1.一种基于肌电和惯性信息的手部训练及评估方法,其特征在于,具体实施步骤如下:S1、从肌电数据库中提取第一侧动作肌电惯性信号和第二侧动作肌电惯性信号并传输给上位机;
S2、根据不同的训练强度,设计两种虚拟训练场景,通过体感控制器完成相应的动作;
S3、在进入虚拟训练场景之前,根据步骤S2中虚拟训练场景的动作训练提示进行分类器的训练:
S31、将步骤S1提取的第一侧动作肌电惯性信号传输给上位机,利用10~200Hz的带通滤波器和50Hz的陷波器去除肌电信号的高频噪声和工频干扰;
S32、确定肌电惯性信号的K‑邻近距离,用Rx和Ry分别表示第一侧动作肌电惯性信号和第二侧动作肌电惯性信号,得到数据点p到数据点o的可达距离reach‑dist(p,o),具体表达式如下:
reach_distk(p,o)=max{k‑distance(o),d(p,o)}式中,p、o‑信号中的任意两个数据点,k‑distance(o)‑第k个最近的点跟点p之间的距离,d(p,o)‑数据点数据点p到数据点o的距离;
S33、根据步骤S32获得的可达距离,计算数据点p的局部可达密度,具体表达式如下:式中,Nk(p)‑与数据点p的距离小于等于K‑邻近距离的数据点;
S34、根据步骤S33获得的可达距离,计算数据点p的局部相对密度(局部异常因子),具体表达式如下:
式中,lrdk(p)‑数据点p的局部可达密度;
S35、根据Rx和Ry两个肌电惯性信号各点所求的局部异常因子的大小,定义一个阈值u,通过阈值u得到优化后的第一侧动作肌电惯性信号和第二侧动作肌电惯性信号R′x和R′y;
S36、通过LOF算法结合传统CSP算法,得到改进的CSP算法的目标函数,具体表达式如下:
式中,w‑空间滤波器,R′x、R′y‑优化后的肌电信号;
S37、结合步骤S35和步骤S36,根据广义特征方程,求出空间滤波器w,具体表达式如下:R′xw=λR′yw
‑1
式中,λ‑(R′y) R′x的特征值;
S38、利用步骤S37得到的空间滤波器对步骤S31处理的样本进行特征提取,具体表达式如下:
式中,δ一般取值为0.05;
S39、将步骤S34提取的两类动作的特征,送入支持向量机(SVM)中,进行模型的训练,得到训练好的区分动作的分类器;
S4、根据步骤S2建立的虚拟训练场景,将步骤S1提取的第一侧动作肌电惯性信号通过步骤S31至步骤S38进行预处理和特征提取,并送入步骤S3训练好的区分动作的分类器中,生成相应的动作指令;
S5、将步骤S4生成的动作指令传输到康复机械手中,完成对应的动作;
S6、对步骤S5通过训练好的动作完成训练后的结果进行评估:S61、采集第一侧和第二侧在虚拟场景训练中相关动作造成的静态姿势震颤引起的加速度信号;
S62、对步骤S61采集的加速度信号进行0.5~195Hz的带通滤波;
S63、计算步骤S62得到的加速度信号的欧几里得范数,具体表达式如下:式中,x1、x2、x3分别是x、y、z三个轴上的加速度值;
S64、对步骤S63得到的第一侧动作肌电惯性信号、第二侧动作肌电惯性信号和加速度信号进行一致性分析,具体表达式为:式中,sxy(f)是信号x和y之间的互功率密度谱;sxy(f)、sxy(f)分别为信号x、y的自功率谱密度函数。
2.根据权利要求1所述的基于肌电和惯性信息的手部训练及评估方法,其特征在于,在步骤S3中,第一侧进行数据训练的次数为20次。
3.根据权利要求1或者2所述的基于肌电和惯性信息的手部训练及评估方法,其特征在于,在步骤S32中,所述可达距离reach‑dist(p,o),为数据点o的K‑邻近距离和数据点p与数据点o之间的直接距离的最大值。
4.根据权利要求1或者2所述的基于肌电和惯性信息的手部训练及评估方法,其特征在于,在步骤S33中,所述数据点p的局部可达密度为数据点p与邻近的数据点的平均可达距离的倒数。
5.根据权利要求1或者2所述的基于肌电和惯性信息的手部训练及评估方法,其特征在于,在步骤S34中,所述数据点p的局部相对密度(局部异常因子)为数据点p的邻居们的平均局部可达密度跟数据点p的局部可达密度的比值。
6.根据权利要求1或者2所述的基于肌电和惯性信息的手部训练及评估方法,其特征在于,在步骤S35中,阈值u的取值大于1。
7.根据权利要求1所述的基于肌电和惯性信息的手部训练及评估方法,其特征在于,所述训练及评估系统的训练装置,其包括Delsys肌电惯性采集模块、上位机软件、无线传输模块、电极驱动模块、leap motion人机交互设备和康复机械手。