集到第n 1个肌电信号数据样本时，利用第n 1个肌电信号数据样本对扩展后的运动意图识别模型进行更新的具体实现方式包括如下步骤：步骤301，将第n 1个肌电信号数据样本输入最终运动意图识别模型，得到第n 1个肌电信号数据样本对应的运动意图的预测值。
[0065]
需要说明的是，第n 1个肌电信号数据样本为新样本。
[0066]
步骤302，根据预测值和第n 1个肌电信号数据样本对应的运动意图的真实值，得到最终运动意图识别模型的建模误差。
[0067]
需要说明的是，运动识别模型的误差为扩展后的运动意图识别模型输出的运动意图预测值与运动意图真实值的差值。
[0068]
步骤303，获取第n 1个肌电信号数据样本对r个模糊集的隶属度。
[0069]
在本技术的一些实施例中，获取第n 1个肌电信号数据样本对r个模糊集的隶属度是为了通过新样本对r个模糊集的隶属度判断最终运动意图识别模型是否需要更新。
[0070]
步骤304，若建模误差大于预设误差阈值、且第n 1个肌电信号数据样本对r个模糊集的隶属度均大于预设隶属度阈值，则对最终运动意图识别模型进行更新。
[0071]
需要说明的是，如果肌电信号数据样本n 1对应的建模误差大于预设误差阈值，但是这时候该样本对所有模糊集的隶属度值都很小，该样本会被认为是一个孤立的噪声点，因而不会触发更新步骤。
[0072]
示例性的，如图4所示，样本x1对模糊集a1、a2和a3的隶属度都很小，因此样本x1会被认为是一个孤立点。
[0073]
在本技术的一些实施例中，对最终运动意图识别模型进行更新的具体的实现方式包括如下步骤：步骤一，获取第n 1个肌电信号数据样本对r个模糊集的距离。
[0074]
上述距离为第n 1个肌电信号数据样本与对应模糊集的模糊中心之间的距离。
[0075]
步骤二，若第n 1个肌电信号数据样本与r个模糊集中一模糊集的距离小于第一预设距离阈值、且第n 1个肌电信号数据样本与r个模糊集中其他模糊集的距离均大于或等于第一预设距离阈值，则进入步骤三和步骤四。
[0076]
步骤三，通过模糊中心更新公式更新r个模糊集的模糊中心，通过方差更新公式更新r个模糊集的方差。
[0077]
需要说明的是，上述模糊中心和方差为求运动意图识别模型公式中的隶属度所用到的前件参数。
[0078]
步骤四，对最终运动意图识别模型的后件参数进行局部更新。
[0079]
步骤五，若第n 1个肌电信号数据样本与r个模糊集中一部分模糊集的距离小于第二预设距离阈值（该第二预设距离阈值大于上述第一预设距离阈值），且第n 1个肌电信号数据样本与r个模糊集中另一部分模糊集的距离均大于或等于第二预设距离阈值，则进入步骤六。
[0080]
步骤六，通过模糊中心更新公式更新r个模糊集的模糊中心，通过方差更新公式更新r个模糊集的方差，并对最终运动意图识别模型的后件参数进行局部更新。
[0081]
步骤七，若第n 1个肌电信号数据样本与r个模糊集中每个模糊集的距离均小于第二预设距离阈值，则进入步骤八。
[0082]
步骤八，通过模糊中心更新公式更新r个模糊集的模糊中心，通过方差更新公式更新r个模糊集的方差，并对最终运动意图识别模型的后件参数进行全局更新。
[0083]
具体的，定义更新指示器。
[0084]
上述更新指示器为。
[0085]
其中，为更新指标，表示为第k个模糊集的模糊规则不需要更新，表示为第k个模糊集的模糊规则需要更新。
[0086]
若样本离某一个模糊集的模糊中心较近，则更新前件参数中的r个模糊集的模糊中心和r个模糊集的方差以及局部更新后件参数。
[0087]
若样本处于部分模糊集的中间，则更新模型参数中的前件参数中的r个模糊集的模糊中心和r个模糊集的方差以及局部更新后件参数。
[0088]
若样本处于所有模糊集的中间，则更新模型参数中的前件参数中的r个模糊集的模糊中心和r个模糊集的方差以及全局更新后件参数。
[0089]
示例性的，如图4所示，上述步骤304可以分两种情况，第一种情况，样本x2离一个模糊中心c1（模糊集a1的模糊中心）很近，而离其它的模糊中心（模糊集a1和模糊集a2的模糊中心c2和c3）很远，此时该样本对模糊集a1的隶属度较大，对其它模糊集的隶属度和较小，因此需要对模糊集a1的模糊中心和方差进行更新，需要对后件参数进行局部更新；第二种情况，样本x3处于模糊集a1和模糊集a2的中间，此时样本对模糊集a1和模糊集a2的隶属度和较大，对其它模糊集（即模糊集a3）的隶属度较小，因此需要对模糊集a1和模糊集a2的模糊中心和方差进行更新，需要对后件参数进行局部更新。
[0090]
在本技术的一些实施例中，r个模糊集的模糊中心更新公式为：其中，为当肌电信号数据样本量为n 1时的第k个模糊中心，为当肌电信号数据样本量为n时的第k个模糊中心，为第n 1个肌电信号数据样本，为第n 1个肌电信号数据样本对第k个模糊集的隶属度， 为第i个肌电信号数据样本对第k个模糊集的隶属度。
[0091]
r个模糊集的方差更新公式为：
其中，为当肌电信号数据样本量为n 1时的第k个模糊集方差，为当肌电信号数据样本量为n时的第k个模糊集方差。
[0092]
在本技术的一些实施例中，对最终运动意图识别模型的后件参数进行全局更新的具体实现方式为：建立如下参数更新线性方程：其中，为第n 1个肌电信号数据样本对第r个模糊集的隶属度，为第n 1个肌电信号数据样本的第m个支持核函数，为当肌电信号数据样本量为n 1时最终运动意图识别模型的后件参数，为当肌电信号数据样本量为n 1时第r个模糊规则中的后件参数，为当肌电信号数据样本量为n 1时中的第m个参数，为第n 1个肌电信号数据样本对应的运动意图的真实值。
[0093]
基于递归最小二乘法对参数更新线性方程进行更新，得到
其中，为的第n 1行。
[0094]
在本技术的一些实施例中，对最终运动意图识别模型的后件参数进行局部更新的具体实现方式为：通过如下公式更新最终运动意图识别模型中需要更新的后件参数（需要更新的后件参数为：与第n 1个肌电信号数据样本之间的距离小于第一预设距离阈值的模糊集的模糊规则中的后件参数（与上述步骤二的情况对应）、与第n 1个肌电信号数据样本之间的距离小于第二预设距离阈值的模糊集的模糊规则中的后件参数（与上述步骤五的情况对应））： 其中，为当肌电信号数据样本量为n 1时第k个模糊集的模糊规则中的后件参数，在上述局部更新中，k为需要更新后件参数的模糊集的序号，为当肌电信号数据样本量为n时第k个模糊集的模糊规则中的后件参数，为第n 1个肌电信号数据样本对第k个模糊集的隶属度。数据样本对第k个模糊集的隶属度。
[0095]
为第n 1个肌电信号数据样本的投影函数，为的第k行。
[0096]
需要说明的是，后件参数的更新指示基于更新指示器，如果则后件参数需要进行更新。后件参数的更新方法包括上述全局更新和局部更新方法，如果所有的后件参数都需要更新，即对于所有模糊规则，都有，则采用全局更新方法。如果只有少量模糊规则的后件参数需要更新，采用局部更新方法会更加高效。
[0097]
值得一提的是，本技术主要用于人体运动意图的感知，其优点在于：（1）提出了扩展核学习的运动意图识别模型，使扩展后的运动意图识别模型能用较少的模糊规则数量和更明确的模糊规则解决肌电信号中的非线性问题。
[0098]
（2）如图5所示，设计了一种肌电信号数据样本动态特性的检测机制，该机制能根
据新样本的建模误差和对模糊集的隶属度，识别该样本的动态特性是否发生改变。
[0099]
（3）提出了扩展核学习的运动意图识别模型的在线更新方法，如图5所示，x为第n 1个肌电信号数据样本，y为第n 1个肌电信号数据样本对应的运动意图的真实值，为前件参数中的模糊集的模糊中心，为前件参数中的模糊集的方差，和为模糊集的模糊规则中的后件参数，为肌电信号数据样本n 1对应的建模误差，为第n 1个肌电信号数据样本对第i个模糊集的隶属度，为预设误差阈值，为预设隶属度阈值，该方法能递归更新该模型的前件参数和后件参数，当该模型需要更新时，生成新的前件参数中的模糊中心和方差以及新的后件参数和，从而使得更新后的运动意图识别模型输出的预测值能够准确预测人体的动态特性。
[0100]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。