运动意图识别模型生成方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种运动意图识别模型生成方法、装置、计算机设备及存储介质，通过获取可穿戴设备采集的多组样本信息，每一组样本信息包括惯性测量单元信号、足底压力信号和样本肌电信号；在每一组样本信息中，根据惯性测量单元信号和足底压力信号，得到样本关节力矩；将每一组样本信息中的样本肌电信号和对应的样本关节力矩输入到预设的神经网络模型中进行训练，得到运动意图识别模型；从而克服了传统模式下识别运动意图带来的滞后性，以及肌肉长时间的运动带来的出汗、肌肉疲劳等问题，实现了高鲁棒性、高准确性的意图识别。高准确性的意图识别。高准确性的意图识别。

【技术实现步骤摘要】
运动意图识别模型生成方法、装置、设备及存储介质


[0001]本专利技术涉及人机交互
，尤其涉及一种运动意图识别模型生成方法、装置、设备及存储介质。

技术介绍

[0002]随着传感技术和数字化技术的发展，可用于检测人体运动步态信息的方法也越来越多。目前针对人体运动意图的识别方法主要有基于力学信息的意图识别和基于生物电信息的意图识别。然而，采用力学信息的运动意图识别方法由于只有在使用者开始运动后才能得到，具有较为严重的滞后性，并不能直接反映人的运动意图，难以实现柔性控制。由于人体连续运动会造成肌肉收缩性下降、上表皮出汗等问题，从而使得运动意图的预测结果准确性下降，基于生物电信息的意图识别需要全面考虑长时间使用后使用者肌肉状态对肌电信息的影响。

技术实现思路

[0003]本专利技术实施例提供一种运动意图识别模型生成方法、装置、计算机设备及存储介质，以解决运动意图识别结果的准确性低的问题。
[0004]本专利技术实施例提供一种运动意图识别方法、装置、计算机设备及存储介质，以解决运动意图识别结果的准确性低的问题。
[0005]一种运动意图识别模型生成方法，包括：
[0006]获取可穿戴设备采集的多组样本信息，每一组所述样本信息包括惯性测量单元信号、足底压力信号和样本肌电信号；
[0007]在每一组样本信息中，根据所述惯性测量单元信号和所述足底压力信号，得到样本关节力矩；
[0008]将每一组样本信息中的所述样本肌电信号和对应的所述样本关节力矩输入到预设的神经网络模型中进行训练，得到运动意图识别模型。
[0009]一种运动意图识别方法，包括：
[0010]获取待识别肌电信号，将所述待识别肌电信号输入到运动意图识别模型中进行识别，得到目标关节力矩，其中，所述运动意图识别模型是采用上述运动意图识别模型生成方法得到的；
[0011]基于所述目标关节力矩，得到运动意图识别结果。
[0012]一种运动意图识别模型生成装置，包括：
[0013]样本信息获取模块，用于获取可穿戴设备采集的多组样本信息，每一组所述样本信息包括惯性测量单元信号、足底压力信号和样本肌电信号；
[0014]样本关节力矩得到模块，用于在每一组样本信息中，根据所述惯性测量单元信号和所述足底压力信号，得到样本关节力矩；
[0015]训练模块，用于将每一组样本信息中的所述样本肌电信号和对应的所述样本关节
力矩输入到预设的神经网络模型中进行训练，得到运动意图识别模型。
[0016]一种运动意图识别装置，包括：
[0017]第一识别模块，用于获取待识别肌电信号，将所述待识别肌电信号输入到运动意图识别模型中进行识别，得到目标关节力矩，其中，所述运动意图识别模型是采用上述运动意图识别模型生成方法得到的；
[0018]运动意图识别结果得到模块，用于基于所述目标关节力矩，得到运动意图识别结果。
[0019]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述运动意图识别模型生成方法，或所述处理器执行所述计算机程序时实现上述运动意图识别方法。
[0020]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述运动意图识别模型生成方法，或所述计算机程序被处理器执行时实现上述运动意图识别方法。
[0021]上述运动意图识别模型生成方法、装置、计算机设备及存储介质，通过获取可穿戴设备采集的多组样本信息，每一组样本信息包括惯性测量单元信号、足底压力信号和样本肌电信号；在每一组样本信息中，根据惯性测量单元信号和足底压力信号，得到样本关节力矩；将每一组样本信息中的样本肌电信号和对应的样本关节力矩输入到预设的神经网络模型中进行训练，得到运动意图识别模型；本实施例考虑到长时间重复动作后人体的肌肉状态对肌电信号的影响。通过计算惯性测量单元信号和足底压力信号得到的样本关节力矩估计作为监督信息，指导基于样本肌电信号的神经网络模型进行模型训练，得到运动意图识别模型，从而克服了传统模式下识别运动意图带来的滞后性，以及肌肉长时间的运动带来的出汗、肌肉疲劳等问题，解决了运动意图识别结果的准确性低问题，实现了高鲁棒性、高准确性的意图识别。
[0022]上述运动意图识别方法、装置、计算机设备及存储介质，通过获取待识别肌电信号，将待识别肌电信号输入到运动意图识别模型中进行识别，得到目标关节力矩，其中，运动意图识别模型是采用权利要求上述运动意图识别模型生成方法得到的；基于目标关节力矩，得到运动意图识别结果，从而克服了传统模式下识别运动意图带来的滞后性，以及肌肉长时间的运动带来的出汗、肌肉疲劳等问题，解决了运动意图识别结果的准确性低问题，实现了高鲁棒性、高准确性的意图识别。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本专利技术一实施例中运动意图识别模型生成方法或运动意图识别方法的一应用环境示意图；
[0025]图2是本专利技术一实施例中运动意图识别模型生成方法的一示例图；
[0026]图3是本专利技术一实施例中运动意图识别模型生成方法的另一示例图；
[0027]图4是本专利技术一实施例中运动意图识别模型生成方法的另一示例图；
[0028]图5是本专利技术一实施例中运动意图识别模型生成装置的一原理框图；
[0029]图6是本专利技术一实施例中运动意图识别方法的一示例图；
[0030]图7是本专利技术一实施例中运动意图识别装置的一原理框图；
[0031]图8是本专利技术一实施例中计算机设备的一示意图。
具体实施方式
[0032]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0033]本专利技术实施例提供的运动意图识别模型生成方法，该运动意图识别模型生成方法可应用如图1所示的应用环境中。具体地，该运动意图识别模型生成系统可以包括如图1所示的客户端和服务端，客户端与服务端通过网络进行通信，用于解决运动意图识别结果的准确性低问题。其中，客户端又称为用户端，是指与服务端相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0034]在一实施例中，如图2所示，提供一种运动意图识别模型生成方法，以该方法应用在图1中的服务端为例进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种运动意图识别模型生成方法，其特征在于，包括：获取可穿戴设备采集的多组样本信息，每一组所述样本信息包括惯性测量单元信号、足底压力信号和样本肌电信号；在每一组样本信息中，根据所述惯性测量单元信号和所述足底压力信号，得到样本关节力矩；将每一组样本信息中的所述样本肌电信号和对应的所述样本关节力矩输入到预设的神经网络模型中进行训练，得到运动意图识别模型。2.如权利要求1所述的运动意图识别模型生成方法，其特征在于，在所述将所述样本肌电信号和所述样本关节力矩输入到预设的神经网络模型中训练，生成运动意图识别模型之后，所述运动意图识别模型生成方法还包括：实时获取待验证肌电信号和对应的预设标准关节力矩，将所述待验证肌电信号输入到所述运动意图识别模型中进行识别，得到待验证关节力矩；计算所述待验证关节力矩和对应的所述预设标准关节力矩的损失函数；若所述损失函数不满足预设值，则基于所述损失函数对所述运动意图识别模型进行迭代训练，使得所述验证关节力矩与对应的所述预设标准关节力矩的所述损失函数不断缩小，直至所述验证关节力矩与所述预设标准关节力矩的所述损失函数小于预设值。3.如权利要求1所述的运动意图识别模型生成方法，其特征在于，所述根据所述惯性测量单元信号和所述足底压力信号，得到样本关节力矩，包括：对所述惯性测量单元信号和所述足底压力信号进行转化，得到关节运动数据，所述关节运动数据包括关节运动速度、关节运动加速度和关节位置；将所述关节运动速度、所述关节运动加速度和所述关节位置代入逆动力学方程中进行计算，得到样本关节力矩。4.如权利要求1所述的运动意图识别模型生成方法，其特征在于，所述在将所述样本肌电信号和所述样本关节力矩输入到预设的神经网络模型中训练之前，所述运动意图识别模型生成方法还包括：采用预设策略对所述样本肌电信号进行预处理。5.一种运动意图识别方法，其特征在于，包括：获取待识别肌电信号，将所述待识别肌电信号输入到运动意图识别模型中进行识别，得到目标关节力矩...

【专利技术属性】
技术研发人员：林旭，陶大鹏，吴婉银，王汝欣，
申请(专利权)人：深圳市联合视觉创新科技有限公司，
类型：发明
国别省市：