基于渐进无迹卡尔曼滤波网络的人体肢体运动估计

针对基于表面肌电信号(Surface electromyography, sEMG)的人体肢体运动估计建模困难的问题,提出一种渐进无迹卡尔曼滤波网络(Progressive unscented Kalman filter network, PUKF-net),来实现降低肢体运动与sEMG量测的建模难度以及提高肢体运动估计精度的目的.首先,设计深度神经网络从sEMG数据中学习肢体运动状态与sEMG量测之间的映射关系和噪声统计特性.其次,采用渐进量测更新方法对先验状态估计进行修正,减小运动估计的线性化误差,提高PUKF-net模型的稳定性.通过结合深度神经网络和渐进卡尔曼滤波的优势,使得PUKF-net具有良好的模型适应性和抗噪能力.最后,设计基于sEMG的人体肢体运动估计实验,验证了PUKF-net模型的有效性.相较于长短期记忆网络(Long short-term memory, LSTM)和其他卡尔曼滤波网络, PUKF-net在肢体运动估计中的均方根误差(Root mean square error, RMSE)下降了14.9%,相关系数R2提高了5.1%.