买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于运动意图提取的手势轨迹预测方法，涉及假肢轨迹控制技术领域，通过从预处理后的肌电信号中提取相关特征，通过卷积神经网络算法对提取的相关特征进行训练，建立肌电信号与手部动作之间的关系模型，实时采集用户手臂的肌电信号，并通过预处理和提取相关特征后，输入到训练好的关系模型中，预测用户的手部动作意图，根据预测的手部动作意图控制假肢的动作。预测系统通过机器学习等对从手臂上采集的肌电信号经过预处理，通过肌电信号预测手部动作并建立关系，后续通过肌电信号来控制假肢的动作，不仅能够使假肢提前响应，而且有效提高假肢运动的准确度。

主权项：1.一种基于运动意图提取的手势轨迹预测方法，其特征在于：所述预测方法包括以下步骤：使用肌电传感器从用户的手臂上采集肌电信号，记录肌肉活动的数据，对采集到的肌电信号进行滤波和去噪处理，从预处理后的肌电信号中提取相关特征；通过卷积神经网络算法对提取的相关特征进行训练，建立肌电信号与手部动作之间的关系模型，实时采集用户手臂的肌电信号，并通过预处理和提取相关特征后，输入到训练好的关系模型中，预测用户的手部动作意图，根据预测的手部动作意图控制假肢的动作；在实际控制过程中，通过分析多类传感器反馈数据判断是否需要对假肢的响应速度进行实时校正，并依据判断结果生成相应的控制策略；从预处理后的肌电信号中提取相关特征，包括以下步骤：采集一段肌电信号数据，相关特征包括时域特征、频域特征和时频域特征，提取的时域特征包括肌电信号的波形长度、均方根值，提取的频域特征包括肌电信号的频带能量、频率中心，提取的时频域特征包括肌电信号的短时傅里叶变换、小波变换；通过卷积神经网络算法对提取的相关特征进行训练，建立肌电信号与手部动作之间的关系模型，包括以下步骤：将获取的均方根值、波形长度、频带能量、频率中心、短时傅里叶变换、小波变换均进行归一化处理，并对归一化处理后的均方根值、波形长度、频带能量、频率中心、短时傅里叶变换、小波变换进行标注，形成标签数据集；在卷积神经网络模型构建完成后，通过均方误差计算预测值与真实值之间的差距，并通过优化算法SGD更新网络权重，使用训练数据集对卷积神经网络模型进行迭代训练，不断调整权重和降低损失函数值，在卷积神经网络模型训练完成后，通过验证数据集评估卷积神经网络模型性能，并进行超参数调整优化，最后使用测试数据集验证卷积神经网络模型的泛化能力达标后，输出肌电信号与手部动作之间的关系模型；在实际控制过程中，通过分析多类传感器反馈数据判断是否需要对假肢的响应速度进行实时校正，并依据判断结果生成相应的控制策略，包括以下步骤：在假肢动作完成后，获取位置误差、速度误差以及疲劳度指数后，将位置误差、速度误差以及疲劳度指数综合计算获取校正系数，表达式为：，式中，为校正系数，为位置误差，为速度误差，为疲劳度指数，、分别为位置误差、速度误差的比例系数，且、均大于0；若校正系数小于等于第二系数阈值，且校正系数大于等于第一系数阈值，判断不需要对假肢的响应速度进行实时校正，若校正系数大于第二系数阈值，判断需要减小假肢的响应速度，若校正系数小于第二系数阈值，判断需要增大假肢的响应速度，校正算法表达式为： 式中，为校正后的响应速度，为校正前的响应速度，为校正系数，为第一系数阈值，为第二系数阈值。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于运动意图提取的手势轨迹预测方法