下肢外骨骼機器人交互控制方法及肌電感知應(yīng)用綜述

穆 彤，劉世鋒

（天水師范學院 機電與汽車工程學院，甘肅 天水 741001）

下肢外骨骼機器人是一種穿戴在操作者下肢且融合了多種機器人技術(shù)的機械機構(gòu)。[1]在使用中，外骨骼機器人與人身體物理接觸，與下肢平行運動，主要可用于助力助行和康復訓練中。作為連接人與外部機械結(jié)構(gòu)間信息通道的人機交互技術(shù)，是實現(xiàn)對外骨骼機器人平穩(wěn)、連貫、實時控制的關(guān)鍵。[2,3]目前，國內(nèi)外用于人機交互的方法概括起來包括基于人機作用力信息的交互方法和基于生物電信號的交互。由于外骨骼與人體直接接觸，基于人機作用力的交互方式限制了機器人的自主適應(yīng)能力，而基于生物電信號可以主動地識別人體行為意圖，已成為人機交互研究的熱點之一。目前被廣泛關(guān)注的生物電信號有肌電（Electromyography,EMG）、腦電 （Electroencepha?lography,EEG） 和眼電 （Electrooculography,EOG）等。[4]其中，表面肌電信號（Suface EMG,sEMG）由于其具有無創(chuàng)的、成熟的采集方法，蘊含信息豐富、研究基礎(chǔ)好等特點，已被廣泛應(yīng)用于下肢外骨骼機器人人機交互控制。

本文首先綜述了下肢外骨骼機器人及其人機交互方法的研究現(xiàn)狀，然后重點針對基于sEMG的人機交互控制，從相關(guān)方法、特點和應(yīng)用現(xiàn)狀方面概述了當前研究及應(yīng)用中存在的亟待突破的關(guān)鍵問題，并展望了該技術(shù)的未來發(fā)展方向，為后續(xù)研究提供借鑒。

1 面向下肢外骨骼機器人的人機交互方法

1.1 下肢外骨骼機器人的分類

1.1.1 助力型下肢外骨骼機器人

助力型下肢外骨骼機器人以日本筑波大學研制的HAL[5]系列和美國加州大學伯克利分校研制的BLEEX[6]為主要代表，可至多對下肢三個關(guān)節(jié)提供輔助，人機交互控制主要基于步態(tài)信息與其他傳統(tǒng)運動學傳感器提供的信息。其中，BLEEX作為世界上第一臺能源自給的外骨骼，設(shè)計有7個自由度，可完成下肢關(guān)節(jié)的彎曲/伸展、外展／內(nèi)收及外翻／內(nèi)翻等動作，在人機交互上主要利用編碼器和線性加速度計測量關(guān)節(jié)角度及角速度等，利用力傳感器反饋地面作用力并控制輸出力。HAL則是以布置在人體腿部的電極貼片作為電位器來測量關(guān)節(jié)角度，通過地面反作用力傳感器以及陀螺儀來感知人體運動狀態(tài)，完成交互控制的。目前，針對助力型下肢外骨骼的助力效果仍然沒有形成定量評價體系。同時，它的人機交互效果極大程度上受制于人機連接帶來的關(guān)節(jié)間的不重合、運動學上的限制、控制器的延時等原因。

1.1.2 康復訓練型外骨骼機器人

伴隨著人口老齡化，由腦卒中、腦外傷等中樞神經(jīng)系統(tǒng)疾病造成的肢體殘障人口迅速增長，科學地開展下肢康復訓練，提高康復訓練的頻率和持續(xù)時間，實現(xiàn)多種不同的主被動訓練策略，具有重要的社會意義。自20世紀90年代起，下肢康復機器人應(yīng)運而生，主要通過對患者肢體實時運動訓練和功能性電刺激，實現(xiàn)神經(jīng)康復或者肢體康復。由HOCOMA醫(yī)療器械公司和瑞士蘇黎世聯(lián)邦工業(yè)大學合作研制的LOKOMAT[7]下肢康復機器人，下肢每側(cè)包括膝關(guān)節(jié)和髖關(guān)節(jié)2個自由度，由帶有力傳感器的線性驅(qū)動器驅(qū)動，外形尺寸可調(diào)整。2000年，德國Hesse等開發(fā)的腳踏板式下肢康復機器人GTI Gait Trainer,[8]由減重系統(tǒng)和腳踏板系統(tǒng)兩部分組成。國內(nèi)以哈爾濱工程大學研制的由步態(tài)發(fā)生機構(gòu)、腳踏板姿態(tài)控制機構(gòu)、框架和光桿導軌等組成的踏板式下肢康復機器人系統(tǒng)[9]和浙江大學研制的由跑步機、懸吊減重系統(tǒng)以及兩條外骨骼機械腿組成的下肢外骨骼康復機器人[10]為代表，基本上還處于實驗室階段。

1.2 下肢外骨骼機器人的交互控制方法

1.2.1 力／位混合控制

力／位混合控制的實質(zhì)是將機器人與未知環(huán)境接觸時的坐標空間分解為兩個正交的子空間，分別實現(xiàn)力和位置的軌跡控制。[11]Ju等人[12]采用基于模糊規(guī)則的力／位混合控制方法開發(fā)了一種針對上肢運動障礙患者的康復訓練機器人，通過在切方向上進行力控制，為患肢提供一定的輔助力或力矩，在運動方向上進行位置控制，使患者按照預(yù)定的軌跡進行運動，完成了對患者肩關(guān)節(jié)和肘關(guān)節(jié)的訓練。Bernhardt等[13]利用力／位混合控制在LOKOMAT平臺上實現(xiàn)了人機協(xié)同的步態(tài)行走訓練，在邁步擺動階段，基于動力學模型實現(xiàn)力的控制，在支撐階段采用位置控制以實現(xiàn)操作者的自主導航訓練。

1.2.2 阻抗控制

阻抗控制最早由Hogan[14]提出，相較于力／位混合控制，更側(cè)重于實現(xiàn)機器人的主動柔順控制。它不強調(diào)機器人處于剛性的步態(tài)模式下，而允許其在預(yù)定軌跡上下有一定量的偏離，即將人機作用力轉(zhuǎn)化為位置和速度的修正，動態(tài)地調(diào)整人機作用力之間的關(guān)系。Duschau Wick等人利用阻抗控制方法在理想軌跡周圍建立了具備主動柔順特性的虛擬墻，實現(xiàn)了操作者主動參與的機器人步態(tài)訓練方法。[15]此外，荷蘭的LOPES也采用了阻抗控制方法。然而，由于缺乏對人機力交互機理的研究，使得人機交互作用力滯后于運動信息，只是間接獲取操作者的運動意圖，加上機器人機械系統(tǒng)及信號采集處理上的延時，只能在一定程度上解決人機之間的柔順、實時性問題。

1.2.3 基于生物電信號的控制

生物電信號是由生物體發(fā)出的微弱電信號，目前能夠用于下肢康復外骨骼機器人中的生物電信號主要為表面肌電信號和腦電信號，兩種均為非侵入式測量，可操作性強。EEG信號是通過貼在頭皮上的電極片采集到的，基于EEG的交互控制可以不受限于下肢殘缺的操作者，但同時，大腦作為人體神經(jīng)系統(tǒng)的中樞，遍布豐富而復雜的電信號，且大腦的工作機理還有許多未解之處，因此，基于EEG的人機交互研究主要集中在離線分類識別及簡單的上肢動作控制中，[16-18]相關(guān)研究也只是指出了腦電信號在下肢外骨骼機器人控制中的可能性，實際在線的實驗結(jié)果很少，走向應(yīng)用的幾乎沒有。肌電信號作為產(chǎn)生肌肉力的電信號根源，[19]反映著肌肉的功能狀態(tài)，sEMG信號通過貼在皮膚表面的電極獲取，已被成功應(yīng)用于上肢外骨骼機器人及人工假肢中。[20,21]同時，研究學者通過對人體肌電信號展開實驗研究得到：肌電信號貫穿于肌肉的收縮動作，并在肌肉收縮前20～80ms產(chǎn)生，[22]因此，肌電信號可以用于人體的肌肉運動分析，感知人體的動作狀態(tài)并對未來的動作做預(yù)測分析。文獻[23]中提出了一種生物力學模型，通過檢測下肢sEMG信號以預(yù)測運動過程中的關(guān)節(jié)力矩，獲取人體運動意圖，實現(xiàn)下肢外骨骼機器人的交互控制。

綜上可以看出：力/位混合控制和阻抗控制都是通過力／位檢測獲取運動意圖，將人機之間的作用力等效為運動軌跡偏差，使操作者能在預(yù)定軌跡的上下小范圍內(nèi)進行自我調(diào)整?；诹Φ娜梭w運動意圖的獲取更為直接，但由于缺乏人機力交互的機理研究，使得人機交互作用力滯后于運動信息，只能在一定程度上解決人機之間的柔順性問題。而基于生物電的交互，尤其是基于表面肌電信號的人機交互技術(shù)，已被成功應(yīng)用于上肢外骨骼機器人，[24-26]為解決下肢外骨骼機器人的人機運動平穩(wěn)、柔順提供了可行的方法，也是發(fā)展的趨勢。

2 基于sEMG信號的運動意圖識別方法

基于sEMG實現(xiàn)人機交互的關(guān)鍵是精確識別人體運動意圖，[27-30]主要包括離散動作模式分類和關(guān)節(jié)運動量連續(xù)識別?；趕EMG信號的人機交互過程如圖1所示。

圖1 基于sEMG的人機交互過程

2.1 離散動作模式分類識別

基于sEMG的人體動作模式識別，主要分為以下幾個步驟：首先通過對動作模態(tài)的分析，選取人體下肢相關(guān)肌肉，利用貼在肌肉表面的電極貼片采集sEMG信號并對其進行預(yù)處理；然后利用時域、頻域或時頻域相結(jié)合的方法對已預(yù)處理的sEMG信號進行特征提??；再利用sEMG特征樣本，基于相關(guān)方法建立動作分類模型；最后，利用已建立的模型對新樣本進行分類識別，識別后的結(jié)果單獨或與其他信號融合后作為決策輸入，控制下肢外骨骼完成預(yù)期的動作。

離散動作模式分類識別的核心是特征提取和模式識別分類。其中，特征提取主要包括時域分析法、頻域分析法、時頻分析法等。時域分析法把sEMG信號近似看成是服從零均值高斯分布、方差與信號強弱有關(guān)的隨機信號，Reddy等人[31]利用RMS提取出sEMG的特征值，用于研究sEMG和運動位移的關(guān)系，從而實現(xiàn)了對手指和腕關(guān)節(jié)模型的控制。羅志增[32]和O Paiss等人[33]通過肌電信號的AR時序模型，以AR各階系數(shù)作為表征動作的肌電信號特征值。日本學者Katsutoshi等人曾采用各路肌電信號的積分值構(gòu)成的特征向量完成手部多動作的模式識別。[34]雖然肌電信號的時域特征易于提取，但是大量研究表明：當肌肉收縮力大小稍有變化時，表面肌電信號的時域特征變化較大，穩(wěn)定性差。頻域分析法主要依靠快速傅里葉變換（FFT）獲取其頻譜或功率譜，主要有平均功率頻率和中位頻率，以得到肌電信號在頻域維度上的穩(wěn)定描述。20世紀80年代初，Ronager J[35]利用傅里葉變換對sEMG做了功率譜分析，通過高頻/低頻幅值比了解到正常個體的自發(fā)用力、控制用力及神經(jīng)肌肉疾病患者之間的功率譜差異。在此方法的影響下，羅志增、王人成[36]等人提出了功率譜比值法，將表面肌電信號功率譜最大幅值處對應(yīng)頻率附近某一確定寬度的功率譜積分與整個功率譜積分的比值作為表面肌電信號的特征值，并以此完成人手部動作的識別，取得了較為理想的效果。但是傅里葉變換需要獲得信號在時域的全部信息，因此在分析具有非平穩(wěn)性和非線性特征的肌電信號上，受到了較大的限制。時頻分析法是將時域和頻域結(jié)合起來，能較全面地反映信號特征，蔡立羽等人將肌電信號認為是短時平穩(wěn)信號，采用短時傅里葉變換對表面肌電信號進行了分析。[37]Davies,M.R.[38]等人利用維格納變換對EMG信號進行了疲勞分析。Constable[39,40]等利用離散小波變換對表面肌電信號進行時頻分析，研究在不同重力加速度下的表面肌電信號特征。但由于構(gòu)成的特征樣本相量是多維的，使得運算復雜、耗時多，需常常采用降維算法進行預(yù)處理。[41]

針對分類模型，主要有：以聚類分析為代表的線性分類器，[42]算法簡單、運算速度快，但不能解決線性不可分問題；以解決非線性、高維度問題為代表的非線性分類器，包括神經(jīng)網(wǎng)絡(luò)、支持向量機等，[43]但由于模型復雜，特征向量樣本大等原因，除了考慮模型的優(yōu)化外，對sEMG信號進行降噪預(yù)處理，對特征向量樣本進行降維處理等方式也受到更多的重視。雖然就目前而言，離散動作分類方法已非常成熟，但仍然存在很多現(xiàn)實問題，比如：大多數(shù)需要識別的動作都是事先定義的，且實驗條件苛刻，極少考慮實際應(yīng)用以及突發(fā)情況；動作種類易區(qū)分，對于某個動作進行清晰的分解、識別，且大多數(shù)結(jié)論都建立在較短時間的實驗基礎(chǔ)上，未進行長時間測試。

2.2 關(guān)節(jié)連續(xù)運動估計

相比于利用sEMG信號分類單一動作模式，采用生物力學模型、[44]基于神經(jīng)網(wǎng)絡(luò)的回歸模型[45]構(gòu)建sEMG信號與關(guān)節(jié)連續(xù)運動量（包括關(guān)節(jié)角度、力矩、角速度等）之間的函數(shù)模型，可以進一步解決人機運動平穩(wěn)性和協(xié)調(diào)性的問題，已成為肌電研究的新熱點。生物力學模型多建立在Hill肌肉力模型基礎(chǔ)上，由于其含有許多無法測量的生理參數(shù)，且過程復雜，實用性較低。相比之下，表面肌電信號的運動量連續(xù)識別能夠彌補這一不足，對實現(xiàn)機器人運動的平滑控制更有價值。[46,47]

在下肢外骨骼機器人中，操作者的運動意圖和目標可以通過關(guān)節(jié)角度的連續(xù)變化進行描述。因此，只要利用表面肌電信號對關(guān)節(jié)連續(xù)運動角度進行解碼，便能獲得操作者期望的運動軌跡，實現(xiàn)對人體下肢運動的準確、實時識別。這方面的深入研究，不僅是實現(xiàn)下肢外骨骼機器人實用化的重要前提，而且也對加快我國自主研發(fā)下肢外骨骼機器人設(shè)備，掌握關(guān)鍵技術(shù)以及提升單兵作戰(zhàn)能力、促進康復醫(yī)療水平、改善運動功能障礙、減輕社會負擔具有重要意義。

3 結(jié)論及展望

以sEMG信號作為交互媒介識別人體運動意圖，進而控制下肢外骨骼完成預(yù)期的動作，已成為實現(xiàn)對下肢外骨骼機器人柔順、協(xié)調(diào)控制非常有效的手段，但由以上總結(jié)可見，受制于人體運動的復雜性、個體差異以及sEMG信號時變非平穩(wěn)特點，當前許多研究仍處在實驗室應(yīng)用階段，研發(fā)穩(wěn)定性更高、交互實時性更強、適用情況更全面的肌電交互系統(tǒng)仍具有較大難度，應(yīng)進一步突破、創(chuàng)新。

在未來開展基于sEMG的人機交互技術(shù)研究時，需要關(guān)注以下可能實現(xiàn)技術(shù)突破的研究點：第一，關(guān)注人體運動的生理機理研究，從理論上確立肌肉選擇和運動建模的依據(jù)，從而建立統(tǒng)一的標準指導實驗分析和設(shè)備制造，優(yōu)化肌電處理的各個環(huán)節(jié)；第二，探索不同穿戴者的sEMG及其模型的共性，建立具有普遍適用性的模型，推進肌電交互系統(tǒng)的實用化和應(yīng)用效率的提升；第三，為彌補基于sEMG交互控制的不足，在交互中引入力傳感器、MEMS慣性傳感器等，對獲取的信息進行融合分析，進一步完善基于sEMG的交互控制模型，實現(xiàn)系統(tǒng)的穩(wěn)定控制。