1.基于肌电肌音模型和无迹粒子滤波的关节运动估计方法，其特征在于，该方法包括如下步骤：步骤一，采集多关节同步连续运动时相关肌肉的肌电信号和肌音信号，即通过肌电信号采集仪采集肌肉的肌电信号，通过加速度传感器采集肌肉的肌电音号，然后采用带通滤波的方法对原始的肌电和肌音信号进行预处理；

步骤二，对希尔肌肉模型进行化简，并通过参数替代与关节运动学相结合得出肌电肌音状态空间模型的非线性表达式；化简后的希尔肌肉模型如下：mt

F 是肌腱力，fA(l)是主动力‑肌腱关系，fV(v)是主动力‑速度关系，fP(l)是被动力‑肌腱关系， 是最大等距力，φ是肌肉羽状角，a(k)是肌肉激活；

将化简后的肌肉模型与关节运动学相结合得到关节角加速度 计算如下：si是替代参数，均为常数，θ是关节角，i＝1,2,...,5；

得出肌电肌音状态空间模型在离散时间下的表达式如下：Ts是采样时间， 和θk分别是k时刻关节的角加速度，角速度和位置；

步骤三，提取肌电和肌音信号的威尔逊赋值和模糊熵特征组成测量方程作为状态反馈；然后将肌电肌音特征按下式与关节运动拟合：是离线识别的固定参数， 是时刻k的威尔逊赋值和模糊熵特征，u＝1,2；

肌电肌音状态空间模型的最终表达式如下：

ak＝a(k)，T是采样时间，ωk是过程噪声，υk是测量噪声，其中f(xk,ak)表示关节运动参数和肌肉激活的关系矩阵，h(xk)表示关节运动参数和特征参数的关系矩阵；

步骤四，根据步骤三的肌电肌音状态空间模型，将其代入无迹粒子滤波算法中的过程更新和测量更新方程，对关节连续运动进行估计；首先使用无迹卡尔曼滤波方法计算卡尔曼增益，为每个粒子生成重要性密度函数；

mk是时刻k的状态变量，nk是时刻k的测量值， 是状态变量平均值， 是测量平均值，i是自协方差， 是互协方差， 是协方差估计值，K是卡尔曼增益，重要性密度函数为q是重要性密度函数， 是正态分布；

然后计算每个粒子的重要性权值 并归一化：

p是后验密度函数， 是状态变量估计值， 是重要性权值， 是归一化后的重要性权值；

最终输出估计的结果：

和 是最终的状态和协方差估计值， 是重要性权值估计值；

步骤五，令k＝k+1，对步骤四进行迭代循环，完成对多关节同步连续运动的估计。