基于康復訓練中力信號的人體參與度建模

耿安鴻，李偉達，李娟，張虹淼

(蘇州大學 江蘇省先進機器人技術重點實驗室，江蘇 蘇州 215021)

0 引言

我國人口老齡化程度快速上升，腦卒中成為全球第二大、中國第一大致死性疾病[1]。偏癱患者數量逐年遞增，醫學研究表明通過康復訓練可逐步恢復或提高患者的步行能力，這使得康復訓練機器人得到了日益廣泛的研究和發展[2]。但在康復訓練中，被動的訓練對患者康復效果有限，而患者在主動參與康復訓練時，康復效果顯著提高[3]。因此，主動康復訓練方法是康復訓練機器人研究中的關鍵問題。

美國特拉華大學HAMNER S R等人對正向動態神經肌肉骨骼進行了建模[4]，提出基于肌電信號的肌肉活躍度算法，可以從肌電信號預測肌肉力的大小；燕山大學史小華等人通過采集下肢肌電信號，提取肌電信號的時域特征量，識別患者的運動意圖，驅動康復機器人完成康復訓練[5]。但由于肌電信號會受到空氣濕度、電場等外部干擾以及肌肉疲勞、肌肉表面汗液等內部干擾，使得采集到的肌電信號不穩定，并且采集過程較為繁瑣。因此，DUSCHAU Wicke A等人提出在康復訓練中采用阻抗控制方法，在康復機器人的預期活動路徑周圍設置阻力，使得患者在預期路徑內可以自由活動，超出范圍時則會受到阻力[6]；哈工大李曉飛采用基于人機接觸力的阻抗控制進行主動訓練，實現了等助力或者等阻力的康復訓練[7]。

上述研究可在一定程度上實現主動康復訓練，但現有的方法無法對患者主動參與程度進行評估和量化，不利于實現患者的主動康復訓練。

基于以上問題，本文提出一種基于人機接觸力的人體主動參與程度評估模型，通過人與機器人之間的接觸力獲取人體的主動參與度，可為康復機器人應用中的主動康復訓練提供基礎。首先，利用人體肌電信息獲取人體的肌肉活躍度，由于肌肉的活躍度可直接反映人體的運動狀態，因此可建立肌電信息與人體參與度的關系；同時分析這一過程中人機接觸力的變化，即可建立人機接觸力與人體參與度的模型。這種方法可避免實際應用中的肌電信號干擾較大且準備工作復雜、使用不便等缺點，直接通過人機連接處的接觸力獲得人體的參與度，有很好的實用性。

整體建模流程如圖1所示。

圖1 人體參與度建模流程

1 康復訓練實驗系統

實驗所用的床式下肢康復訓練機器人模型如圖2所示，其基于人體下肢髖、膝、踝關節的運動對應關系，進行了機構的多參數運動學優化，優化后的結構可模擬人正常的步態運動[8]。下肢康復訓練機器人，安裝有2個腿部連接機構與1個腰部連接機構，用于與人體連接。

圖2 下肢康復訓練機器人三維圖

在腿部連接機構中，沿腿部軸向方向安裝了2個一維力傳感器，可測垂直于人體腿部方向的人機接觸力，如圖3所示。腰部連接機構內均勻分布著3個力傳感器，可測垂直于人體腰部方向的人機接觸力，如圖4所示。

圖3 腿部柔順人機連接機構

圖4 腰部柔順人機連接機構

利用上述康復訓練機器人，共進行了36組步態訓練實驗，其中9組主動跟隨，18組半跟隨，9組不跟隨。主動跟隨為實驗者主動發力，跟隨床體進行步態訓練，半跟隨為實驗者處于半發力狀態，不跟隨為人體不發力，完全靠床體帶動進行步態訓練。使用其中19組用于參與度的建模過程，17組用于參與度模型的檢驗。實驗系統如圖5所示，同時采集了人體下肢相關肌肉的肌電信號以及腿部和腰部人機連接處的力信號。實驗分類及實驗數據組成如表1、表2所示。

圖5 人體參與度建模實驗系統

表1 實驗分類 單位：組

實驗分組實驗分類主動跟隨半跟隨不跟隨合計訓練集數量59519測試集數量49417

表2 實驗信號組成 單位：個

2 基于肌電信號的人體參與度建模

2.1 肌電信號采集

使用美國某公司MyoSystem-1400A型的表面肌電采集儀和MRMP 1.06 Master Edition軟件對人體腰部及下肢肌肉進行肌電信號采集。

控制人體膝關節彎曲的主要有股二頭肌、股薄肌、腓腸肌、縫匠肌、半膜肌與半腱肌; 控制膝關節伸展的主要有股直肌、股中肌、股外肌與股內肌。控制踝關節的主要為脛骨前肌。

電極片粘貼位置如圖6所示。選擇圖6中的腰部肌肉2腰部多裂肌和右腿肌肉3股直肌，肌肉4股外肌，肌肉5股內肌，肌肉6脛骨前肌，肌肉15股二頭肌，肌肉16腓腸肌[9]。

圖6 電極片粘貼位置

2.2 肌電信號處理

原始的肌電信號為電壓值，需要對采集到的肌電信號進行預處理，進行帶通濾波去除低頻噪聲，此處采用四階巴特沃斯濾波[10]， 對濾波后的肌電信號進行標準化；對標準化后的肌電信號進行低通濾波，由于肌肉中鈣離子運動、肌肉動作電位沿肌肉的傳輸、肌肉和肌腱的粘彈性等情況，和這些相比，肌肉產生的力具有更低的頻率。因此，為了使肌電信號與肌力相關，需要濾除高頻分量。最后，利用微分方程求活躍度：

(1)

式中：X為肌肉活躍度；U為經過處理后的肌電信號；A為非線性形狀因子，范圍為0～-3，其中A= -3是高指數關系，A= 0是線性關系，此處取-3。

圖7為人體主動發力跟隨床體運動與不發力時的肌肉活躍度對比。肌肉開始運動的時候會劇烈放電，因此，從第2個周期開始對肌電信號開始分析。

圖7 人體不同狀態時肌肉活躍度對比

2.3 肌電信號權重分析

下肢運動中，主要有7塊肌肉參與，因此需要對各肌肉的活躍度進行權重賦予，以獲得總的下肢的活躍度。主成分分析法是一種客觀賦權法，根據各指標間的相關關系或各項指標值的變異程度來確定權數,避免人為因素帶來的偏差[11]。這里采用主成分分析法進行肌電信號的權重賦值。首先對n次實驗的7個肌肉活躍度進行標準化處

理，可用以下矩陣表示：

(2)

對矩陣式(2)進行標準化處理：

(3)

求協方差矩陣Z并進行特征分解得

Z=UΛUT

(4)

得到Z的7個非負特征值λ1，λ2，…，λ7，這7個特征值即為主成分的方差，即

ΔZt=λi

(5)

定義λ1≥λ2≥…≥λ7，其中Λ為Z的特征值組成的對角陣；U為Z的特征向量按列組成的正交陣，構成了新的矢量空間，作為新變量(主成分)的坐標軸。

確定主成分個數：

(6)

當ηm>80%時，可認為主成分數目為m。

在本文中，經過計算，前兩個主成分Z1與Z2貢獻率相加為96.13%：

Z1=0.41X1+0.06X2+0.41X3+0.42X4+0.39X5+0.40X6+0.42X7

(7)

Z2=0.21X1+0.87X2-0.14X3-0.2X4+0.21X5-0.30X6+0.09X7

(8)

將式(7)與式(8)相加，得到整體肌肉活躍度M為

M=78.01Z1+18.12Z2=35.83X1+20.50X2+29.65X3+28.85X4+34.24X5+25.83X6+34.03X7

(9)

選擇實驗中肌肉活躍度最高的一組作為參與度100，最低的一組作為參與度0，建立基于肌電信號的人體參與度模型為：

YEMG=(M-min(M))/(max(M)-min(M))×100

(10)

將19組實驗數據帶入式(10)，結果如圖8所示。

圖8 基于肌電信號人體參與度建模

圖8顯示了19組實驗數據的基于肌電信號人體參與度建模結果。

3 基于人機接觸力信號的人體參與度建模

3.1 力信號采集與預處理

采集右腿2個力傳感器以及腰部3個力傳感器作為力信號原始數據，由于力傳感器與固定支架之間為螺紋連接，存在預緊力，因此，每次實驗前進行空載實驗，記錄空載時各力傳感器信號作為初值。之后進行載人實驗，人體受力即為載人實驗的力信號減去初值。

由于減去初值后的力信號依然有各種噪聲干擾，因此需要對減去初值后的力信號進行預處理。本文采用滑動平均濾波的方法處理力信號[12]，濾波效果如圖9(本刊黑白印刷，相關疑問請與作者聯系)。可以看出濾波后曲線平滑，較好地去除了噪聲。

圖9 滑動平均濾波前后對比

3.2 基于力信號的參與度模型分析與建立

腰部傳感器始終支撐著人體腰部及上肢質量，取平均值并不能反映人體跟隨程度，而腰部受力的波動情況則能很好地反映人體的跟隨情況，在人體發力明顯時，腰部受力會有較大波動；人體發力不明顯時，腰部受力會有較小波動。因此，對腰部各傳感器的力信號計算方差，作為參與度模型的3個輸入量S1、S2、S3。

使用力信號進行參與度建模并沒有數值參考，因此，力信號建模原理為使用力信號的4個輸入量對肌電信號參與度模型進行擬合。假設肌電信號計算的參與度YEMG與力信號計算的參與度YF線性相關，將YEMG的0～100參與度映射到YF的0～100參與度，以均方根誤差作為判定標準：

(11)

式中：σ為模型的均方根誤差；YEMG為肌電信號計算的參與度；YF為力信號計算的參與度；n為建模所用的數據組數。

首先進行帶有常數項的線性模型linear回歸[14]， 回歸結果為均方根誤差7.95，判定系數0.72。帶有常數項的線性模型linear回歸誤差較大，因此，嘗試使用帶有常數項、線性項和平方項的purequadratic模型進行回歸，均方根誤差為5.18，判定系數為0.92。兩種回歸效果如圖10所示。可以看出purequadratic型建模更為接近基于肌電信號的參與度模型，誤差更小，判定系數高。

圖10 兩種回歸方法的參與度建模結果

因此，建模使用purequadratic回歸所計算出的結果，即：

(12)

3.3 基于力信號的參與度模型檢驗

將測試集中的17組數據分別代入肌電信號模型式(9)-式(10)與力信號模型式(11)，計算人體主動參與程度，結果如圖11所示。

圖11 兩種模型預測結果

可以看出兩種模型計算結果在個別組存在偏差，但整體趨勢一致，因此，可在一定程度上評估人體的參與度，基于力信號的參與度模型具有一定的有效性。

4 結語

本文提出一種基于人機接觸力的人體主動參與程度評估模型。首先，通過人體的肌電信號得到人體肌肉活躍度，建立人體參與度與肌電信號的關系。同時分析這一過程中人機接觸力的變化，使用力信號對肌電信號得出的參與度模型進行擬合，得到基于人機接觸力的參與度模型，并對此模型進行檢驗，檢驗結果兩種模型計算的參與度接近，基于力信號的參與度模型具有一定的有效性。