本发明涉及人工智能和智能康复领域，具体公开了一种非理想条件下的人体下肢运动意图识别方法与系统。
背景技术：
0、技术背景
1、意图识别技术一直是外骨骼康复机器人解决人机交互的关键问题之一，这种技术的核心目的是使外骨骼康复机器人能够理解和预测用户的动作意图，从而提供合适的辅助或增强用户的运动能力。人体运动意图识别是指通过采集到的人体生理信号使用模型提前预测人体将要完成的动作，帮助外骨骼康复机器人做出响应，提高人机交互能力。在医疗康复领域，通过增强外骨骼机器人的响应速度和协调性，帮助使用者更好的进行康复动作。例如，在脑卒中患者的康复训练时，可以通过外骨骼机器人辅助患者进行康复运动，预测质量好的意图识别方法可以使康复运动更加标准，达到更好的康复效果。
2、在外骨骼康复机器人现实使用中，早期的人体下肢运动意图识别方法无法适应复杂的现实条件。目前，针对下肢运动意图识别的方法大多是理想条件下的连续运动预测以及分类预测，无法做到非理想条件下的连续运动预测。非理想条件是指电极偏移、肌肉疲劳、个体差异以及其他综合性干扰，例如，使用外骨骼康复机器人时，长时间的康复运动使得使用者肌肉功能下降，预测模型无法进行准确的意图识别令精度下降导致外骨骼康复机器人的动作变得不连贯、变形，甚至伤害到人本身。
3、现有的下肢运动意图识别技术在非理想条件下存在精度较低、质量较差等问题。因此，在智能康复等领域还没有成熟可应用的技术方案。
技术实现思路
1、本发明公开了一种非理想条件下的人体下肢运动意图识别方法，针对疲劳状态下的人体下肢连续动作意图识别精度低、生理信号复杂等问题。基于采集到的人体下肢表面肌电信号的均方根特征作为模型输入，利用改进的长短期记忆递归神经网络进行训练，最后实现高精度的下肢连续运动预测。本发明的技术方案如下：
2、一种非理想条件下的人体下肢运动意图识别方法，包括步骤：
3、a. 采集受试者一段时间内连续行走的下肢表面肌电信号和膝关节角位移信号；
4、b. 计算表面肌电信号的平均功率和香农熵分析受试者肌肉和身体状态并进行信号预处理；
5、c. 根据需求建立改进的神经网络模型；
6、d. 输入预处理后的表面肌电信号和膝关节角位移信号训练和寻找改进神经网络模型的最优超参数；
7、e. 输入预处理后的表面肌电信号均方根特征通过改进的神经网络模型预测膝关节角度并验证模型的预测质量和准确性。
8、进一步的，所述c步骤中，改进的神经网络模型具体包括：
9、s1：通过长短期记忆递归神经网络得到隐藏层的输出值，具体表达式为：
10、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>f</mi><mi>t</mi></msub><mi>=</mi><mi>σ</mi><mi>(</mi><msub><mi>w</mi><mi>f</mi></msub><mi>⋅</mi><mi>[</mi><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>y</mi><mi>t</mi></msub><mi>]</mi><mo>+</mo><msub><mi>b</mi><mi>f</mi></msub><mi>)</mi></mstyle>
11、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>i</mi><mi>t</mi></msub><mi>=</mi><mi>σ</mi><mi>(</mi><msub><mi>w</mi><mi>i</mi></msub><mi>⋅</mi><mi>[</mi><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>y</mi><mi>t</mi></msub><mi>]</mi><mo>+</mo><msub><mi>b</mi><mi>i</mi></msub><mi>)</mi></mstyle>
12、<mstyle displaystyle="true" mathcolor="#000000"><msub><mi>o</mi><mi>t</mi></msub><mi>=</mi><mi>σ</mi><mi>(</mi><msub><mi>w</mi><mi>o</mi></msub><mi>⋅</mi><mi>[</mi><msub><mi>h</mi><mrow><mi>t</mi><mi>−</mi><mn>1</mn></mrow></msub><mi>,</mi><msub><mi>y</mi><mi>t</mi></msub><mi>]</mi><mo>+</mo><msub><mi>b</mi><mi>o</mi></msub><mi>)</mi></mstyle>
13、<mstyle displaystyle="true" mathcolor="#000000"><msub><mover><mi>c</mi><mi>∼</mi></mover><mi>t</mi></msub><mi>=</mi><mi>tanh(</mi><msub><mi>w</mi><mi>c</mi></msub><mi>⋅</mi><mi>[</mi><msub><mi>h</mi><mi>t</mi></msub><mi>,</mi><msub><mi>y</mi><mi>t</mi></msub><mi>]</mi><mo>+</mo><msub><mi>b</mi><mi>c</mi></msub><mi>)</mi></mstyle>
14、
15、
16、其中，是均方根特征的时刻均方根特征向量，，，<mstyle displaystyle="true" mathcolor="#000000"><mi>[</mi><msub><mi>w</mi><mi>f</mi></msub><mi>,</mi><msub><mi>w</mi><mi>i</mi></msub><mi>,</mi><msub><mi>w</mi><mi>c</mi></msub><mi>,</mi><msub><mi>w</mi><mi>o</mi></msub><mi>]</mi></mstyle>为权重矩阵，<mstyle displaystyle="true" mathcolor="#000000"><mi>[</mi><msub><mi>b</mi><mi>f</mi></msub><mi>,</mi><msub><mi>b</mi><mi>i</mi></msub><mi>,</mi><msub><mi>b</mi><mi>c</mi></msub><mi>,</mi><msub><mi>b</mi><mi>o</mi></msub><mi>]</mi></mstyle>为偏置项，、和分别为时刻的输入门、遗忘门和输出门，为细胞状态候选值，tanh是双曲正切函数用于产生-1到1之间的输出，为细胞状态更新值，为sigmoid函数，和分别是t-1和t时刻隐藏层输出，表示元素间的点乘，即hadamard乘积；
17、s2：使用多头自注意力机制对隐藏层的输出值进行计算，具体表达式为：
18、
19、
20、
21、
22、
23、其中，<mstyle displaystyle="true" mathcolor="#000000"><mi>[</mi><msubsup><mi>w</mi><mi>i</mi><mi>q</mi></msubsup><mi>,</mi><msubsup><mi>w</mi><mi>i</mi><mi>k</mi></msubsup><mi>,</mi><msubsup><mi>w</mi><mi>i</mi><mi>v</mi></msubsup><mi>]</mi></mstyle>为第个自注意力头的权重矩阵，<mstyle displaystyle="true" mathcolor="#000000"><mi>[</mi><msubsup><mi>b</mi><mi>i</mi><mi>q</mi></msubsup><mi>,</mi><msubsup><mi>b</mi><mi>i</mi><mi>k</mi></msubsup><mi>,</mi><msubsup><mi>b</mi><mi>i</mi><mi>v</mi></msubsup><mi>]</mi></mstyle>为第个自注意力头的偏置项，为向量的维度，为线性映射矩阵，n为注意力头数，，softmax为激活函数，concat为张量拼接，是隐藏层的输出,；
24、s3：使用dropout层对多头自注意力的输出值进行计算，具体表达式为：
25、
26、其中，是一个与相同形状的随机向量，其中的每个元素是独立同分布的，来自伯努利分布，其概率为，表示元素间的点乘，即hadamard乘积；
27、s4：使用去最大值的通道注意机制对dropout层的输出值进行计算，具体表达式为：
28、
29、
30、其中，n为向量中元素的个数，max为取向量中的最大值，exp为以自然指数e为底的指数函数；
31、s5：使用残差连接、dropout层和全连接层输出模型预测值，具体表达式为：
32、
33、
34、
35、其中，linear的作用是对输入数据执行线性变换，mean为输入的平均值。
36、本发明还提出一种非理想条件下的人体下肢运动意图识别系统，包括：
37、信号采集模块，用于获取受试者连续运动时的下肢表面肌电信号和膝关节角度；
38、信号预处理模块，使用四阶巴特沃夫滤波和平均滤波处理表面肌电信号，将处理后的信号提取均方根特征并进行最大最小标准化处理；
39、连续运动预测模块，使用预处理后的信号进行连续的角度预测；
40、角度输出与质量验证模块，输出预测角度，利用真实角度和预测角度计算均方根误差和决定系数，验证预测质量。
41、与现技术相比，本发明的优点在于：
42、本发明提出了一种非理想条件下结合注意力机制的改进长短期记忆递归神经网络意图识别技术。特点在于，由于单一的长短期记忆递归神经网络对复杂且连续的下肢运动进行意图识别时的输出存在巨大震荡。所以采用多头自注意力机制对单一长短期记忆递归神经网络的隐藏层输出提取特征，通过获取隐藏层不同子空间的注意力分布从而更全面的捕捉隐藏层序列之间的关联减少震荡。并且由于多头自注意的预测精度较低，所以使用通道注意力机制计算整体输出权重并对输出重新赋值，考虑到计算时间和稳定性，对权重计算时去掉整个序列中的最大值。相比于其他超参数数值优化方法，基于贝叶斯思想的tpe算法可以更有效地搜索超参数空间。传统的网格搜索或随机搜索需要大量的迭代覆盖广泛的参数空间，而tpe利用历史信息来引导搜索过程，更加集中于可优化的参数区域。这种方法迭代次数少且可以避免陷入局部最优。
1.一种非理想条件下的人体下肢运动意图识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种非理想条件下的人体下肢运动意图识别方法，其特征在于，所述改进的神经网络模型包括以下步骤：
3.一种非理想条件下的人体下肢运动意图识别系统，其特征在于，所述系统包括：
