基于改进小脑模型的sEMG下肢关节力矩预测

关节力矩预测在康复医学、临床医学和运动训练等领域有着重要作用,对力矩连续、实时地预测可以使人机交互设备更好地反馈、复刻人体运动意图.为了给患者提供一个安全、主动、舒适的康复训练环境,提升人机交互设备的柔顺性,提出了一种改进型递归小脑模型神经网络模型关节力矩预测方法.该方法采用肌肉协同分析对采集的相关肌肉的表面肌电信号(sEMG)进行降维,将降维后的sEMG特征向量与关节角速度、关节角度作为输入信号,并在小脑模型神经网络中加入递归单元和模糊逻辑规则,以小波函数作为隶属度函数,对非疲劳、过渡疲劳及疲劳这3种状态下的踝关节背屈跖屈运动的动态力矩进行连续预测.力矩预测值与实际值之间的平均皮尔逊相关系数和平均标准均方根误差分别为0.933 5和0.159 8,实验结果验证了该方法对下肢关节力矩连续预测的准确性和有效性.