耿安鴻，李偉達(dá)，李娟，張虹淼

(蘇州大學(xué) 江蘇省先進(jìn)機(jī)器人技術(shù)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(shù)量逐年遞增，醫(yī)學(xué)研究表明通過康復(fù)訓(xùn)練可逐步恢復(fù)或提高患者的步行能力，這使得康復(fù)訓(xùn)練機(jī)器人得到了日益廣泛的研究和發(fā)展[2]。但在康復(fù)訓(xùn)練中，被動的訓(xùn)練對患者康復(fù)效果有限，而患者在主動參與康復(fù)訓(xùn)練時，康復(fù)效果顯著提高[3]。因此，主動康復(fù)訓(xùn)練方法是康復(fù)訓(xùn)練機(jī)器人研究中的關(guān)鍵問題。

美國特拉華大學(xué)HAMNER S R等人對正向動態(tài)神經(jīng)肌肉骨骼進(jìn)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(yù)測肌肉力的大??；燕山大學(xué)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(qū)動康復(fù)機(jī)器人完成康復(fù)訓(xùn)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(nèi)部干擾，使得采集到的肌電信號不穩(wěn)定，并且采集過程較為繁瑣。因此，DUSCHAU Wicke A等人提出在康復(fù)訓(xùn)練中采用阻抗控制方法，在康復(fù)機(jī)器人的預(yù)期活動路徑周圍設(shè)置阻力，使得患者在預(yù)期路徑內(nèi)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(jī)接觸力的阻抗控制進(jìn)行主動訓(xùn)練，實現(xiàn)了等助力或者等阻力的康復(fù)訓(xùn)練[7]。

上述研究可在一定程度上實現(xiàn)主動康復(fù)訓(xùn)練，但現(xiàn)有的方法無法對患者主動參與程度進(jìn)行評估和量化，不利于實現(xiàn)患者的主動康復(fù)訓(xùn)練。

基于以上問題，本文提出一種基于人機(jī)接觸力的人體主動參與程度評估模型，通過人與機(jī)器人之間的接觸力獲取人體的主動參與度，可為康復(fù)機(jī)器人應(yīng)用中的主動康復(fù)訓(xùn)練提供基礎(chǔ)。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(tài)，因此可建立肌電信息與人體參與度的關(guān)系；同時分析這一過程中人機(jī)接觸力的變化，即可建立人機(jī)接觸力與人體參與度的模型。這種方法可避免實際應(yīng)用中的肌電信號干擾較大且準(zhǔn)備工作復(fù)雜、使用不便等缺點，直接通過人機(jī)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(fù)訓(xùn)練實驗系統(tǒng)

實驗所用的床式下肢康復(fù)訓(xùn)練機(jī)器人模型如圖2所示，其基于人體下肢髖、膝、踝關(guān)節(jié)的運動對應(yīng)關(guān)系，進(jìn)行了機(jī)構(gòu)的多參數(shù)運動學(xué)優(yōu)化，優(yōu)化后的結(jié)構(gòu)可模擬人正常的步態(tài)運動[8]。下肢康復(fù)訓(xùn)練機(jī)器人，安裝有2個腿部連接機(jī)構(gòu)與1個腰部連接機(jī)構(gòu)，用于與人體連接。

圖2 下肢康復(fù)訓(xùn)練機(jī)器人三維圖

在腿部連接機(jī)構(gòu)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(jī)接觸力，如圖3所示。腰部連接機(jī)構(gòu)內(nèi)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(jī)接觸力，如圖4所示。

圖3 腿部柔順人機(jī)連接機(jī)構(gòu)

圖4 腰部柔順人機(jī)連接機(jī)構(gòu)

利用上述康復(fù)訓(xùn)練機(jī)器人，共進(jìn)行了36組步態(tài)訓(xùn)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(fā)力，跟隨床體進(jìn)行步態(tài)訓(xùn)練，半跟隨為實驗者處于半發(fā)力狀態(tài)，不跟隨為人體不發(fā)力，完全靠床體帶動進(jìn)行步態(tài)訓(xùn)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(tǒng)如圖5所示，同時采集了人體下肢相關(guān)肌肉的肌電信號以及腿部和腰部人機(jī)連接處的力信號。實驗分類及實驗數(shù)據(jù)組成如表1、表2所示。

圖5 人體參與度建模實驗系統(tǒng)

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(xùn)練集數(shù)量59519測試集數(shù)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(jìn)行肌電信號采集。

控制人體膝關(guān)節(jié)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(guān)節(jié)伸展的主要有股直肌、股中肌、股外肌與股內(nèi)肌?？刂契钻P(guān)節(jié)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(nèi)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(jìn)行預(yù)處理，進(jìn)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(jìn)行標(biāo)準(zhǔn)化；對標(biāo)準(zhǔn)化后的肌電信號進(jìn)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(chǎn)生的力具有更低的頻率。因此，為了使肌電信號與肌力相關(guān)，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(jīng)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(shù)關(guān)系，A= 0是線性關(guān)系，此處取-3。

圖7為人體主動發(fā)力跟隨床體運動與不發(fā)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(tài)時肌肉活躍度對比

2.3 肌電信號權(quán)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(jìn)行權(quán)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(quán)法，根據(jù)各指標(biāo)間的相關(guān)關(guān)系或各項指標(biāo)值的變異程度來確定權(quán)數(shù),避免人為因素帶來的偏差[11]。這里采用主成分分析法進(jìn)行肌電信號的權(quán)重賦值。首先對n次實驗的7個肌肉活躍度進(jìn)行標(biāo)準(zhǔn)化處

理，可用以下矩陣表示：

(2)

對矩陣式(2)進(jìn)行標(biāo)準(zhǔn)化處理：

(3)

求協(xié)方差矩陣Z并進(jìn)行特征分解得

Z=UΛUT

(4)

得到Z的7個非負(fù)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(gòu)成了新的矢量空間，作為新變量(主成分)的坐標(biāo)軸。

確定主成分個數(shù)：

(6)

當(dāng)ηm>80%時，可認(rèn)為主成分?jǐn)?shù)目為m。

在本文中，經(jīng)過計算，前兩個主成分Z1與Z2貢獻(xiàn)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(shù)據(jù)帶入式(10)，結(jié)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(shù)據(jù)的基于肌電信號人體參與度建模結(jié)果。

3 基于人機(jī)接觸力信號的人體參與度建模

3.1 力信號采集與預(yù)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(shù)據(jù)，由于力傳感器與固定支架之間為螺紋連接，存在預(yù)緊力，因此，每次實驗前進(jìn)行空載實驗，記錄空載時各力傳感器信號作為初值。之后進(jìn)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(jìn)行預(yù)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(guān)疑問請與作者聯(lián)系)?？梢钥闯鰹V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(zhì)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(fā)力明顯時，腰部受力會有較大波動；人體發(fā)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(jìn)行參與度建模并沒有數(shù)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(jìn)行擬合。假設(shè)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(guān)，將YEMG的0～100參與度映射到Y(jié)F的0～100參與度，以均方根誤差作為判定標(biāo)準(zhǔn)：

(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(shù)據(jù)組數(shù)。

首先進(jìn)行帶有常數(shù)項的線性模型linear回歸[14]， 回歸結(jié)果為均方根誤差7.95，判定系數(shù)0.72。帶有常數(shù)項的線性模型linear回歸誤差較大，因此，嘗試使用帶有常數(shù)項、線性項和平方項的purequadratic模型進(jìn)行回歸，均方根誤差為5.18，判定系數(shù)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(shù)高。

圖10 兩種回歸方法的參與度建模結(jié)果

因此，建模使用purequadratic回歸所計算出的結(jié)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(shù)據(jù)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(jié)果如圖11所示。

圖11 兩種模型預(yù)測結(jié)果

可以看出兩種模型計算結(jié)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(jié)語

本文提出一種基于人機(jī)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(guān)系。同時分析這一過程中人機(jī)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(jìn)行擬合，得到基于人機(jī)接觸力的參與度模型，并對此模型進(jìn)行檢驗，檢驗結(jié)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。