熊保平 史武翔 林昱 黃美蘭 杜民,4

0 引言

人體關(guān)節(jié)力矩測(cè)量是當(dāng)前生物醫(yī)學(xué)領(lǐng)域最具挑戰(zhàn)性的課題之一[1]。關(guān)節(jié)力矩值可應(yīng)用于康復(fù)訓(xùn)練[2-3]、運(yùn)動(dòng)員的訓(xùn)練評(píng)估[4-5]、假肢及矯形器設(shè)計(jì)[6-7]等領(lǐng)域。

但由于人體結(jié)構(gòu)和運(yùn)動(dòng)過(guò)程各肌肉協(xié)調(diào)的復(fù)雜性，還難以在活體上直接測(cè)量人體關(guān)節(jié)力矩值。目前有測(cè)力法[8-9]、反向生物力學(xué)分析法[10-11]和正向生物力學(xué)分析法[12-14]這三種主要的間接測(cè)量方法。但這些測(cè)量方法存在模型參數(shù)校正的時(shí)間復(fù)雜度高和個(gè)體誤差等問(wèn)題。而以數(shù)據(jù)為驅(qū)動(dòng)的人工智能技術(shù)正好可以在訓(xùn)練過(guò)程中校正模型參數(shù)，適應(yīng)個(gè)體特征且操作簡(jiǎn)便，使其越來(lái)越多地應(yīng)用于人體關(guān)節(jié)力矩智能預(yù)測(cè)中。例如，Uchiyama等[15]利用肩與肘之間肌肉的綜合肌電信號(hào)以及肩和肘關(guān)節(jié)角作為人工神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)預(yù)測(cè)肘關(guān)節(jié)屈伸力矩大小。Luh等[16]利用肌電信號(hào)以及肘關(guān)節(jié)屈伸自由度的角度和角速度作為輸入預(yù)測(cè)肘關(guān)節(jié)屈伸力矩值。Song 和Tong等[17]把肌電信號(hào)，以及肘關(guān)節(jié)屈伸自由度的角度和角速度作為人工神經(jīng)網(wǎng)絡(luò)的輸入項(xiàng)預(yù)測(cè)肘關(guān)節(jié)屈伸力矩。在Hahn[18]的論文中甚至把年齡、性別、身高、體重以及肌電信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入預(yù)測(cè)膝關(guān)節(jié)的屈伸力矩。Ardestani等[19]提出利用力板數(shù)據(jù)和肌電信號(hào)作為輸入訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的髖關(guān)節(jié)屈伸、旋轉(zhuǎn)、收展以及膝關(guān)節(jié)屈伸等關(guān)節(jié)自由度力矩值。還有文獻(xiàn)把杠鈴的重量和運(yùn)動(dòng)軌跡作為神經(jīng)網(wǎng)絡(luò)的輸入預(yù)測(cè)下肢髖、膝和踝等關(guān)節(jié)各個(gè)自由度力矩值[20]。通過(guò)上述文獻(xiàn)可知由于人體運(yùn)動(dòng)過(guò)程中各肌肉協(xié)調(diào)的復(fù)雜性導(dǎo)致目前缺乏有效方法確定人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)關(guān)節(jié)力矩的輸入變量，從而使各方法預(yù)測(cè)關(guān)節(jié)力矩所使用的輸入變量幾乎不相同，而輸入變量的特征不完整以及信息冗余都會(huì)影響人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確性[21]。

針對(duì)上述問(wèn)題，本文根據(jù)Hill肌肉模型原理[22]結(jié)合人體幾何學(xué)模型[23]建立人體關(guān)節(jié)力矩智能預(yù)測(cè)輸入-輸出關(guān)系的數(shù)學(xué)模型，確定了關(guān)節(jié)力矩智能預(yù)測(cè)的輸入變量。在該數(shù)學(xué)模型中把Hill肌肉模型中不易測(cè)量的輸入變量，如肌肉纖維的長(zhǎng)度、收縮速度，以及以關(guān)節(jié)自由度為支點(diǎn)的肌肉力臂等在活體中不易測(cè)量的輸入量，轉(zhuǎn)化為肌肉所驅(qū)動(dòng)關(guān)節(jié)自由度角度和角速度的函數(shù)，從而確定關(guān)節(jié)力矩智能預(yù)測(cè)的輸入變量為該關(guān)節(jié)自由度所關(guān)聯(lián)肌肉的肌電信號(hào)(electromyography,EMG)信號(hào)，以及這些肌肉所驅(qū)動(dòng)關(guān)節(jié)自由度的角度和角速度。為了驗(yàn)證本文提出的關(guān)節(jié)力矩預(yù)測(cè)的輸入變量的準(zhǔn)確性和有效性，一種新型的快速的前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[24-27]——極限學(xué)習(xí)機(jī)被應(yīng)用于關(guān)節(jié)力矩的訓(xùn)練與預(yù)測(cè)。

1 材料與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文提出方法的有效性和可靠性，從網(wǎng)站(https://simtk.org/projects/emgdri-venmodel)獲取一個(gè)右下肢偏癱男性(年齡79歲,身高1.7 m,體重80.5 kg，LE Fugl-Meyer運(yùn)動(dòng)功能評(píng)估值32/34 pts)運(yùn)動(dòng)生物力學(xué)模型標(biāo)定和隨意步態(tài)下的下肢關(guān)節(jié)動(dòng)態(tài)力矩預(yù)測(cè)的實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)中三維運(yùn)動(dòng)捕捉設(shè)備采用的是維康公司VICON光學(xué)運(yùn)動(dòng)捕捉系統(tǒng)，地面反力檢測(cè)設(shè)備采用的是Bertec公司的跑步機(jī)，EMG信號(hào)的采集設(shè)備采用的是Motion Lab Systems公司的信號(hào)采集設(shè)備。實(shí)驗(yàn)采集了實(shí)驗(yàn)對(duì)象在跑步機(jī)上以0.4、0.5、0.6、0.7和0.8 m/s等5個(gè)速度行走的運(yùn)動(dòng)學(xué)數(shù)據(jù)、動(dòng)力學(xué)和EMG數(shù)據(jù)。人體運(yùn)動(dòng)學(xué)數(shù)據(jù)的采集頻率是100 Hz，動(dòng)力學(xué)和EMG數(shù)據(jù)的采集頻率是1 000 Hz。每個(gè)速度至少采集40個(gè)步態(tài)周期運(yùn)動(dòng)數(shù)據(jù)。運(yùn)動(dòng)捕捉的marker的安置位置參考文獻(xiàn)[28]。地面反作用力和marker運(yùn)動(dòng)數(shù)據(jù)采用四階零相位滯后巴特沃斯濾波器[29]。濾波器截止頻率是一個(gè)以7除以步態(tài)周期的可變截止頻率。

實(shí)驗(yàn)根據(jù)人體解剖學(xué)知識(shí)，確定16塊對(duì)下肢關(guān)節(jié)運(yùn)動(dòng)有主要貢獻(xiàn)的肌肉并獲取其肌電信號(hào)，其中臀大肌、臀中肌、半膜肌、股二頭肌長(zhǎng)頭、股直肌、股中肌、股外側(cè)肌、內(nèi)側(cè)腓腸肌、脛前肌、腓骨長(zhǎng)肌、比目魚(yú)肌11塊肌肉采集的是表面肌電信號(hào)。內(nèi)收長(zhǎng)肌、髂肌或腰大肌、脛后肌、趾長(zhǎng)屈肌、趾長(zhǎng)伸肌5塊肌肉采用插入式的方式獲取肌電信號(hào)。采集到的EMG信號(hào)首先進(jìn)行截止頻率為40 Hz的高通濾波去除直流和低頻噪聲，其次進(jìn)行全波整流使信號(hào)非負(fù)，然后對(duì)信號(hào)進(jìn)行歸一化處理去除信號(hào)的個(gè)體差異。最后對(duì)所有運(yùn)動(dòng)學(xué)數(shù)據(jù)、肌電以及反向動(dòng)力計(jì)算的力矩值等數(shù)據(jù)進(jìn)行重取樣，對(duì)每個(gè)步態(tài)周期采集101個(gè)數(shù)據(jù)點(diǎn)，以消除速度對(duì)步態(tài)分析的影響。詳細(xì)的處理過(guò)程參見(jiàn)文獻(xiàn)[13]。

1.2 變量的選擇

由于輸入變量的特征不完整以及信息冗余都會(huì)影響人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確性[21]，因此本文提出利用人體幾何學(xué)和Hill肌肉模型來(lái)建立關(guān)節(jié)力矩預(yù)測(cè)的輸入輸出數(shù)學(xué)模型,從而確定智能預(yù)測(cè)的輸入變量。其處理流程如圖1所示。

圖1 基于Hill肌肉模型的數(shù)據(jù)處理流程

由Hill肌肉模型[12]可知單塊肌肉關(guān)于其驅(qū)動(dòng)關(guān)節(jié)自由度的力矩可以表示為：

(1)

l(t)=a0+a1θ(t)+a2θ(t)2+a3θ(t)3=l(θ)

(2)

式中：l為肌肉纖維的長(zhǎng)度；θ(t)為肌肉所驅(qū)動(dòng)關(guān)節(jié)自由度的角度；a0～a3為多項(xiàng)式的常系數(shù)。

肌肉纖維的長(zhǎng)度對(duì)時(shí)間t的一介導(dǎo)數(shù)即為肌肉的收縮速度v：

(3)

文獻(xiàn)[32]發(fā)現(xiàn)由肌肉纖維的長(zhǎng)度l對(duì)肌肉驅(qū)動(dòng)關(guān)節(jié)自由度角度的一階偏導(dǎo)數(shù)可得肌肉相對(duì)于該關(guān)節(jié)自由度的力臂，其表達(dá)式為：

(4)

式中的負(fù)號(hào)用于確定力矩的方向。當(dāng)肌肉驅(qū)動(dòng)兩個(gè)關(guān)節(jié)自由度的時(shí)候，式(2)～式(4)可擴(kuò)展為：

(5)

(6)

(7)

(8)

同樣,當(dāng)肌肉驅(qū)動(dòng)3個(gè)或者更多個(gè)關(guān)節(jié)自由度的時(shí)候可做如上類似的擴(kuò)展。

由式(1)～式(8)可知肌肉驅(qū)動(dòng)的第i個(gè)關(guān)節(jié)自由度的力矩可以表示為：

(9)

由于所有驅(qū)動(dòng)該關(guān)節(jié)自由度的肌肉力矩的矢量和即為該關(guān)節(jié)自由度的力矩，所以第j個(gè)關(guān)節(jié)自由度的力矩可表示為：

(10)

式中：m是第j個(gè)關(guān)節(jié)自由度所關(guān)聯(lián)的肌肉總數(shù)。

由此可知,關(guān)節(jié)力矩智能預(yù)測(cè)的輸入變量是關(guān)節(jié)自由度所關(guān)聯(lián)肌肉的EMG信號(hào),以及這些肌肉所驅(qū)動(dòng)關(guān)節(jié)自由度的角度和角速度。

1.3 極限學(xué)習(xí)機(jī)

本文選擇極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)作為預(yù)測(cè)關(guān)節(jié)力矩的算法。極限學(xué)習(xí)機(jī)是一種新型的快速前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[25]，它的結(jié)構(gòu)如圖2所示，分為輸入層、隱含層和輸出層。極限學(xué)習(xí)機(jī)有別于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)的顯著特點(diǎn)在于其輸入層到隱含層的權(quán)值隨機(jī)選取且在訓(xùn)練過(guò)程中無(wú)需調(diào)節(jié)，在此基礎(chǔ)上隱含層到輸出層的權(quán)值是通過(guò)求解矩陣的 Moore-Penrose 廣義逆來(lái)唯一確定。這一特點(diǎn)使得網(wǎng)絡(luò)權(quán)重系數(shù)的確定過(guò)程無(wú)需迭代,降低了網(wǎng)絡(luò)權(quán)重系數(shù)的調(diào)整時(shí)間，從而大大提高了學(xué)習(xí)速率。目前ELM算法已廣泛應(yīng)用于模式識(shí)別、計(jì)算機(jī)視覺(jué)、數(shù)據(jù)挖掘、控制論等領(lǐng)域[33-34]。

圖2 極限學(xué)習(xí)機(jī)結(jié)構(gòu)

ELM根據(jù)式(10)確定的輸入變量進(jìn)行訓(xùn)練，并預(yù)測(cè)人體下肢的髖關(guān)節(jié)屈伸(flexion-extention,FE)、髖關(guān)節(jié)收展(adduction-abduction,AA)、膝關(guān)節(jié)屈伸、踝關(guān)節(jié)背屈(plantar-dorsiflexion,PDF)和踝關(guān)節(jié)內(nèi)外翻(inversion-eversion,IE)等5個(gè)關(guān)節(jié)自由度的力矩。由于肌電信號(hào)只采集了16塊肌肉，所以其他肌肉的肌電信號(hào)參考文獻(xiàn)[14]，通過(guò)相鄰肌肉的肌電信號(hào)可近似獲得。由于相同的輸入對(duì)于人工神經(jīng)網(wǎng)絡(luò)而言是信息冗余，所以本文ELM只把16個(gè)EMG信號(hào)作為肌電的輸入。通過(guò)表1可以獲得每個(gè)關(guān)節(jié)自由度力所關(guān)聯(lián)的肌肉，以及這些肌肉驅(qū)動(dòng)的關(guān)節(jié)自由度。例如髖關(guān)節(jié)屈伸根據(jù)表1可知由內(nèi)收長(zhǎng)肌、臀大肌、臀中肌、髂肌、半膜肌、股二頭肌長(zhǎng)頭、股直肌7塊肌肉驅(qū)動(dòng)，而這7塊肌肉同時(shí)又驅(qū)動(dòng)了髖關(guān)節(jié)屈伸、髖關(guān)節(jié)收展、膝關(guān)節(jié)屈伸這三個(gè)關(guān)節(jié)自由度，所以根據(jù)式(10)的結(jié)論可知預(yù)測(cè)髖關(guān)節(jié)屈伸力矩的輸入變量為收長(zhǎng)肌、臀大肌、臀中肌、髂肌、半膜肌、股二頭肌長(zhǎng)頭、股直肌7塊肌肉的肌電信號(hào)和髖關(guān)節(jié)屈伸、髖關(guān)節(jié)內(nèi)外翻展和膝關(guān)節(jié)屈伸這三個(gè)關(guān)節(jié)自由度的角度和角速度共計(jì)13個(gè)變量。其他關(guān)節(jié)自由度力矩預(yù)測(cè)的輸入變量可以參照上例分析。

表1 肌肉信號(hào)源及其驅(qū)動(dòng)關(guān)節(jié)自由度列表

2 結(jié)果

實(shí)驗(yàn)在兩個(gè)不同的泛化水平下分析ELM的預(yù)測(cè)能力，它們分別是只把前3個(gè)低速(0.4、0.5和0.6 m/s)的步態(tài)周期數(shù)據(jù)用于ELM的訓(xùn)練(level 1)和把所有速度下的步態(tài)周期數(shù)據(jù)用于ELM的訓(xùn)練(level 2)并預(yù)測(cè)所有速度下的關(guān)節(jié)力矩值。實(shí)驗(yàn)隨機(jī)選取每個(gè)速度下的40個(gè)步態(tài)周期數(shù)據(jù)中的30個(gè)用于訓(xùn)練，余下的10個(gè)步態(tài)周期的數(shù)據(jù)用于測(cè)試。實(shí)驗(yàn)結(jié)果的準(zhǔn)確性是通過(guò)計(jì)算ELM預(yù)測(cè)的力矩值與反向生物力學(xué)分析計(jì)算的關(guān)節(jié)力矩值的歸一化均方誤差(normalized root mean squared error,NRMSE)和相關(guān)系數(shù)(ρ)的統(tǒng)計(jì)值來(lái)驗(yàn)證的。

在level 1泛化水平下各個(gè)步速關(guān)節(jié)自由度力矩的預(yù)測(cè)結(jié)果如圖3、圖4所示(以0.5 m/s步速為例)。由圖可知，該泛化水平除右踝關(guān)節(jié)內(nèi)外翻外，其他關(guān)節(jié)自由度的力矩都可以較精確地預(yù)測(cè)，且NRMSE<15.48%、ρ>0.86。

圖3 以0.5 m/s速度行走的平均關(guān)節(jié)力矩預(yù)測(cè)結(jié)果(level 1)

圖4 在5個(gè)不同速度下的各個(gè)關(guān)節(jié)自由度預(yù)測(cè)力矩的NRMSE值(level 1)

在level 2泛化水平下各個(gè)步速關(guān)節(jié)自由度力矩的預(yù)測(cè)結(jié)果如圖5、圖6所示(以0.5 m/s步速為例)。由圖可知，該泛化水平同樣除右踝關(guān)節(jié)內(nèi)外翻外，其他關(guān)節(jié)自由度的力矩都可以較精確地預(yù)測(cè)，且NRMSE<12.93%、ρ>0.89。由于通過(guò)圖2～圖6無(wú)法精確地區(qū)分這兩個(gè)泛化水平的預(yù)測(cè)精度，所以通過(guò)圖7、圖8可以發(fā)現(xiàn)level 2除在0.4 m/s和0.5 m/s這兩個(gè)速度區(qū)分度不大外，其他各關(guān)節(jié)自由度力矩預(yù)測(cè)精度明顯高于level 1。與相比level 1、level 2的力矩預(yù)測(cè)的平均NRMSE降低了9.4%，ρ也略有提高。

圖5 以0.5 m/s速度行走的平均關(guān)節(jié)力矩預(yù)測(cè)結(jié)果(level 2)

圖6 在5個(gè)不同速度下的各個(gè)關(guān)節(jié)自由度預(yù)測(cè)力矩的NRMSE(level 2)

圖7 兩個(gè)不同泛化水平的NRMSE

圖8 兩個(gè)不同泛化水平的相關(guān)系數(shù)

在一些文獻(xiàn)[15-17]中除肌電信號(hào)外還分別使用肩和肘關(guān)節(jié)角、肩和肘關(guān)節(jié)角速度、肘關(guān)節(jié)角度和角速度作為輸入預(yù)測(cè)肘關(guān)節(jié)力矩。為了進(jìn)一步驗(yàn)證本文分析輸入變量(EAV)預(yù)測(cè)結(jié)果的精確性，該輸入變量預(yù)測(cè)的結(jié)果還與其他輸入變量的預(yù)測(cè)結(jié)果在level 2的泛化水平下進(jìn)行了比較。這些輸入變量分別是：(1)相關(guān)肌肉的肌電信號(hào)，以及這些肌肉所驅(qū)動(dòng)的關(guān)節(jié)自由度的角度(EA)；(2)相關(guān)肌肉的肌電信號(hào)，以及這些肌肉所驅(qū)動(dòng)的關(guān)節(jié)自由度的角速度(EV)；(3)相關(guān)肌肉的肌電信號(hào)，以及力矩預(yù)測(cè)關(guān)節(jié)自由度的角度和角速度(EOAV)；(4)相關(guān)肌肉的肌電信號(hào)，以及力矩預(yù)測(cè)關(guān)節(jié)自由度的角度(EOA)；(5)相關(guān)肌肉的肌電信號(hào)(E)。其中相關(guān)肌肉是指關(guān)節(jié)自由度所關(guān)聯(lián)的肌肉。通過(guò)實(shí)驗(yàn)比較發(fā)現(xiàn)以EA(NRMSE <14.25%)、EV(NRMSE<16.10%)、EOAV(NRMSE <14.94%)、EOA(NRMSE <15.53%)、E(NRMSE <19.51%)作為輸入變量在不同速度下各關(guān)節(jié)自由度預(yù)測(cè)力矩的NRMSE與EAV(NRMSE <12.93%)的預(yù)測(cè)結(jié)果相比分別增加了10.2%、24.5%、15.5%、20.5%、50.9%，其比較結(jié)果如圖9所示。其各關(guān)節(jié)自由度預(yù)測(cè)力矩的ρ比較結(jié)果如圖10所示，由圖可知本文分析的變量作為輸入各關(guān)節(jié)自由度預(yù)測(cè)力矩的ρ明顯優(yōu)于其他變量輸入的預(yù)測(cè)結(jié)果。

圖9 不同輸入變量的NRMSE比較

圖10 不同輸入變量的相關(guān)系數(shù)ρ值比較

3 討論

實(shí)驗(yàn)結(jié)果表明以本文分析變量作為輸入的ELM算法可以較精確地實(shí)現(xiàn)人體下肢各關(guān)節(jié)各自由度力矩實(shí)時(shí)預(yù)測(cè)。本方法與以往人體關(guān)節(jié)力矩人工智能預(yù)測(cè)研究[16,18-19,21,35-36]的不同主要體現(xiàn)在以下兩點(diǎn)：(1)建立了人體關(guān)節(jié)力矩預(yù)測(cè)的數(shù)學(xué)模型，并獲得其可在線測(cè)量的輸入變量；(2)把極限學(xué)習(xí)機(jī)算法應(yīng)用于關(guān)節(jié)力矩預(yù)測(cè)，加快了訓(xùn)練和預(yù)測(cè)的速度。

在整個(gè)實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)右踝關(guān)節(jié)內(nèi)外翻展的力矩預(yù)測(cè)結(jié)果的歸一化均方根誤差和相關(guān)系數(shù)與其他關(guān)節(jié)自由度的力矩預(yù)測(cè)結(jié)果存在明顯差異。通過(guò)分析右踝關(guān)節(jié)內(nèi)外翻的反向生物力學(xué)計(jì)算的力矩，發(fā)現(xiàn)其符合N(0.0581，2.1669)的正態(tài)分布，與左踝關(guān)節(jié)內(nèi)外翻力矩值相比可以認(rèn)為其是噪聲，所以不把踝關(guān)節(jié)內(nèi)外翻力矩預(yù)測(cè)值作為參考。

由圖7可知level 2和level 1相比NRMSE只降低了9.4%，所以該方法具有比較好的泛化能力。在實(shí)際應(yīng)用中可以適當(dāng)減少訓(xùn)練數(shù)據(jù)，以減少數(shù)據(jù)收集的時(shí)間。

由圖9、圖10可知EA與EAV相比其各個(gè)關(guān)節(jié)自由度預(yù)測(cè)力矩的最大平均歸一化均方根誤差只增長(zhǎng)10.04%，平均相關(guān)系數(shù)略有降低(4.4%)，由此可知本文分析獲得的輸入變量中角速度和關(guān)節(jié)力矩的相關(guān)度并不高。在預(yù)測(cè)結(jié)果要求不嚴(yán)格的情況下可以不考慮把角速度作為輸入，以減少傳感器的數(shù)量降低實(shí)驗(yàn)的復(fù)雜度。另外，E與EAV其各個(gè)關(guān)節(jié)自由度預(yù)測(cè)力矩的NRMSE提高50.9%，ρ降低了20%，關(guān)節(jié)自由度力矩預(yù)測(cè)結(jié)果的準(zhǔn)確度降低，這足以說(shuō)明肌電信號(hào)的大小不能代表關(guān)節(jié)力矩值[37]且關(guān)節(jié)自由度的角度對(duì)關(guān)節(jié)力矩預(yù)測(cè)值影響非常大。并用EOAV是除EA以外預(yù)測(cè)精度最高的。由此可知被預(yù)測(cè)關(guān)節(jié)自由度的角度以及角速度對(duì)預(yù)測(cè)精度的影響比較大。

與反向生物力學(xué)分析相比，本文提出的方法首先只需要采集肌電信號(hào)和相關(guān)關(guān)節(jié)自由度的角度和角速度，不需要價(jià)格昂貴且場(chǎng)地要求比較高的3D步態(tài)捕捉系統(tǒng)[10-11]，使在普通醫(yī)院和實(shí)驗(yàn)室進(jìn)行人體關(guān)節(jié)自由度力矩的預(yù)測(cè)成為可能；其次本文提出的方法可以在訓(xùn)練的過(guò)程中不斷適應(yīng)個(gè)體差異，不需針對(duì)不同人進(jìn)行肌肉骨骼模型的匹配，從而降低了個(gè)體差異帶來(lái)的誤差；最后本文提出的方法時(shí)間復(fù)雜度低，可以實(shí)現(xiàn)在線實(shí)時(shí)預(yù)測(cè)，使關(guān)節(jié)預(yù)測(cè)在實(shí)時(shí)性比較高的康復(fù)訓(xùn)練和機(jī)器人控制等方面的使用成為可能。

本研究還存在如下缺陷：(1)人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出之間是黑盒子，無(wú)法表達(dá)輸入和輸出之間的關(guān)系。(2)考慮到多通道獲取下肢肌電信號(hào)的復(fù)雜性比較大，本文只把一個(gè)下肢偏癱患者的不同速度多步態(tài)周期數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。如果有足夠多的數(shù)據(jù)其說(shuō)服力會(huì)更強(qiáng)。(3)本文預(yù)測(cè)的準(zhǔn)確性是和反向生物力學(xué)計(jì)算的力矩進(jìn)行比較，雖然反向生物力學(xué)計(jì)算的關(guān)節(jié)力矩比較精準(zhǔn)，但仍然存在誤差，所以還無(wú)法完全表達(dá)本文方法預(yù)測(cè)關(guān)節(jié)力矩的精確度。

4 結(jié)論

以本文分析變量作為輸入的極限學(xué)習(xí)機(jī)算法可以較精確地實(shí)現(xiàn)人體下肢各關(guān)節(jié)各自由度力矩實(shí)時(shí)預(yù)測(cè)。該方法可實(shí)現(xiàn)關(guān)節(jié)力矩的在線預(yù)測(cè)，為運(yùn)動(dòng)康復(fù)中實(shí)時(shí)步態(tài)分析和外骨骼機(jī)器人控制提供技術(shù)支持。