买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江工业大学申请的专利基于肌电与肌骨生理信息的关节力矩预测方法和装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119517298B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411485740.9，技术领域涉及：G16H20/40；该发明授权基于肌电与肌骨生理信息的关节力矩预测方法和装置是由孙哲;毕晓云;周袁;程俊;陈博设计研发完成，并于2024-10-23向国家知识产权局提交的专利申请。

本基于肌电与肌骨生理信息的关节力矩预测方法和装置在说明书摘要公布了：基于肌电信号的下肢外骨骼康复机器人关节力矩预测方法和装置，其方法包括：首先采集用户的肌电、关节角度、角速度和关节力矩数据，使用神经肌肉骨骼模型对膝关节相关的四块肌肉建模，并使用麻雀优化算法对模型中使用的生理参数进行辨识，输出一个最优解，得到估计力矩。然后赋予真实力矩和估计力矩分别为的权重得到融合力矩。利用采集的数据和融合力矩训练神经网络模型，同时采用将神经肌肉骨骼模型纳入损失函数的方法，让神经肌肉骨骼模型参与神经网络模型的训练过程，增加模型的约束。最终将训练后的模型进行保存以便于后续调用。本发明具有精度较高、泛化性强的优点，同时在更少的数据量条件下，模型训练可以更快收敛。

本发明授权基于肌电与肌骨生理信息的关节力矩预测方法和装置在权利要求书中公布了：1.基于肌电与肌骨生理信息的关节力矩预测方法，包括如下步骤： S1：搭建数据采集平台；利用树莓派、MATLAB、肌电传感器以及外骨骼机器人搭建整个数据采集系统，实现离线数据采集；根据肌肉协同作用，确定采集股直肌、股内侧肌、腓肠肌内侧头和腓肠肌外侧头的肌电信号，以及髋关节、膝关节和踝关节的关节角度信号、关节角速度信号； S2：神经肌肉骨骼模型建立；在pycharm平台，使用所采集的肌电信号和关节角度信号对四块肌肉进行建模，得到每块肌肉的力矩并计算得到膝关节随着运动变化的力矩；由于使用的肌肉数量较少，为了让模型的输出更加接近真实力矩，在输出时增加一个输出系数，得到膝关节的关节力矩；建模方法如下： 对于已获得的肌电信号e，计算其神经激活： ut＝aet‑T‑but‑1‑cut‑2              1其中，ut‑1、ut‑2分别表示力矩t‑1和t‑2时的神经激活，et‑T为时间延迟为T的表面肌电信号，并且约束条件为： b＝d1+d2,c＝d1d2,a‑b‑c＝1|d1|＜1, |d2|＜1 2用以上得到的ut，计算肌肉激活at，计算式如下： 其中A为非线性形状因子，范围为A∈[‑3,0]； 随后根据以下计算式得到肌肉收缩力Fmt： Fmt＝fvflatFm0 4式中，Fmt为时变肌纤维收缩力，fv为归一化肌肉收缩速度‑力的关系，fl为归一化肌纤维长度‑力的关系，Fm0为最大等距肌纤维收缩力；其中，由于在慢速行走条件下，肌肉纤维收缩力受肌肉收缩速度影响较小，因此在建模过程中，将fv视为常数； 得到了肌肉收缩力，再将其转换为肌肉肌腱力；肌肉力和肌肉肌腱力的关系如下： Ft＝Fmcosφ 5这里的φ表示羽状角； 最后，根据下式计算得到膝关节的关节力矩： 其中，TJθ,t为关节J的关节力矩，riθ为关节J的第i块肌肉在关节角度为θ时的力矩臂，Fmtiθ,t指力第i块肌肉在角度为θ，t时刻的肌肉肌腱力； 另外，计算过程中所需的时变肌肉肌腱长度lmt的估计，根据式7进行估计： 式中，θ1,θ2,θ3,θ4是肌肉相关关节的关节角度，a1、a2、a3、......、an是待辨识参数； S3：辨识神经肌肉骨骼模型参数；神经肌肉骨骼模型所需要的生理参数，包括最佳肌肉力Fm0、最大羽状角φ0、最佳肌肉纤维长度lm0、肌腱长度lt以及肌肉收缩速度fv，具有个体差异性；将所有参数作为待优化参数，给定每个参数的合理范围，利用麻雀优化算法进行优化，再传递回神经肌肉骨骼模型中，以提高神经肌肉骨骼模型的估计精度； S4：搭建神经网络模型；以采集的肌电信号、关节角度信号和关节角速度信号作为输入特征，利用注意力机制给不同的特征一个权重矩阵，以表示不同特征的重要性；使用两个卷积层和池化层来提取特征之间的空间关系并对数据做降维处理，增加一个双向长短时记忆层用于提取时间长程依赖关系，其间增加dropout层，用于减少过拟合，最后添加全连接层用于输出预测关节力矩； S5：构造损失函数；训练时，基于上述神经肌肉骨骼模型，利用肌电信号和关节角度估计运动过程中的关节力矩，并结合真实力矩，分别赋予估计力矩和真实力矩不同的权重，得到一个融合的力矩估计值作为标签，用于神经网络的离线训练；计算融合力矩和神经网络模型输出的预测力矩之间的平均绝对误差作为损失函数进行训练，使模型不断拟合并接近真实力矩； S6：设计评价指标；将神经网络模型的预测力矩和真实力矩之间平均绝对误差作为模型的评价指标； S7：模型训练与保存；将模型使用数据进行训练并保存，便于后续调用。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。