杜義浩 邱石 謝平 郭子暉 吳曉光 李小俚

由腦卒中、外傷等導(dǎo)致的運動功能障礙康復(fù)問題,已經(jīng)在世界范圍內(nèi)引起廣泛關(guān)注.康復(fù)機器人由于能夠協(xié)助或替代醫(yī)師進行患者康復(fù)訓(xùn)練,近年來得到迅速發(fā)展并在臨床康復(fù)中得到了廣泛應(yīng)用[1?2].但現(xiàn)有的康復(fù)機器人還存在控制策略不夠智能,自適應(yīng)調(diào)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(fù)機器人自適應(yīng)人機交互控制方法,體現(xiàn)患者的運動意圖和人機交互的同時自適應(yīng)控制康復(fù)機器人運動,成為康復(fù)機器人研究的關(guān)鍵問題.

康復(fù)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(xiàn)[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(tài)和人體運動意圖[5].有研究將sEMG引入康復(fù)機器人,如Pittaccio提出了一種基于sEMG的踝關(guān)節(jié)康復(fù)機器人[6],利用脛骨前肌sEMG觸發(fā)康復(fù)機器人按照預(yù)定義軌跡運動,但未考慮人機交互問題;Song等開發(fā)基于sEMG連續(xù)控制的康復(fù)機器人[7],基于sEMG幅值按照比例控制關(guān)節(jié)扭矩,具有了簡單程度的人機交互.基于sEMG的康復(fù)機器人控制一定程度上體現(xiàn)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(xiàn)康復(fù)機器人的阻抗控制和人機交互[8].如Saglia等利用阻抗控制調(diào)整腳踝康復(fù)機器人的柔順性實現(xiàn)患者的輔助訓(xùn)練[9];Duschauwicke等則利用阻抗控制調(diào)節(jié)患者的步行速度和牽引力[10];Koopman等通過阻抗控制實現(xiàn)“patient-cooperative” 和 “human-centred” 控制以提高患者的積極參與度[11].上述康復(fù)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(shù)固定不變,應(yīng)用于具有個體差異性的康復(fù)訓(xùn)練中略有不足.同時,人機之間的交互作用使得康復(fù)機器人具有時變不確定性[3],導(dǎo)致人機系統(tǒng)動力學(xué)模型無法精確建立,造成傳統(tǒng)的基于模型的控制方法無法實現(xiàn)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(fù)機器人動力學(xué)模型,提取人體下肢伸屈運動中相關(guān)拮抗肌的sEMG信號識別人體運動意圖;引入力反饋構(gòu)建sEMG與人機交互力(sEMG-IF(Interaction force))信息融合模型,在線規(guī)劃下肢康復(fù)機器人運動軌跡,并設(shè)計間接自適應(yīng)模糊控制器,實現(xiàn)下肢康復(fù)機器人運動軌跡跟蹤控制.

1 基于sEMG和IF的下肢康復(fù)機器人控制

1.1 人機系統(tǒng)動力學(xué)建模

以膝關(guān)節(jié)下肢康復(fù)機器人為研究對象,針對膝關(guān)節(jié)康復(fù),實現(xiàn)被試者下肢水平伸屈運動訓(xùn)練.康復(fù)機器人電機驅(qū)動安裝在髖關(guān)節(jié)處.

由于下肢康復(fù)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(xué)分析[4].其人機系統(tǒng)可簡化為曲柄滑塊機構(gòu),如圖1所示.

圖1 人機系統(tǒng)機構(gòu)Fig.1 Human-machine system

圖1中,θ為X軸與大腿連桿的轉(zhuǎn)角(髖關(guān)節(jié)角度),φ為X軸與小腿連桿的轉(zhuǎn)角,Mi為第i桿的質(zhì)量,即人體下肢第i段質(zhì)量mi與康復(fù)機器人第i桿質(zhì)量之和,Li為第i桿的長度,di為第i桿質(zhì)心與關(guān)節(jié)的距離,Ii為人體下肢第i段的轉(zhuǎn)動慣量.由幾何法得到?與θ的關(guān)系為

利用拉格朗日法進行人機動力學(xué)建模:

式中,τ為系統(tǒng)驅(qū)動力,D(θ)為系統(tǒng)的轉(zhuǎn)動慣量,為科氏力及離心相關(guān)項,G(θ)為重力項.

式中,g為重力常數(shù).

如上文所述,本文將人體下肢和康復(fù)機構(gòu)看作一個整體進行動力學(xué)分析.當(dāng)患者進行被動康復(fù)訓(xùn)練時,人機系統(tǒng)第i個桿件的質(zhì)量Mi為常數(shù),即人體下肢第i段質(zhì)量與康復(fù)機器人第i桿質(zhì)量之和.而當(dāng)患者進行主動訓(xùn)練時,康復(fù)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(zhì)量i(t),且施加的力的大小不同,等效質(zhì)量也不同,如式(6)所示:

式中,為患者主動訓(xùn)練時,第i桿件上的質(zhì)量.因此,在人體主動運動時,式(3)～(5)中M1、M2變?yōu)殡S時間變化的同時,人機系統(tǒng)第i段桿件質(zhì)心的位置也會因人體的主動運動而發(fā)生變化,從而導(dǎo)致di的值不再為固定的常數(shù).因此,人機系統(tǒng)動力學(xué)系數(shù)具有時變特性,其數(shù)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(xué)方程.

1.2 基于間接自適應(yīng)模糊控制器的軌跡跟蹤

由式(7)可見,人機系統(tǒng)動力學(xué)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(shè)計模糊自適應(yīng)控制方法根據(jù)人機系統(tǒng)運動狀態(tài)自適應(yīng)調(diào)整控制參數(shù),實現(xiàn)軌跡跟蹤.

對式(7)進行變換可得:

式中,θ為髖關(guān)節(jié)角度,和均為非線性函數(shù),u為輸入驅(qū)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(tǒng)狀態(tài)的模糊變量進行代換,模糊系統(tǒng)的構(gòu)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(guī)則來構(gòu)造模糊系統(tǒng)

其中,為集合,θ1為下肢康復(fù)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(shù),為自由參數(shù).將其放入集合中,同時引入維向量ξ(θ),則式(9)變?yōu)?/p>

其第l1···ln個元素為

同理可得,進一步,設(shè)計自適應(yīng)律,用于調(diào)整集合參數(shù)

式中,γ1、γ2為正常數(shù).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(fù)機器人運動軌跡誤差為控制目標(biāo),令

取控制律為

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

經(jīng)模糊化后得到模糊變量則控制律變?yōu)?/p>

將式(18)代入式(8),得到間接自適應(yīng)控制器模型:

通過選取值,使t→ ∞時,e(t)→0,即系統(tǒng)的輸出θ漸近收斂于期望軌跡θm.間接自適應(yīng)控制器的穩(wěn)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(guī)劃

為在下肢康復(fù)機器人運動過程中體現(xiàn)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(gòu)建基于表面肌電和人機交互力(sEMGIF)的信息融合模型實現(xiàn)運動軌跡在線規(guī)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(cè)肌)sEMG特征能夠體現(xiàn)人體運動意圖.但由于sEMG易受噪聲干擾,需要進行信號預(yù)處理[13],具體過程如圖2.

圖2 sEMG預(yù)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(yīng)高通濾波去除sEMG中的基線漂移;再次,運用自適應(yīng)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(yù)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(yù)處理后的股二頭肌和股外側(cè)肌sEMG進行歸一化處理.

式中,xr為靜息狀態(tài)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(yù)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(xié)同收縮控制,計算歸一化后sEMG的包絡(luò),并取其包絡(luò)差值識別下肢伸屈運動特征.

式中,為股二頭肌包絡(luò),為股外側(cè)肌包絡(luò).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(chǔ)上,為進一步提高下肢康復(fù)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(xiàn)運動意圖量化推理,進而在線規(guī)劃下肢康復(fù)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(tài)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(dāng)被試者處于下肢伸展運動狀態(tài)(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(dāng)前運動速度.由此,可以構(gòu)造出如下模型:

式中,為當(dāng)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(jié)中人體運動意圖識別結(jié)果(P=1表示伸展運動,P=?1表示屈曲運動),ε為設(shè)定的下肢伸屈運動速度改變閾值,Δx為加減速運動標(biāo)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(fù)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(jù)被試者個體差異性進行調(diào)整的下肢康復(fù)機器人助力系數(shù),v為下肢康復(fù)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(biāo)志量Δx的乘積體現(xiàn)人體下肢伸屈運動意圖的變化.當(dāng)一定時,K值越大,下肢康復(fù)機器人運動速度改變越小,即下肢康復(fù)機器人提供的驅(qū)動力越小.

為將下肢康復(fù)機器人運動速度v轉(zhuǎn)換為驅(qū)動髖關(guān)節(jié)角度θ,基于下肢康復(fù)機器人運動學(xué)分析,得到如下關(guān)系式:

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

將式(1)、式(25)代入式(23)即可得到髖關(guān)節(jié)角度θ的期望軌跡θm.

2 實驗結(jié)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(tài)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(shè)為1kHz,帶通頻率設(shè)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(cè)肌肌腹處,參考電極貼于腳踝處;下肢康復(fù)機器人驅(qū)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(fù)機器人平臺上,踝關(guān)節(jié)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(jié)中方法進行下肢康復(fù)機器人自適應(yīng)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(fù)機器人運動軌跡在線規(guī)劃及自適應(yīng)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(cè)sEMG,利用第1.3.1節(jié)中方法對原始sEMG進行預(yù)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(yù)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(luò)值.圖7為利用第1.3.1節(jié)中方法計算股二頭肌和股外側(cè)肌的包絡(luò)差值.由圖7可見,當(dāng)包絡(luò)差值大于零時,被試者進行伸展動作;當(dāng)包絡(luò)差值小于零時,被試者進行屈曲動作.

將上述分析過程應(yīng)用于下肢康復(fù)機器人自適應(yīng)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(cè)肌sEMG包絡(luò)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(luò)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(fù)機器人運動速度變化曲線.由圖8、圖9可見,下肢康復(fù)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(fù)機器人運動速度隨著IF差值的變化而相應(yīng)的加速和減速;在屈曲階段(P=?1),下肢康復(fù)機器人運動速度隨著IF差值的變化出現(xiàn)反向加速和減速.

圖7 股二頭肌與股外側(cè)肌包絡(luò)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(jié)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(jié)中方法得到的下肢康復(fù)機器人期望軌跡,以及運用間接自適應(yīng)模糊控制康復(fù)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(guān)節(jié)角度)出現(xiàn)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(yīng),同樣符合第1.3.2節(jié)中式(25)所描述的規(guī)律.由圖11可見,軌跡跟蹤誤差曲線在剛開始時達(dá)到最大值后迅速減小,與之對應(yīng)的是間接自適應(yīng)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(shè)計控制器的有效性,人為引入了干擾項所導(dǎo)致的;整個過程誤差保持在±0.04范圍內(nèi),能夠滿足下肢康復(fù)機器人在線自適應(yīng)控制的要求.

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

圖10 髖關(guān)節(jié)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(jié)論

本文提出了一種基于sEMG和力反饋信息融合的下肢康復(fù)機器人自適應(yīng)人機交互控制策略.在建立人機系統(tǒng)動力學(xué)模型基礎(chǔ)上,利用提取下肢運動過程中拮抗肌包絡(luò)差值的方法識別出人體運動意圖,結(jié)合人機交互力進行sEMG-IF信息融合,在線規(guī)劃下肢康復(fù)機器人運動軌跡,進一步利用間接自適應(yīng)模糊控制器跟蹤期望軌跡,實現(xiàn)了下肢康復(fù)機器人自適應(yīng)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(guān)的股二頭肌和股外側(cè)肌sEMG以及足底壓力信息,并運用所提方法進行下肢康復(fù)機器人自適應(yīng)人機交互控制.結(jié)果表明,本文方法能夠在線規(guī)劃出體現(xiàn)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(nèi)的誤差自適應(yīng)跟蹤下肢康復(fù)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(wèi)群.康復(fù)機器人的同步主動交互控制與實現(xiàn).自動化學(xué)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(wèi)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(xué)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(wèi)群.下肢康復(fù)機器人及其交互控制方法.自動化學(xué)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(tǒng)的設(shè)計與MATLAB仿真.北京:清華大學(xué)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(fēng)康復(fù)運動中肌肉異常耦合分析.生物醫(yī)學(xué)工程學(xué)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