利用表面肌電信號的下肢動態(tài)關節(jié)力矩預測模型

陳江城,張小棟,李睿,石強勇,王賀

(西安交通大學現(xiàn)代設計及轉子軸承系統(tǒng)教育部重點實驗室, 710049, 西安)

?

利用表面肌電信號的下肢動態(tài)關節(jié)力矩預測模型

陳江城,張小棟,李睿,石強勇,王賀

(西安交通大學現(xiàn)代設計及轉子軸承系統(tǒng)教育部重點實驗室, 710049, 西安)

為實現(xiàn)表面肌電信號的下肢關節(jié)力矩動態(tài)解碼,建立了從表面肌電信號到關節(jié)力矩輸出的人體下肢運動系統(tǒng)正向生物力學模型。首先,從幅值和頻率兩個角度建立表面肌電信號到骨骼肌激活程度模型;其次,根據(jù)肌絲滑移理論,構建反映骨骼肌生理結構和微觀力學特性的肌肉力模型,同時確定活動肌肉拉力線方向及力作用點位移矢量,將骨骼肌力轉換到關節(jié)力矩;最后,以牛頓-歐拉逆動力學方法獲得關節(jié)力矩作為準確值,給出正向生物力學模型參數(shù)動態(tài)標定方法。在模型基礎上,對4名對象進行隨意步態(tài)下膝關節(jié)屈伸動態(tài)力矩預測試驗,結果表明:所建模型對步態(tài)行走下的膝關節(jié)動態(tài)關節(jié)力矩具有很好的動態(tài)跟蹤性能,最大絕對誤差為(11.0±1.32) N·m,平均殘差為(4.43±0.698) N·m,預測值與準確值之間的平均線性相關系數(shù)為0.927±0.042,驗證了該方法的正確性和有效性;可為康復訓練機器人人機協(xié)同過程中的力學交互模式研究提供接口。

表面肌電信號;關節(jié)力矩預測;肌肉模型;正向生物力學

運動訓練對中風偏癱患者的運動功能恢復十分重要,康復訓練機器人具有比人工醫(yī)療師輔助訓練更多的優(yōu)點而被研究者和康復工作者所認可,目前世界上典型的下肢康復訓練機器人有LOPES、LOKOMAT、Gait Trainer和Haptic Walker等[1]?？祻陀柧氝^程一般分為被動階段和主動階段,主動階段注重患者的主動參與和自身能力,選擇性地給患者提供助力[2-3]。實際上,康復機器人輔助的根本作用是,在患者自身力量無法提供目標運動所需力的時候,給患者額外提供部分需要的力,通過訓練逐漸擺脫機器人的幫助,達到人進機退,同時應保證人、機力交互的柔順性[4]。因此,康復機器人需要對患者實際運動能力進行實時感知,但是目前由于缺少對患者運動能力的直接感知手段,從力交互機理出發(fā)設計的康復控制策略很少,制約康復機器人的進一步提高。

骨骼肌是人體運動的主要動力源,在神經(jīng)系統(tǒng)調控下收縮,牽引骨骼和關節(jié)運動,因此通過運動中骨骼肌收縮力檢測可以感知人體的運動能力。目前,直接測量體內(nèi)肌肉力大小是不現(xiàn)實的,表面肌電(sEMG)蘊含肌肉活動強度、活動時間等信息,成為體表無創(chuàng)檢測肌肉活動的重要方法,被廣泛用于康復領域。文獻[5]將表面肌電信號的強度與關節(jié)力矩等效成一階線性關系,通過表面肌電信號估計關節(jié)力矩,并控制助行外骨骼機器人,增強了穿戴者的行走能力。文獻[6]通過Hill肌肉模型建立表面肌電信號與關節(jié)力矩的關系,用于控制外骨骼機器人。文獻[7]通過收集特定肌肉上的肌電信號并進行處理,當被處理的信號超過一定閾值時觸發(fā)輔助,作為給患者的獎勵,相同的肌電生物反饋方法也被用于上肢的康復訓練[8-9]。另外,文獻[10]通過神經(jīng)網(wǎng)絡學習,建立了表面肌電信號與關節(jié)力矩的關系,用于上肢假肢控制;文獻[11-12]都基于Hill肌肉模型建立了幅值大小到關節(jié)力矩的映射模型。

綜上可以看出,通過肌電感知肌肉力和關節(jié)力矩是一種可行的方法。然而研究表明,產(chǎn)生相同的肌肉力在不同的運動任務下肌電活動模式是不一樣的,而且不是簡單的線性關系,若要保證預測模型的精度及在任意運動下都有效,所建立的模型必須能反映運動系統(tǒng)的解剖結構和生理特點[11]。Hill模型是在離體肌肉實驗基礎上提出的[13],沒有考慮肌肉收縮的微觀特性,也不能描述活體肌肉完整生物力學過程。文獻[14]基于肌絲滑移理論,從微觀角度研究肌肉的力學特性,從頻率角度分析表面肌電信號與骨骼肌力之間的關系,重點討論了基于表面肌電的肌力預測結果,沒有對關節(jié)力矩的預測進行研究。

本文以提高下肢康復機器人的運動感知能力為目標,考慮下肢系統(tǒng)運動生物力學模型的完整性和動態(tài)力矩預測的準確性,對骨骼肌生物電調控(激勵)、收縮力學模型以及肌肉力到關節(jié)力矩等過程進行深入研究,從運動機理出發(fā),構建了下肢運動系統(tǒng)正向生物力學全過程模型,實現(xiàn)了下肢運動力學信息的表面肌電信號動態(tài)解碼,為下肢康復機器人力交互機理及輔助控制策略研究提供合適的人機交互接口。

1 正向生物力學模型

建立正向生物力學模型的最終目標是:通過輸入原始表面肌電信號和關節(jié)運動學數(shù)據(jù)得到關節(jié)力矩的大小,且使模型能夠適用于較寬的運動任務(除發(fā)生痙攣等意外)和任意下肢關節(jié)。人體下肢運動系統(tǒng)主要包括神經(jīng)、肌肉和骨骼關節(jié)3個部分,分別發(fā)揮控制、驅動和執(zhí)行的作用。根據(jù)其力學過程,本文分別建立肌肉生物電激活模型、肌肉收縮力學模型及肌肉功能模型,3者按照力學關系聯(lián)合形成完整的正向生物力學模型,如圖1所示。其中,肌肉生物電激活模型的作用是將表面肌電信號sEMG表征為肌肉激活程度a(t),肌肉收縮生物力學模型描述肌肉在激活程度a(t)下的輸出力Fm(t)的情況,肌肉功能模型作用是將相關聯(lián)肌肉力合成得到關節(jié)力矩Tj(t)輸出。

圖1 正向生物力學模型建立過程

1.1 肌肉生物電激活模型

人體骨骼肌由大量肌纖維組成,肌纖維的活動受到神經(jīng)系統(tǒng)控制,一個神經(jīng)元和受其支配的所有肌纖維構成一個運動單位。肌纖維的收縮是集力學、生理學和生物化學的一個復雜過程。在神經(jīng)沖動的激勵下,肌細胞膜激發(fā)動作電位,一方面疊加形成皮膚表面肌電信號,另一方面興奮整個細胞,經(jīng)過興奮收縮耦聯(lián)引起肌絲滑移。因此,表面肌電信號表征了肌肉的激活強度,其按照以下3個步驟形成肌肉生物電激活模型。

(1)對于單根肌纖維,當動作電位幅值超過門限值,會引起肌漿網(wǎng)Ca2+通道開啟,使Ca2+進入肌漿,當動作電位幅值低于門限值,Ca2+又迅速回流,肌漿內(nèi)的Ca2+與肌纖維中的肌鈣蛋白作用引起肌絲滑移,Ca2+濃度決定著肌纖維收縮強度。肌纖維激發(fā)動作電位存在“全或無”的特點,即只要激發(fā),其波形幅值變化固定,所以肌漿內(nèi)的Ca2+濃度是通過動作電位發(fā)放率調控的。文獻[15]從肌纖維的生理結構和運動機理出發(fā),建立了肌漿內(nèi)平均Ca2+濃度μ與動作電位發(fā)放率的數(shù)學模型,并通過Sigmoid函數(shù)擬合

(1)

式中:fa為動作電位發(fā)放率;a1、b1和c1為擬合系數(shù)。另外,μ與肌纖維激活程度β的關系可以表示為

(2)

式中:K1=8.72,表示Ca2+與肌鈣蛋白弱作用時兩者分離速率與結合速率之比;K2=0.194,表示Ca2+與肌鈣蛋白強作用時兩者分離速率與結合速率之比。

以往研究發(fā)現(xiàn),肌纖維的動作電位發(fā)放率在8～50 Hz之間[16],而表面肌電信號的有效頻率范圍是在20～500 Hz之間。本文通過線性模型建立兩者之間的映射關系,以表面肌電信號短時傅里葉變換后得到中值頻率fm表示表面肌電信號頻率,線性變換得到肌纖維動作電位發(fā)放率,即

(3)

式中:fi(t)為Ai(t)時刻短時傅里葉變換的各頻率;Ai(t)為各頻率點對應的幅值;N為頻率點數(shù),由頻率分辨率,即短時傅里葉變換所用窗函數(shù)寬度決定。至此,式(1)～式(3)描述了表面肌電信號頻率與單根肌纖維激活程度的關系。

(2)對于整個肌肉,其激活程度還與肌纖維的募集數(shù)量有關,肌纖維募集越多,就有更多的肌膜動作電位疊加形成表面肌電信號,因此可用表面肌電信號的幅值反映肌纖維募集數(shù)量。對于原始表面肌電信號,通過零滯后的四階巴斯沃特濾波器進行濾波,以達到消除運動偽跡的目的,截止頻率為20 Hz。在此基礎上,進行全波整流和4 Hz低通濾波得到時域信號R(t),表示表面肌電信號活動強度。用相同的方法對每塊肌肉在最大主動收縮力下測得的表面肌電信號進行處理,得到時域信號RMVC(t),取其中最大值作為標準,對所有試驗下處理后的肌電信號進行歸一化處理,轉化為肌纖維募集程度,即

(4)

(3)任意骨骼肌的激活程度可以表示為肌纖維激活程度與肌纖維募集程度的乘積

(5)

利用上述模型,由某對象股直肌表面肌電信號計算肌肉激活程度,如圖2所示。從圖可知,同時考慮幅值與頻率兩個因素時獲得的肌肉激活程度a與單獨考慮幅值時的肌肉激活程度u相比,變化趨勢微小,但是幅值上變化較為明顯。激活程度的改變將影響后續(xù)模型參數(shù)的準確性。

圖2 肌肉激活程度變化曲線

1.2 肌肉收縮力學模型

目前,對肌肉生物力學研究多數(shù)是在Hill提出的肌肉力學模型基礎上進行的,其肌肉力方程為

(6)

式中:Fmmax為肌肉最大等長收縮力;l為肌肉纖維長度;v為肌肉收縮速度;f(l)、f(v)和fp(l)為歸一化的肌纖維力學特性曲線,是通過離體實驗測量得到的,沒有考慮微觀特性,因此無法有效反映活體肌肉生理參數(shù)對生物力學的影響。

從微觀上看,骨骼肌收縮是由于大量肌球蛋白分子馬達對細肌絲集體做功引起粗細肌絲相對滑移導致的?；诩〗z滑移理論,文獻[17]提出了肌肉橫橋動力學模型,推出了肌絲滑動速率方程和肌絲橫截面上的主動力力學方程。文獻[18-19]通過二態(tài)布朗棘輪模型及統(tǒng)計動力學方法,研究了分子馬達的集體運行特性。文獻[20]針對肌纖維結構特點和肌球蛋白馬達運行機制,利用非平衡統(tǒng)計力學的方法,構建了肌節(jié)主動收縮力學模型,該模型可以用于定量討論負載力、Ca2+及能量因子三磷酸腺苷濃度等對收縮力學特性的影響。

肌節(jié)是肌肉收縮最小功能單元,骨骼肌是由大量肌節(jié)串并聯(lián)而成,而肌肉整體收縮力大小與肌節(jié)并聯(lián)數(shù)目相關,任意骨骼肌的主動收縮力學模型可以表示為

(7)

(8)

另外,根據(jù)文獻[21]對肌節(jié)主動力和肌節(jié)長度關系的實驗研究表明,主動力隨著肌節(jié)長度增加先增后減,本文用高斯函數(shù)模擬粗細肌絲的重疊程度α,即

(9)

式中:lopti為肌肉最大等長收縮時肌肉纖維長度。

除主動收縮力外,肌肉組織本身還存在被動拉伸的特性,采用剛度阻尼模型表示為

(10)

式中:km表示肌肉剛度;γm為肌肉阻尼;lo為肌纖維初始長度;Δlm為肌肉伸長量。

因此,肌肉收縮力學模型為

Fm=Fa+Fp

(11)

從肌肉收縮力學模型可知,除激活程度a外,肌肉截面積Sm、最優(yōu)長度lopti、剛度km及阻尼γm等結構和物理參數(shù)都影響肌肉收縮力的大小。

1.3 肌肉功能模型

根據(jù)肌肉結構及力學原理,肌肉收縮力在關節(jié)上產(chǎn)生的轉動力矩為

T=r×Fcosφ

(12)

式中:r表示關節(jié)轉動中心到力作用點的位移矢量;F表示肌肉力矢量;φ表示肌肉羽狀角。因此,要將肌肉力轉換到關節(jié)力矩的大小,需要進一步確定肌肉拉力線方向矢量I和位移矢量r。

肌肉附著點位置,包括起點、代起點、止點和代止點,是確定肌肉長度、肌肉伸縮速度、肌肉拉力線和肌肉力作用點的基礎。文獻[22]通過大量尸體標本檢測確定人體下肢肌肉附著點位置和人體下肢骨形參數(shù),并以3個關節(jié)中心為坐標基準點,建立骨盆、大腿、小腿局部坐標系,給出了用于計算活體肌肉附著點三維坐標的線性回歸方程。本文基于文獻[22]研究結論,給出下肢位姿動態(tài)變化過程中的肌肉拉力線和力位移矢量的確定方法,具體步驟如下。

第1步,利用光學運動捕捉系統(tǒng)記錄人體下肢關鍵點的位置,確定髖、膝和踝關節(jié)中心的位置坐標。對于膝關節(jié)和踝關節(jié),以關節(jié)內(nèi)外側標記點位置的中心作為關節(jié)中心。采用文獻[23]提出的方法確定髖關節(jié)中心:首先,以兩髂前上棘中心為基準點,根據(jù)左右髂前上棘和髂后上棘位置坐標,建立骨盆坐標系,如圖3所示,其坐標軸方向確定方法如下

(13)

(14)

U=V×W

(15)

其次,計算髖關節(jié)中心在骨盆坐標系中的位置,并轉換至全局坐標系下。同時,根據(jù)文獻[24]給出的線性回歸方程確定髖關節(jié)中心在骨盆坐標系中的位置,方程如下

(16)

式中:Pd代表骨盆深度,為兩髂前上棘中點與兩髂后上棘中點之間的距離,mm;Pw代表骨盆寬度,為兩髂前上棘之間的距離,mm。

圖3 骨盆坐標系及與髖關節(jié)中心的關系

第2步,從骨盆、大腿、小腿分別選擇3個標記點,以關節(jié)中心為基準點建立各肢體的局部坐標系,然后根據(jù)文獻[22]給出的肌肉附著點三維坐標計算線性回歸方程,計算附著點在局部坐標系中的位置,同時通過坐標變換,將附著點位置轉換到全局坐標系下表示。

第3步,利用肌肉附著點以及關節(jié)中心坐標,確定在全局坐標下的肌肉拉力線方向矢量和力位移矢量r,同時計算肌肉長度lm、肌肉纖維長度l以及肌肉伸縮速度v。

在確定所有肌肉力方向矢量和力相對于關節(jié)中心的位移矢量后,分別選出對下肢各關節(jié)運動起作用的肌肉,計算每塊肌肉對關節(jié)的力矩貢獻并相加,得到該關節(jié)力矩,即

(17)

式中:j代表關節(jié);N代表作用于該關節(jié)上的肌肉數(shù)量;φi表示第i塊肌肉的羽狀角。

2 模型的標定

從建立的下肢運動系統(tǒng)正向生物力學模型看出,模型中包括了反映肌肉生理特性及結構的參數(shù),不同肌肉具有不同的參數(shù)大小,如橫截面積較大的肌肉并聯(lián)更多的肌節(jié),產(chǎn)生的最大肌肉力也更大。因此,在模型應用于具體對象之前,需要對模型參數(shù)進行調整,即模型標定。

2.1 模型標定原理

模型標定需要一個標準的參考值?？紤]測量人體活體肌肉在關節(jié)上的作用力不現(xiàn)實,本文利用足底力(GRF)和運動學數(shù)據(jù),通過牛頓-歐拉逆動力學方程[25]計算各關節(jié)的輸出力矩Tjiv,并將其作為模型標定的參考值。

模型標定的目標是通過調整正向生物力學模型參數(shù),最終尋找一組合適的參數(shù)值,使模型輸出的關節(jié)力矩Tj與標準參考值無限接近。本文采用模型參數(shù)優(yōu)化算法實現(xiàn)這一目標,并定義優(yōu)化目標函數(shù)如下

(18)

式中:n為采樣點數(shù)。整個模型的標定過程如圖4所示。

圖4 模型標定過程

另外,為了使標定后模型能夠適用于較寬的運動任務條件,優(yōu)化函數(shù)中所選取的樣本應盡可能涵蓋復雜的運動情況,當然這也會增加模型參數(shù)尋找的時間。鑒于本文的目的是為康復機器人提供患者運動能力感知的功能,而康復的主要運動訓練是步態(tài)行走,文中利用不同步行速度下的若干步態(tài)周期數(shù)據(jù)樣本對模型參數(shù)進行標定,使標定后模型能夠完成步態(tài)行走下的關節(jié)力矩準確預測。

2.2 模型參數(shù)的優(yōu)化算法

為了實現(xiàn)目標函數(shù)的最小化,采用遺傳優(yōu)化算法尋找模型的最優(yōu)參數(shù)值。模型中優(yōu)化的參數(shù)包括肌肉收縮力學模型中的高斯函數(shù)標準差σ、肌肉最大力Famax、最優(yōu)長度lopti以及剛度km和阻尼γm。對于肌肉的羽狀角φ,文獻[11]研究表明其值變化范圍很小,因此本文采用該文獻提供的羽狀角數(shù)據(jù),不對其進行優(yōu)化。

在對模型參數(shù)進行優(yōu)化時,初始種群的每個個體代表模型參數(shù)的一組初始值,進化方向為使目標函數(shù)值減小。另外,本文采用文獻[26]提供的最大肌肉力和肌肉最優(yōu)長度作為參考初始值,優(yōu)化范圍分別被約束在初始值上下±50%和±20%之間。這樣一方面減小了優(yōu)化搜索空間,加快優(yōu)化速度,另一方面也能防止大幅度偏離實際情況而與解剖學知識不符的參數(shù)值出現(xiàn)。

3 膝關節(jié)動態(tài)力矩預測試驗

為了驗證模型的可靠性和有效性,選取4名男性對象A、B、C和D(平均年齡(29±5.5)歲,平均身高(172±4.3) cm,平均體質量(63.9±5.0) kg)進行生物力學模型標定和隨意步態(tài)下的膝關節(jié)屈伸動態(tài)力矩預測試驗。根據(jù)生理學先驗知識,確定10塊對膝關節(jié)運動有貢獻的主要肌肉,分別是半膜肌(SM)、股二頭肌長頭(BFL)、股二頭肌短頭(BFS)、股內(nèi)側肌(VM)、股外側肌(VL)、股直肌(RF)、腓腸肌內(nèi)側(MG)、腓腸肌外側(LG)、闊筋膜張肌(TFL)和縫匠肌(SR)。實驗中,所有受試者完成多種步速(約0.8、1.0和1.2 m/s)行走,記錄相應的步態(tài)數(shù)據(jù),試驗設備場景如圖5所示。下肢運動學數(shù)據(jù)通過英國Oxford Metrics Limited公司生產(chǎn)的VICON運動光學捕捉系統(tǒng)記錄,包括12臺高精度攝像機,采樣頻率為50 Hz;足底力信號利用AMTI測力板獲取,采樣率為1 000 Hz;表面肌電信號由16通道多導生理記錄儀記錄,采樣頻率為1 024 Hz。

完成數(shù)據(jù)獲取后,對不同信號進行濾波和采樣率同步化處理。另外,文獻[27]進行了肌電爆發(fā)時刻與關節(jié)力矩產(chǎn)生時刻之間的時間差檢測,結果表明,關節(jié)力矩產(chǎn)生滯后表面肌電信號50～80 ms;文獻[11]在利用表面肌電信號進行關節(jié)力矩預測時將滯后時間定為40 ms。為此,本文綜合各方面因素,將運動學和動力學數(shù)據(jù)都提前50 ms。利用同步化數(shù)據(jù),按照第2、3節(jié)的方法分別對4名對象進行正向生物力學模型參數(shù)的標定和預測。

圖5 試驗設備與場景圖

圖6 對象A在3個步態(tài)周期中肌肉激活程度變化曲線

圖7 對象A在3個步態(tài)周期中肌肉纖維長度變化曲線

以對象A為例,從3種步速下各選取一個步態(tài)周期數(shù)據(jù)作為優(yōu)化樣本,對模型進行標定。首先計算3個步態(tài)周期中的肌肉激活程度、肌肉運動參數(shù)以及關節(jié)力矩。圖6是對象A在3個步態(tài)周期下10塊肌肉的激活程度變化情況。從圖中可以看出,在步態(tài)過程中,每塊肌肉的激活程度變化非常復雜,但是在行走這一特定任務中,肌肉激活程度的變化趨勢基本固定,主要在大小上存在差異。圖7是對象A在3個步態(tài)周期下的肌肉纖維長度變化情況,可以看出,步態(tài)周期中肌纖維長度變化緩和,周期性很好,其中縫匠肌(SR)起始于骨盆髂前上棘,止于脛骨上端前緣,是人體最長的肌肉。其次,根據(jù)肌肉激活程度、肌肉運動學參數(shù)以及膝關節(jié)屈伸力矩值,對模型參數(shù)進行優(yōu)化,初始種群規(guī)模為60,最大代數(shù)為400,優(yōu)化結果誤差如圖8所示,優(yōu)化最大誤差達到6.25 N·m。此外,表1給出了對象A經(jīng)過模型標定后的肌肉部分參數(shù),包括肌肉最大力Famax、最優(yōu)長度lopti和高斯函數(shù)中的標準差σ,同時還給出了文獻[26]基于Hill肌肉力學模型給出的肌肉參數(shù)。在Delp模型中,通過測量21名尸體相關肌肉的橫截面積取均值并乘以單位面積最大張力(61 N/cm2),得到肌肉最大力,因此肌肉之間最大力之比等于肌肉橫截面積之比,而肌肉最優(yōu)長度通過尸體肌肉直接測量得到。通過比較,本文優(yōu)化得到的不同肌肉之間最大力之比與Delp模型中不同肌肉之間最大力之比關系一致,即遵循實際人體不同肌肉之間的發(fā)達程度關系,而肌肉的最優(yōu)長度相差在1～2 cm之間,最長的肌肉縫匠肌(SR)相差為8 cm,這可以解釋為是由于個體之間肌肉發(fā)達程度、身高差異引起的。

圖8 模型參數(shù)優(yōu)化結果誤差

肌肉本文模型Famax/Nlopti/mDelp模型Famax/Nlopti/mσSM12390.09610300.0800.126BFL8370.1037200.0890.112BFS3870.0934000.1100.657VM11660.08912950.0970.323VL14360.07518710.0840.263RF7700.0887800.0760.125MG12500.04211150.0510.155LG5610.0504900.0590.245TFL1630.1301550.1600.656SR1060.3981050.4790.570

模型標定后,對所有對象步行過程中的膝關節(jié)屈伸方向動態(tài)力矩進行預測,圖9給出了對象A某次步態(tài)下的預測結果,圖中還給出了逆動力學計算的動態(tài)力矩曲線。從圖中可以看出,建立的生物力學模型對步態(tài)行走過程中的膝關節(jié)動態(tài)力矩有較好的預測能力,能夠快速地捕捉實際關節(jié)力矩的變化趨勢,而且預測曲線波動較小。

圖9 膝關節(jié)動態(tài)關節(jié)力矩預測結果

另外,為定量描述模型的預測效果,采用最大絕對誤差、平均殘差以及預測值和實際值的線性相關程度R這3個參數(shù)來描述預測精度。對4名對象、3種不同步速下膝關節(jié)力矩預測結果進行定量統(tǒng)計,每名對象的描述參數(shù)都是對自身預測結果統(tǒng)計的平均值,如表2所示。從表中可以看出,正向生物力學模型預測最大絕對誤差平均值為(11.0±1.32) N·m,平均殘差為(4.43±0.698) N·m,平均線性相關系數(shù)為0.927±0.042。

表2 所有對象預測結果統(tǒng)計

4 結 論

康復訓練機器人能否有效地感知患者自身運動能力是其提供合理輔助的重要前提。基于生物電的人機交互接口技術是康復機器人領域的重要發(fā)展方向。本文在對人體下肢運動系統(tǒng),包括神經(jīng)、肌肉、骨骼、關節(jié),各個組織的解剖結構和運動機理進行深入研究的基礎上,建立了完整過程的正向生物力學模型,實現(xiàn)了基于表面肌電信號的下肢關節(jié)力矩動態(tài)預測。本文模型根據(jù)表面肌電信號的產(chǎn)生機理,從頻率和幅值角度描述了肌肉激活程度與肌纖維激活及募集程度的關系,不同于過去只通過幅值信息描述肌肉激活程度,本文建立的肌肉生物電激活模型更全面。綜合幅值和頻率與單一的幅值相比,可以更加直接影響肌肉激活程度,進一步影響肌肉力大小及優(yōu)化后參數(shù)的準確性,然而由于人體內(nèi)肌力大小和肌肉參數(shù)目前無法直接測量,因此本文對于參數(shù)的影響尚不能給出具體評價,有待進一步研究。與Hill肌肉模型不同,本文根據(jù)肌絲滑移理論,建立能夠描述生理結構和微觀收縮機理的肌肉力學模型,因此更加完整和切合實際收縮過程。膝關節(jié)屈伸動態(tài)力矩的試驗預測結果證明了本文模型的準確性和可靠性,為康復機器人運動感知能力的提高和人、機力柔順交互研究提供了接口。同時,該生物力學模型的研究對不同運動的生理機理、探索運動康復規(guī)律、提高運動員成績和防止運動損傷等領域存在應用價值。

[2] LUM P, REINKENSMEYER D, MAHONEY R, et al. Robotic devices for movement therapy after stroke: current status and challenges to clinical acceptance [J]. Topics in Stroke Rehabilitation, 2002, 8(4): 40-53.

[3] EKKELENKAMP R, VENEMAN J, VANDER KOOIJ H. LOPES: selective control of gait functions during the gait rehabilitation of CVA patients [C]∥9th International Conference on Rehabilitation Robotics. Piscataway, NJ, USA: IEEE, 2005: 361-364.

[4] 文忠, 錢晉武, 沈林勇, 等. 基于阻抗控制的步行康復訓練機器人的軌跡自適應 [J]. 機器人, 2011, 33(1): 142-149. WEN Zhong, QIAN Jinwu, SHEN Linyong, et al. Trajectory adaptation for impedance control based walking rehabilitation training robot [J]. Robot, 2011, 33(1): 142-149.

[5] HAYASHI T, KAWAMOTO H, SANKAI Y. Control method of robot suit HAL working as operator’s muscle using biological and dynamical information [C]∥IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, NJ, USA: IEEE, 2005: 3063-3068.

[6] FLEISCHER C, HOMMEL G. A human-exoskeleton interface utilizing electromyography [J]. IEEE Transactions on Robotics, 2008, 24(4): 872-882.

[7] KREBS H I, PALAZZOLO J J, DIPIETRO L, et al. Rehabilitation robotics: performance based progressive robot-assisted therapy [J]. Autonomous Robots, 2003, 15(1): 7-20.

[8] PERRY J C, ROSEN J, BURNS S. Upper-limb powered exoskeleton design [J]. IEEE/ASME Transactions on Mechatronics, 2007, 12(4): 408-417.

[9] KREBS H, VOLPE B, WILLIAMS D, et al. Robot-aided neurorehabilitation: a robot for wrist rehabilitation [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2007, 15(3): 327-335.

[10]MORITA S, KONDO T, ITO K. Estimation of forearm movement from EMG signal and application to prosthetic hand control [C]∥International Conference on Robotics and Automation. Piscataway, NJ, USA: IEEE, 2001: 3692-3697.

[11]LLOYD D G, BESIER T F. An EMG-driven musculoskeletal model to estimate muscle forces and knee joint moments in vivo [J]. Journal of Biomechanics, 2003, 36(6): 765-776.

[12]BUCHANAN T S, LLOYD D G, MANAL K, et al. Neuromusculoskeletal modeling: estimation of muscle forces and joint moments and movements from measurements of neural command [J]. Journal of Applied Biomechanics, 2004, 20(4): 367-395.

[13]HILL A V. The heat of shortening and the dynamic constants of muscle [J]. Proceedings of the Royal Society of London: Series B Biological Sciences, 1938, 126(843): 136-195.

[14]GUO Zhao, FAN Yuanjie, ZHANG Jianjun, et al. A new 4M model-based human-machine interface for lower extremity exoskeleton robot [C]∥The 5th International Conference on Intelligent Robotics and Applications. Montreal, Canada: ICIRA, 2012: 545-554.

[15]YIN Y H, CHEN X. Bioelectrochemical control mechanism with variable-frequency regulation for skeletal muscle contraction-biomechanics of skeletal muscle based on the working mechanism of myosin motors (II) [J]. Science China: Technological Sciences, 2012, 55: 2115-2125.

[16]WANG W, DE STEFANO A, ALLEN R. A simulation model of the surface EMG signal for analysis of muscle activity during the gait cycle [J]. Computers in Biology and Medicine, 2006, 36(6): 601-618.

[17]HUXLEY A F, SIMMONS R M. Proposed mechanism of force generation in striated muscle [J]. Nature, 1971, 233(5321): 533-538.

[18]JULICHER F, AJDARI A, PROST J. Modeling molecular motors [J]. Reviews of Modern Physics, 1997, 69(4): 1269-1281.

[19]LECARPENTIER Y, BLANC F X, QUILLARD J, et al. Statistical mechanics of myosin molecular motors in skeletal muscles [J]. Journal of Theoretical Biology, 2005, 235(3): 381-392.

[20]YIN Yuehong, GUO Zhao. Collective mechanism of molecular motors and a dynamic mechanical model for sarcomere [J]. Science China: Technological Sciences, 2011, 54(8): 2130-2137.

[21]GOLLAPUDI S K, LIN D C. Experimental determination of sarcomere force-length relationship in type-I human skeletal muscle fibers [J]. Journal of Biomechanics, 2009, 42(13): 2011-2016.

[22]單大卯. 人體下肢肌肉功能模型及其應用的研究 [D]. 上海: 上海體育學院, 2003.

[23]CAMOMILLA V, CEREATTI A, VANNOZZI G, et al. An optimized protocol for hip joint center determination using the functional method [J]. Journal of Biomechanics, 2006, 39(6): 1096-1106.

[24]HARRINGTON M E, ZAVATSKY A B, LAWSON S E, et al. Prediction of the hip joint centre in adults, children, and patients with cerebral palsy based on magnetic resonance imaging [J]. Journal of Biomechanics, 2007, 40(3): 595-602.

[25]VAUGHAN C L, DAVIS B L, O’CONNOR J C. Dynamics of human gait [M]. Champaign, Illinois, USA: Human Kinetics Publishers, 1992: 83-106.

[26]ARNOLD E M, WARD S R, LIEBER R L, et al. A model of the lower limb for analysis of human movement [J]. Annals of Biomedical Engineering, 2010, 38(2): 269-279.

[27]HOWATSON G, GLAISTER M, BROUNER J, et al. The reliability of electromechanical delay and torque during isometric and concentric isokinetic contractions [J]. Journal of Electromyography and Kinesiology, 2009, 19(5): 975-979.

(編輯 杜秀杰)

Prediction Model for Dynamic Joint Torque of Lower Limb with Surface EMG

CHEN Jiangcheng,ZHANG Xiaodong,LI Rui,SHI Qiangyong,WANG He

(Key Laboratory of Education Ministry for Modern Design & Rotor-Bearing System, Xi’an Jiaotong University, Xi’an 710049, China)

To achieve the dynamic joint torque decoding from surface electromyography (EMG), the forward biomechanical model of lower limb motor system, which relates the surface EMG and joint torque, is established. The dynamic surface EMG to skeletal muscle activation model is constructed from the perspective of amplitude and frequency. Then the muscle contraction model reflecting physiological structure and micromechanical properties is constructed according to the sliding-filament theory. The force direction and displacement vector of active muscle are determined and the transformation from muscle force to joint moment is realized. The dynamic calibration for the forward biomechanical model using the exact joint torque value obtained with Newton-Eular method is finally put forward. Following the calibration, the flexion/extension (FE) knee joint torque of four objects under different speed walking is predicted. The results show that the forward biomechanical model can capture the general shape and timing of the joint torque, the maximum absolute error is (11.0±1.32) N·m, the mean residual error is (4.43±0.698) N·m, and the linear relationship between predicted and exact knee FE torque reaches 0.927±0.042. This prediction model provides an interface for the study of force interaction pattern in the process of human-machine cooperation in training.

surface EMG; joint torque prediction; muscle model; forward biomechanics

2015-03-08。

陳江城(1987—),男,博士生;張小棟(通信作者),男,教授,博士生導師。

國家高技術研究發(fā)展計劃資助項目(2015AA042301);國家自然科學基金重大研究計劃資助項目(91420301)。

時間:2015-09-13

10.7652/xjtuxb201512005

TP242

A

0253-987X(2015)12-0026-08

網(wǎng)絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20150913.1822.002.html