下肢康復機器人的自適應人機交互控制策略

杜義浩 邱石 謝平 郭子暉 吳曉光 李小俚

由腦卒中、外傷等導致的運動功能障礙康復問題,已經在世界范圍內引起廣泛關注.康復機器人由于能夠協助或替代醫師進行患者康復訓練,近年來得到迅速發展并在臨床康復中得到了廣泛應用[1?2].但現有的康復機器人還存在控制策略不夠智能,自適應調整能力和人機交互性水平不高等問題[3].因此,研究有效的下肢康復機器人自適應人機交互控制方法,體現患者的運動意圖和人機交互的同時自適應控制康復機器人運動,成為康復機器人研究的關鍵問題.

康復機器人的人機交互可以通過人體生理信號和力/位置信息兩種途徑體現[4].生理電信號中的表面肌電信號(Surface electromyography,sEMG)能夠反映肌肉狀態和人體運動意圖[5].有研究將sEMG引入康復機器人,如Pittaccio提出了一種基于sEMG的踝關節康復機器人[6],利用脛骨前肌sEMG觸發康復機器人按照預定義軌跡運動,但未考慮人機交互問題;Song等開發基于sEMG連續控制的康復機器人[7],基于sEMG幅值按照比例控制關節扭矩,具有了簡單程度的人機交互.基于sEMG的康復機器人控制一定程度上體現了人體的運動意圖,但sEMG易受干擾,采集精度無法保證[4].利用力/位置傳感器可以獲取人機之間的作用力和位置信息,并實現康復機器人的阻抗控制和人機交互[8].如Saglia等利用阻抗控制調整腳踝康復機器人的柔順性實現患者的輔助訓練[9];Duschauwicke等則利用阻抗控制調節患者的步行速度和牽引力[10];Koopman等通過阻抗控制實現“patient-cooperative” 和 “human-centred” 控制以提高患者的積極參與度[11].上述康復機器人阻抗控制方法具有一定人機交互能力,但其阻抗控制參數固定不變,應用于具有個體差異性的康復訓練中略有不足.同時,人機之間的交互作用使得康復機器人具有時變不確定性[3],導致人機系統動力學模型無法精確建立,造成傳統的基于模型的控制方法無法實現有效控制.

為此,本文考慮人體主動運動的因素,基于拉格朗日法建立下肢康復機器人動力學模型,提取人體下肢伸屈運動中相關拮抗肌的sEMG信號識別人體運動意圖;引入力反饋構建sEMG與人機交互力(sEMG-IF(Interaction force))信息融合模型,在線規劃下肢康復機器人運動軌跡,并設計間接自適應模糊控制器,實現下肢康復機器人運動軌跡跟蹤控制.

1 基于sEMG和IF的下肢康復機器人控制

1.1 人機系統動力學建模

以膝關節下肢康復機器人為研究對象,針對膝關節康復,實現被試者下肢水平伸屈運動訓練.康復機器人電機驅動安裝在髖關節處.

由于下肢康復機器人運動過程中存在人機作用力,需將二者看作一個整體進行動力學分析[4].其人機系統可簡化為曲柄滑塊機構,如圖1所示.

圖1 人機系統機構Fig.1 Human-machine system

圖1中,θ為X軸與大腿連桿的轉角(髖關節角度),φ為X軸與小腿連桿的轉角,Mi為第i桿的質量,即人體下肢第i段質量mi與康復機器人第i桿質量之和,Li為第i桿的長度,di為第i桿質心與關節的距離,Ii為人體下肢第i段的轉動慣量.由幾何法得到?與θ的關系為

利用拉格朗日法進行人機動力學建模:

式中,τ為系統驅動力,D(θ)為系統的轉動慣量,為科氏力及離心相關項,G(θ)為重力項.

式中,g為重力常數.

如上文所述,本文將人體下肢和康復機構看作一個整體進行動力學分析.當患者進行被動康復訓練時,人機系統第i個桿件的質量Mi為常數,即人體下肢第i段質量與康復機器人第i桿質量之和.而當患者進行主動訓練時,康復機器人桿件會受到人體運動及人機交互力的作用,主動力會在桿件上形成等效質量i(t),且施加的力的大小不同,等效質量也不同,如式(6)所示:

式中,為患者主動訓練時,第i桿件上的質量.因此,在人體主動運動時,式(3)～(5)中M1、M2變為隨時間變化的同時,人機系統第i段桿件質心的位置也會因人體的主動運動而發生變化,從而導致di的值不再為固定的常數.因此,人機系統動力學系數具有時變特性,其數值會隨著人體下肢的主動運動而變化,分別用D′(θ)、H′(θ)、G′(θ)表示.此時式 (2) 可表示為

即人機交互時的動力學方程.

1.2 基于間接自適應模糊控制器的軌跡跟蹤

由式(7)可見,人機系統動力學模型具有時變不確定性,從而使得基于模型的控制方法無法有效跟蹤期望軌跡.因此,本文設計模糊自適應控制方法根據人機系統運動狀態自適應調整控制參數,實現軌跡跟蹤.

對式(7)進行變換可得:

式中,θ為髖關節角度,和均為非線性函數,u為輸入驅動力τ.

為表征變量的時變不確定性,利用能夠反映人機系統狀態的模糊變量進行代換,模糊系統的構造步驟如下:

1) 對變量θi(i=1,2,···,n),定義pi個模糊集合

2)采用條模糊規則來構造模糊系統

其中,為集合,θ1為下肢康復機器人期望軌跡θm與跟蹤軌跡θ之間的誤差e=θm?θ,θ2為誤差變化量ec,模糊集合定義為{NB,NS,O,PS,PB},即

運用乘積推理機、單值模糊器和中心平均解模糊器可得模糊變量為

式中,為隸屬度函數,為自由參數.將其放入集合中,同時引入維向量ξ(θ),則式(9)變為

其第l1···ln個元素為

同理可得,進一步,設計自適應律,用于調整集合參數

式中,γ1、γ2為正常數.本文中取γ1=160、γ2=0.5、=[0,1]T,U為滿足Lyapunov方程的正定矩陣:

以下肢康復機器人運動軌跡誤差為控制目標,令

取控制律為

式中,為使得多項式s2+k1s+k2所有根都位于復平面左半平面內的向量.將式(16)帶入式(8),得到系統的閉環控制方程為

經模糊化后得到模糊變量則控制律變為

將式(18)代入式(8),得到間接自適應控制器模型:

通過選取值,使t→ ∞時,e(t)→0,即系統的輸出θ漸近收斂于期望軌跡θm.間接自適應控制器的穩定性利用Lyapunov定理[12]得到了證明.

1.3 基于sEMG-IF信息融合的運動軌跡在線規劃

為在下肢康復機器人運動過程中體現人體運動意圖和人機交互性,提高患者的主動參與意識和積極性,本文構建基于表面肌電和人機交互力(sEMGIF)的信息融合模型實現運動軌跡在線規劃.

1.3.1 人體運動意圖識別

在下肢伸屈運動過程中,拮抗肌(股二頭肌和股外側肌)sEMG特征能夠體現人體運動意圖.但由于sEMG易受噪聲干擾,需要進行信號預處理[13],具體過程如圖2.

圖2 sEMG預處理過程Fig.2 sEMG preprocessing process

首先,利用5～200Hz帶通濾波器對原始信號進行濾波;其次,采用自適應高通濾波去除sEMG中的基線漂移;再次,運用自適應50Hz陷波濾除sEMG中的工頻及諧波干擾;最后,對sEMG信號進行全波整流,得到預處理后的sEMG信號.

進一步,運用文獻[14]中方法獲取人體下肢運動意圖.將預處理后的股二頭肌和股外側肌sEMG進行歸一化處理.

式中,xr為靜息狀態下的sEMG值,xm為伸屈運動中最大自主收縮下的sEMG值,x(t)為預處理后的sEMG值,(t)為歸一化后的sEMG值.

由于人體下肢伸屈運動主要受拮抗肌的協同收縮控制,計算歸一化后sEMG的包絡,并取其包絡差值識別下肢伸屈運動特征.

式中,為股二頭肌包絡,為股外側肌包絡.表征下肢伸展運動,表征下肢屈曲運動.

1.3.2 sEMG-IF信息融合模型

在基于肌電信號定性辨識出人體運動意圖基礎上,為進一步提高下肢康復機器人的人機交互能力,利用足底壓力傳感器獲取人機交互力信息,建立sEMG-IF信息融合模型實現運動意圖量化推理,進而在線規劃下肢康復機器人運動軌跡.

綜合考慮被試者運動過程中的參與程度、運動狀態的差異以及干擾等因素,利用人機交互力前后采樣時刻的差值刻畫被試者的運動意圖.當被試者處于下肢伸展運動狀態(P=1)時,若前后采樣時刻人機交互力差值大于閾值ε,則被試者具有加速運動意圖;若其差值小于閾值?ε,則被試者具有減速運動意圖;否則,被試者維持當前運動速度.由此,可以構造出如下模型:

式中,為當前時刻的人機交互力,FR為前一采樣時刻的人機交互力,P為第1.3.1節中人體運動意圖識別結果(P=1表示伸展運動,P=?1表示屈曲運動),ε為設定的下肢伸屈運動速度改變閾值,Δx為加減速運動標志量(Δx=1表示加速運動,Δx=?1表示減速運動).

進一步,通過下肢康復機器人末端運動速度的變化,定量描述人體運動意圖的改變,建立如下模型:

式中,K為根據被試者個體差異性進行調整的下肢康復機器人助力系數,v為下肢康復機器人末端沿X軸的運動速度.由人機交互力的變化量和標志量Δx的乘積體現人體下肢伸屈運動意圖的變化.當一定時,K值越大,下肢康復機器人運動速度改變越小,即下肢康復機器人提供的驅動力越小.

為將下肢康復機器人運動速度v轉換為驅動髖關節角度θ,基于下肢康復機器人運動學分析,得到如下關系式:

式中,xB為下肢康復機器人機構末端位置,θ、?為時間變量.對上式求導可得下肢康復機器人末端運動速度:

將式(1)、式(25)代入式(23)即可得到髖關節角度θ的期望軌跡θm.

2 實驗結果分析

2.1 研究對象與實驗流程

采集5名健康被試者(4名男生、1名女生,年齡:25±2),要求被試者實驗前無劇烈運動、精神狀態良好,且熟悉實驗流程.利用16通道無線表面肌電采集儀,采樣率設為1kHz,帶通頻率設為5Hz～200Hz,輸入方式采用三點式差動,AgCl主動電極貼于被試者下肢股二頭肌和股外側肌肌腹處,參考電極貼于腳踝處;下肢康復機器人驅動器選用ZM-6405E,通過FSR402薄膜壓力傳感器采集足底壓力信號.實驗過程如下:被試者平躺于下肢康復機器人平臺上,踝關節固定于踏板,采集被試者下肢屈曲/伸展運動的sEMG信號,每20次伸展/屈曲動作為一組,每名被試者采集3組,每組動作后休息10分鐘,并利用第1節中方法進行下肢康復機器人自適應人機交互控制,如圖3所示.

圖3 實驗過程Fig.3 Experimental process

2.2 下肢康復機器人運動軌跡在線規劃及自適應控制

以其中一名被試者為例,采集下肢伸屈運動過程中股二頭肌和股外側sEMG,利用第1.3.1節中方法對原始sEMG進行預處理,如圖4、圖5所示.由圖可見,被試者進行了3次完整的下肢伸屈運動,且預處理后的sEMG基線漂移得到了明顯抑制.

如圖6所示,對歸一化后的sEMG進一步提取包絡值.圖7為利用第1.3.1節中方法計算股二頭肌和股外側肌的包絡差值.由圖7可見,當包絡差值大于零時,被試者進行伸展動作;當包絡差值小于零時,被試者進行屈曲動作.

將上述分析過程應用于下肢康復機器人自適應人機交互控制中的人體運動意圖在線識別.由表1可見,由于存在個體差異性,使得5名被試者伸展/屈曲運動完成時間不同,造成被試者運動意圖識別率不同,其識別正確率均在96%左右,表明利用股二頭肌和股外側肌sEMG包絡差值,能夠用于被試者運動意圖在線識別.

圖5 歸一化后sEMGFig.5 Normalized sEMG

圖6 sEMG包絡提取Fig.6 sEMG envelope extraction

圖8為伸展/屈曲運動中人機交互力(IF)和運動意圖(P)變化曲線,圖9為利用本文提出的sEMG-IF信息融合模型得到的下肢康復機器人運動速度變化曲線.由圖8、圖9可見,下肢康復機器人運動速度與人機作用力變化趨勢基本一致:在第一個伸展階段(P=1),下肢康復機器人運動速度隨著IF差值的變化而相應的加速和減速;在屈曲階段(P=?1),下肢康復機器人運動速度隨著IF差值的變化出現反向加速和減速.

圖7 股二頭肌與股外側肌包絡差值Fig.7 The envelope difference of biceps and lateral muscles of femoral head

表1 人體運動意圖識別結果Table 1 Results of human motion intent recognition

圖8 人機交互力和運動意圖Fig.8 Human-machine interaction and motion intention

圖10為基于運動速度并利用第1.3.2節中方法得到的下肢康復機器人期望軌跡,以及運用間接自適應模糊控制康復機器人跟蹤軌跡變化曲線;圖11為兩者誤差變化曲線.由圖10可見,期望軌跡(髖關節角度)出現先減小后增大再減小的變化趨勢,與被試者伸展/屈曲運動相對應,同樣符合第1.3.2節中式(25)所描述的規律.由圖11可見,軌跡跟蹤誤差曲線在剛開始時達到最大值后迅速減小,與之對應的是間接自適應模糊控制器的建立過程;在7s和12s附近誤差突然變大,這是由于為驗證所設計控制器的有效性,人為引入了干擾項所導致的;整個過程誤差保持在±0.04范圍內,能夠滿足下肢康復機器人在線自適應控制的要求.

圖9 下肢康復機器人運動速度Fig.9 Movement speed of lower limb rehabilitation robot

圖10 髖關節角度跟蹤曲線Fig.10 Tracking curve of hip angle

圖11 跟蹤誤差Fig.11 Tracking error

3 結論

本文提出了一種基于sEMG和力反饋信息融合的下肢康復機器人自適應人機交互控制策略.在建立人機系統動力學模型基礎上,利用提取下肢運動過程中拮抗肌包絡差值的方法識別出人體運動意圖,結合人機交互力進行sEMG-IF信息融合,在線規劃下肢康復機器人運動軌跡,進一步利用間接自適應模糊控制器跟蹤期望軌跡,實現了下肢康復機器人自適應人機交互控制.通過5名被試者伸展/屈曲運動實驗,采集運動相關的股二頭肌和股外側肌sEMG以及足底壓力信息,并運用所提方法進行下肢康復機器人自適應人機交互控制.結果表明,本文方法能夠在線規劃出體現人體運動意圖和人機交互力信息的運動軌跡,并以±0.04范圍內的誤差自適應跟蹤下肢康復機器人運動軌跡.

References

1 Lo A C,Guarino P D,Richards L G,Haselkorn J K,Wittenberg G F,Federman D G,Ringer R J,Wagner T H,Krebs H I,Volpe B T,Bever C T,Bravata D M,Duncan P W,Corn B H,Maffucci A D,Nadeau S E,Conroy S S,Powell J M,Huang G D,Peduzzi P.Robot-assisted therapy for long-term upper-limb impairment after stroke.New England Journal of Medicine,2010,362(19):1772?1783

2 Klamroth-Marganska V,Blanco J,Campen K,Curt A,Dietz V,Ettlin T,Felder M,Fellinghauer B,Guidali M,Kollmar A,Luft A,Nef T,Schuster-Amft C,Stahel W,Riener R.Three-dimensional,task-speci fic robot therapy of the arm after stroke:a multicentre,parallel-group randomised trial.The Lancet Neurology,2014,13(2):159?166

3 Meng W,Liu Q,Zhou Z D,Ai Q S,Sheng B,Xie S Q.Recent development of mechanisms and control strategies for robot-assisted lower limb rehabilitation.Mechatronics,2015,31:132?145

4 Peng Liang,Hou Zeng-Guang,Wang Wei-Qun.Synchronous active interaction control and its implementation for a rehabilitation robot.Acta Automatica Sinica,2015,41(11):1837?1846(彭亮,侯增廣,王衛群.康復機器人的同步主動交互控制與實現.自動化學報,2015,41(11):1837?1846)

5 Tong Li-Na,Hou Zeng-Guang,Peng Liang,Wang Wei-Qun,Chen Yi-Xiong,Tan Min.Multi-channel sEMG time series analysis based human motion recognition method.Acta Automatica Sinica,2014,40(5):810?821(佟麗娜,侯增廣,彭亮,王衛群,陳翼雄,譚民.基于多路sEMG時序分析的人體運動模式識別方法.自動化學報,2014,40(5):810?821)

6 Pittaccio S,Viscuso S.An EMG-controlled SMA device for the rehabilitation of the ankle joint in post-acute stroke.Journal of Materials Engineering and Performance,2011,20(4?5):666?670

7 Song R,Tong K Y,Hu X L,Zhou W.Myoelectrically controlled wrist robot for stroke rehabilitation.Journal of Neuroengineering and Rehabilitation,2013,10(1):Article No.52

8 Hu Jin,Hou Zeng-Guang,Chen Yi-Xiong,Zhang Feng,Wang Wei-Qun.Lower limb rehabilitation robots and interactive control methods.Acta Automatica Sinica,2014,40(11):2377?2390(胡進,侯增廣,陳翼雄,張峰,王衛群.下肢康復機器人及其交互控制方法.自動化學報,2014,40(11):2377?2390)

9 Saglia J A,Tsagarakis N G,Dai J S,Caldwell D G.Control strategies for patient-assisted training using the ankle rehabilitation robot(ARBOT).IEEE/ASME Transactions on Mechatronics,2013,18(6):1799?1808

10 Duschau-Wicke A,Von Zitzewitz J,Caprez A,Lunenburger L,Riener R.Path control:a method for patient-cooperative robot-aided gait rehabilitation.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2010,18(1):38?48

11 Koopman B,van Asseldonk E H F,van der Kooij H.Selective control of gait subtasks in robotic gait training:foot clearance support in stroke survivors with a powered exoskeleton.Journal of Neuroengineering and Rehabilitation,2013,10(1):Article No.3

12 Liu Jin-Kun.Design and Simulation of Robot Control System Based on MATLAB.Beijing:Tsinghua University Press,2008.169?172(劉金琨.機器人控制系統的設計與MATLAB仿真.北京:清華大學出版社,2008.169?172)

13 Xie Ping,Song Yan,Guo Zi-Hui,Chen Xiao-Ling,Wu Xiao-Guang,Su Yu-Ping,Du Yi-Hao.Analysis of abnormal muscular coupling during rehabilitation after stroke.Journal of Biomedical Engineering,2016,33(2):244?254(謝平,宋妍,郭子暉,陳曉玲,吳曉光,蘇玉萍,杜義浩.中風康復運動中肌肉異常耦合分析.生物醫學工程學雜志,2016,33(2):244?254)

14 Hu J,Hou Z G,Peng L，Peng L,Gu N.sEMG-Based singlejoint active training withiLeg-a horizontal exoskeleton for lower limb rehabilitation.In:Proceedings of the 21st International Conference.Kuching,Malaysia:Springer,2014.535?542