基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的下肢關(guān)節(jié)角度估計

劉克平，滕召緯，孫中波，李婉婷

(長春工業(yè)大學(xué)電氣與電子工程學(xué)院，吉林長春 130012)

1 引言

中國殘疾人聯(lián)合會2020年發(fā)布統(tǒng)計數(shù)據(jù)表明，國內(nèi)已有4312個殘疾人肢體康復(fù)機構(gòu)，其中專業(yè)技術(shù)人員19.0萬人，而我國腦卒中40歲以上患者人數(shù)已達1200萬，通過該數(shù)據(jù)可以得出已有專業(yè)醫(yī)師人數(shù)遠不足應(yīng)對現(xiàn)有患者日益增多的情況，進而導(dǎo)致大部分患者失去及時治療的機會。為解決這一問題，康復(fù)機器人和人機交互技術(shù)相繼問世并受到了學(xué)者們廣泛關(guān)注，但其難點在于如何利用患者的真實運動意圖實現(xiàn)康復(fù)機器人的人機交互控制。針對上述問題，一種基于肌電信號估計關(guān)節(jié)角度的識別技術(shù)隨之被提出。肌電信號(electromyography，EMG)是肌肉收縮過程產(chǎn)生的電信號，因其蘊含人體運動的特征信息，通過進一步的解讀即可識別人體運動意圖，從而可以開展針對性的意圖康復(fù)訓(xùn)練?，F(xiàn)如今意圖識別的主流趨勢為基于人體表面肌電信號(sEMG)的意圖識別，所識別結(jié)果的準(zhǔn)確性直接影響患肢實際的康復(fù)訓(xùn)練。

基于此，近年來國內(nèi)外學(xué)者提出多種方法實現(xiàn)sEMG的估計，如神經(jīng)肌肉骨骼模型、線性模型、支持向量機(SVM)方法和人工神經(jīng)網(wǎng)絡(luò)(ANN)。上述方法都是針對具體應(yīng)用場景進行設(shè)計，實驗結(jié)果表明能滿足設(shè)計時所提要求。K.K.K. Terry等人提出的神經(jīng)肌肉骨骼模型依賴大量生理參數(shù)，如肌肉質(zhì)量、肌肉纖維長度、肌腱長度等，針對上述參數(shù)進行算法優(yōu)化，模型預(yù)測結(jié)果具有較高的準(zhǔn)確性。Y.Masahiro等人基于支持向量機和肌電信號與關(guān)節(jié)角之間的線性關(guān)系提出了一種連續(xù)的手部姿態(tài)估計方法，實驗表明該方法對于運動分類具有較高的準(zhǔn)確率，并且可以較好地估計出實驗對象的關(guān)節(jié)角。N.A.Shrirao等人通過采用局部逼近和延遲學(xué)習(xí)方法對手指關(guān)節(jié)角度進行估計，實驗表明該方法對假肢手的控制性能良好。李鋒等人提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)控制方法，即使在未知的外界干擾下，實現(xiàn)了下肢康復(fù)機器人的步態(tài)跟蹤。

基于此，為了進一步提高下肢髖、膝、踝三關(guān)節(jié)角度的預(yù)測精度，本文提出一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的下肢關(guān)節(jié)角度預(yù)測模型。首先進行信號采集與處理，采集人體下肢三關(guān)節(jié)的表面肌電信號，測量實際運動時的角度信息；利用濾波技術(shù)進一步處理采樣數(shù)據(jù)得到模型輸入樣本。其次結(jié)合混合策略和反向誤差傳播算法進行模型參數(shù)的自適應(yīng)調(diào)整，實現(xiàn)對下肢三關(guān)節(jié)角度的預(yù)測。最后通過Matlab進行仿真，實驗驗證本文所提出的AFNN模型相比BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型在意圖識別過程中具有更好的預(yù)測精度。

2 數(shù)據(jù)處理和方法提出

2.1 表面肌電信號信號采集

表面肌電信號能在一定程度上反映肌肉運動時的活動狀態(tài)，通過對其進行相應(yīng)的時、頻域分析可以得到時、頻域特征與相應(yīng)肌肉特征以及運動的相關(guān)性，得出人體運動時的肌肉功能狀態(tài)。通過實驗獲取了人體下肢運動時股直肌(VR)、股外側(cè)肌(VL)、長伸肌(EP)相應(yīng)的表面肌電信號，同時對髖、膝、踝三個關(guān)節(jié)角度進行測量并記錄。為了提高所測量數(shù)據(jù)的準(zhǔn)確性，使用美國BIOPAC公司開發(fā)的MP160肌電信號采集裝置獲取人體下肢運動時各肌肉對應(yīng)的肌電信息，并結(jié)合中國匯通公司生產(chǎn)的WT901C485角度傳感器采集下肢三關(guān)節(jié)角度數(shù)據(jù)。進行數(shù)據(jù)采集時需要一名四肢健全的行走者進行相應(yīng)的腿部屈伸運動，將此時所測量數(shù)據(jù)作為模型的預(yù)輸入數(shù)據(jù)，如圖1所示。

圖1 表面肌電信號的測量

信號采集過程中易受到外界環(huán)境的干擾，為了盡可能避免外部干擾，需要對被測量人員的皮膚表面進行相應(yīng)的去毛發(fā)處理，涂抹適當(dāng)?shù)碾姌O凝膠，降低電極和皮膚之間的阻抗。sEMG采集過程中使用的氯化銀電極貼間距也會對所收集的數(shù)據(jù)產(chǎn)生干擾，所以在本實驗中選取兩個相鄰電極貼之間距離為2厘米，測試結(jié)果分別如下圖2和圖3所示。

圖2 原始表面肌電信號

圖3 實際三關(guān)節(jié)角度

2.2 sEMG信號處理

sEMG是在肌肉收縮時產(chǎn)生的一種微弱的電信號，其本身具有較高的隨機性和不穩(wěn)定性，易受到外界環(huán)境的影響。比如，測試人員的皮膚、毛發(fā)、汗液等；還易被電力系統(tǒng)引起的工頻干擾所影響。除此之外電極貼片的位置過近也會對相鄰電極片所采集信號產(chǎn)生疊加干擾，基于此如何進行噪聲濾除成為信號采集之后的首要任務(wù)。

表面肌電信號能量高于電子噪聲水平，頻率范圍介于0-500Hz，主要分布在50-150 Hz之間，肌電信號的最低頻率為20Hz，本文通過使用低截止頻率為20Hz、高截止頻率為500Hz的帶通濾波器濾除信號采集時的部分噪聲因素。此外我國工頻干擾頻率為50Hz，處于可用信號能量集中范圍內(nèi)，因此采用50Hz的陷波濾波器消除工頻干擾。

經(jīng)過上述濾波環(huán)節(jié)即可得到相應(yīng)噪聲濾除后的表面肌電信號，盡管如此，由于該信號的振幅隨機且波動較大，依舊不能作為模型輸入端的可靠數(shù)據(jù)，因此需要進行進一步的濾波處理。針對該問題，本文通過如下的全波整流技術(shù)可獲取更穩(wěn)定的信號數(shù)據(jù)。

sEMG()=|sEMG()|

(1)

其中sEMG()作為原始的表面肌電信號，sEMG()作為經(jīng)過全波整流之后的表面肌電信號。

通過對比實際關(guān)節(jié)角度信號的采樣率可知實驗環(huán)節(jié)采集的表面肌電信號采樣率過大，因此本文對所得表面肌電信號進行次級采樣。

(2)

其中為表面肌電信號的采樣次數(shù)，()為次級采樣后的表面肌電信號。經(jīng)過上述次級采樣之后，通過觀察所得線性包絡(luò)線可知表面肌電信號仍然具有較為嚴(yán)重的震蕩狀態(tài)，為解決這一問題，本文采用截止頻率為5的一階低通巴特沃斯濾波器開展進一步的信號處理，進而獲得較為平滑的表面肌電信號。

(3)

其中為濾波器階數(shù)，為截止頻率。基于上述信號處理的全過程，最終獲得的處理后的表面肌電信號如圖4所示。

圖4 預(yù)處理后的表面肌電信號

2.3 構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型

231 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合模糊推理機制和神經(jīng)網(wǎng)絡(luò)預(yù)測思想，通過神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點實現(xiàn)系統(tǒng)的輸入、輸出信號的模糊，其隱含節(jié)點表示隸屬度函數(shù)和模糊規(guī)則，利用神經(jīng)網(wǎng)絡(luò)的并行處理能力大幅度提高了傳統(tǒng)模糊系統(tǒng)的推理性能。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示，分別為輸入層、隸屬度函數(shù)層、模糊規(guī)則層和輸出層，每一層都有若干個神經(jīng)元節(jié)點，相鄰節(jié)點之間通過具有一定的權(quán)重比進行連接。

由于本文基于人體下肢表面肌電信號開展患者運動意圖識別研究，因此該自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入端為信號處理環(huán)節(jié)得到的表面肌電信號。整個模型的輸入數(shù)據(jù)如下所示

=[，…，…，]=10000

(4)

其中為100內(nèi)所測量的、、肌肉的表面肌電信號。本文將角度傳感器測量的髖、膝、踝三個關(guān)節(jié)角度數(shù)據(jù)作為模型的期望輸出，用于對比自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的預(yù)測結(jié)果，進一步驗證該預(yù)測模型的可靠性，所測量實際三個關(guān)節(jié)角度值如下

=[，…，，…]=10000

(5)

其中為100所測量的實際三關(guān)節(jié)角度值，采樣頻率為100。

圖5 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖5中輸出層節(jié)點對應(yīng)模型的預(yù)測結(jié)果，隸屬度函數(shù)層節(jié)點(=1，2，…，，>0)表示輸入變量的第個隸屬度函數(shù)，模糊規(guī)則層節(jié)點，，…，對應(yīng)不同隸屬度函數(shù)的組合，將這些組合表示為條模糊規(guī)則。大多數(shù)模糊神經(jīng)網(wǎng)絡(luò)模型表示如下

(6)

(7)

(8)

因此，結(jié)合式(6)、(7)、(8)，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型具體可以表示為如下形式

(9)

其中1≤≤為隸屬度函數(shù)的維度，為輸入變量維度，為神經(jīng)網(wǎng)絡(luò)模糊規(guī)則層節(jié)點個數(shù)。

輸入層信號表示經(jīng)過信號處理之后的sEMG，因為選取高斯函數(shù)作為隸屬度函數(shù)結(jié)合中的隸屬度函數(shù)中心，中的參數(shù)和參數(shù)確定隸屬度函數(shù)的狀態(tài)，稱為前提參數(shù)。前提參數(shù)過大將促使變小，進而造成隸屬度函數(shù)增大，最終導(dǎo)致預(yù)測結(jié)果大于實際測量值；反正，當(dāng)前提參數(shù)過小時，模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測值將小于真實數(shù)據(jù)。因此，本文引入多次優(yōu)化前提參數(shù)、的思想，得到最佳參數(shù)和最優(yōu)預(yù)測精度下的系統(tǒng)模型。

模糊神經(jīng)網(wǎng)絡(luò)通常把模型中的隸屬度函數(shù)組合為模糊規(guī)則，T-S(Takagi-Sugeno)模糊系統(tǒng)是模糊推理和模糊規(guī)則構(gòu)成的一種具有較強自適應(yīng)能力的非線性模糊系統(tǒng)模型。其模糊規(guī)則表達式如下

：=1，=2，…，=，

=0+1+…

(10)

其中，為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模糊集合；是該模糊系統(tǒng)的參數(shù)；表示通過模糊規(guī)則獲得的輸出結(jié)果。

232 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其模型參數(shù)化表達式確定后，即可通過對其結(jié)構(gòu)中的各類參數(shù)開展學(xué)習(xí)進而得到最優(yōu)的預(yù)測效果。為了提高學(xué)習(xí)算法的實時性和可靠性，模糊神經(jīng)網(wǎng)絡(luò)采用混合策略，一方面通過反向傳播算法優(yōu)化前提參數(shù)，另一方面基于優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整規(guī)則參數(shù)。具體執(zhí)行過程如下：初始化前提參數(shù)，基于網(wǎng)絡(luò)結(jié)構(gòu)將輸入信號傳輸至模糊化層，通過模糊規(guī)則獲得預(yù)測結(jié)果，將該數(shù)據(jù)與真實值間的誤差反向?qū)崟r傳遞至輸入端，實現(xiàn)前提參數(shù)的優(yōu)化；利用優(yōu)化后的參數(shù)更新模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，得到與輸出結(jié)果較匹配的隸屬度函數(shù)和模糊規(guī)則，然后利用更新后的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型進一步優(yōu)化規(guī)則參數(shù)，最終實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)全部參數(shù)的自適應(yīng)更新與優(yōu)化。

通過式6所示流程圖可知由系統(tǒng)模型確定隸屬度函數(shù)，進而可以得出初始化后的訓(xùn)練規(guī)則，經(jīng)過部分?jǐn)?shù)據(jù)訓(xùn)練后可基于誤差反向傳播理論對初始規(guī)則中的前提參數(shù)進行優(yōu)化，從而得到第一次優(yōu)化后的規(guī)則；進而再開展訓(xùn)練數(shù)據(jù)的測試，此時與真實數(shù)據(jù)仍存在誤差時，將誤差再次反饋到更新后的規(guī)則模塊，進一步優(yōu)化前提參數(shù)從而得到更加匹配的規(guī)則。與傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)相比，本文提出的AFNN優(yōu)化算法不僅在訓(xùn)練過程中利用反向誤差傳播算法實現(xiàn)了前提參數(shù)的一次優(yōu)化，還基于一次優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行了規(guī)則的再次優(yōu)化，最終獲得高精度且自適應(yīng)的AFNN優(yōu)化模型。

圖6 AFNN的流程圖

基于混合策略和學(xué)習(xí)算法的參數(shù)優(yōu)化方案可以得到預(yù)測效果最優(yōu)時的網(wǎng)絡(luò)結(jié)構(gòu)的規(guī)則參數(shù)，不僅優(yōu)化了傳統(tǒng)算法收斂至全局最優(yōu)解的計算速度，提高了算法預(yù)測精度，進一步提升了算法運行整個過程的魯棒性。

3 下肢關(guān)節(jié)運動意圖估計結(jié)果與分析

為了驗證本文所提算法對于下肢三個關(guān)節(jié)角度具有較好的預(yù)測性能，采用MATLAB2016a仿真軟件，基于人體下肢表面肌電信號和髖、膝、踝三關(guān)節(jié)角度測量數(shù)據(jù)進行自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型(AFNN)算法的仿真，并通過對比BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型給出了在預(yù)測效果上的對比與分析。

圖7 基于AFNN、RBF、BP的髖關(guān)節(jié)角度與實際值對比

由圖7實驗結(jié)果可知：本文提出的AFNN優(yōu)化算法獲得的髖關(guān)節(jié)角度預(yù)測曲線與真實測量數(shù)據(jù)偏差較小，盡管在一定的時間段內(nèi)存在峰值達不到的情況，但相比BP和RBF預(yù)測模型來說對于實際值跟蹤效果良好，說明本文所提出的自適應(yīng)參數(shù)優(yōu)化方法可以通過規(guī)則參數(shù)的更新優(yōu)化有效提高預(yù)測精度，特別是20-100s之間的曲線穩(wěn)定性最優(yōu)；而BP預(yù)測模型預(yù)測結(jié)果在20-100s之間波動較大并且跟蹤效果較差，存在較大誤差；RBF預(yù)測模型預(yù)測結(jié)果同BP預(yù)測模型一樣跟蹤效果較差，整個預(yù)測過程中曲線抖動現(xiàn)象明顯并且在20-90s內(nèi)會出現(xiàn)峰值過高的現(xiàn)象，整體表現(xiàn)不佳。通過對比可以看出本文所提優(yōu)化算法能夠有效提高預(yù)測精度，主要是因為引進了參數(shù)自適應(yīng)優(yōu)化機制，避免了參數(shù)的固定化，保證了跟蹤效果以及準(zhǔn)確性。

圖8 基于AFNN、RBF、BP的膝關(guān)節(jié)角度與實際值對比

根據(jù)圖8可以看出本文所提AFNN預(yù)測模型在100秒內(nèi)跟蹤膝關(guān)節(jié)過程中無明顯波動，穩(wěn)定性良好；而BP和RBF預(yù)測模型的估計曲線在0-10s及60s-100s之間存在一定的誤差值，特別是在35s-45s之間RBF預(yù)測模型完全高于實際值而BP預(yù)測模型則低于實際值，存在較大峰值波動；盡管AFNN預(yù)測模型存在一定范圍內(nèi)的波動但是能夠在段時間內(nèi)迅速跟蹤上實際值。

圖9 基于AFNN、RBF、BP的踝關(guān)節(jié)角度與實際值對比

通過對圖9對比可以發(fā)現(xiàn)本文所提AFNN預(yù)測模型在100s內(nèi)所得踝關(guān)節(jié)角度預(yù)測曲線與真實測量曲線重合效果最佳，與之相比盡管BP和RBF預(yù)測模型能夠跟蹤上實際關(guān)節(jié)角度，但是相比曲線波動性較大且跟蹤效果不理想；特別是在50s-55s之間可以看出只有AFNN預(yù)測模型能夠最大限度的跟蹤上實際值而BP、RBF存在著過早衰減或超出實際值的現(xiàn)象。

綜上所述可以得出本文所提AFNN預(yù)測模型在髖、膝、踝任一關(guān)節(jié)預(yù)測效果都優(yōu)于BP和RBF預(yù)測模型，特別是在踝關(guān)節(jié)預(yù)測中，效果最優(yōu)，驗證了本文所提算法的有效性。其原因主要在于所提AFNN在標(biāo)準(zhǔn)模糊神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入基于混合策略和反向傳播算法的參數(shù)優(yōu)化機制，提高算法收斂速度的同時，進一步改善了傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測精度不高的問題，也保證了系統(tǒng)運行時的穩(wěn)定，同時驗證了本文所提出的自適應(yīng)算法能夠使神經(jīng)網(wǎng)絡(luò)的預(yù)測精度進一步提高。

為了進一步驗證本文預(yù)測模型的有效性，選取均方根誤差為預(yù)測精度的指標(biāo)。參數(shù)均方根誤差公式見下式

(11)

人體腿部髖、膝、踝三個關(guān)節(jié)角度下三種算法的均方根誤差及預(yù)測精度提高率見表1。

表1 兩種算法的均方根誤差及提高率對比

由以上數(shù)據(jù)可知，相比傳統(tǒng)BP和RBF，AFNN的預(yù)測精度提高了53.37%～92.93%，BP在踝關(guān)節(jié)位置預(yù)測的誤差為9.8336，RBF在踝關(guān)節(jié)位置預(yù)測誤差為14.7294，而本文提出的AFNN模型則獲得1.0420的均方根預(yù)測誤差，說明本文所提模型明顯改善了人體下肢關(guān)節(jié)角度預(yù)測精度不高的問題。傳統(tǒng)BP算法仿真時間平均為24.0021s，RBF算法仿真時間平均為77.9s，本文所提算法用時為15.2021s，相比BP，本文算法的收斂速度提高了36.66%；相比RBF，本文算法收斂速度提高了80.49%。其原因在于AFNN通過自適應(yīng)調(diào)整參數(shù)即時更新神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型，提高了算法收斂至最優(yōu)值的速度，從而一定程度上降低了系統(tǒng)運行的時間成本。綜上所述，本文提出的AFNN模型在大幅度提高預(yù)測精度的同時也減少了算法的運算代價。

4 結(jié)論

本文針對下肢康復(fù)機器人意圖識別精度不足問題，利用結(jié)構(gòu)參數(shù)自適應(yīng)調(diào)整機制改進傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)模型，通過基于反向傳播和誤差調(diào)整的混合算法提高算法的預(yù)測性能。為了驗證所提算法有效性，進行與BP和RBF模型的對比實驗，結(jié)果發(fā)現(xiàn)本文所提AFNN優(yōu)化算法預(yù)測精度提高了53.37%～92.93%，其收斂速度相比BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型提高了36.66%和80.49%，證明本文所提自適應(yīng)參數(shù)優(yōu)化模型結(jié)合神經(jīng)網(wǎng)絡(luò)對人體下肢髖、膝、踝三個關(guān)節(jié)角度的預(yù)測性能遠高于傳統(tǒng)BP和RBF模型，尤其是在踝關(guān)節(jié)角度預(yù)測環(huán)節(jié)本文算法優(yōu)越性最為明顯。

綜上所述本文所提改進模型能夠有效提高下肢康復(fù)機器人意圖識別預(yù)測精度，可為人體下肢關(guān)節(jié)角度預(yù)測提供了一種精準(zhǔn)識別方案，下一步將會結(jié)合實際下肢康復(fù)機器人系統(tǒng)進行人機運動交互控制方法研究。