本公开提供了一种基于M型超声的运动意图预测方法、装置、电子设备及计算机可读存储介质，其方法包括：在监测区域内，获取各种运动模式下第一M型超声图像信息和人体运动信息；根据第一M型超声图像信息进行预处理，得到第二M型超声图像信息；对第二M型超声图像信息进行特征提取，获取特征向量；将特征向量输入至解码器模型中，预测得到运动意图。本公开利用M型超声信号的优势，能准确地预测人体运动意图，应用前景广泛，可以应用于工业机器人、医疗机器人从手控制等多个领域。器人从手控制等多个领域。器人从手控制等多个领域。
【技术实现步骤摘要】
基于M型超声的运动意图预测方法及装置
[0001]本公开涉及人机接口领域，尤其涉及一种基于M型超声的运动意图预测方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]人机接口能够采集人体的生理信号，通过一系列处理能够预测人体的运动意图，进一步可以用于控制外部设备。目前在人机接口领域中主流应用的人体信号为脑电信号与肌电信号。超声信号作为安全、稳定和高精度的人体信号，逐渐作为两种信号的替代。
[0003]现有基于超声信号的人机接口主要使用B型超声图像信号和A型超声图像信号，利用超声图像获得人体肌肉的界面或其他组织信息，通过对超声图像信号的处理，可以预测人体的运动意图。然而B型超声设备本身价格昂贵且体积往往较大，A型超声设备由于自身结构简单限制，使得A型超声信号作为人机接口信号源对人体运动意图预测精确度有限。
技术实现思路
[0004](一)要解决的技术问题
[0005]本公开提供了一种基于M型超声的运动意图预测方法、装置、电子设备及计算机可读存储介质，以解决以上所提出的技术问题。
[0006](二)技术方案
[0007]根据本公开的一个方面，提供了一种基于M型超声的运动意图预测方法，包括：
[0008]在监测区域内，获取各种运动模式下第一M型超声图像信息和人体运动信息；
[0009]根据所述第一M型超声图像信息进行预处理，得到第二M型超声图像信息；
[0010]对第二M型超声图像信息进行特征提取，获取特征向量；
[0011]将所述特征向量输入至解码器模型中，预测得到运动意图。
[0012]在本公开的一些实施例中，所述解码器模型的训练包括：
[0013]构造解码器模型，并对所述解码器模型进行训练；其中，所述解码器模型的输入为所述特征向量，所述解码器模型的标签为所述人体运动信息；
[0014]所述解码器模型预测的运动意图准确率大于预设准确率，得到解码器模型；
[0015]所述解码器模型预测的运动意图准确率小于预设准确率，重新对所述解码器模型进行训练。
[0016]在本公开的一些实施例中，所述解码器模型为支持向量机或神经网络模型。
[0017]在本公开的一些实施例中，所述根据所述第一M型超声图像信息进行预处理，得到第二M型超声图像信息包括：
[0018]将所述第一M型超声图像信息转化为灰度图像信息；
[0019]裁剪去除所述灰度图像信息中的非特征信息和冗余信息，得到第二M型超声图像信息；其中，所述第二M型超声图像信息表征为人体肌肉组织对应的所述M型超声图像信息。
[0020]在本公开的一些实施例中，所述对第二M型超声图像信息进行特征提取，获取特征
向量包括：
[0021]所述第二M型超声图像信息为j行k列的M型超声图像，将所述第二M型超声图像信息中每一列均分成n个特征窗，其中，每个所述特征窗对应的像素点大小相同；
[0022]线性拟合每个所述特征窗对应的各个像素点的灰度值y为：
[0023]y＝f(x；b1，b2，...，b
m
)
[0024]其中，线性拟合系数b
i
(i＝1，2，...，m)作为每个所述特征窗的特征；f为线性拟合函数关系；x为特征窗内各个像素点；
[0025]对于所述第二M型超声图像信息采集到的k列M型超声图像，得到k行n
×
m列的特征向量。
[0026]在本公开的一些实施例中，所述非特征信息为人体皮肤及皮下脂肪对应的所述M型超声图像信息。
[0027]在本公开的一些实施例中，所述监测区域包括人体四肢部位。
[0028]根据本公开的一个方面，提供了一种运动意图预测装置，包括：
[0029]M型超声信号采集模块，用于监测区域内，获取各种运动模式下第一M型超声图像信息；
[0030]运动捕捉模块，用于监测区域内，获取各种运动模式下的人体运动信息；
[0031]预处理模块，用于根据所述第一M型超声图像信息进行预处理，得到第二M型超声图像信息；
[0032]特征提取模块，用于对第二M型超声图像信息进行特征提取，获取特征向量；
[0033]预测模块，将所述特征向量输入至解码器模型中，预测得到运动意图。
[0034]根据本公开的一个方面，提供了一种电子设备，包括：
[0035]一个或多个处理器；
[0036]存储器，用于存储一个或多个指令，
[0037]其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0038]根据本公开的一个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现上述方法。
[0039](三)有益效果
[0040]从上述技术方案可以看出，本公开基于M型超声的运动意图预测方法、装置、电子设备及计算机可读存储介质至少具有以下有益效果其中之一或其中一部分：
[0041]本公开利用M型超声信号的优势，能准确地预测人体运动意图，应用前景广泛，可以应用于工业机器人、医疗机器人从手控制等多个领域。
附图说明
[0042]图1示意性示出了可以应用本公开的基于M型超声的运动意图预测方法和装置的示例性系统架构。
[0043]图2为本公开基于M型超声的运动意图预测方法的示意图。
[0044]图3为本公开以实施例基于M型超声的运动意图预测方法的示意图。
[0045]图4是本专利技术的实施例中M型超声模块和运动捕捉模块的放置位置示意图。
[0046]图5为图1中步骤S2的子步骤示意图。
[0047]图6为图1中步骤S3的子步骤示意图。
[0048]图7为解码器模型的结构示意图。
[0049]图8为本公开基于M型超声的运动意图预测装置的示意图。
[0050]图9示意性示出了根据本公开实施例的适于实现机器人的计算机系统900的框图。
[0051]【标号说明】
[0052]1‑
M型超声信号采集模块；
[0053]2‑
运动捕捉模块。
具体实施方式
[0054]在描述问题的解决方案之前，先对各种类型的超声信号源进行简单介绍如下：
[0055]A型超声，是将超声回声信号以波的形式显示出来，是一维的超声信号，存在探测信息量少、盲目性大的局限性。
[0056]B型超声，是将超声回声信号以辉度显示，光点的强弱反应回声界面反射和衰减超声的强弱，以二维的图像显示。
[0057]M型超声，在超声图像上加入了慢扫描锯齿波，使得回声信号从左向向右自行移动扫描，图像不仅提供空间信息，还提供时间信息。作为超声信号源的一种，M型超声较B型超声可以实现更高的采样率，超声信号采集设备有望简化更节约成本。较A型超声信号而言，可提供更丰富的人体组织信息，实现更高精度的人体运本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于M型超声的运动意图预测方法，包括：在监测区域内，获取各种运动模式下第一M型超声图像信息和人体运动信息；根据所述第一M型超声图像信息进行预处理，得到第二M型超声图像信息；对第二M型超声图像信息进行特征提取，获取特征向量；将所述特征向量输入至解码器模型中，预测得到运动意图。2.根据权利要求1所述的运动意图预测方法，其中，所述解码器模型的训练包括：构造解码器模型，并对所述解码器模型进行训练；其中，所述解码器模型的输入为所述特征向量，所述解码器模型的标签为所述人体运动信息；所述解码器模型预测的运动意图准确率大于预设准确率，得到解码器模型；所述解码器模型预测的运动意图准确率小于预设准确率，重新对所述解码器模型进行训练。3.根据权利要求2所述的运动意图预测方法，其中，所述解码器模型为支持向量机或神经网络模型。4.根据权利要求1所述的运动意图预测方法，其中，所述根据所述第一M型超声图像信息进行预处理，得到第二M型超声图像信息包括：将所述第一M型超声图像信息转化为灰度图像信息；裁剪去除所述灰度图像信息中的非特征信息和冗余信息，得到第二M型超声图像信息；其中，所述第二M型超声图像信息表征为人体肌肉组织对应的所述M型超声图像信息。5.根据权利要求1所述的运动意图预测方法，其中，所述对第二M型超声图像信息进行特征提取，获取特征向量包括：所述第二M型超声图像信息为j行k列的M型超声图像，将所述第二M型超声图像信息中每一列均分成n个特征窗，其中，每个所述特征窗对应的像素点大小相同；...
【专利技术属性】
技术研发人员：潘立志，朱堃，李建民，王树新，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。