基于表面肌電信號的人體步態(tài)事件快速識別方法

陳江城　張小棟　尹　貴

西安交通大學(xué)，西安，710049

?

基于表面肌電信號的人體步態(tài)事件快速識別方法

陳江城張小棟尹貴

西安交通大學(xué)，西安，710049

針對下肢康復(fù)訓(xùn)練機(jī)器人主動訓(xùn)練階段患者運(yùn)動檢測實(shí)時(shí)性、準(zhǔn)確性的需求，提出一種基于動態(tài)表面肌電信號的人體步態(tài)事件快速識別方法。首先，通過表面肌電信號產(chǎn)生過程數(shù)學(xué)建模及步態(tài)過程中肌肉活動規(guī)律分析，給出了基于表面肌電信號強(qiáng)度及其變化特征的步態(tài)事件感知原理；其次，以雙腿股外側(cè)肌動態(tài)表面肌電信號強(qiáng)度及其變化為特征，構(gòu)建了用于識別支撐和擺動兩個(gè)步態(tài)事件的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明：該方法識別結(jié)果正確率達(dá)95.3%，對足跟觸地和腳尖離地事件發(fā)生時(shí)刻進(jìn)行識別的平均時(shí)間誤差分別為21.4 ms和24.5 ms，同時(shí)證明，該方法對步態(tài)之間表面肌電信號的差異具有較強(qiáng)的魯棒性。

表面肌電信號；步態(tài)事件；自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)；康復(fù)機(jī)器人

0　引言

下肢康復(fù)訓(xùn)練機(jī)器人具有比傳統(tǒng)人工醫(yī)療師輔助訓(xùn)練更多的優(yōu)點(diǎn)，被康復(fù)工作者和下肢偏癱患者認(rèn)可與接受[1-2]。隨著研究深入，康復(fù)訓(xùn)練機(jī)器人從被動的位置控制方式向人機(jī)協(xié)同控制和多種控制混合的方向發(fā)展，將最大程度利用患者的主動運(yùn)動意愿，提高康復(fù)效果[3-4]。為實(shí)現(xiàn)人機(jī)運(yùn)動協(xié)同，外骨骼機(jī)器人需要對穿戴者的運(yùn)動意圖進(jìn)行檢測，尤其對于行走步態(tài)過程中的擺動與支撐階段，具有不同的人機(jī)動力學(xué)特點(diǎn)，往往需要采取混合的協(xié)同控制策略，而步態(tài)階段的準(zhǔn)確識別是實(shí)現(xiàn)控制策略切換和步態(tài)安全穩(wěn)定過渡的重要保障[5-6]。

人體一個(gè)步態(tài)周期是從足跟著地到同側(cè)腿足跟再次著地所經(jīng)歷的時(shí)間，可劃分為多個(gè)獨(dú)立事件[7]。測力板和光學(xué)運(yùn)動捕捉系統(tǒng)是最常見的步態(tài)檢測設(shè)備，但設(shè)備昂貴，應(yīng)用條件苛刻，而且康復(fù)訓(xùn)練大多是在跑步機(jī)上進(jìn)行的，安裝測力板不易。另外，人們也使用一些可移動的、輕便和成本低的檢測設(shè)備，如嵌入在鞋底的足底壓力開關(guān)、可穿戴的加速度計(jì)及陀螺儀等用于步態(tài)事件的檢測[8-12]。然而這些基于運(yùn)動學(xué)和動力學(xué)數(shù)據(jù)的步態(tài)事件判別方法往往都是基于經(jīng)驗(yàn)閾值的判別方法實(shí)現(xiàn)的，如對于壓力開關(guān)，理論上零輸出量是接觸和分開的理想判斷閾值，但是往往需要增大閾值掩蓋傳感器干擾的影響，若閾值過大，又會造成判斷上的延遲。更重要的是，康復(fù)機(jī)器人服務(wù)對象特殊，有不少患者存在足下垂問題，基于足底力的方法不再適用。因此，尋找一種適合康復(fù)機(jī)器人訓(xùn)練過程的步態(tài)事件識別方法十分必要。

表面肌電信號是肌肉活動時(shí)形成的復(fù)雜生物電信號，其變化與肌肉活動水平有關(guān)，信號獲取具有無創(chuàng)、簡單的特點(diǎn)，被廣泛用于康復(fù)工程中。本文提出一種面向下肢康復(fù)訓(xùn)練機(jī)器人的人體兩個(gè)步態(tài)事件表面肌電識別方法。首先通過對表面肌電信號產(chǎn)生機(jī)理建模和步態(tài)行走下動態(tài)表面肌電信號的特征分析，說明基于表面肌電信號幅值及其變化的步態(tài)事件感知原理，其次針對個(gè)體差異和步態(tài)之間肌肉激活差異，采用具有自適應(yīng)能力的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，對不同對象及不同步速下支撐和擺動兩個(gè)步態(tài)事件進(jìn)行識別，與此同時(shí)，將該方法與基于測力板檢測結(jié)果進(jìn)行比較，驗(yàn)證其準(zhǔn)確性。

1　基于表面肌電信號的人體步態(tài)事件感知原理

1.1表面肌電信號的產(chǎn)生機(jī)理模型

人體軀體運(yùn)動系統(tǒng)由神經(jīng)、骨骼肌和骨骼關(guān)節(jié)組成，其中骨骼肌是動力源，在神經(jīng)沖動調(diào)控下收縮帶動關(guān)節(jié)運(yùn)動。骨骼肌由大量肌纖維組成，肌纖維的活動受到神經(jīng)系統(tǒng)的控制，一個(gè)α神經(jīng)元和受其支配的所有肌纖維構(gòu)成一個(gè)運(yùn)動單位，是神經(jīng)肌肉系統(tǒng)的最小控制單元，包括了神經(jīng)元、軸突、神經(jīng)肌肉接頭(終板)和肌纖維四個(gè)部分。在神經(jīng)沖動激勵(lì)下，肌纖維終板區(qū)產(chǎn)生終板電位，終板電位又相繼引起肌纖維膜上全或無的單根纖維動作電位，而運(yùn)動單元內(nèi)所有肌纖維產(chǎn)生的動作電位聚集形成運(yùn)動單元動作電位，運(yùn)動單元動作電位連續(xù)發(fā)放形成動作電位序列。另外，表面肌電信號強(qiáng)度還受到肌纖維分布、運(yùn)動單元的形式、電極位置、皮膚脂肪層厚度和體溫等因素影響，是一種復(fù)雜的隨機(jī)信號。根據(jù)表面肌電信號產(chǎn)生的生理過程及其生理基礎(chǔ)結(jié)構(gòu)模型，如圖1所示(hs為皮膚層厚，hf為脂肪層厚，Rm為肌肉半徑，z0為終板到電極的z向距離)，建立觀測點(diǎn)處的表面肌電信號模型。

圖1　骨骼肌容積導(dǎo)體多層結(jié)構(gòu)模型[13]

首先,單根肌纖維在觀測點(diǎn)處的單個(gè)動作電位可以描述為[13]

(1)

ei(z)=96z3e-z-90(mV)

(2)

ei(t)=96(v t)3e-v t-90(mV)

(3)

其次，運(yùn)動單元內(nèi)所有纖維動作電位在時(shí)間域內(nèi)的線性疊加得到運(yùn)動單元動作電位，即

(4)其中，Vfi表示每根纖維產(chǎn)生的動作電位，Nf表示運(yùn)動單元內(nèi)的纖維數(shù)目。運(yùn)動單元形成動作電位后以頻率fr發(fā)放并形成運(yùn)動單元動作電位序列Vmut。

最后，不同運(yùn)動單元形成的動作電位序列在皮膚表面時(shí)空疊加形成表面肌電信號。那么對于給定骨骼肌的隨意活動，其表面肌電信號可以表示為

(5)

其中，Vmui(i=1,2,…,N)由式(4)求得，N表示募集的運(yùn)動單元數(shù)目，fri在8～50 Hz之間遵循泊松分布，平均值為12 Hz，tsti=i(1/fra)/N，表示動作電位的爆發(fā)時(shí)刻，且fra=12 Hz。

式(1)～式(5)構(gòu)成了任意骨骼肌隨意收縮下皮膚表面觀測點(diǎn)的表面肌電信號數(shù)學(xué)模型。從模型可知，觀測點(diǎn)處的表面肌電信號輸出大小由運(yùn)動單元的募集數(shù)量以及運(yùn)動單元動作電位發(fā)放率兩個(gè)因素共同決定，隨著肌肉收縮活動的增強(qiáng)，運(yùn)動單元動作電位發(fā)放率和募集的運(yùn)動單元數(shù)目都增加，通過時(shí)空疊加形成更強(qiáng)的表面肌電信號，從而輸出更大骨骼肌肉力。

1.2人體步態(tài)事件的表面肌電感知方法

圖2　步態(tài)周期中典型骨骼肌表面肌電信號與步態(tài)事件

從圖2可以看出：①步行過程中，骨骼肌的活動存在周期性特點(diǎn)，且活動持續(xù)時(shí)間確定，如股二頭肌在步態(tài)周期的0～40%以及65%～100%之間被激活，股外側(cè)肌在0～55%及90%～100%之間被激活，即骨骼肌的激活與否與步態(tài)事件一樣，在步態(tài)周期中占有確定位置；②不同肌肉之間有著確定的激活時(shí)序關(guān)系；③骨骼肌表面肌電信號的強(qiáng)度隨著步態(tài)事件改變而改變，如股二頭肌、股外側(cè)肌、比目魚肌的表面肌電信號在支撐期較強(qiáng)，在擺動階段較弱，而脛骨前肌則剛好相反，這是由于在步態(tài)周期的不同階段，下肢動力學(xué)發(fā)生改變，神經(jīng)系統(tǒng)調(diào)節(jié)運(yùn)動單元的募集數(shù)目N與釋放及運(yùn)動單元動作電位發(fā)放率fr，改變了肌肉活動強(qiáng)度。

綜上所述，骨骼肌的活動階段與步態(tài)周期之間存在確定的關(guān)系，而活動強(qiáng)度變化與不同步態(tài)事件下的動力學(xué)過程相關(guān)，另外，根據(jù)1.1節(jié)可知，骨骼肌活動及其變化信息最終反映在肌電信號的強(qiáng)度變化中，可以通過表面肌電信號的幅值和幅值變化描述。因此，通過提取表面肌電信號的活動強(qiáng)度(幅值)及變化的特征信息，建立其與步態(tài)事件的關(guān)系，實(shí)現(xiàn)基于動態(tài)表面肌電信號的步態(tài)事件實(shí)時(shí)識別是一種有效的途徑。

2　基于ANFIS的步態(tài)事件識別

通過表面肌電信號特征識別步態(tài)事件結(jié)果并作為康復(fù)機(jī)器人的控制輸入需要滿足以下幾點(diǎn)：①輸入少量信息，就能夠識別出步態(tài)事件，減少硬件投入；②識別過程自動完成；③表面肌電信號存在較大隨機(jī)性和個(gè)體差異，識別算法應(yīng)具有很強(qiáng)的魯棒性和個(gè)體適應(yīng)性。自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(adaptive neuro fuzzy inference system，ANFIS)匯集了神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)的優(yōu)點(diǎn)，具有很強(qiáng)的自學(xué)習(xí)和非線性處理能力，同時(shí)集成了模糊推理能力，能很好滿足以上3點(diǎn)要求[15]。其中網(wǎng)絡(luò)的輸入是骨骼肌表面肌電信號的幅值和幅值變化實(shí)時(shí)信息，輸出為對應(yīng)的步態(tài)事件。

2.1ANFIS網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)輸入輸出特點(diǎn)，本節(jié)構(gòu)建如圖3所示的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。網(wǎng)絡(luò)的輸入向量表示為X=(x1,x2,…,xm),該網(wǎng)絡(luò)采用了T-S模糊規(guī)則。

圖3　ANFIS網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

第一層,模糊層，所有節(jié)點(diǎn)是高斯隸屬函數(shù)，對于輸入信號x，其隸屬度表達(dá)式為

(6)

其中，ci和σi表示函數(shù)中心和速度，屬于網(wǎng)絡(luò)可調(diào)參數(shù)，初始值網(wǎng)絡(luò)自動自適應(yīng)生成，同時(shí)在訓(xùn)練算法指導(dǎo)下調(diào)整，n表示模糊規(guī)則數(shù)目。

第二層，將上一層的輸出連乘，輸出權(quán)重，輸出表達(dá)式為

wi=uAi(x1)uBi(x2)…uMi(xm) i=1,2,…,n

(7)

第三層，對權(quán)值進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算如下:

(8)

第四層，每個(gè)節(jié)點(diǎn)是自適應(yīng)節(jié)點(diǎn)，其作用是將上一層輸出的標(biāo)準(zhǔn)化權(quán)值與一次多項(xiàng)式相乘，其輸出表達(dá)式為

wifi=pix1+qix2+…+sixm+tii=1,2,…,n

(9)

其中，{pi,qi,…,si,ti}為結(jié)論參數(shù)，其具體大小通過網(wǎng)絡(luò)訓(xùn)練確定。

最后層為單節(jié)點(diǎn)，輸出為

(10)

從圖3可以看出，該網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)具有兩個(gè)自適應(yīng)層，第一層可調(diào)參數(shù)為{σi,ci}，調(diào)整輸入的隸屬函數(shù)的相關(guān)特性，第四層可調(diào)參數(shù)為{pi,qi,…,si,ti}，確定了一次多項(xiàng)式形式。

2.2網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)訓(xùn)練

以上網(wǎng)絡(luò)訓(xùn)練的目的是通過一定的學(xué)習(xí)算法調(diào)整第一層和第四層中的可調(diào)參數(shù)，使網(wǎng)絡(luò)的輸出與訓(xùn)練目標(biāo)匹配。

第一步，采用減法聚類算法自適應(yīng)地確定模糊系統(tǒng)的初始結(jié)構(gòu)和參數(shù)，即隸屬度函數(shù)，避免了盲目性和隨機(jī)性。減法聚類算法能夠根據(jù)訓(xùn)練樣本的輸入值在無指導(dǎo)的情況下自動快速生成最少的聚類，而這些聚類決定了初始的隸屬函數(shù)形式。

首先，將網(wǎng)絡(luò)輸入的樣本值都看成是可能的聚類中心，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)(uk)的密度：

Mk=∑e-α‖uk-uj‖j=1,2,…,N

(11)

然后，將最大值點(diǎn)作為第一類聚類中心，除去該點(diǎn)，重新計(jì)算剩余點(diǎn)的密度:

(12)

最后，再找到最大值作為聚類中心，依次循環(huán)，直到

(13)

第二步，在確定隸屬函數(shù)之后，采用混合的學(xué)習(xí)算法進(jìn)行參數(shù)優(yōu)化。首先在輸入信號前向傳輸過程中利用最小二乘法對第四層結(jié)論參數(shù)進(jìn)行調(diào)整，使輸出接近理想輸出；其次，通過誤差逆向傳輸結(jié)合梯度下降法對第一層參數(shù)進(jìn)行調(diào)整。訓(xùn)練結(jié)束控制通過設(shè)定訓(xùn)練次數(shù)或者優(yōu)化目標(biāo)實(shí)現(xiàn)。

2.3輸出層控制

對于ANFIS系統(tǒng)輸出，本文采用整數(shù)值表示步態(tài)事件，1表示支撐階段，2表示擺動階段。然而網(wǎng)絡(luò)輸出不可能剛好為整數(shù)，即使訓(xùn)練結(jié)果也不可能達(dá)到零誤差，因此首先需要對自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)輸出進(jìn)行規(guī)整處理。

另外，由于ANFIS系統(tǒng)沒有記憶能力，可能輸出與步態(tài)事件不相關(guān)的結(jié)果，如從支撐事件到擺動事件過渡瞬間，網(wǎng)絡(luò)輸出可能出現(xiàn)震蕩，導(dǎo)致輸出大于2的錯(cuò)誤結(jié)果。因此，輸出結(jié)果控制是非常必要的，這里采用簡單判斷語句實(shí)現(xiàn)。

若用E表示當(dāng)前步態(tài)事件，那么控制規(guī)則為

規(guī)則1：如果E>2，那么E=2。

規(guī)則2：如果E<1,那么E=1。

其中，規(guī)則1保證步態(tài)事件從支撐階段向擺動階段的過渡，規(guī)則2保證步態(tài)事件從擺動階段向支撐階段過渡。

3　實(shí)驗(yàn)驗(yàn)證與分析

利用本文提出的方法對12名實(shí)驗(yàn)對象不同步速下行走時(shí)的支撐階段和擺動階段兩個(gè)步態(tài)事件進(jìn)行識別，包括步態(tài)事件的識別和發(fā)生時(shí)刻的檢測，被測對象包括男性、女性，年齡在18～45歲之間，平均身高172 cm。本文選取12名對象行走過程中雙腿股外側(cè)肌表面動態(tài)表面肌電信號作為步態(tài)事件識別的信息源，選用上海諾成電氣出廠的八導(dǎo)肌電儀作為肌電采集設(shè)備，采集系統(tǒng)如圖4所示，包括采集電極片、采集卡、無線接收和上位機(jī)顯示，為了減少干擾，采用差分采集方式，采集頻率為1024 Hz。

圖4　表面肌電信號采集系統(tǒng)

實(shí)驗(yàn)過程中，所有對象被要求分別以慢速、正常速度、快速3種不同的速度直線行走，每種速度下獲取3組步態(tài)周期動態(tài)表面肌電信號，一共獲得108組步態(tài)周期數(shù)據(jù)。同時(shí)，實(shí)驗(yàn)中通過測力板同步獲得的足底垂直反作用力信號，該信號已經(jīng)與處理后的表面肌電信號同步化，時(shí)間分辨率為8.3 ms，可以準(zhǔn)確地區(qū)分步態(tài)階段，用于表面肌電步態(tài)識別結(jié)果準(zhǔn)確性的判別。

原始表面肌電信號會存在很多噪聲和干擾，其主要包括采集設(shè)備固有噪聲、周圍噪聲干擾、50 Hz工頻干擾以及移動偽跡噪聲等，信噪比低，需要對其進(jìn)行濾波和偽跡消除。根據(jù)表面肌電信號有用頻率范圍為20～500 Hz，采用零滯后的4階巴特沃斯濾波器對其進(jìn)行濾波，通過工頻陷波方法消除50 Hz工頻干擾。在降噪和偽跡消除的基礎(chǔ)上，對表面肌電信號進(jìn)行整流、120 Hz重采樣和3 Hz低通濾波處理。處理后表面肌電信號及足底力信號如圖5所示，其中足底力為行走過程中腳底受到地面的垂直反作用力相對于人體質(zhì)重的比值。

圖5　處理后左右腿股外側(cè)肌表面肌電信號與右側(cè)足足底力

從圖5可以看出，處理后信號曲形變化平滑，反映了骨骼肌表面肌電信號的強(qiáng)度，對處理后信號進(jìn)行一階微分，即提取活動強(qiáng)度的變化信息。由兩塊骨骼肌處理后表面肌電信號的實(shí)時(shí)幅值及其幅值變化值，組成了4維特征向量作為ANFIS輸入，用于兩個(gè)步態(tài)事件的識別。由于所用特征量是基于時(shí)域值經(jīng)過簡單線性計(jì)算得到的，不需要任何變換，因此保證了特征提取算法的簡單和實(shí)時(shí)性。

在對所有數(shù)據(jù)進(jìn)行處理和識別特征提取后，首先從每位對象中各選取3個(gè)組的步態(tài)周期數(shù)據(jù)，共36組作為訓(xùn)練樣本，通過足底垂直反作用力確定各時(shí)刻訓(xùn)練目標(biāo)值，用于ANFIS系統(tǒng)的規(guī)則生成和參數(shù)優(yōu)化，訓(xùn)練過程中令聚類影響半徑ra=0.5，訓(xùn)練結(jié)果如圖6所示，為了更好地描述訓(xùn)練之后的局部效果，圖中給出了5個(gè)步態(tài)的訓(xùn)練結(jié)果，可以看出，通過訓(xùn)練輸出獲得了很好的逼近效果。

Ⅰ—支撐階段　Ⅱ—擺動階段圖6　ANFIS訓(xùn)練結(jié)果

在系統(tǒng)訓(xùn)練完成后，利用ANFIS系統(tǒng)和輸出控制器對剩余步態(tài)數(shù)據(jù)進(jìn)行支撐階段和擺動階段的識別。圖7給出了其中兩名被測對象步態(tài)數(shù)據(jù)的ANFIS識別與足底力識別結(jié)果的比較，每位對象包括由5個(gè)步態(tài)周期組成的數(shù)據(jù)。從圖中看出，ANFIS系統(tǒng)結(jié)合輸出控制具有很好的步態(tài)階段連續(xù)識別能力，同時(shí)在不同個(gè)體中表現(xiàn)出了很強(qiáng)的適應(yīng)性。在對象A的5個(gè)步態(tài)周期識別中，最大時(shí)間誤差發(fā)生在第3次擺動期到第4次支撐期的過渡階段，延遲了75.0 ms，在對象B的5個(gè)周期步態(tài)事件識別中，對第二次足觸地時(shí)刻識別時(shí)存在最大時(shí)間誤差為58.3 ms。該結(jié)果同時(shí)說明，本文通過模式識別的方法對步態(tài)事件進(jìn)行識別時(shí)，由于所選取的特征-表面肌電信號幅值和幅值變化率，是連續(xù)變化的，在兩個(gè)事件過渡時(shí)刻十分接近，不可避免造成事件判別的超前或滯后。判別的超前與滯后，將引起模式切換過程中的人機(jī)不協(xié)調(diào)，然而從圖7顯示的步態(tài)過程可以看出，步態(tài)周期在1.2 s左右，時(shí)間誤差占步態(tài)周期的6%左右，姿態(tài)變化較小，通過自適應(yīng)柔順策略可以消除不協(xié)調(diào)帶來的不適感[2]。

(a)對象A

(b)對象BⅠ—支撐階段　Ⅱ—擺動階段圖7　兩名對象連續(xù)步態(tài)事件識別結(jié)果

為了進(jìn)一步證明方法的準(zhǔn)確性，分別對12名對象的連續(xù)6個(gè)步態(tài)周期識別結(jié)果進(jìn)行統(tǒng)計(jì)分析，統(tǒng)計(jì)量包括識別正確率以及足跟觸地(HS)和腳尖離地(TO)兩個(gè)事件發(fā)生時(shí)刻的檢測時(shí)間誤差，其中正值表示檢測超前，負(fù)值表示檢測延遲，表1給出了每位對象6個(gè)步態(tài)周期的絕對誤差均值和最大時(shí)間誤差。可以看出，不同對象步態(tài)識別正確率均在92%以上，整體正確率達(dá)到95.3%，而且錯(cuò)誤的識別結(jié)果都發(fā)生在兩個(gè)事件的過渡階段,即實(shí)際上只存在超前或延遲問題；對步態(tài)事件發(fā)生時(shí)刻的檢測，事件發(fā)生時(shí)刻最大檢測誤差為83.3 ms，小于0.1 s，對所有檢測時(shí)間誤差進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，足初始觸地時(shí)刻檢測時(shí)間絕對誤差平均為21.4 ms，足離地時(shí)刻檢測時(shí)間絕對誤差平均為24.5 ms。該結(jié)果說明基于ANFIS和輸出控制的步態(tài)事件識別方法具有很高的識別正確率，步態(tài)事件發(fā)生時(shí)刻的檢測與測力板檢測結(jié)果基本一致，而且對于不同對象和不同步行速度下步態(tài)事件識別有很好的自適應(yīng)能力。

表1　不同對象步態(tài)事件檢測結(jié)果統(tǒng)計(jì)

4　結(jié)論

針對外骨骼式下肢康復(fù)訓(xùn)練機(jī)器人運(yùn)動意圖感知的需求，同時(shí)考慮表面肌電信號在康復(fù)訓(xùn)練機(jī)器人人機(jī)交互中的應(yīng)用趨勢，本文通過對表面肌電信號產(chǎn)生機(jī)理建模，對骨骼肌活動與步態(tài)事件及步態(tài)周期的關(guān)系分析，提出了一種基于動態(tài)表面肌電信號的步態(tài)事件快速識別方法，為康復(fù)訓(xùn)練中控制決策和步態(tài)準(zhǔn)確過渡提供技術(shù)保障。實(shí)驗(yàn)測試證明通過提取雙側(cè)大腿股外側(cè)肌動態(tài)表面肌電信號進(jìn)行步態(tài)事件實(shí)時(shí)識別的可靠性和個(gè)體適應(yīng)性，且具有以下特點(diǎn)：

(1)與測力板或光學(xué)檢測設(shè)備相比，在滿足較高檢測準(zhǔn)確性的前提下，該檢測系統(tǒng)具有便攜可穿戴、安裝方便、使用條件不受限及成本低的優(yōu)點(diǎn)，滿足康復(fù)訓(xùn)練機(jī)器人特殊使用要求。

(2)針對表面肌電信號存在個(gè)體差異，隨步行速度影響及非線性等特點(diǎn)，采用了自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的機(jī)器人自學(xué)習(xí)方法，獲得了很強(qiáng)的自適應(yīng)能力，能夠消除步態(tài)之間表面肌電信號的微小變化的影響，同時(shí)避免了傳統(tǒng)基于經(jīng)驗(yàn)閾值判別時(shí)閾值難以自適應(yīng)的缺點(diǎn)。

(3)本文通過表面肌電信號時(shí)域特征實(shí)現(xiàn)了足跟觸地和腳尖離地兩事件時(shí)刻的檢測和支撐/擺動階段的判斷，該識別方法只需要少量的數(shù)據(jù)就能實(shí)現(xiàn)步態(tài)識別，易于實(shí)現(xiàn)在線實(shí)時(shí)檢測。

(4)隨著生物電信息技術(shù)在人機(jī)系統(tǒng)中的應(yīng)用推廣，本文提出的方法能夠在不增加額外設(shè)備的情況下實(shí)現(xiàn)步態(tài)檢測，具有其特有的優(yōu)勢，提供了一種新的步態(tài)事件識別途徑。

[1]胡進(jìn),侯增廣,陳翼雄,等.下肢康復(fù)機(jī)器人及其交互控制方法[J]. 自動化學(xué)報(bào)，2014，40(11)：2377-2390.

Hu Jin，Hou Zeng guang，Chen Yixiong，et al. Lower Limb Rehabilitation Robots and Interactive Control Methods[J]. Acta Automatica Sinica，2014，40(11)：2377-2390.

[2]文忠,錢晉武,沈林勇,等.基于阻抗控制的步行康復(fù)訓(xùn)練機(jī)器人的軌跡自適應(yīng)[J].機(jī)器人，2011，33(1)：142-149.

Wen Zhong，Qian Jinwu，Shen Linyong，et al. Trajectory Adaptation for Impedance Control Based Walking Rehabilitation Training Robot[J]. Robot，2011,33(1):142-149.

[3]Marchal-Crespo L，Reinkensmeyer D J. Review of Control Strategies for Robotic Movement Training after Neurologic Injury[J]. Journal of Neuroengineering and Rehabilitation，2009，6(1)：20.

[4]Riener R，Lunenburger L，Jezernik S，et al.Patient-cooperative Strategies for Robot-aided Treadmill Training：First Experimental Results[J]. Neural Systems and Rehabilitation Engineering，IEEE Transactions on，2005，13(3)：380-394.

[5]Sankai Y. Hal：Hybrid Assistive Limb Based on Cybernics. Robotics Research[J]. Berlin Heidelberg:Springer，2011.

[6]Bernhardt M，F(xiàn)rey M，Colombo G，et al. Hybrid Force-position Control Yields Cooperative Behaviour of the Rehabilitation Robot LOKOMAT[C]//Proceedings of the 9th International Conference on the Rehabilitation Robotics. Chicago，IL，USA：IEEE，2005:536-539.

[7]Giroux M，Moissenet F,Dumas R.EMG-based Validation of Musculo-skeletal Models for Gait Analysis[J]. Computer Methods in Biomechanics and Biomedical Engineering,2013,16(S1)：152-154.

[8]Huang B，Chen M，Shi X，et al.Gait Event Detection with Intelligent Shoes[C]// Proceedings of The International Conference on Information Acquisition. Jeju City，Korea：IEEE，2007：579-584.

[9]Catalfamo P，Moser D，Ghoussayni S，et al.Detection of Gait Events Using an F-Scan in-shoe Pressure Measurement System[J]. Gait & posture，2008，28(3)：420-426.

[10]Heliot R，Pissard-GiboIIet R，Espiau B，et al. Continuous Identification of Gait Phase for Robotics and Rehabilitation Using Microsensors[C]//Proceedings of the 12th International Conference on Advanced Robotics. Seattle，USA：IEEE，2005：686-691.

[11]Williamson R，Andrews B J. Gait Event Detection for FES using Accelerometers and Supervised Machine Learning[J]. Rehabilitation Engineering，IEEE Transactions on，2000，8(3)：312-319.

[12]Hanlon M，Anderson R. Real-time Gait Event Detection Using Wearable Sensors[J]. Gait & Posture，2009，30(4)：523-527.

[13]Wang W，De Stefano A，Allen R. A Simulation Model of the Surface EMG Signal for Analysis of Muscle Activity During the Gait Cycle[J]. Computers in Biology and Medicine，2006，36：601-618.

[14]Roy S H，Cheng M S，Chang S S，et al. A Combined sEMG and Accelerometer System for Monitoring Functional Activity in Stroke[J]. Neural Systems and Rehabilitation Engineering，IEEE Transactions on，2009，17(6)：585-594.

[15]Güler I，übeyli E D. Adaptive Neuro-fuzzy Inference System for Classification of EEG Signals Using Wavelet Coefficients[J]. Journal of Neuroscience Methods，2005，148(2)：113-121.

(編輯郭偉)

Human Gait Events Fast Recognition Method via Surface Electromyography

Chen JiangchengZhang XiaodongYin Gui

Xi’an Jiaotong University，Xi’an,710049

Real-time and accuracy detection of human motion during active training stage were required for lower limb rehabilitation robot. A dynamic surface EMG based human gait events fast recognition method was proposed. Firstly，the surface EMG generation model was established and the skeletal muscle activity during gait was analyzed，the gait event perception method with surface EMG intensity and its variation was put forward. Then，an ANFIS model was built to recognize the supporting phase and swing phase, which used the dynamic surface EMG signals of vastus lateralis lie in the both of left and right thigh as the signal source.The experimental results show that the average correct rate may reach 95.3% compared with results detected from force plate，the average time errors for heel strike (HS) and toe off (TO) timing detection are 21.4 ms and 24.5 ms respectively. Moreover，the method proposed also shows a strong robustness against the surface EMG difference between gaits.

surface electromyography(EMG)；gait event；adaptive neuro fuzzy inference system(ANFIS)；rehabilitation robot

2015-06-08

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)資助項(xiàng)目(SS2015AA041002)；國家自然科學(xué)基金資助重大項(xiàng)目(91420301)

TP242DOI：10.3969/j.issn.1004-132X.2016.07.011

陳江城，男，1987年生。西安交通大學(xué)機(jī)械工程學(xué)院博士研究生。研究方向?yàn)橹悄軝C(jī)器人技術(shù)、外骨骼機(jī)器人。張小棟，男，1967年生。西安交通大學(xué)機(jī)械工程學(xué)院教授、博士研究生導(dǎo)師。尹貴，男，1986年生。西安交通大學(xué)機(jī)械工程學(xué)院博士研究生。