基于下肢肌張力感知的痙攣特征提取算法研究

汪步云，吳 臣，魏壯壯，張 振，許德章

(1.安徽工程大學 機械工程學院， 安徽 蕪湖 241000； 2.安徽工程大學 人工智能學院， 安徽 蕪湖 241000； 3.蕪湖安普機器人產(chǎn)業(yè)技術(shù)研究院有限公司， 安徽 蕪湖 241007)

1 引言

從被動輔助行走訓練到人體下肢運動功能復原這一過程，對腦卒中患者的康復療效尤為重要；外骨骼機器人輔助下肢運動障礙患者開展步態(tài)訓練已經(jīng)成為一種有效的康復臨床治療手段[1]。在此治療過程中，針對腦卒中患者，較少考慮由于訓練強度與康復狀況的不良匹配而誘發(fā)的痙攣及其帶來的二次傷害[2]。當前，在步態(tài)康復訓練中，融入痙攣在線的客觀量化評價是康復醫(yī)學上的迫切需求。由于痙攣發(fā)生存在較大的隨機性，這將給患者帶來極大的生理和心理壓力，不利于患者接受康復治療。因此，在線量化評定康復過程中伴隨出現(xiàn)的病理性痙攣是康復臨床的迫切需求，預防痙攣及防范痙攣帶來二次損傷亦是康復機器人亟需解決的關(guān)鍵問題。

病理性痙攣是腦卒中患者在步態(tài)康復時最為常見的并發(fā)癥[3]，在臨床上往往表現(xiàn)為肌張力異常增高，外在特征主要為肌肉間斷性或連續(xù)性的抽搐并伴隨不同嚴重程度的疼痛[4]。針對痙攣檢測及其特征提取，國內(nèi)外一些學者和研究機構(gòu)開展了相關(guān)研究。中國科學技術(shù)大學的朱曉斐等[5]采用表面肌電與慣性傳感器相結(jié)合的方法，開展了人體上肢的肌痙攣量化評估，在臨床應用中引入了客觀量化的評估參數(shù)，但在交互力激勵下的肌痙攣評定有待進一步開展。張敏等[6]設計了一種線陣CCD(charge coupled device)數(shù)字差分式痙攣傳感器，僅適用于微張力的測量。Niels Buchhold等[7]開發(fā)了一種應變式傳感器用于痙攣評測，但臨床應用的實驗驗證未見報道。Hu Baohua等[8]針對上肢痙攣在臨床上不易量化評定的問題，在時域內(nèi)對獲取的痙攣信號采用了數(shù)學變換的方法，提升了臨床客觀評定痙攣的應用效果。Heung HL等[9]針對腦卒中患者，設計了柔性康復驅(qū)動器，引入了客觀量化的痙攣在線評定，有效提升了安全性。上述研究取得了有意義的研究成果，但對于運動功能的恢復過程，預警病理性痙攣、評估痙攣發(fā)生的具體類型則較少涉及。

本文依據(jù)病理性痙攣在康復臨床中的評定機理，設計了痙攣傳感器，通過獲取與運動關(guān)聯(lián)度較高的下肢肌肉區(qū)域的肌張力信息，給出時域與頻域的信號特征表達；針對病理性痙攣中陣攣和痛性痙攣信號不易量化與特征閾值隨機出現(xiàn)的問題，提出BFT算法，解析特征信息及痙攣映射關(guān)系，開展實驗研究，驗證了算法對痙攣特征評定的可行性。

2 下肢病理性痙攣的感知機理

2.1 下肢運動的病理性痙攣評定

腦卒中患者的下肢相關(guān)肌群在運動過程中，由病理性痙攣帶來的肌肉收縮并非隨意，即痙攣性肌張力信號具有一定規(guī)律，肌張力信息與病理性痙攣特征是關(guān)聯(lián)的，這為病理性痙攣的特征信息感知提供了前提條件[10]。因此，檢測下肢特定肌肉區(qū)域的肌張力信息可以獲得病理性痙攣的相關(guān)特征信息。根據(jù)臨床經(jīng)驗總結(jié)，得出患者在運動功能恢復的這一過程中，病理性痙攣較大概率發(fā)生在下肢小腿肌群中的伸肌與屈肌群，即小腿的脛骨、腓腸、腓骨等區(qū)域。因此，應該重點檢測下肢小腿后側(cè)比目魚肌、大腿前側(cè)腓腸等小腿相關(guān)肌群。

下肢肌肉的病理性痙攣，主要包括強直、陣攣、痛性痙攣[11]。針對上述痙攣在臨床上的表現(xiàn)，痙攣性肌張力幅值突然增加是強直的外在表現(xiàn)；肌張力的頻率有較大變動為陣攣表現(xiàn)；而痛攣則是上述兩者特征的同時兼?zhèn)?，并且發(fā)生的隨機性增大。

痙攣產(chǎn)生的內(nèi)在機理和病理性特征具有不確定性，表現(xiàn)形式多樣，評價方法也不統(tǒng)一。對于患者的病理性痙攣癥狀，不同的醫(yī)師會得出不一致的結(jié)論。由于病理性痙攣特征閾值隨機出現(xiàn)，痙攣性肌張力信號在時域與頻域上信號特征存在交替變化的特點，陣攣和痛性痙攣信號不易量化。因而，在痙攣傳感器設計基礎(chǔ)上，匹配BFT特征提取算法，給出陣攣與痛性痙攣發(fā)生時肌張力在頻率譜上的特征信號表達，通過實驗探求特征閾值表達的有效性，優(yōu)化評定病理性痙攣方法，將匹配BFT算法的傳感器與外骨骼機器人相結(jié)合使用，在外骨骼式下肢康復機器人的步態(tài)訓練中融入客觀量化的痙攣在線評價。據(jù)此，本文總體思路與評定過程如圖1所示。

2.2 痙攣傳感器設計

依據(jù)上述檢測機理，在人體下肢佩戴痙攣傳感器時，下肢對應檢測區(qū)域的肌張力可轉(zhuǎn)換為傳感器機構(gòu)與人體肌肉接觸力作用在傳感器內(nèi)部的壓敏單元上的壓力比值。通過配置特征提取算法，進而轉(zhuǎn)化為傳感器獲取的肌張力大小及其變化的頻率。圖2表示痙攣傳感器裝配圖和實物圖，展示了機械結(jié)構(gòu)、處理電路及壓敏電阻模塊，傳感器材料組成主要為鋁，其總質(zhì)量較輕，約為248 g。主要技術(shù)參數(shù)如表1所列。

圖1 下肢肌肉痙攣的評定過程框圖Fig.1 Assessment process of lower limb muscle spasm

1～15依次為上調(diào)節(jié)螺釘、上壓緊端蓋、處理電路、下調(diào)節(jié)螺釘、固定螺釘、壓敏電阻、壓敏電阻安裝凸臺、頂柱板預警彈簧、導向軸、頂柱、滑動導套、傳感器外殼、襯套、下壓緊端蓋

圖2 痙攣傳感器Fig.2 Spasm sensor

表1 痙攣傳感器主要技術(shù)參數(shù)Table 1 Main technology parameters of spasm sensor

痙攣傳感器電路設計實物圖和壓力傳感器如圖2所示，痙攣傳感器硬件電路原理設計簡圖如圖3所示，STM32具有豐富的外設功能和數(shù)據(jù)處理能力[12]。以STM32F103RCT6處理器構(gòu)成的最小單片機系統(tǒng)為核心，擴展了包括以NRF24L01為核心的無線數(shù)據(jù)通訊模塊、CP2102為核心的串口通訊模塊，以及壓敏電路等，通過采集壓敏電阻的模擬量，解析接觸力幅值及頻率，以轉(zhuǎn)換為痙攣性肌張力信息。痙攣傳感器硬件電路的主要功能模塊及接口如表2所列，壓敏電阻采用FSR402電阻式壓力傳感器，其實物與性能測試曲線如圖4所示。

圖3 痙攣傳感器硬件電路設計原理圖Fig.3 Schematic diagram of hardware circuit design for spasm sensor

表2 痙攣傳感器硬件電路功能模塊及接口Table 2 Description of function module of hardware circuit of spasm sensor

2.3 痙攣傳感器的穩(wěn)定性判別

假定頻率ω為剪切頻率ωc(其值大于零)時，相頻特性曲線距離-180°線的相位差γ為相位裕度。表達式為

γ=180°+φ(ωc)

(1)

當ω是相位交界頻率wg時，開環(huán)幅頻特性|G(jω)H(jω)|的倒數(shù)，叫做幅值裕度Kg。表達式為

(2)

Bode圖一般用對數(shù)坐標軸表達，幅值裕度為Kg:

Kg=-20lg|G(jω)H(jω)|

(3)

若開環(huán)穩(wěn)定系統(tǒng)，當Kg和γ為正數(shù)時，閉環(huán)系統(tǒng)亦是穩(wěn)定的。用Matlab軟件繪制出痙攣傳感器開環(huán)控制系統(tǒng)Bode曲線，如圖5所示。

圖4 FSR402傳感器實物(上)及其性能曲線(下)Fig.4 FSR402 sensor and performance curve

圖5 傳感器開環(huán)控制系統(tǒng)Bode曲線Fig.5 Bode diagram of open-loop control system for the sensor

從圖中可知，Kg=53.6 dB，γ=11.8 deg(均大于零),因此傳感器閉環(huán)控制系統(tǒng)也是穩(wěn)定的。

肌張力信號的采集，其采集流程如圖6所示。傳感器采集下肢肌肉痙攣信號傳遞給上位機，信號經(jīng)放大后傳遞給主機模塊，經(jīng)處理后將數(shù)據(jù)通過無線通訊的方式傳遞給上位機模塊，綜合解析后顯示出痙攣的等級。

圖6 肌張力信號的采集流程框圖Fig.6 Collection flow chart of muscle tension signal

2.4 痙攣性肌張力信號的預處理

通過檢測得到痙攣傳感器的初始信號含有不同噪聲，例如，痙攣傳感器的壓敏單元轉(zhuǎn)換噪聲、生理因素引起的噪聲等。需要對信息濾波處理，以便為后續(xù)特征提取提供有效測試數(shù)據(jù)。移動均值濾波法是線性濾波法的一種，對于肌張力這類不平穩(wěn)且具有隨機性生理信號的平滑濾波非常適用。該方法計算過程簡便，對原始信號的信息量能夠較好保存。在分析肌張力信號特點規(guī)律和對比生理信號預處理濾波方法基礎(chǔ)上，本文應用移動均值濾波算法對原始肌張力信號展開預處理[13]，其具體表達如下：

(4)

式(4)中，M(s)是第i個信號值的平均值，T是鄰域范圍。對典型的痙攣肌張力信號，運用移動均值濾波法展開處理，其結(jié)果如圖7所示。通過對比分析得出，選取窗口值T=15，如圖7(c)所示，信號更平滑，濾波效果更好。由于痙攣對時效性有較高要求，所以肌張力信息可以使用移動均值濾波得到整體性的保存，同時也保留了痙攣性肌張力信息中的頻率跳變，可以更準確地提取出痙攣發(fā)生前后變化及特征閾值。

圖7 各窗口下的移動均值濾波曲線Fig.7 Filtering diagram of moving mean under each window

3 下肢痙攣性肌張力的時域特征表達

在康復臨床應用領(lǐng)域，肌張力等生理信號特征的時域表達，得到了更加廣泛的應用。因此，針對強直、陣攣和痛性痙攣的3種臨床分類，給出3種痙攣在時域上的表達與發(fā)生時的特征閾值。

通過檢測腦卒中患者下肢腓腸內(nèi)肌等部位的肌張力信號，實時獲取患者下肢痙攣性肌張力實驗數(shù)據(jù)，經(jīng)移動均值濾波后，提取痙攣前后階段的肌張力信號特征，綜合解析后給出痙攣評定，然后求得時域的特征表達。同時，利用統(tǒng)計學信息，如最值、均值、絕對積分平均值(integral absolute mean value，IAV)等，對比分析痙攣前后2個階段肌張力信號，提取反映痙攣性肌張力信號在時域表達的統(tǒng)計學特征[14]。

3.1 強直下的痙攣時域特征提取

強直作為病理性痙攣的一種，其外在癥狀為下肢痙攣區(qū)域肌肉強烈且連續(xù)性性的收縮，并且伴隨著痛感，同時肌張力的幅值變化快速升高，并保持較高值。強直的出現(xiàn)具有不確定性，故人為施加交互力激勵模擬強直的產(chǎn)生。從傳感器信息獲取的角度看，穩(wěn)定的矩形波為信號的具體表現(xiàn)，在跳變點處信號會出現(xiàn)突躍。據(jù)此，在強直將要出現(xiàn)時，提取肌張力信號幅值T0(N0個采樣點數(shù)據(jù)的均值，N0為0～500 ms時刻測得的信號數(shù)據(jù))；在強直產(chǎn)生過后，信號會發(fā)生突然躍升，并且信號在突然躍升后其幅值保持在一定的平穩(wěn)狀態(tài)，再次提取這一信號幅值Tt(N1個采樣點的均值，N1為500～2 400 ms時刻測得的信號數(shù)據(jù))，記二者的差值為Tq，計算式如下：

(5)

對痙攣性肌張力采集到的數(shù)據(jù)，進行處理后如圖8所示?；颊呦轮∪饨詾檎５臓顩r下，信號值在小于500 ms范圍內(nèi)基本平穩(wěn)，當信號值大于500 ms時，肌張力值會發(fā)生突然躍升，并且保持在1 600 g左右，利用式(5)，得到Tq的均值為1 360 g，若超過此臨界閾值，即判定發(fā)生強直性痙攣。進一步的，將Tq的平均值看作是強直的特征閾值，并設置為患者出現(xiàn)強直的警界值。

圖8 強直下的肌張力信號幅值曲線Fig.8 Amplitude of muscular tension signal under spasticity

測試者及其下肢各區(qū)域肌肉的不相同，會使痙攣性肌張力特征閾值的提取存在偶然性的誤差。征集了五名測試者參加了強直的時域特征提取實驗，測試者的身高和體重各不相同，在同一條件下開展實驗，總結(jié)得出下肢肌肉強直信號幅值差Tq的均值作為特征閾值，即強直發(fā)生的預警值，如表3所示。

表3 下肢肌肉強直預警值

根據(jù)實驗測出的強直特征，取痙攣出現(xiàn)時的閾值Tq為1 200 g。由式(5)求得強直時域的特征表達式為

F=KaTa，Ka>1，Ta=1 200 g

(6)

式(6)中：Ka為比例系數(shù)表征強直嚴重程度的，F(xiàn)表示肌張力的幅值。

3.2 陣攣在時域的特征提取及分析

陣攣如圖9所示,陣攣發(fā)生時，肌張力的信號值Fs(t)從小于500 g上升到500～1 500 g的變化范圍內(nèi)，采集數(shù)據(jù)的時間設為20 s，肌張力信號的均值為1 252 g，上限值為 1 738 g，下限值為352 g，具有周期性特征和明顯的規(guī)律性。

圖9 陣攣性肌張力信號曲線Fig.9 Signals of clonic muscle tension

由以上肌張力信號的特點，可以得出陣攣信號在時域的表達為

F=FZ+Asin(ωt+θ),ω≥6,FZ>500 g

(7)

式(7)中：FZ為陣攣發(fā)生時初始幅值，A為陣攣的幅值，ω為陣攣信號頻率，θ為初相(陣攣發(fā)生時)，F(xiàn)為陣攣下的肌張力信號。幅值A(chǔ)為|F|-FZ,ω與時間有關(guān)，當ω≥6時，且Fz>500 g時發(fā)生陣性痙攣。

3.3 痛性痙攣在時域的特征提取及分析

痛攣數(shù)據(jù)采集處理后如圖10所示。下肢肌肉張力表現(xiàn)為痛性痙攣時，痙攣信號值Fs(t)在500～2 000 g范圍內(nèi)波動，肌張力上限值和下限值分別為2 092 g、110 g，幅值平均值約為1 202 g。在500 g時呈現(xiàn)出躍升狀態(tài)，大約在7 000 ms開始出現(xiàn)周期性波動。在2 000～3 000 ms、4 000～5 000 ms兩個時間段內(nèi)，未出現(xiàn)異常狀況，表現(xiàn)為間歇性的痙攣狀況。由此得出，痛性痙攣表現(xiàn)出并不是很明顯的規(guī)律性，并且其周期性特征存在間斷性。

綜合來看，導致痛性痙攣的直接原因是強直和陣攣的相結(jié)合。由此可得，痛攣信號的特征表達式為

(8)

若要判定痛性痙攣的發(fā)生，需達到強直與陣攣信號在時域的臨界閾值。

圖10 痛性痙攣時肌張力信號曲線Fig.10 Signals of muscle tension during algospasm

3.4 病理性痙攣在時域特征表達

對受測者的下肢腓腸肌施加外部激勵，在同一條件下獲取病理性痙攣的特征，獲取了相關(guān)測試數(shù)據(jù)，完成了數(shù)據(jù)的相關(guān)處理，包括標準差、絕對積分平均值(IAV)、均方根和方差等，實驗測得數(shù)據(jù)如表4所示。

表4 3種不同類型痙攣時域特征的統(tǒng)計數(shù)據(jù)

由表4可得到：病理性痙攣的3類肌張力的平均值、信號采樣值大小接近，不好區(qū)分。標準差、方差的值越小，其離散度就越低，實驗數(shù)據(jù)的大小接近，則其穩(wěn)定性好。另外，與陣攣、痛攣相比較，強直的標準差、方差小得多，相差近10倍，由此看出強直下的肌張力信號數(shù)據(jù)采集的樣點具有較低的離散度。肌張力信號變化的強弱度主要是依據(jù)IAV、均方根所表示。對照痛攣、強直、陣性痙攣肌張力信號的3種統(tǒng)計量，均方根和IAV在數(shù)值上并不存在很明顯的差異，不能完全適用于病理性痙攣的信號特征的提取要求。

在時域角度，病理性痙攣特征應用統(tǒng)計方法提取分析，簡便快捷，對肌張力信號的時效性要求比較有利。僅用時域統(tǒng)計法，痙攣性肌張力信號在頻率維度及其時間隨機性的特征信息則難以提取，且存在著較大約束，不利于準確有效地判定陣攣和痛性痙攣。

4 下肢痙攣性肌張力的頻域特征表達

針對病理性痙攣中陣攣和痛性痙攣信號不易量化與特征閾值隨機出現(xiàn)的問題，在頻域引入痙攣性肌張力信號，觀測頻譜和分析功率譜，揭示痙攣性肌張力信號的特征分量，進而在頻域維度分解為一系列基本信號，剖析痙攣信號頻率、幅度和相位的組合，提取反映病理性痙攣的特征閾值。

設獲取的病理性肌張力信號為周期信號Fs(t)，將肌張力信號表示為傅里葉級數(shù)，基本形式如下：

(9)

式中，Ω1為角頻率(Hz)，a0為直流分量，an、bn分別為幅值分量。

進一步，運用歐拉公式推出指數(shù)形式傅里葉級數(shù)為：

(10)

式(10)中，F(xiàn)(nΩ1)是傅里葉級數(shù)中指數(shù)形式的系數(shù)，導出可得：

(11)

結(jié)合病理性痙攣在臨床上的表現(xiàn)，痙攣信號在展開處理后，根據(jù)其特點，確定周期信號采用陣攣信號，非周期信號采用強直和痛性痙攣，運用傅里葉數(shù)學方法分類處理上述信號，可以使信號在任意有限區(qū)間得到拓展或者是周期延拓，以獲取各基波、諧波分量的頻譜值，從而進一步獲得痙攣性肌張力的特征信息。

4.1 運用B4-FFT算法處理痙攣性肌張力信息

運用康復機器人對腦卒中患者實施下肢步態(tài)訓練是當前康復治療的重要手段。為防范由于患者下肢在訓練過程中隨機出現(xiàn)的病理性痙攣及其帶來的二次損傷，康復臨床對病理性痙攣預警的實時性提出了很高的要求。一般地，降低痙攣傳感器信號處理的運算量可有效提高傳感器的響應速度，提升痙攣感知的實時性，進一步提升痙攣預警的安全效果。

針對痛攣，運用BFT算法，提取陣攣與痛攣的特征閾值，歸納病理性痙攣的信號規(guī)律及特點，算法表述如下：

(12)

已知信號序列x(n)，x(n)表示為實數(shù)或者復數(shù)，它的DFT變換為X(k)，若X(k)為復數(shù)，令DFT的變換核(加權(quán)因子)為

WN=e-j2π/N

(13)

相對一個實際痙攣信號，采集樣本點數(shù)較多時，需要多次完成乘法運算，并且消耗大量的計算資源，嚴重影響了痙攣檢測及預警的時效性。為提高運算速度，實時快速處理痙攣性肌張力數(shù)據(jù)，且DFT運算具有周期性特點，由式(13)分析可得出：

(14)

以N為周期，可以運用蝶算方式，具體如下：

(15)

對于N=Mr的DFT運算分r級，每級有N/M個蝶算，蝶算的復乘次數(shù)為：

(16)

與直接DFT計算相比，α為蝶算的復乘效率，若α越小則表明實時性越好；若N越大，則運算效率越高。

(17)

表5 3種算法的運算結(jié)果

通過表4比較得出，在上述3種算法中，DFT直接算法運算最快，但響應速度最慢，即痙攣信號表達的實效性較差，相比B2-FFT與B4-FFT二者的運算量，后者的運算效率比前者節(jié)省了50%，由于痙攣性肌張力信號的采樣點數(shù)較多，隨機性大、時效性要求高，故應用B4-FFT算法能分析其所具有的痙攣特征。

4.2 B4-FFT算法提取病理性痙攣的頻域特征

結(jié)合上述實驗所采集到的肌張力數(shù)據(jù)，根據(jù)病理性痙攣的陣攣和痛攣特征，運用B4-FFT算法提取在頻域上的特征。

陣攣信號的頻域處理結(jié)果如圖11所示，陣性痙攣發(fā)生時，信號頻率小于20 Hz，幅值超過40 000，頻譜幅值對應的頻率主要分布在6～10 Hz間，在Hz時對應的頻譜幅值最大，相比于為16～18 Hz所對應的幅值變化更為顯著，此時可判斷陣攣發(fā)生。

圖11 B4-FFT算法處理陣攣頻譜曲線Fig.11 B4-FFT algorithm processing clonic spectrum

痛性痙攣信號的頻域處理結(jié)果如圖12所示，痛性痙攣發(fā)生時，信號頻率小于20 Hz，幅值超過20 000；頻譜幅值F(ω)對應的頻率ω主要分布在2～8 Hz、11 Hz、13 Hz、19 Hz等范圍內(nèi)，在ω為2～8 Hz之間所對應的頻譜幅值變化最大，頻譜幅值F(ω)達到了50 000上下，相比于ω為11 Hz、13 Hz、19 Hz所對應的幅值則較為明顯，頻譜幅值F(ω)均在25 000左右，痛性痙攣呈現(xiàn)強直與陣攣信號特征的交替出現(xiàn)，并且在多個頻率點上的幅值呈現(xiàn)小范圍增高的現(xiàn)象，此時判斷痛性痙攣發(fā)生。

圖12 B4-FFT算法處理后的痛攣頻譜曲線Fig.12 Spectrum of pain after B4-FFT algorithm processing

為了能夠直觀且量化地判定病理性痙攣的3類特征信息，歸一化處理所獲取的痙攣信號，歸一化式子如下：

(18)

式中:P(i)為幅值閾值λ的所占百分比，幅值Fi(ω)為整個頻率段的幅值，λ為該頻率段的幅度閾值，λ設定區(qū)間為[20 000,100 000]。經(jīng)過處理后，病理性痙攣的頻域特征閾值指標如表6所示。

表6 陣攣與痛性痙攣頻域特征閾值指標

綜上所述，病理性痙攣信號經(jīng)過B4-FFT算法處理后，特征閾值設置可總結(jié)為：當發(fā)生陣攣時，峰值頻率分布較為單一，此時可設定多個特征閾值以判定陣攣是否發(fā)生；當發(fā)生痛性痙攣時，可設定幅值閾值λ來判定。

5 實驗研究

實時獲取痙攣信息是較為困難的，結(jié)合康復臨床對病理性痙攣的特征評定，擬采用交互力激勵人體下肢特定區(qū)域的肌張力，使該區(qū)域肌張力信號的特征表現(xiàn)，用于驗證痙攣提取算法的有效性。如圖13所示：選取健康標準的成年男性(64 kg/ 170 cm)為實驗數(shù)據(jù)采集對象，再次實驗采集外骨骼穿戴者的下肢腓腸肌的肌張力信號。在此基礎(chǔ)上，獲取肌張力信息及其特征閾值，驗證痙攣信息提取算法的有效性。

實驗設計為2種工況下的獲取方式：靜立時，手動激勵下肢特定肌區(qū)以獲取肌張力信號；外骨骼機器人步態(tài)激勵下的肌張力信號。

圖13 交互力激勵下腓腸肌處肌張力信號提取圖Fig.13 Signal extraction of muscle tension at gastrocnemius under interaction force excitation

5.1 交互力激勵下的肌張力獲取及特征評定

如圖13(a)所示，受測者靜止站立時，對下肢腓腸肌內(nèi)側(cè)施加手動激勵，此時肌張力信號如圖14所示。如圖13(b)圖13(c)所示，受測者穿戴外骨骼，外骨骼對人體下肢施加交互力激勵，所獲取的肌張力信息如圖14所示。

如圖14所示，靜立姿態(tài)下，信號初始值表現(xiàn)為不平穩(wěn)狀態(tài)且肌張力幅值小于1 000 g，此刻放松下肢部分使其處于放松狀態(tài)，經(jīng)過手動激勵后上升到大于2 500 g，達到了強直發(fā)生的閾值，伴隨著非常明顯的均勻波動，其值最大達到2 600 g以上，依據(jù)信號表現(xiàn)的特點和本文提出算法的評定，由此可以判定下肢肌肉出現(xiàn)強直。

圖14 靜止站立下的手動激勵的肌張力信號曲線Fig.14 Signals of muscular tension induced by manual excitation while standing still

如圖15所示，受測者穿戴下肢外骨骼康復訓練機器人完成助力行走實驗，腓腸內(nèi)肌處于原始狀態(tài)，此時肌張力信號值維持在1 000 g以內(nèi)；隨著外骨骼機器人助力行走，人體下肢在完成行走步態(tài)的同時受到外骨骼交互力激勵，肌張力值在500～1 500 g之間，其波動狀態(tài)處于穩(wěn)定范圍，最大值在3 000 g上下?？梢钥闯觯和夤趋朗┘蛹钕碌募埩π畔⒁驯挥行崛?。至于肌張力信息是否超過痙攣特征閾值以及評定痙攣類型，則需進一步通過B4-FFT算法處理，提取交互力激勵下的肌張力信息中的痙攣信號段及特征信息，同時將病理性痙攣評定與特征閾值相結(jié)合。

圖15 施加交互力激勵下的肌張力信號變化曲線Fig.15 Variation of muscle tension signal under interaction force excitation

5.2 B4-FFT算法提取痙攣特征及實驗分析

痙攣信號在臨床上的獲取具有隨機性，很難得到真正的痙攣信號。根據(jù)臨床痙攣信號的頻率，我們通過人為手動的設置來獲取相同頻率信號。在交互力激勵下的肌張力獲取基礎(chǔ)上，肌張力信息用BFT算法處理，驗證其對痙攣特征提取的實際效果。用B4-FFT算法對以上2種實驗過程中出現(xiàn)的肌張力信息展開處理，分別得到手動激勵與人機交互力激勵下的肌張力信息頻譜圖，如圖16、圖17所示。如圖16所示：在2～20 Hz內(nèi)有多個超過幅值閾值λ的峰值幅度；在2～10 Hz變化時，肌張力幅值相對比較集中，可據(jù)此判定是否發(fā)生痛攣；信號值處在16 Hz上下浮動時，其信號幅度存在單一峰值，可判定發(fā)生陣攣。綜上所示，肌張力信息經(jīng)B4-FFT算法處理后，可以有效提取病理性痙攣發(fā)生的特征閾值并給出評定。

圖16 手動激勵下的肌張力頻譜曲線Fig.16 Spectrum of muscle tension under manual excitation

外骨骼機器人交互力激勵下的肌張力頻譜如圖17所示：信號頻率在2～7 Hz范圍內(nèi)存在2個高于幅度閾值λ的峰值幅度，出現(xiàn)了3個較為密集的極值點，此時判定為痛性痙攣；而在14 Hz時有1個大于幅度閾值λ的峰幅；且分布較為單一，此時判定為陣攣。

圖17 運用外骨骼機器人施加激勵時， 下肢肌張力頻譜曲線Fig.17 Spectrum of lower limb muscle tension when excitation is applied by exoskeleton robot

6 結(jié)論

1) 所設計的傳感器能夠有效提取肌張力信息，在此基礎(chǔ)上，將時域與頻域結(jié)合能夠有效提取病理性痙攣的3種特征，即在時域能夠判定強直，運用所提出的特征提取算法，在頻域能夠有效判定痛攣與陣性痙攣。

2) 結(jié)合康復臨床對病理性痙攣特征判定方法，通過施加交互力激勵，能夠通過肌張力的動態(tài)變化獲取病理性痙攣的特征信息。

3) 運用所提出的處理痙攣的算法，可以較好地提取其相關(guān)特征信息，同時在步態(tài)訓練過程中，下肢運動對痙攣性肌張力信息表達影響較小，該提取方法有著較好的實用性。驗證了所設計的傳感器可有效采集肌張力信息，提出的算法可提取出肌張力信息中的所包含的痙攣特征，驗證了病理性痙攣評定的有效性。

4) 所探討的痙攣提取方法，可在外骨骼式下肢康復機器人的步態(tài)訓練中融入客觀量化的痙攣在線評價，為防范病理性痙攣所帶來的二次損傷提供關(guān)鍵控制參數(shù)，有效提升了外骨骼式下肢步態(tài)康復訓練機器人的安全性。