下肢康復外骨骼機器人步態(tài)相位切換研究

馬 樂，周 平，王美玲，陳淑艷，張鵬萬

（1.合肥工業(yè)大學 電氣與自動化工程學院，合肥 230009；2.中國科學院合肥物質(zhì)科學研究院先進制造技術(shù)研究所，常州 213164；3.中國科學技術(shù)大學 工程科學學院，合肥 230000)

下肢康復外骨骼機器人步態(tài)相位切換研究

馬 樂1,2，周 平2，王美玲2，陳淑艷2，張鵬萬3

（1.合肥工業(yè)大學 電氣與自動化工程學院，合肥 230009；2.中國科學院合肥物質(zhì)科學研究院先進制造技術(shù)研究所，常州 213164；3.中國科學技術(shù)大學 工程科學學院，合肥 230000)

為實現(xiàn)下肢康復外骨骼機器人步態(tài)相位的穩(wěn)定切換，本文通過壓力傳感器，編碼器，陀螺儀以及拐杖按鈕檢測單元構(gòu)建的感知系統(tǒng)實時采集人體步態(tài)運動信息，先根據(jù)足底壓力信號的標志性事件將人體步態(tài)周期依次序劃分為四個相位，然后對不同相位的運動狀態(tài)切換進行具體研究。針對人體行走過程中支撐腿與擺動腿的切換判斷，提出基于學習矢量量化(LVQ)的神經(jīng)網(wǎng)絡模型。將整個步態(tài)相位切換模型嵌入控制程序中進行在線測試，結(jié)果表明該模型實時性好，識別率高，能夠?qū)崿F(xiàn)穩(wěn)定柔順的步態(tài)切換。

下肢外骨骼機器人；傳感信號融合；相位劃分；LVQ；步態(tài)相位切換

0 引言

外骨骼機器人是一種集人機工程學、仿生學于一體的機械裝置，穿戴于人體肢體外側(cè)，靠人的智慧來控制機器人，發(fā)揮機器人能量動力的優(yōu)勢，輔助人類完成自身無法完成的任務，廣泛應用于醫(yī)療、軍事、工業(yè)等領域[1]。康復用下肢外骨骼機器人能夠幫助患者進行腿部康復訓練，在可重復性方面優(yōu)于傳統(tǒng)方法，可以大幅度縮短患者的康復訓練時間，并減少陪同康復的醫(yī)師數(shù)量，大幅度降低人力成本。幫助老年人、下肢不便患者實現(xiàn)自主行走，改善他們的生活質(zhì)量，有助于他們的身心健康。

目前下肢外骨骼機器人的研究仍然面臨眾多挑戰(zhàn)，其中一個主要的挑戰(zhàn)就是機器人缺乏充分的能力識別穿戴者的行為和意圖。為了克服這個問題，研究者們采用慣性傳感器[2]、足底壓力傳感器[3]和關節(jié)角度傳感器[4]來獲取穿戴者的運動信息，并通過模式識別的方法來檢測穿戴者的步行狀態(tài)與運動意圖。Pappas I P I等人基于足底壓力傳感器和安裝在踝關節(jié)的陀螺儀信號采用有限狀態(tài)機的方法對足跟觸地、支撐、足跟離地、擺動四個步態(tài)相位進行在線識別[5]。吳貴忠等人根據(jù)關節(jié)角度信息和足底壓力分布信息分別采用支持向量機和非線性自回歸神經(jīng)網(wǎng)絡模型來預測外骨骼機器人的步態(tài)相位[6]。Djuric M等人基于大腿、小腿和足部的加速度信息采用閾值法進行步態(tài)運動相位的識別[7]。

本文為實現(xiàn)下肢康復外骨骼機器人步態(tài)相位的穩(wěn)定切換，使用足底壓力傳感器、陀螺儀、編碼器和拐杖按鈕檢測單元構(gòu)成實時感知系統(tǒng)，先通過閾值法模糊處理足底壓力信號，將步態(tài)運動周期依次序劃分為四個相位,然后對每個相位的運動狀態(tài)切換進行了具體研究。此外，針對雙支撐相位的支撐腿與擺動腿切換判斷采用了學習矢量量化（Learning Vector Quantization，LVQ）神經(jīng)網(wǎng)絡模型。通過整個步態(tài)切換模型的在線測試，驗證了模型的有效性。

1 采集系統(tǒng)結(jié)構(gòu)

本文的信號采集系統(tǒng)主要由足底壓力采集模塊、陀螺儀模塊、編碼器、拐杖按鈕信號檢測模塊和嵌入式PC主控制器模塊組成，各個模塊以節(jié)點形式掛載在CAN總線。

1.1 信號采集模塊

足底壓力信號采集模塊的傳感器采用Tekscan 公司的A401，在每一只腳底安裝三個傳感器，分別放置在第一跖骨、第五跖骨和足跟部位。模塊的微控制器采用STM32F103，采集頻率為100Hz，信號被控制器的12位A/D轉(zhuǎn)換器采集后進行處理。陀螺儀模塊由MPU6050和微控制器組成，集成了3軸MEMS加速度計、3軸MEMS陀螺儀以及數(shù)字運動處理器DMP。伺服電機編碼器用于輸出關節(jié)角度信息。拐杖按鈕信號檢測單元使用支持ZigBee協(xié)議的無線射頻芯片CC2530F256將按鈕信號通過2.4GHz的無線信道與主控器進行串口通信，同時拐杖的使用增加了人體的支撐點和支撐范圍，提高了系統(tǒng)的穩(wěn)定性和安全性。嵌入式PC主控器實時采集各個模塊的傳感信號進行融合分析，CAN總線的通信速率設為500Kbps。樣機實物如圖1所示。

圖1 樣機實物圖

1.2 信號處理與特征提取

足底壓力信號主要采用增益放大和二階巴特沃斯低通濾波進行預處理。陀螺儀的輸出信號采用卡爾曼濾波算法進行預處理，實現(xiàn)在動態(tài)環(huán)境下準確輸出慣性數(shù)據(jù)。

根據(jù)足底壓力信號的變化特點，利用閾值法對信號進行特征提取，設第i個壓力傳感器的閾值pth(i)等于其最大峰值的十分之一，此時穩(wěn)定性較好。當足底壓力信號為p(i)時，經(jīng)閾值處理后的特征值pi*記為：

2 步態(tài)相位劃分

針對下肢康復外骨骼機器人的應用，主要研究人體下肢的三個穩(wěn)定狀態(tài)：坐立狀態(tài)，站立狀態(tài)和行走狀態(tài)。

人體行走是具有周期性的運動，通常將一側(cè)足跟著地開始到該足跟再次著地記為一個步態(tài)周期。足底壓力信息在步態(tài)運動周期中體現(xiàn)出很好的確定性和規(guī)律性，因此根據(jù)足底壓力信號易于檢測的三個標志性事件：足跟著地、足平放和足尖離地，將步態(tài)周期依次序劃分為四個相位：

左足壓力傳感器從足尖到足跟依次記為LF1、LF2和LF3，右足壓力傳感器依次記為RF1、RF2和RF3，其對應的步態(tài)相位劃分關系如表1所示

表1 行走步態(tài)相位劃分

3 步態(tài)相位的切換

3.1 三個穩(wěn)定狀態(tài)的切換

坐立狀態(tài)與站立狀態(tài)的切換由按鈕信號控制，當穿戴者按下站立按鈕，控制器會根據(jù)當前傳感信息進行狀態(tài)判斷，如果膝關節(jié)角度絕對值大于60°，髖關節(jié)角度大于50°，且足底壓力較小，則判定為坐立狀態(tài)，然后根據(jù)傳感數(shù)據(jù)自動規(guī)劃起立軌跡，延時2秒后電機使能進入起立階段，穿戴者上肢借助拐杖的支撐來保持身體平衡，最終實現(xiàn)站立。站立切換到坐立由另一個按鈕控制，當檢測到坐立按鈕信號后延時2秒，然后按預定的坐立軌跡執(zhí)行動作，坐立完成后電機失能。

行走狀態(tài)與站立狀態(tài)切換如圖2所示，穿戴者先依據(jù)個人習慣選擇左腿起步或右腿起步。處于站立狀態(tài)的穿戴者準備行走時會將身體前傾，陀螺儀檢測到上身傾角大于設定閾值時便執(zhí)行起步程序進入行走狀態(tài)。行走過程中，當人體處于左單支撐或右單支撐相位時，穿戴者可以按下拐杖上的站立按鈕，主控器檢測到站立按鈕的信號后，立即停止電機的運動并保持當前姿態(tài)，然后根據(jù)足底壓力分布判斷出支撐腿和擺動腿，通過姿態(tài)角信息的融合分析自動生成收步軌跡，執(zhí)行收步動作，收步完成后調(diào)整到站立狀態(tài)。當穿戴者處于行走過程中的雙支撐相位時，需要進行支撐腿與擺動腿的切換，身體姿態(tài)難以完成收步動作，故主控器屏蔽拐杖的站立按鈕信號，以保障穿戴者的安全。

圖2 行走-站立狀態(tài)切換圖

3.2 支撐腿與擺動腿的切換

在連續(xù)行走過程中最重要的動作是實現(xiàn)支撐腿與擺動腿的自動切換。由于支撐腿與擺動腿的切換是發(fā)生在雙支撐相位的一個短暫的過程，沒有準確的劃分界限，并且每一個步態(tài)的切換時期并不完全相同，而是在一定范圍內(nèi)進行，這就使得通過設定單一閾值無法實現(xiàn)穩(wěn)定柔順的切換。為了解決這個問題，本文采用學習矢量量化神經(jīng)網(wǎng)絡模型來實現(xiàn)支撐腿與擺動腿的切換判定。

1）LVQ神經(jīng)網(wǎng)絡結(jié)構(gòu)

學習矢量量化神經(jīng)網(wǎng)絡[8]是一種用于訓練競爭層的有監(jiān)督學習方法的輸入前向神經(jīng)網(wǎng)絡，是從Kohonen的自組織特征映射網(wǎng)絡[9]演化而來的，不需要對輸入向量進行歸一化、正交化處理，易于編程實現(xiàn)，且泛化性能好，因此在模式識別領域有著廣泛的應用。LVQ神經(jīng)網(wǎng)絡由三層神經(jīng)元組成，即輸入層、競爭層和線性輸出層，如圖3所示，輸入層n個神經(jīng)元接受輸入向量，與競爭層之間是全部連接。競爭層有m個神經(jīng)元，其個數(shù)大于線性輸出層神經(jīng)元個數(shù)l，與輸出層之間是部分連接，連接權(quán)值固定為1。

圖3 LVQ神經(jīng)網(wǎng)絡結(jié)構(gòu)

2）LVQ神經(jīng)網(wǎng)絡學習算法

LVQ的學習算法是在有教師狀態(tài)下對競爭層進行訓練的一種學習算法，其改進算法均是在LVQ1的基礎上引入次獲勝神經(jīng)元。LVQ1算法的基本思想是：計算距離輸入向量最近的競爭層神經(jīng)元，找到與之相連接的線性輸出層神經(jīng)元，根據(jù)輸入樣本類別和獲勝神經(jīng)元所屬類別，判斷當前分類是否正確。若分類正確則獲勝神經(jīng)元的權(quán)向量向輸入向量方向調(diào)整，分類錯誤則向反方向調(diào)整，每次只對獲勝神經(jīng)元的權(quán)值進行更新。本文采用改進的LVQ2.1算法同時考察兩個權(quán)值向量，加快算法的收斂速度，使各個權(quán)向量快速的向目標位置移動[10]，具體步驟如下：

步驟1：初始化輸入層與競爭層之間的權(quán)值ωij，設置初始學習率和訓練次數(shù)K。

步驟2：將類別為Cx的輸入向量送入輸入層，根據(jù)公式(2)計算競爭層神經(jīng)元與輸入向量的距離。

式中ωij為輸入層的神經(jīng)元j與競爭層的神經(jīng)元i之間的權(quán)值。

步驟3：選擇競爭層與輸入向量X距離最近的神經(jīng)元i為獲勝神經(jīng)元，次近的神經(jīng)元j為次獲勝神經(jīng)元，距離分別記為di和dj，對應的類別記為Ci和Cj。

為輸入向量可能落進的接近于兩個向量中段平面的窗口寬度，一般取2/3。則有：

1）若Ci=Cx，則神經(jīng)元i和神經(jīng)元j的權(quán)值按公式(4)進行修正：

2）若Ci=Cx，則神經(jīng)元i和神經(jīng)元j的權(quán)值按公式(5)進行修正：

步驟5：若Ci=Cj，則只更新距離輸入向量最近的神經(jīng)元i的權(quán)值，更新規(guī)則如下：

1）若Ci=Cx，則用公式(6)調(diào)整權(quán)值：

2）若Ci≠Cx，則用公式(7)調(diào)整權(quán)值：

步驟6：迭代一次后更新學習率：

步驟7：若誤差精度滿足了要求或者迭代次數(shù)達到了K次，結(jié)束訓練，否則轉(zhuǎn)至步驟2繼續(xù)訓練。

4 實驗結(jié)果與分析

4.1 數(shù)據(jù)獲取

實驗邀請五名24歲到28歲的健康男士穿戴外骨骼機器人進行數(shù)據(jù)采集和測試，實驗者身高在172cm到180cm之間，體重在64kg到72kg之間。實驗者借助拐杖以較慢速度模擬助力行走步態(tài)，選取每名實驗者的20個穩(wěn)定步態(tài)數(shù)據(jù)作為樣本集進行分析。其中一名實驗者的單個步態(tài)周期相位劃分如圖4所示。

圖4 單周期步態(tài)數(shù)據(jù)相位劃分

4.2 LVQ模型的構(gòu)建與在線測試

依據(jù)穿戴者的運動意圖，結(jié)合關節(jié)角度和足底壓力的變化情況，將行走過程中雙支撐相位的支撐腿和擺動腿預備切換前的樣本數(shù)據(jù)標記為類1，開始切換后的樣本數(shù)據(jù)標記為類2，選取標記好的樣本數(shù)據(jù)中的足底壓力和陀螺儀屬性構(gòu)成樣本向量對LVQ網(wǎng)絡進行訓練。對每一個實驗者選取480個樣本數(shù)據(jù)，樣本類別比例為1:1，隨機各選150組樣本數(shù)據(jù)組成含有300個樣本數(shù)據(jù)的訓練集，剩下180組作為測試集。實驗基于Matlab R2014a平臺，采用LVQ2.1變學習率的學習算法達到快速收斂。LVQ神經(jīng)網(wǎng)絡輸入層神經(jīng)元個數(shù)為7，輸出層神經(jīng)元個數(shù)為2。通過多次試驗得到競爭層神經(jīng)元個數(shù)為20，學習率初始值為0.1，迭代次數(shù)為100，目標誤差設為0.02時的效果最好，此時單個網(wǎng)絡的訓練過程如圖5所示，由圖可知第27次迭代訓練時滿足了誤差精度要求，訓練停止。

圖5 網(wǎng)絡訓練過程

模型的ROC曲線如圖6所示。

圖6 LVQ神經(jīng)網(wǎng)絡的ROC

樣本數(shù)據(jù)識別結(jié)果的混淆矩陣如圖7所示，整體識別率達到了98.8%。

圖7 混淆矩陣

對左右腿的支撐與擺動切換分別構(gòu)建LVQ神經(jīng)網(wǎng)絡模型進行在線測試，將模型參數(shù)導出，用C語言實現(xiàn)并嵌入控制程序。當進入雙支撐相位時將實時采集的樣本向量輸入LVQ神經(jīng)網(wǎng)絡進行分類。為了增加穩(wěn)定性，通過距離最近的2個神經(jīng)元的類別進行判斷，當這兩個神經(jīng)元的輸出類別相同且為新類別2時，輸出識別結(jié)果并執(zhí)行切換動作，然后退出識別模型，否則繼續(xù)對新的樣本向量進行識別判斷，流程圖如圖8所示。

圖8 支撐與擺動切換判斷流程圖

模型的在線測試實驗如圖9所示，測試結(jié)果表明針對某一實驗者構(gòu)建的識別模型對該實驗者的步態(tài)相位切換具有很好的識別效果，對身體條件相近的實驗者具有較好的識別效果，模型有良好的泛化性能。由于個體身體健康狀況條件差異較大，因此實際使用時需要根據(jù)穿戴者的身體狀況構(gòu)建模型，調(diào)整參數(shù)，以便達到最佳效果。

5 結(jié)束語

本文根據(jù)下肢康復外骨骼機器人的具體應用，研究了人體下肢運動的三個穩(wěn)定狀態(tài)的切換。針對行走狀態(tài)是一系列有次序的運動，依據(jù)三個足底壓力標志性事件將步態(tài)周期劃分為四個相位，降低了模型復雜度。在此基礎上根據(jù)采集的傳感器信息對每個相位的運動狀態(tài)切換進行了具體研究。此外，通過在人體雙支撐相位構(gòu)建LVQ神經(jīng)網(wǎng)絡模型實現(xiàn)了支撐腿與擺動腿的自動切換。在線測試結(jié)果表明該模型實時性好，識別率高，能夠?qū)崿F(xiàn)下肢步態(tài)相位的安全穩(wěn)定切換。

圖9 模型在線測試

[1] 李坦東,王收軍,侍才洪,等.穿戴式外骨骼機器人的研究現(xiàn)狀及趨勢[J].醫(yī)療衛(wèi)生裝備,2016,37(9):116-119.

[2] Sprager S,Juric M B. Inertial Sensor-Based Gait Recognition: A Review[J].Sensors,2015,15(9):22089-22127.

[3] 汪飛躍,姚志明,許勝強,等.基于柔性力敏傳感器的左右腳動態(tài)識別方法[J].傳感技術(shù)學報,2015(7):964-971.

[4] Liu D X, Wu X, Du W, et al. Gait Phase Recognition for Lower-Limb Exoskeleton with Only Joint Angular Sensors:[J].Sensors,2016,16(10):1579.

[5] Pappas I P I, Keller T,Mangold S.A reliable, gyroscope based gait phase detection sensor embedded in a shoe insole[J].IEEE Sensors Journal,2004,4(2):268-274.

[6] Wu G, Wang C,Wu X, et al. Gait phase prediction for lower limb exoskeleton robots[C].IEEE International Conference on Information and Automation. IEEE,2017.

[7] Djuric M. Automatic recognition of gait phases from accelerations of leg segments[C].IEEE,2008:121-124.

[8] 王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡43個案例分析[M].北京航空航天大學出版社,2013.

[9] Kohonen T.Self-organizing maps[M].Self-Organizing Maps.Springer Berlin Heidelberg,1997:266-270.

[10] 張敏靈,陳兆乾,周志華.SOM算法、LVQ算法及其變體述[J].計算機科學,2002,29(7):97-100.

Research on gait phase transition for lower limbs rehabilitation exoskeleton robot

MA Le1,2, ZHOU Ping2, WANG Mei-ling2, CHEN Shu-yan2, ZHANG Peng-wan3

TP242.6

：A

：1009-0134(2017)08-0047-04

2017-06-14

常州市科技支撐計劃項目（CE20150013）

馬樂（1989 -），男，河南洛陽人，碩士研究生，研究方向為傳感技術(shù)，模式識別。