基于肌电−惯性融合的人体运动估计:高斯滤波网络方法

作     者：杨旭升 李福祥 胡佛 张文安 YANG Xu-Sheng;LI Fu-Xiang;HU Fo;ZHANG Wen-An

作者机构：浙江工业大学信息工程学院杭州310023 浙江省嵌入式系统联合重点实验室杭州310023 

出 版 物：《自动化学报》 (Acta Automatica Sinica)

年 卷 期：2024年第50卷第5期

页      面：991-1000页

核心收录：

学科分类：12[管理学] 07[理学] 08[工学] 0831[工学-生物医学工程（可授工学、理学、医学学位）] 0711[理学-系统科学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0836[工学-生物工程] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：浙江省“尖兵”“领雁”研发攻关计划(2022C03114) 浙江省自然科学基金(LY23F030006) 浙江省科技计划项目(2023C04032)资助 

主　　题：高斯滤波网络 多传感器融合 人体运动估计 非线性卡尔曼滤波 

摘      要：本文研究了基于肌电(Electromyography,EMG)−惯性融合的人体运动估计问题,提出了一种序贯渐进高斯滤波网络(Sequential progressive Gaussian filtering network,SPGF-net)估计方法来形成肌电和惯性的互补性优势,以提高人体运动估计精度和稳定性.首先,利用卷积神经网络对观测数据进行特征提取,以及利用长短期记忆(Long short-term memory,LSTM)网络模型来学习噪声统计特性和量测模型.其次,采用序贯融合的方式融合异构传感器量测特征,以建立高斯滤波与深度学习相结合的网络模型来实现人体运动估计.特别地,引入渐进量测更新对网络量测特征的不确定性进行补偿.最后,通过实验结果表明,相比于现有的卡尔曼滤波网络,该融合方法在上肢关节角度估计中的均方根误差(Root mean square error,RMSE)下降了13.8%,相关系数(R^(2))提高了4.36%.