基于柔性陣列肌電信號的空間外骨骼運動意圖辨識方法

胡源淵， 吳慶勛， 劉瑞達， 劉 昊， 張利劍

（北京機械設備研究所， 北京 100854）

1 引言

艙外航天服作為航天員出艙活動的核心裝備，為其提供生命保障支持的同時也帶來了關節(jié)阻力偏大、活動受限等問題，引起體能下降，影響作業(yè)時長。 外骨骼作為一種人體機能增強裝備，與艙外服相結合可以有效解決其帶來的不利影響，從而提高作業(yè)效率。 然而由于太空微重力環(huán)境的影響，用于人體運動意圖感知的IMU（Inertial Measurement Unit）等傳感器可能存在失效風險，且IMU 等傳感器必須在人體產生初步運動行為后才可判斷運動趨勢，這降低了外骨骼克服艙外服阻力的效果。

NASA 和佛羅里達人機認知機器人研究所研制的X1 空間主動外骨骼航天服采用關節(jié)編碼器作為意圖辨識的傳感器，存在響應滯后的問題，降低了助力體驗；劉奇林等設計了主動航天服關節(jié)助力外骨骼，采用慣性測量器件與編碼器結合的方案，雖然解決了部分響應的滯后問題，但響應能力仍不能滿足穿戴實時性需求。

本文采用柔性陣列肌電信號作為意圖感知器件，提出了柔性陣列電極以及掃頻篩選通斷檢測方法，將人體運動時與皮膚不接觸電極點進行物理隔離，并研制分布式肌電采集系統(tǒng)，精確獲取人體運動時各個肌肉群的肌電信號；然后通過比較分析確定了基于樣本熵的運動意圖辨識方法；最后，在搭建的模擬低重力試驗系統(tǒng)上進行運動意圖辨識測試。

2 系統(tǒng)結構

基于分布式柔性陣列肌電信號的外骨骼整體系統(tǒng)結構如圖1 所示，由外骨骼本體和分布式柔性陣列肌電采集系統(tǒng)組成。

圖1 基于柔性陣列肌電信號的外骨骼整體系統(tǒng)結構Fig.1 Overall exoskeleton system structure based on flexible array EMG signal

分布式柔性陣列肌電采集系統(tǒng)包括柔性陣列電極和肌電采集系統(tǒng)兩部分。 柔性陣列電極與下肢肌肉對應皮膚表面接觸，將表皮肌電信號傳遞給肌電采集系統(tǒng)，肌電采集系統(tǒng)具備通斷檢測和肌電采集功能，首先通過通斷檢測篩選出陣列電極中與皮膚未接觸點并將其隔離，然后通過肌電采集將所有與皮膚接觸點傳遞的肌電信號完整精確采集，并根據(jù)采集的肌電信號實時辨識出當前外骨骼運動意圖。

3 基于掃頻篩選的柔性陣列電極通斷檢測方法

傳統(tǒng)肌肉電信號傳感電極由單獨一整塊電極組成。 當人體在運動時，肌肉蠕動會造成皮膚表面與電極間產生不接觸點，容易引入噪聲干擾。 本文基于掃頻篩選的柔性陣列電極通斷檢測方法，實現(xiàn)對柔性陣列電極中各個電極點與皮膚之間接觸情況的實時檢測，精確辨識出與皮膚未接觸點并進行物理隔離，隔缺未接觸點因天線效應引入的環(huán)境干擾，用以提高肌電采集精度。

3.1 柔性陣列電極設計

在柔性陣列電極的設計上，為了提高與皮膚的匹配特性，并降低周圍環(huán)境對電極的注入干擾，柔性陣列電極采用柔性電路板（Flexible Printed Circuit，F(xiàn)PC）方式做內埋式一體化設計，如圖2 所示。 除了與皮膚接觸的16 個獨立陣列電極點以外，所有通路都從第2 層信號層走，在第1 層和第3 層都使用屏蔽地層覆蓋，同時信號地層的四周均留出寬2 mm 的屏蔽地層，將信號完整覆蓋屏蔽，有效消除周邊環(huán)境注入干擾

圖2 內埋式一體化設計原理圖Fig.2 Schematic diagram of embedded integrated design

綜合考慮覆蓋密度以及單點接觸面積，確定柔性電極為4×4，共16 個電極點的陣列排布，單個電極點為圓形電極，直徑為4 mm，相鄰兩電極邊沿間距為1.6 mm。 任意兩電極間不導通，實物如圖3 所示。

圖3 柔性4×4 陣列電極Fig.3 Flexible 4 × 4 array electrode

3.2 基于掃頻篩選的通斷檢測方法

基于掃頻篩選的通斷檢測方法原理圖如圖4所示。 1 個通道的肌電檢測由2 個柔性4×4 陣列電極和1 個通斷檢測電路組成，通斷檢測電路可以自由通斷每一路陣列電極點間的連接。

圖4 基于掃頻篩選的通斷檢測方法原理圖Fig. 4 On?off detection technology based on frequency sweep screening

為了避免未接觸點對采集的影響，需要在肌電采集前實時檢測出未接觸點的位置并將其有效隔離。 本文基于掃頻篩選的柔性陣列電極通斷檢測技術，從源頭對未接觸點進行實時隔離，流程如圖5 所示。

圖5 技術實現(xiàn)流程圖Fig.5 Flow chart of technical implementation

1）系統(tǒng)總測試點確定。 肌電采集模塊從陣列電極1 的電極點1 開始作為輸入點，依次測量與陣列電極1 中的其他電極點間的接觸阻抗，以最先測得輸入阻抗低于10 kΩ 的2 點中的任意1點作為系統(tǒng)總測試點；

2）無效接觸點辨識及隔離。 以系統(tǒng)總測試點為輸入，分別在其他所有電極點端計算出與系統(tǒng)總測試點間的接觸阻抗，若阻抗低于10 kΩ，則該電極點為有效接觸點，若阻抗高于10 kΩ，則該電極點為無效接觸點。 所有電極點測試完后，將無效接觸點與肌電采集模塊間的連接線路斷開，確保無效接觸點能完全隔離，從而有效屏蔽無效接觸點引入的噪聲干擾。

3）有效接觸點耦合與采集。 將陣列電極1、陣列電極2 中的有效接觸點分別通過采集模塊耦合連接于一點，并進行差分放大采集，從而得到隔離無效接觸點影響的純凈肌電信號。 同時為了保證每次肌電采集時均能隔離無效接觸點的影響，每隔一個固定的時間周期，系統(tǒng)重復一次上述步驟，從而確保了實時肌電信號采集的精確性。

為了辨識出未接觸點，需要測量各個電極點與皮膚間的接觸阻抗，傳統(tǒng)電極－皮膚接觸阻抗測試方法需要產生1 個和肌肉電頻率類似的正弦波信號，從1 個電極點注入皮膚，再測量其他點正弦波的峰峰值，并計算出等效阻抗，該種方式可以精確測量各個電極點間的接觸電阻值，從而判斷電極點與皮膚間的接觸情況，辨識并隔離出未接觸點。 但由于注入信號的存在，系統(tǒng)無法進行有效的肌電數(shù)據(jù)采集，極大地破壞了肌電數(shù)據(jù)的連續(xù)性。 針對這種情況，本文研究得到肌電電壓紋波幅值變化情況與接觸阻抗間的關聯(lián)特性，如圖6 所示，由圖中可以看出，肌電電壓紋波幅值差與接觸阻抗間呈近似線性的變化關系，基于本文應用目的是為了判斷電極與皮膚是否斷開或者接觸，因此在肌電電壓紋波幅值差與接觸阻抗的變化趨勢一致且具有一定線性相關性的基礎上，可以用電壓紋波幅值差來直接表達電極與皮膚的接觸狀態(tài)。

圖6 肌電紋波差與接觸阻抗關聯(lián)特性Fig.6 Correlation between EMG ripple difference and contact impedance

從圖6 中可以看出，當肌電紋波差大于2 mV時，接觸阻抗超過了100 kΩ，此時肌電采集精度會很不理想，因此，以2 mV 作為電極斷開的判據(jù)，在每次采集各個通道肌電數(shù)據(jù)的同時，通過計算各個通道肌電電壓紋波差來反向計算出各個電極點與皮膚的接觸阻抗，從而實現(xiàn)對各個電極點與皮膚間接觸阻抗的實時計算，在不影響肌電信號采集的同時，實時檢測出未接觸點并予以隔離。具體流程如圖7 所示。 為消除突刺對判定的干擾影響，當系統(tǒng)連續(xù)1000 次采集的肌電紋波差值都大于2 mV 時，判定該路電極與皮膚未接觸，并將其與皮膚物理隔離，其他所有通道也都按照這種方法進行，從而極大地消除了未接觸電極給肌電采集精度帶來的干擾。

圖7 控制流程圖Fig.7 Flow chart of the control

4 分布式肌電采集系統(tǒng)設計

針對肌電信號的幅值在0.05～2 mV 時，有效頻率主要在0 ～150 Hz這一特性展開設計。 其工作原理圖如圖8 所示。

圖8 肌電采集系統(tǒng)工作原理圖Fig.8 Working principle diagram of EMG acquisition system

為了保證設計電路的抗干擾性，系統(tǒng)設計時將模擬電路以及數(shù)字電路部分進行隔離，以降低系統(tǒng)數(shù)字部分對微弱模擬信號的干擾。

4.1 肌電采集系統(tǒng)模擬電路設計

肌電采集系統(tǒng)模擬電路包括低通濾波模塊、50 Hz 陷波模塊、百倍差分放大模塊以及共模抑制模塊。 信號經導線輸入到采集模塊后，首先經過50 Hz 陷波模塊和低通濾波模塊的濾波處理，將信號中的無用部分濾除，避免了后續(xù)高倍放大時造成放大電路過飽和。 濾波后的信號經過百倍差分放大后變成容易采集的大電壓信號，并通過24 位高精度模數(shù)轉換電路進行精確采集。 同時為了有效抑制人體共模信號的干擾，引出共模抑制電路來消除共模信號。

圖9 所示為50 Hz 陷波以及低通濾波模塊，為了保證信號處理中噪聲干擾盡可能的小，選用具有1.2 μV 峰峰值的低噪聲運放AD8639 和opa4376，完全滿足系統(tǒng)精度要求，可有效抑制50 Hz噪聲以及150 Hz 以上的高頻噪聲。

圖9 陷波及低通濾波電路Fig.9 Notch and low?pass filter circuit

100 倍差分放大電路選用AD8222 高精度儀表放大器，該芯片具有0.25 μV 的極低噪聲輸入，在100 倍放大倍數(shù)下有140 kHz 的帶寬，同時還具有126 dB 的高共模抑制能力，可以保證對信號的精確放大，同時選用AD8639 芯片搭建共模抑制電路，能將差分電路上的共模信號精確提取并放大反饋到人體表皮，從源頭抵消了共模信號的產生，有效抑制了干擾。 其電路圖如圖10所示。

圖10 100 倍差分放大及共模抑制電路Fig.10 100 times differential amplification and com?mon mode suppression circuit

4.2 肌電采集系統(tǒng)數(shù)字電路設計

肌電采集系統(tǒng)數(shù)字電路包括模數(shù)轉換電路以及控制模塊。 模數(shù)轉換電路負責將模擬信號轉換為數(shù)字信號，便于后期計算機分析處理。 本文選用TI 公司生產的并行采樣24 位模數(shù)轉換器ADS1298，此款器件具有8 個獨立∑－△調制解調器和數(shù)字濾波器實現(xiàn)8 路信號同步采集，支持通道休眠，而且方便獨立地控制每一個通道的工作狀態(tài)。 其電路圖如圖11 所示。

圖11 24 位高精度模數(shù)轉換電路Fig.11 24 bit high precision analog?to?digital conver?sion circuit

控制模塊采用STM 公司的STM32F405 芯片作為主控制器，其主頻高達168 MHz，自帶多種擴展協(xié)議接口，且具有10 mm×10 mm 的極小封裝尺寸，滿足系統(tǒng)高速小型化需求，其設計電路如圖12 所示。

圖12 控制模塊電路Fig.12 Circuit of control module

5 基于肌電信號的運動意圖辨識算法

5.1 基于肌電樣本熵的踝關節(jié)運動意圖辨識

踝關節(jié)發(fā)力的時機是影響助力效果的主要因素之一。 為了實現(xiàn)良好的助力效果，需要在稍微提前于人體關節(jié)發(fā)力的時刻給踝關節(jié)相應部位提供助力。 人體踝關節(jié)在整個步態(tài)周期內的功率曲線如圖13 所示，由圖可以看出，踝關節(jié)在步態(tài)周期的57%～68%時間內以較大的功率快速發(fā)力，總時間僅占步態(tài)周期的10%左右。 人體踝關節(jié)快速集中發(fā)力的特點對外骨骼踝關節(jié)發(fā)力控制提出了更高的要求。 傳統(tǒng)的人體步態(tài)檢測方法根據(jù)關節(jié)處編碼器或者足底壓力對關節(jié)運動意圖進行辨識并進行發(fā)力控制，存在發(fā)力滯后的問題，嚴重影響助力效果。 本文采用肌電信號作為關節(jié)發(fā)力控制的參考信號，由于肌電信號先于關節(jié)運動產生，可以提前預測關節(jié)發(fā)力時機。

圖13 步態(tài)周期內踝關節(jié)功率曲線Fig.13 Medial ankle power curve in gait cycle

關節(jié)發(fā)力時機的識別問題可轉化為對肌電信號的起始點識別問題。 盡管肌電信號具有提前預測功能等優(yōu)點，但是肌電信號容易受偽跡噪聲、電磁干擾等因素影響。 當肌電受到噪聲干擾時，容易造成起始點的虛警。 樣本熵（Sample Entropy，SampEn）通過衡量時間序列復雜性來度量信號中產生新模式的概率大小，克服了數(shù)據(jù)偏差，具有更強的抗噪能力和優(yōu)異的一致性，同時采用較少的數(shù)據(jù)段即可得到穩(wěn)定的熵值。

踝關節(jié)周圍的肌肉包括腓腸肌、比目魚肌和脛骨前肌。 比目魚肌為深層肌肉，不能采集其表面肌電信號，脛骨前肌在小腿前側，肌電采集模塊若安裝在脛骨前肌部位，會與空間外骨骼發(fā)生干涉，因此選擇腓腸肌作為采集信號的發(fā)力肌肉。

5.1.1 樣本熵計算

設每幀信號為｛（）｝，其中＝1，2，…，，為數(shù)據(jù)長度總和。 將每幀信號序列中連續(xù)個值構成一個維矢量如式（1）所示：

定義（） 與（） 的距離［（），（）］ 為兩者對應元素中差值最大值，如式（2）所示：

給定相似容差，對于每一個≤，統(tǒng)計［（），（）］的個數(shù)（也稱模版匹配數(shù)），并對距離總數(shù)－＋1 求均值，得到所有－條件下的模版匹配數(shù)，對矢量個數(shù)總和－求平均，如式（3）所示：

將矢量維度改為＋1，得到（），如式（4）所示：

那么，對于每幀數(shù)據(jù)長度為的肌電信號，其對應的樣本熵值計算函數(shù)如式（5）所示：

由此可以看出函數(shù)（）取決于，和，一般?。?.1～0.25）×（），其中（）為信號的標準差。當為每幀數(shù)據(jù)時，相似容差是局部的；當為某一段完整的數(shù)據(jù)時，相似容差是全局的。 本文中取全局相似容差。

5.1.2 基于樣本熵的踝關節(jié)運動意圖辨識方法

基于樣本熵的肌電信號實時起始點檢測算法流程如圖14 所示。 其中代表樣本熵，表示設定的樣本熵閾值。

圖14 基于樣本熵的肌電信號實時起始點檢測算法流程Fig.14 Algorithm flow of EMG real?time starting point detection based on sample entropy

基于樣本熵的關節(jié)發(fā)力控制流程如圖15 所示。 其中表示設定的時間間隔。 樣本熵優(yōu)異的抗噪性能加上雙層確認條件，可以大幅降低關節(jié)發(fā)力誤判的概率。

圖15 基于樣本熵的關節(jié)發(fā)力控制流程圖Fig.15 Flow chart of joint force control based on sample entropy

采集人體小腿腓腸肌肌電信號，曲線如圖16中的藍線所示。 首先進行零均值處理，然后調用樣本熵計算子函數(shù)，得到的樣本熵曲線如圖17 所示，可以看出，所得到的樣本熵曲線呈單峰狀，因此可以通過設定合適的閾值，判斷小腿開始運動的起始點。 圖16 中的紅線為設定閾值后的起始點辨識結果，可以看出，樣本熵算法可以準確有效地實現(xiàn)對肌電起始點的判斷。

圖16 肌電原始信號與起始點辨識結果Fig.16 Identification results of EMG original signal and starting point

圖17 樣本熵曲線Fig.17 Entropy curve of sample

5.2 基于能量算子的腳踝動作意圖辨識

利用能量算子（Teager?Kaiser Energy，TKE）特征提取對肌電信號進行能量算子非線性變換運算，并將計算后的值作為踝關節(jié)運動辨識特征，其中能量算子變換公式為［（）］＝（）（＋1）（1） ，其中（） 為肌電信號。 對于具有零均值、震蕩特性肌電信號cos（＋） 而言，能量算子變換后的值為sin（） ，同時涉及到幅值和頻率信息。 與靜息狀態(tài)下肌電信號相比，動作狀態(tài)下的肌電信號不僅幅值變大，而且頻率增高，具有較高的可區(qū)分性和可靠性，可解決在低信噪比肌電條件下的踝關節(jié)動作的實時辨識，并且具有算法簡單、準確度和魯棒性高、響應速度快等特點。 如圖18 所示，上圖為采集到的原始肌電信號，下圖為經過能量算子處理之后的特征信號，靜息狀態(tài)下肌電基線噪聲被明顯抑制，而動作狀態(tài)下的肌電信號得到顯著增強，大大提高了對動作／非動作意圖的辨識性。

圖18 腓腸肌原始肌電與TKE 能量算子處理Fig.18 Primitive electromyography of gastrocnemius and treatment of TKE energy operator

在人體運動過程中，會有不確定的毛刺噪聲信號引入到肌電中，嚴重影響了基于肌電的運動辨識。 針對此問題，通過基于時間－動作校正的雙閾值判斷方法，降低因毛刺噪聲而引起的誤判概率，如圖19 所示。 基于時間－動作校正的雙閾值方法是通過判斷TKE 能量算子值連續(xù)超過閾值一定時長后，才更新識別狀態(tài)標記，否則維持其當前狀態(tài)不變。 通過該方法，實現(xiàn)對腳踝動作的辨識，顯著提升了辨識的準確性，如圖20 所示。但時間－動作校正的雙閾值方法方法降低了動作辨識的時效性，因此需根據(jù)具體時效應用需求，對時間長度閾值進行合理設置。

圖19 基于時間－動作校正的雙閾值判斷方法Fig.19 Double threshold judgment method based on time?action correction

圖20 踝關節(jié)動作意圖（趾屈／背屈）辨識結果Fig.20 Identification results of ankle movement in?tention （toe flexion ／ back flexion）

從基于肌電樣本熵的踝關節(jié)運動意圖辨識和基于能量算子的腳踝動作意圖辨識2 種方法的算法和辨識效果可以看出，2 種算法都具有較好的辨識效果。 樣本熵的優(yōu)勢在于一次計算就可以實現(xiàn)起始點的準確識別，而能量算子需要雙閾值進行判斷；樣本熵的缺點是運算量比能量算子要大，但是由于現(xiàn)在處理器的主頻和計算能力比較高，綜合考慮，本文采用基于樣本熵的方法進行識別。

6 運動意圖辨識試驗

6.1 預試驗

在常規(guī)的跑臺上開展運動辨識預試驗，構建基于肌電信號的辨識模型。 選取8 名身體健壯、狀態(tài)良好的被試者，在小腿腓腸肌綁縛柔性陣列肌電采集模塊用于采集肌電信號。 利用室內光學動作捕捉系統(tǒng)采集踝部動作，在足部粘貼反光球用于標記足跟觸地時刻，如圖21 所示。 被試者以5 km／h 速度在跑臺上行走60 min，同時以500 Hz的采樣頻率采集肌電和動作捕捉數(shù)據(jù)。 計算肌電信號的樣本熵，用動作捕捉數(shù)據(jù)進行標記。

圖21 運動意圖辨識試驗Fig.21 Test of motion intention identification

當腳跟觸地瞬間，柔性外骨骼開始助力踝關節(jié)運動，此時刻為發(fā)力起始時刻。 采用肌電信號樣本熵閾值辨識的方法計算發(fā)力起始時刻。 利用試驗結果，優(yōu)化算法的閾值，計算模型的ROC 曲線下方面積（Area Under Curve，AUC）。

根據(jù)柔性外骨骼的控制系統(tǒng)要求，助力時機起始時間誤差應在±0.1 s 以內。 樣本集包括小腿腓腸肌肌電信號和與之對應的動作捕捉數(shù)據(jù)，依據(jù)動作對樣本集進行分解，1 個步態(tài)周期為1個動作。 如圖22 所示，利用肌電樣本熵閾值判斷發(fā)力起始時機，以動作捕捉系統(tǒng)記錄的足跟觸地時機作為標記，當判斷的發(fā)力時機與觸地時刻的時間誤差在±0.1 s 內，則認為該動作辨識正確，對樣本集所有動作辨識結果進行統(tǒng)計，可以計算出該算法的準確性。

圖22 發(fā)力起始時間辨識Fig.22 Identification of starting time of force

閾值的選取直接影響樣本熵方法辨識效果的準確性，閾值設定過低，則結果的假陽性率增加；閾值設置過高，則結果的真陽性率降低。 因此，有必要基于樣本集找到最佳的閾值，平衡算法的敏感性和精確性，提高發(fā)力時機判斷的準確性。

本文采用受試者的工作特征曲線（Receiver Operating Characteristic Curve，ROC）找到檢測樣本熵的最佳閾值點。 ROC 曲線是根據(jù)一系列不同的二分類方式（分界值或決定閾），以真陽性率（True Positive Rate，TPR）為縱坐標，假陽性率（False Positive Rate，F(xiàn)PR）為橫坐標繪制的曲線，可以反映模型在選取不同閾值的時候其敏感性和其精確性的趨勢走向。 根據(jù)8 名受試者發(fā)力起始時刻的肌電信號樣本熵范圍，選取尋優(yōu)區(qū)間，樣本熵最大值為1.42，最小值為0.86，因此，選取閾值的尋優(yōu)區(qū)間為0.86 ～1.42，梯度為0.02。 計算不同閾值狀態(tài)下識別結果的真陽性率和假陽性率，繪制ROC 曲線，如圖23 所示，圖中藍色線為ROC 曲線標準形式。

圖23 動作意圖辨識ROC 曲線Fig.23 ROC curve of action intention identification

從圖23 中可以看出，依據(jù)ROC 曲線原理，左上角A 點位置為閾值選取的最佳位置，此狀態(tài)下FPR 為0.09，TPR 為0.94，此時閾值為1.12，因此設定1.12 為最終的動作辨識閾值，此時AUC為95%。

不同的肌電采集系統(tǒng)采樣頻率、信噪比不同，不同人體的肌肉特性不一樣，導致肌電信號復雜度不同，因此其樣本熵也存在差異。 為了提高模型的泛化能力，實現(xiàn)在不同傳感系統(tǒng)、不同被試間完成運動意圖辨識，本文提出提出樣本熵閾值縮放算法，如式（6）所示：

式中，為原模型肌電信號樣本熵峰值的平均值，為改變采集系統(tǒng)或被試者后肌電信號樣本熵峰值的平均值，為原模型肌電信號模型的閾值，為新狀態(tài)下的肌電信號模型的閾值。

6.2 低重力模式試驗

為了驗證本文方法在低重力環(huán)境下的有效性，開展低重力模式試驗。 搭建模擬低重力試驗系統(tǒng)，用彈性吊繩將人半吊在空中，模擬1／6 重力環(huán)境。 被試者穿著空間助力外骨骼，以3.5 km／h速度行走，按照預實驗的方法分別記錄肌電信號和足跟觸地過程運動學數(shù)據(jù)，如圖24 所示。

圖24 模擬低空微重力環(huán)境運動意圖辨識試驗Fig.24 Test of motion intention identification in sim?ulated low altitude micro?gravity environ?ment

以光學捕捉系統(tǒng)采集的觸地數(shù)據(jù)為真值，采用閾值縮放的樣本熵方法對采集結果進行辨識。設足跟觸地時為1 狀態(tài)，擺動時為0 狀態(tài)，結果如圖25 所示，縱坐標為足跟狀態(tài)，藍色線為真值，黃色線為預測值，準確率為94.2%，證明了采用肌電信號樣本熵可以實現(xiàn)低重力環(huán)境下下肢行走動作的精準辨識，為后續(xù)助力控制提供了精確的發(fā)力標志。

圖25 真值與預測值辨識結果對比Fig.25 Comparison of identification results between true value and predicted value

7 結論

本文提出了基于柔性陣列電極的分布式肌電步態(tài)辨識方法，并研制了分布式肌電采集系統(tǒng)，通過常規(guī)運動測試及模擬低重力試驗驗證辨識準確率及動態(tài)響應速率。 試驗結果表明，辨識準確率大于90%，動態(tài)響應速率在±0.1 s之內，可以滿足航天員實際穿戴需要，為后續(xù)助力控制提供了精確的發(fā)力標志。

后續(xù)有待進一步研究的問題包括：

1）肌電采集系統(tǒng)的穿戴便捷性，研究如何保證穿戴肌電系統(tǒng)與空間外骨骼在結構與電氣上良好匹配不干涉；

2）肌電電極目前通過綁縛的形式保證與皮膚的緊密貼合，但這樣長時間工作會給穿戴者帶來不舒適的體驗，如何提高穿戴舒適性與長久性也是后續(xù)研究的重點方向。