• 微信
  • 抖音

基于AdaBoost-WOA-HKELM的下肢关节角度预测论文

理工论文 13℃ 0
SCI发表中的作者贡献度评估与署名规则

  关键词:肌电信号,混合核极限学习机,AdaBoost,WOA,下肢关节角度预测

  0引言

基于AdaBoost-WOA-HKELM的下肢关节角度预测论文

  随着老龄化和运动障碍人口不断增长,外骨骼作为新兴技术,在康复领域中发挥着积极作用。康复外骨骼结合患者意图进行康复训练,有助于改善患者的身体状况[1]。根据人体表面肌电信号(Surface Electromyography,sEMG)完成运动意图识别是康复外骨骼实现自然人机交互的关键技术[2]。如何有效利用sEMG信号准确识别人体运动意图,是国内外康复外骨骼的研究热点[3-4]。

  实现下肢意图识别主要聚焦于人体下肢运动模式识别与关节连续运动估计。通过sEMG信号对人体运动意图进行模式识别,基于模式识别的结果控制康复外骨骼机器人按照某种运动轨迹进行运动,已成为当前学术研究较为成熟的方向之一[5]。现有康复外骨骼机器人多数只是直接利用模式识别结果作为开关信号,导致康复外骨骼机器人的运动不自然、不灵活[6-8]。而关节连续运动意图估计能够调整更新实际意图轨迹,有着更高的灵活性。因此,通过sEMG估计连续的人体关节角度是当前康复外骨骼机器人理论与应用研究的关键点[9-10]。

  目前,直接建立sEMG信号和关节运动量的回归模型实现基于sEMG信号的关节角度预测,这种方操作简单、易于实现,因此被广泛应用。文献[11-12]分别基于自适应模糊神经网络和广义回归神经网络较好地实现了人体关节角度的预测,但神经网络的结构形式对预测结果影响很大,网络参数的确定过度依赖于训练数据,当测试数据和训练数据有差异时,易导致网络预测精度降低。文献[13]基于多通道的mRMR-PSO特征选择方法很好地解决了训练数据优化问题,并使用LSTM神经网络作为回归算法预测了肘关节屈曲动作的关节角度,预测精度有了一定程度提升,但实时性表现不佳。对此,文献[14]提出一种GS-ELM下肢运动解析方法,在保证实时性的基础上,考虑了运动周期对运动精度的影响,但预测精度仍有待提升。深度学习模型(如CNN、LSTM)学习能力强,支持序列数据预测,但需要大量数据进行训练,难以优化。

  综上所述,针对当前下肢连续运动预测精度低的问题,考虑到sEMG特征样本具有多维、非线性、小样本的数据特点,而HKELM适用于处理高维非线性的小样本数据,本文提出一种WOA-AdaBoost-HKELM下肢关节角度预测模型,表示下肢sEMG信号与髋、膝关节角度之间的非线性关系。通过MATLAB进行仿真对比实验,验证本文所提模型相比HKELM及WOA-HKELM预测模具有更高的预测精度。

  1关节角度预测肌电特征数据集建立

  通过分析人体下肢关节及肌肉运动特点,确定图1所示股直肌、股内侧肌、胫骨前肌、股二头肌、内侧腓肠肌和比目鱼肌与髋关节以及膝关节的运动有很大联系。使用RS-EMG8生物信号放大采集系统获取人体下肢运动肌肉对应的肌电信息,肌电传感器采样频率为1 000 Hz,并结合维特智能WT901WIFI角度传感器采集下肢髋、膝关节角度数据,采样频率为100 Hz。

  选择一名健康在校学生作为受试者。肌电传感器安装于受试者确定的6块肌肉部位,角度传感器安装于右腿髋、膝关节外侧,由于肌电传感器与角度传感器采样频率不一致,因此,采用线性插值同步后原始信号如图2所示。

  原始sEMG信号在采集过程中易受到噪声信号影响。sEMG信号频率范围为0~500 Hz,与人体运动相关的主要频段集中在30~300 Hz。因此,采用30~500 Hz的巴特沃斯带通滤波器、50 Hz的陷波滤波器去除噪声。

  预处理后sEMG信号特征提取对泛化能力有着至关重要的影响。良好的特征选择有助于减少数据冗余和输入数据带宽,提高预测精度。本文选用均方根值、斜率变化数2个时域特征及中值频率、平均功率频率2个频域特征作为待提取特征参数。

  均方根值(Rrms)能较全面地显示sEMG信号的有效值;斜率变化数(kssc)可以极好地表示sEMG信号即将发生波动变化的状态,计算公式如下:

  式中:xi为单通道sEMG信号序列,i=1,2,⋯,N;N为用来计算特征值的sEMG信号序列长度,本文选择N=200个样本点;α1、α2为阈值。

  中值频率(fmf)和平均功率频率(fmpf)分别表示sEMG信号的频率中值和功率频率分布的平均值。计算公式如下:

  式中:f为频率|2为sEMG信号的功率谱

  密度函数;n为样本点数;x(f)为积分累计函数。

  采用以上特征提取方式,每个特征样本包含6个肌电通道,每个肌电通道分别提Rrms、k ssc、fmf和fmpf这4个肌电特征组成24维特征向量。表达式如下:

  2模型构建原理

  2.1混合核极限学习机

  核极限学习机(Kernel Extreme Learning Machine,KELM)在非线性回归具有较好的应用效果[15-16]。与传统神经网络相比,其计算量和搜索空间较少。

 

  由式(7)可知,核函数的选取决定了模型预测精度。考虑到高斯核函数(RBF)和多项式核函数(Poly)分别为典型的全局核函数和局部核函数,它们都有各自的局限性[17]。本文结合RBF核学习能力强和Poly核泛化能力强的优点,组成混合核函数构造混合核极限学习机HKELM预测模型,从而更好地表征关节角度与sEMG信号特征之间的非线性关系。混合核函数的表达式为:

  式中:σ为RBF核函数参数;μ和ν为Poly核函数参数;ι为核函数权重。

  由于HKELM模型参数较多,参数设置对模型的精度影响较大,需引入优化算法对HKELM中的参数(C,σ,μ,ν,ι)进行优化。

  2.2鲸鱼优化算法

  鲸鱼优化算法(Whale Optimization Algorithm,WOA)与其他传统优化算法相比,有着参数少、结构简单、寻优能力强等优点[18-19]。该算法主要包括围捕猎物、起泡网捕食、搜索猎物3个部分,寻优具体过程如下。

  在围捕猎物阶段,随机选择一个种群个体位置作为捕食活动的目标猎物位置,其他鲸鱼将尝试包围到目标猎物的位置。位置更新过程如下:

  式中:x(t+1)为迭代次数为t时的鲸鱼位置;x∗(t)为目前得到的最佳解的位置向量;e(t)和z(t)表示系数向量,且e(t)=2a∗r-a、z(t)=2∗r,收敛因子a由2线性下降至0,r为[0,1]的随机向量。

  在起泡网捕食过程中,鲸鱼与猎物之间的位置更新可以用下面的对数方程式表示:

  式中:γ为[0,1]的随机数。γ≥0.5时,采用式(10)进行位置更新,当γ<0.5时,根据e(t)的值来确定更新方式。|e(t)|<1时,采用式(9)进行位置更新,当|e(t)|≥1时,进入搜索猎物阶段更新鲸鱼位置,过程如下:

  式中:x r(t)为当前随机个体的位置;d″为当前搜索个体与最优解之间的距离。

  为了提高模型准确度,采用WOA算法对HKELM参数进行优化,以sEMG数据样本预测均方误差作为WOA算法的评价函数,公式如下:

  式中:f(xi)、yi分别为第i个数据实际值及预测值;n为样本数量,优化目标为g(C,σ,μ,ν,ι)达到最小值。

  2.3 AdaBoost-WOA-HKELM模型

  AdaBoost核心思想如图3所示[20-22],先训练出1个WOA-HKELM弱学习器G1(x),根据G1(x)预测动态误差率更新样本权重分布,增加误差率高的样本的权重,根据调整权重后的样本训练出第2个WOA-HKELM弱学习器G2(x),迭代循环,直到训练出t个WOA-HKELM弱学习器Gt(x),最终根据这t个弱学习器的预测误差进行自适应加权组合成强学习器f(x),具体步骤如下。

  步骤1:将训练集T0={(xi,yi),i=1,2,⋯,N}代入弱训练器G1(x)训练,迭代次数为t,初始化样本集权重D 1=(ω11,ω12,⋯,ω1N)。

  步骤2:将权重为Dk的样本集进行训练,得到弱学习器Gk(x)。

  步骤3:计算弱学习器Gk(x)系数εk=ek/1-ek,式中ωki eki为Gk回归误差率,ωki为当前样本权重,eki=[yi-Gk(xi)]2/Ek为每个样本相对误差,Ek=max|yi-Gk(xi)|为训练集最大误差。

  步骤4:对于第k+1弱学习器Gk+1(x),更新其样本系数ωk+1,i=-eki,zk=ωkiε-eki为规范化因子。

  步骤5:重复上述过程,设定迭代次数阈值,最终组成强学习器εkGk最后利用合成的强学习器预测下肢髋、膝关节角度,具体流程如图4所示。

  3实验结果与分析

  基于AMD Ryzen 7 5800H with Radeon Graphics CPU、3.20 GH主频、16 GB内存以及Windows 11(64位)的操作系统,采用MATLAB2022a进行仿真实验研究。关节角度预测肌电数据集由24个肌电特征和2个关节角度组成。为更好地展现预测模型的预测效果,按照前文数据集建立的流程,采集数据建立数据集完成实验。数据集包含360个样本窗,前240个样本窗作为训练数据,后120个样本窗作为测试数据,所有模型训练集与测试集一致。WOA算法种群大小设定为30,最大迭代次数设定为50,AdaBoost算法的预设基学习器数目设定为10。髋、膝关节角度预测结果对比和误差对比如图5所示。由图可知,AdaBoost-WOA-HKELM髋、膝关节角度预测曲线相较于HKELM及WOA-HKELM更靠近原始值,预测误差更贴近0,说明AdaBoost-WOA-HKELM精度最高。

  为进一步验证所提预测模型的有效性,采用均方根误差(Root Mean Square Error,RMSE)和决定系数(R2)来评价建模方法的优劣,同时进行对比,计算公式如下:

  式中:n为关节角度预测sEMG样本数;m为输出变量;f(xij)为第i个关节角度预测值;yij为实际测量角度。

  RMSE值越大则估计的效果越差。R2用来评价模型回归效果,结果越接近1则表示预测效果越好。人体下肢髋、膝关节3种模型的均方根误差对比结果如表1所示,决定系数对比结果如表2所示。由表1可见,Ada-Boost-WOA-HKELM的髋、膝关节角度预测均方误差远低于HKELM和WOA-HKELM,即AdaBoost-WOA-HKELM预测准确性最高。表2中,AdaBoost-WOA-HKELM模型相比其他2种模型,决定系数更接近1,表明本文所提模型拟合程度最优、回归效果最好。

  4结束语

  针对下肢关节角度预测问题,本文提出了一种Ada-Boost-WOA-HKELM模型,搭建了sEMG信号与下肢关节运动角度之间的非线性关系。通过与HKELM、WOA-HKELM 2种模型进行髋、膝关节角度预测对比实验,实验结果验证了本文所提模型具有较高稳定性和较强回归效果,优越性更为明显,能够有效提高下肢康复外骨骼机器人意图识别预测精度,为下肢康复外骨骼机器人提供了一种精准识别方法。

  未来的研究将进一步探索如何基于下肢意图识别结果,与下肢康复外骨骼机器人系统结合,实现更灵活、更高效的人机交互控制。这不仅能够提高康复机器人的适应性和效果,还能够为患者提供更为个性化和舒适的康复体验,以期通过持续的技术创新和优化,进一步提升康复外骨骼机器人在实际应用中的性能,为患者带来更加有效和可靠的康复支持。

  参考文献:

  [1]WANG T,ZHANG B,LIU C H,et al.A review on the rehabilita-tion exoskeletons for the lower limbs of the elderly and the dis-abled[J].Electronics,2022,11(3):388.

  [2]孟琳,董洪涛,侯捷,等.面向下肢康复的柔性外骨骼机器人进展研究[J].仪器仪表学报,2021,42(4):206-217.

  [3]ZHAO A D,ZHANG B T,LIU C H,et al.Gait rehabilitation training robot:a motion-intention recognition approach with safe-ty and convenience[J].Robotics and Autonomous Systems,2022,158:104260.

  [4]丁逸苇,涂利娟,刘怡希,等.可穿戴式下肢外骨骼康复机器人研究进展[J].机器人,2022,44(5):522-532.

  [5]程龙,夏修泽.上肢康复外骨骼智能控制综述[J].机器人,2022,44(6):750-768.

  [6]JING WEI T,BIN ABDULLAH A R,MOHD SAAD N B,et al.Featureless EMG pattern recognition based on convolutional neu-ral network[J].Indonesian Journal of Electrical Engineering and Computer Science,2019,14(3):1291.

  [7]陆玄鸣,白敬,王保升.变刚度柔性夹持装置的研究进展[J].机电工程,2023,40(11):1803-1813.

  [8]WANG B Z,OU C W,XIE N G,et al.Lower limb motion recogni-tion based on surface electromyography signals and its experi-mental verification on a novel multi-posture lower limb rehabili-tation robots[J].Computers and Electrical Engineering,2022,101:108067.

  [9]丁其川,赵新刚,韩建达.基于肌电信号的上肢多关节连续运动估计[J].机器人,2014,36(4):469-476.

  [10]PANG M Y,GUO S X,HUANG Q,et al.Electromyography-based quantitative representation method for upper-limb elbow joint angle in sagittal plane[J].Journal of Medical and Biologi-cal Engineering,2015,35(2):165-177.

  [11]刘克平,滕召纬,孙中波,等.基于自适应模糊神经网络的下肢关节角度估计[J].计算机仿真,2022,39(9):456-461.

  [12]刘克平,孙瑞玲,柴媛媛,等.基于广义回归神经网络的上肢关节角度预测[J].科学技术与工程,2021,21(17):7187-7192.

  [13]胡瑢华,姚圣,曾成.面向康复训练的多通道mRMR-PSO肌电特征选择算法[J].电子测量技术,2022,45(11):72-77.

  [14]邱石,杜义浩,王浩,等.基于sEMG的下肢运动解析方法研究[J].仪器仪表学报,2018,39(2):30-37.

  [15]郭建帅,崔双喜,郭建斌,等.基于VMD-SSA-HKELM的超短期负荷预测[J].国外电子测量技术,2022,41(6):105-111.

  [16]周韦,孙宪坤,万俊杰.基于IAO优化HKELM的空气质量指数预测[J].智能计算机与应用,2023,13(6):50-56.

  [17]李可军,徐延顺,魏本刚,等.基于PSO-HKELM的变压器顶层油温预测模型[J].高电压技术,2018,44(8):2501-2508.

  [18]张晶,张宏,高翔.基于鲸鱼算法优化模糊逻辑的无线传感器网络分簇路由算法[J].信息与控制,2023,52(6):797-810.

  [19]王君瑞,吴新举,赵东琦,等.基于WOA-VMD与PSO-SVM的锂离子电池内短路故障诊断方法[J].工程科学学报,2023,45(12):2162-2172.

  [20]宋玉涵,祝跃飞,魏福山.一种基于AdaBoost模型的区块链异常交易检测方案[J].信息网络安全,2024,24(1):24-35.

  [21]盛文娟,赖振谱,杨宁,等.基于改进AdaBoost算法的可调谐F-P滤波器温漂补偿方法[J].光学学报,2023,43(3):3788/AOS221019.

  [22]王勇棋,陈仕龙,魏荣智,等.Elman-AdaBoost集成人工神经网络高压交流输电线路单相接地初始电压行波模量幅值比单端故障测距[J].电力科学与工程,2023,39(9):10-19.

学术期刊发表-留言咨询

免费咨询 高端品质服务 专业学术顾问为您解答!