(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111630311.2 (22)申请日 2021.12.28 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区崇文路2号 (72)发明人 王伟　毛华云　杨德伟　姜小明　 田健　冉鹏　李章勇　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 黄宗波 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/08(2006.01) G06F 30/27(2020.01) (54)发明名称 基于人体下肢肌肉模型个性化精准训练方 法 (57)摘要 本发明涉及医疗康复技术领域， 尤其是基于 人体下肢肌肉模 型个性化精准训练方法， 通过 实 验者的聚类后的相关数据采集和处理， 分析实验 者在整个训练过程中的肌肉特性， 并以相似度作 为目标进行第二次聚类， 分析后的肌肉特性结合 训练方案设计自主学习优化网络， 不断修正系数 直到在同类别实验者中产生训练效果相似度最 高的训练方案配置， 将其训练效果认定为该训练 方案配置 下的期望曲线； 新的训练者采用归类后 该类的训练方案进行训练， 将整个过程中实际肌 肉力变化曲线与该类别下期望肌肉力变化曲线 作加权最小二乘优化处理， 其结果视为误差并通 过反馈控制影响自主学习优化网络修正可变系 数， 直到误差 无限接近0， 为个性化肌肉训练提供 参考价值。 权利要求书3页 说明书10页 附图1页 CN 114548211 A 2022.05.27 CN 114548211 A 1.基于人体下肢肌肉模型个性 化精准训练方法， 其特 征在于， 包括以下步骤： S10.选择实验者进行肌肉训练， 根据性别、 年龄、 身高、 体重进行第一次聚类； S20.采用多轴惯性传感器和足底压力传感器进行训练过程中的相关数据采集和处 理； S30.建立符合人体运动学和动力学的人体下肢肌肉骨骼模型， 并在所述人体下肢肌肉 模型上作肌肉特性分析； S40.在同类别实验者中根据肌肉特性分析， 进行第二次聚类； S50.根据第二次聚类结果， 并结合训练方案设计自主学习优化网络， 不断修正系数直 到在同类别实验者中产生训练效果相似度最高的训练方案配置， 将其训练效果认定为该训 练方案配置下的期望曲线； S60.新的训练者进行归类处理后， 采用归类后对应类的训练方案进行训练， 并将整个 过程中实际肌肉力变化曲线与该类别下期 望肌肉力变化曲线作加权最小二乘优化处理， 其 结果视为 误差并通过反馈控制影响自主学习优化网络修 正可变系数， 直到误差无限接 近0。 2.根据权利要求1所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述第一次聚类包括以下步骤： S11.在聚类样本所在区域内产生 一定数量 N的拟随机数； S12.寻找所有拟随机数点的k邻近值； S13.基于k邻近距离计算每 个拟随机点的权 重系数， 如下： 其中， ri表示第i个拟随机点的平均k近邻距离； S14.对拟随机数点进行加权k ‑means聚类， 得到初始聚类中心u； S15.根据初始聚类中心均值向量u＝{u1,u2,...,uk}， 计算样本xj与各均值向量ui的距 离， 如下： dji＝||xj‑ui||， (1≤i≤k)； S16.根据距离最近的均值向量确定xj的簇标记： γj＝arg mini∈{1,2,. ..,k}dji； 将样本xj划入相应的簇： 对第一次划分好的簇样本计算 新的均值向量： 如果u′i≠ui， 则将当前均值向量更新为u ′i， 否则， 保持当前均值向量不变， 重复S15和 S16步骤直到当前均值向量未 更新， 划分出簇： C＝{C1,C2,...,Ck}。 3.根据权利要求2所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述S20步骤中包括以下步骤： S21.对已经聚类好的实验者穿戴上惯性传感器站在三维足底压力传感器进行相关数 据采集；权　利　要　求　书 1/3 页 2 CN 114548211 A 2S22.利用三维 足底压力传感器采集足底压力学 数据并用S ‑G滤波算法进行 数据处理； S23.采用多轴惯性传感器采集运动学数据， 将运动学数据转换成四元数并作卡尔曼滤 波处理， 通过方程的循环迭代来更新系统的时间和状态信息， 继而估计出每个时刻的最优 估计值。 4.根据权利要求3所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述S22步骤中， 足底压力主要按区域划分， 不同区域的所述 足底压力数据进 行同样的数据处 理， 针对该区域所有 数据中某时刻数据的前后2n+1个数据进 行滤波处理， 用k ‑1阶多项式对 其进行拟合。 5.根据权利要求4所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述S23步骤中的运动学 数据包括加速度、 角速度以及磁力计数据。 6.根据权利要求5所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述S30步骤中包括以下步骤： S31.建立带有虚拟传感器且符合人体运动学和动力学的人体下肢肌肉骨骼模型； S32.利用多轴惯性传感器采 集到且经过处理变 换成四元数Q＝(q0,q1,q2,q3)的数据， 将 四元数形式且使用方向余弦阵表示的传感器坐标系转换为 参考坐标系的旋转矩阵； S33.对所述人体下肢肌肉骨骼模型进行残差缩减处理， 残差缩减对所述人体下肢肌肉 骨骼模型的所有自由度应用一组加权因子wq； S34.由比例微分控制和静态优化组合实现计算一组肌肉兴奋点， 驱动动态人体下肢肌 肉骨骼模型的广义 坐标朝向所需的运动轨 迹。 7.根据权利要求6所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述残差缩 减对人体下肢肌肉骨骼模型的所有自由度应用一组加权因子wq步骤实现如下： 限制应用于人体下肢肌肉骨骼模型的残余力和矩的量， 具体由以下公式实现： Min:J＝Kerr+Rerr 式中， J表示 修正的目标函数， Kerr,Rerr表示运动学测量 误差和残差， 式中， wJ,wK,wL,wM分别表示实验和模拟骨盆、 骨盆和下肢旋转、 腰肢和上肢旋转、 残余力 与力矩的均方根 误差值， qi,Rj分别表示 运动学自由度和残余力/矩。 8.根据权利要求7所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述S40步骤为基于实验者在整个训练过程中的肌肉特性参数并将所有曲线两两比较后的相 似度作为目标进行第二次聚类。 9.根据权利要求8所述的基于人体下肢肌肉模型个性化精准训练方法， 其特征在于， 所 述S50步骤如下： 为所有实验者选择一组初始训练方案并为训练方案配置一组可变系数， 设计一个自主 学习优化网络对可变系数进行优化， 直到同类型实验者在同一种训练方案配置下进行训练 检测到的肌肉力变化曲线近乎重合， 即此训练方案配置对同类型的实验者训练效果相似度权　利　要　求　书 2/3 页 3 CN 114548211 A 3