一种基于肌电信号的健身辅助方法与流程

本发明属于模式识别与人工智能技术领域，涉及一种基于肌电信号的健身辅助方法。

背景技术：

健身有助于预防多种疾病，近年来，越来越多的人意识到健身的重要性，健身行业发展迅速，渗透到各个年龄阶段的人群。然而不规范的健身动作会使健身效果不佳，严重时还会造成肌肉拉伤。此外，进一步的研究表明，如果在有监督下进行健身，用户在训练中更有动力。所以对健身辅助方法的研究有着重要的意义。

目前的健身辅助方法主要基于身体姿态，在deparia,ferrarip,flamminia,rinaldis.lightweightmachinelearning-basedapproachforsupervisionoffitnessworkout[c]//ieeeconferencesensorsapplicationssymposium.instituteofelectricalandelectronicsengineersinc,2019.这篇文献中，通过x,y，z三轴的姿态进行健身辅助，能够在一定容错范围下对健身进行辅助，但由于姿态信息信息量较大、扰数据较多，容易发生误判，并且借助姿态信息无法直接反映肌肉的具体状态，辅助可信度较低。

随着机器学习的发展和普及，很多复杂的算法都得以实现，在模式识别上也有很好的应用场景。将机器学习应用于健身标准判定与健身动作识别有很高的准别率，但需要对机器学习的模型进行比较，选择最合适算法。

技术实现要素：

本发明为克服现有技术的缺陷，发明了一种基于肌电信号的健身辅助方法，该方法通过电极片采集健身人员的原始肌电信号，通过硬件电路的滤波与放大处理后传至pc端，对处理后的肌电信号进行积分肌电值(iemg)、平均绝对值(mav)、方差(var)、均方根值(rms)四个特征值提取。通过机器学习的svm支持向量机作为判定动作是否标准的分类器模型，通过健身教练指导下的标准动作做训练集，分别使用线性核与不同λ参数的高斯核与分别进行svm模型训练。选择训练效果最好的svm模型，在个人独自健身训练时进行健身动作标准判定，标准则判定为1，反之判定为0；通过三层bp神经网络作为对动作进行分类的分类器模型，隐藏层神经元个数为5个；以提取到的特征值作为神经网络的输入神经元，使用relu函数作为激活函数，实现输入信息的非线性映射，训练1000次后得到分类器模型，实现动作识别。方法具有通带纹波低、阻带下降速率快的特点，健身标准判定与健身动作识别有很高的准别率。

本发明所采用的技术方案为一种基于肌电信号的健身辅助方法，其特征在于，辅助方法通过电极片和多种采集电路对人体表面肌电信号进行处理，传至上位机后，对信号进行特征值提取；通过机器学习的svm支持向量机作为判定动作是否标准的分类器模型，分别使用线性核与不同λ参数的高斯核，分别进行svm模型训练，选择训练效果最好的模型健身动作标准判定；通过三层bp神经网络作为对动作进行分类的分类器模型，以提取到的特征值作为神经网络的输入神经元；使用relu函数作为激活函数，实现输入信息的非线性映射，训练后得到分类器模型，实现动作识别；方法的具体步骤如下：

步骤1、将电极片贴在待测肌肉上，将原始肌电信号连接到硬件电路上，原始肌电信号依次通过前置放大电路、巴特沃斯高、低频滤波电路、陷波电路、二级放大电路，得到放大、滤除工频干扰的处理后的肌电信号；由于肌电信号有正负性，再通过ad采集电路对硬件电路处理后的肌电信号进行模数转换，再将上述处理后的肌电信号传至上位机；

步骤2、对上位机接收到的处理后的肌电信号进行时域上的特征值提取，提取的特征值为：积分肌电值(iemg)、平均绝对值(mav)、方差(var)、均方根值(rms)；其中，积分肌电值iemg是所有采样点的绝对的总和，反映一个采样周期内肌肉的总能量信息：

平均绝对值(mav)，可以反映肌肉的平均能量信息，

方差(var)反映肌肉能量离散程度，

均方根值(rms)反映肌肉有效能量信息，

步骤3、将上述四个特征值输入到svm支持向量机模型中，进行模型训练；svm支持向量机超平面方程为：

w^tx+b＝0(5)

其中，w为各个维度的权值向量，b为各个维度的偏置向量，x是样本数据在各个维度的特征值向量；分类器函数只需要输出两个结果，并引入符号函数sign，当函数值当大于零时为1，小于0时为-1，分类器函数公式为：

f(x)＝sign(w^txi+b)(6)

根据支持向量机原理，选定超平面的过程为通过改变w和b向量，使距离超平面最近的点距离最大化，目标函数公式如下：

约束条件公式如下：

通过变形得到目标函数公式如下：

约束条件为：

函数变为n个线性约束条件下的凸函数求最值问题，并且是强对偶问题，通过拉格朗日乘子来求解，公式为：

原目标函数变为公式8：

g(x)＝minw,bmaxλlw,b,λ(12)

由于该函数具有强对偶性，可以对偶变换为公式9：

g(x)＝maxλminw,blw,b,λ(13)

约束条件为：

λi≥0(14)

由于凸函数极值即最值，因此可以分别通过l对w,b,λ求偏导，通过偏导数等于0解出w，w的表达式为：

由于函数具有强对偶性，因此满足kkt条件，kkt条件除三个偏导为0与λi≥0条件外还有两个附加条件，附加条件为公式16、公式17：

λi×(1-f(xi)×(w^txi+b))＝0(16)

1-f(xi)×(w^txi+b)≤0(17)

将w带入kkt条件中，解得：

其中，xk是满足kkt不等式条件的值；

上述公式为svm在使用线性核函数的推导过程，若数据为非线性，选取rbf高斯核函数进行计算，推导过程同理；高斯核函数为：

k(xi,xj)＝e^-γ||xi-xj||²(19)

通过上述方法训练出svm支持向量机判定模型，对健身是否标准进行判定；

步骤4、将上述四个特征值作为bp神经网络模型的输入神经元，进行模型训练；通过三层bp神经网络作为对动作进行分类的分类器模型，隐藏层神经元个数为5个；使用relu函数作为激活函数，实现输入信息的非线性映射；bp神经网络模型的训练时需先输入初始化权重系数矩阵w、初始化截距系数矩阵b与测试集；其中，测试集包括特征值向量x以及与每组特征值向量相对应的理想输出向量y。使用relu函数作为激活函数，实现输入信息的非线性映射通过正向传播，得到模型输出向量通过误差函数判断与y的误差，作为修正w与b的参数。通过反向传播，误差函数逐级修正权重系数w与截距参数b，修正后再次正向传播，通过对模型的反复训练，得到理想的bp神经网络分类模型，通过输入四种特征值，对健身动作进行分类。

本发明的有益效果是该方法通过电极片对人体表面肌电信号进行采集，并通过多种采集电路对人体表面肌电信号进行处理，表面机电信号可以直观反映肌肉信息，数据较好处理，可以在容错率很低的情况下对健身动作进行判定与分类。选用十阶巴特沃斯滤波器，具有通带纹波低、阻带下降速率快的特点。将处理后的肌电信号传至上位机，对信号进行特征值提取。通过机器学习的svm支持向量机作为判定动作是否标准的分类器模型，分别使用线性核与不同λ参数的高斯核与分别进行svm模型训练，选择训练效果最好的模型健身动作标准判定。健身者可以在教练指导下进行svm模型训练，在独自训练时通过训练好的模型判定自身动作是否标准。通过三层bp神经网络作为对动作进行分类的分类器模型，以提取到的特征值作为神经网络的输入神经元。使用relu函数作为激活函数，实现输入信息的非线性映射，训练后得到分类器模型，实现动作识别。将机器学习应用于健身标准判定与健身动作识别中，有很高的准别率。健身者可以通过健身分类模型，进行一个健身周期的计划安排与执行，当通过分类器统计出各个健身动作均达到设定目标，健身结束。有目标的进行健身可以极大程度的提高健身热情，提高健身效果。

附图说明

图1为电极片粘贴示意图以及健身动作实施示意图，a)为臂力器正握，b)为臂力器反握，c)为电极粘贴位置。

图2为本发明辅助方法的流程图。

图3为本发明的十阶巴特沃斯滤波电路示意图。

图4为本发明的特征值提取图。

图5为本发明整体硬件示意图。

图6为本发明的软件示意图。

图7为本发明的svm支持向量机示意图。

图8为本发明的bp神经网络示意图，

图9为本发明的分类效果图。其中，图9a)为理想分类结果，图9b)为模型分类结果。

具体实施方式

下面结合附图和技术方案对本发明做进一步详细说明：

附图1为电极片粘贴示意图以及健身动作实施示意图，a)为臂力器正握，b)为臂力器反握，c)为电极粘贴位置。以对上胸的健身辅助为例进行说明。本发明的软件硬件与上位机示意图分别见附图5与附图6。

附图3为十阶巴特沃斯电路图，采用前奇后偶的连接方式。其中，50hz陷波电路：由于工频干扰对信号有很大的影响，50hz陷波电路采用双t陷波器对50hz的干扰进行陷波处理。二级放大电路：经由前级电路处理后的肌电信号已经相对纯净，需要继续放大以便于后期数据处理，选用运放电路进行放大。ad采集电路：肌电信号有正负性，选用14位ad转换芯片，对硬件电路处理后的肌电信号进行模数转换。

附图2为本发明辅助方法的流程图。图中虚线部分为硬件电路对原始肌电信号的处理，分为六个部分，分别为前置放大电路、高通滤波电路、低通滤波电路、50hz陷波电路、二级放大电路、ad采集电路。辅助方法的具体步骤如下：

步骤1、将电极片贴在待测肌肉上，将原始肌电信号连接到硬件电路上。前置放大电路：原始肌电信号非常微弱，需要经过高输入阻抗、高共模抑制比的前置放大处理，前置放大电路选用ad8221运放芯片，对信号进行100倍的放大。高通低通滤波电路：表面肌电信号主要能量集中在10hz-1000hz范围内，环境中存在高频干扰、低频干扰，需要进行滤波处理；高通低通滤波电路分别选用五阶高通巴特沃斯滤波器与五阶低通巴特沃斯滤波器，组成十阶巴特沃斯滤波器，具有通带纹波低、阻带下降速率快的特点。

步骤2、对上位机接收到的处理后的肌电信号进行时域上的特征值提取，提取的特征值为：积分肌电值(iemg)、平均绝对值(mav)、方差(var)、均方根值(rms)。可利用公式(1)-(4)得到。附图4为特征值提取图，在上位机实时提取并绘制曲线。

步骤3、将提取到的特征值输入到svm支持向量机模型中，进行模型训练；svm支持向量机超平面方程为公式(5)，分类器函数输出两个结果，当函数值大于零时为1，小于0时为-1。通过公式(6)-(19)的推导，训练出svm支持向量机判定模型，对健身是否标准进行判定。

附图7为svm支持向量机分类二维平面平面图，支持向量机是一种基于分类边界的算法，核心思想是在保证分类精度的前提下，找到使得分离的程度最大化的超平面，以二维平面为例，左上方代表正样本，右下方代表负样本，h是超平面，hp是正样本中离超平面最近的平行线，hn是负样本中离超平面最近的平行线，超平面取在到hp与hn两平面距离相等的位置。每个特征值代表一个维度，通过不断比较各种超平面的选取，使得hp与hn之间的距离最大，从而使得正样本与负样本最边缘的点之间距离最大化，以此得到svm支持向量机判定模型，通过选择不同的核来改善svm模型，本专利给出的公式推理为线性核，其他核推理同理。

步骤4、将上述四个特征值作为bp神经网络模型的输入层，进行模型训练。

附图8为bp神经网络分类模型示意图，以4个特征值作为三层bp神经网络的输入层，隐含层神经元个数为5个，每层之间的激活函数选用relu函数，通过正向传播与反向传播不断修正权值系数w与截距参数b，以此得到bp神经网络分类模型。

实施例1，使用bp神经网络对kg坐姿单臂哑铃弯举、10kg坐姿单臂哑铃弯举、30kg臂力器正握三个动作进行分类的分类结果图，如图9所示。三个动作分别标号为1、2、3。将三种动作各做20组输入到训练好的bp神经网络分类模型中得到输出值。图9a)为理想分类结果，图9b)为模型分类结果，从图9中可以看出，标号1动作的分类效果最差，但也完全可以与其他两种动作分别开。

实施例,2，使用臂力器正握模拟标准健身动作,如图1a)所示；使用臂力器反握模拟非标准健身动作，如图1b)所示。将两种动作各做10组动作，输入到不同核下的svm模型下的判定结果，下表为本发明的判定结果。

使用线性核判定结果最好，20次中只有一次误判。