英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
利用BP神经网络基于表面肌电信号的人体腿部的关节角度连续估计
摘要
在本文中，我们提出了一个m阶非线性模型来描述表面肌电（SEMG）信号和人腿关节的角度之间的关系，以一个简单的BP神经网络建立的模型估计。该模型的输入是已被处理的表面肌电（SEMG）信号时间序列，模型的输出是髋关节，膝关节和踝关节的角度。为了验证了BP神经网络的有效性，六个身强力壮的人和四脊髓损伤（SCI）患者参与实验。两种运动模式包括跑步运动和在不同速度和不同载荷下进行下肢伸展运动，下肢伸展运动让身体强壮的人进行，只有跑步运动被选定为脊髓损伤患者进行。从七人的腿部肌肉得到的七通道的表面肌电（SEMG）信号进行记录，和三个关节角度包括髋关节、膝关节和踝关节进行同步采样。结果表明，该方法在身强力壮的个体和SCI患者上采用SEMG信号对关节角度的估计具有良好的性能。平均角估计均方根（RMS）腿部伸展运动误差小于9度，和运动的平均均方根误差小于6度的所有身强力壮的个体。SCI患者的平均角估计均方根误差更小（小于5度），这比健全人的要小因为更小的运动范围。该方法是基于表面肌电信号的，将用于脊髓损伤患者或脑卒中患者的康复机器人或功能性电刺激（FES）。
1．介绍
遭受脊髓损伤（SCI）或中风的人因为神经系统的损害失去了部分运动功能，手术后治疗他们是很长的路 [1-3]。用跑步等简单的机器进行被动运动是一种传统的治疗方法，但这种方法是有限的。已被证明，积极的训练可以提高大脑皮层重组[4]，可以做一个更好的有利于神经康复[5,6]。
表面肌电（SEMG）是弱电位，由被电或神经活性[7]弱电势的肌肉细胞产生，它是采用表面电极从浅表肌肉检测。表面肌电信号有许多应用，例如，医生使用肌电诊断用的神经和神经肌肉问题[8,9].，
生物医学工程师使用肌电信号作为控制信号用于假肢装置如假肢手，手臂、下肢或智能轮椅10-[12]。在我们的研究中，我们设计了一个下肢康复机器人[13]，我们的重点是利用表面肌电信号实施积极训练患者。
传统意义上，表面肌电信号中常使用三种方式控制信号。具体而言，第一种方式，sEMG信号经常被用来作为开关信号，并且人体肢体的不同运动模式由表面肌电信号来识别（例如14-[16]）。通过这种方法，截肢者可以通过他的残余肌肉 [17,18]控制假肢。高识别率和多个运动模式是这个项目的两个目标。特征提取和分类方法是两个关键问题。例如，在[14]，自然对数根均方值提取表面肌电特征和模糊C均值聚类方法用于四动作分类，识别率达到92.7% 73.2%。此外，在论文[17]，作者提出了一种对数线性高斯混合网络来区分肌电模式，来控制人类辅助机械手，这种方法为八种不同的手势提出了较高的识别率（超过95%）。对表面肌电信号的应用的第二个方面，表面肌电信号是用来估计肌肉力或力矩（如19-[22]）。许多肌肉力模型已经用于此目的，如希尔肌肉模型[33]和[34]哈默施泰因肌肉模型。一旦找到确切的关系，呈现患者的运动意图主动力或扭矩也可以通过表面肌电信号的检测得到，并且和康复机器人的主动训练通常是以这种方式来控制。例如，在文[19]，基督教提供了利用表面肌电信号的外骨骼机器人主动训练两种方法，一种是动态人体模型（dhbm），和直接力控制（DFC），表面肌电信号主要用于计算人体施加到机器人的力。对于第三方面，表面肌电信号用于计算精确的身体姿势（如23-[25]）。根据表面肌电信号，这个问题也可以作为计算人体四肢的关节角度。一旦精确映射关系被发现，外骨骼机器人和假肢装置可以控制在主动训练模式下任意可行的姿势。例如，在[23]，阿泰米亚迪斯解码11肌肉的肌电活动在三维空间机械臂运动连续表达提供了体制转换模型，该方法在实时控制的人形机器人接口。。哈提出了一种通过在[25]利用表面肌电信号提供的动力膝关节假体意志控制法、从腿筋和股四头肌肌肉测得的表面肌电信号被用来计算用户的意图和膝关节的设定点角，结果表明人们可以控制供电的膝关节假体的轨迹。
考虑到病人的脊髓损伤或中风相比其他因为不完全损伤多在一侧有较大的残余力量，并考虑到人体四肢的对称性，健侧肢体的运动可以作为一种康复机器人来协助受损侧肢体的控制信号。在我们的研究中，我们试图基于对下肢康复机器人的控制，通过控制受损侧肢体的运动来遵循健康的一面，来实现对患者的主动康复训练。健侧肢体运动由表面肌电信号估计，而不是不方便和笨重的位置测量仪器。
在本研究中，表面肌电信号被用于估计髋关节角度，膝关节角度，踝关节角度，并分别为它们提供一个接口，用于对侧下肢的主动训练。许多利用了表面肌电信号进行关节角度估计的方法已被提出，如神经肌电驱动（NMS）模型[ 26 ]，线性模型[ 27,28]，线性体制转换模型[ 29 ]，局部逼近与懒惰学习方法[ 30 ]，支持向量机（SVM）方法[ 31 ]，人工神经网络（ANN）[ 32 ]。这些方法提出了具体的应用，但仍存在一些问题，如估计的准确性，实时性的特点，动态特性，平滑性，和坚固性。例如，在[ 26 ]，特里试图利用NMS模型预测肘关节的动态运动，NMS模型需要多个生理参数，如肌肉、肌纤维的长度和肌腱长度。因此，它较强的依赖于个人，并且特定的参数应首先校准。实验表明，利用网管模型得到的伸肘的轨迹预测没有与实测吻合的很好，屈肘和伸肘的均方根误差分别达到34.49plusmn;6.05和22.27plusmn;6.05。Masahiro [7]提出的线性模型似乎不能用于实时关节角度估计，因为当用不同的力气完成手的运动时，这一模型的参数（肌电信号的最大值）是变化的，然而在这种模式下，此参数设置为一个常数。如果人用不同的力气完成手的运动时，估计误差将是非常大的。作者对实验结果也提出了一个大的均方根误差和一个大的时间延迟。Reddy提出了一个线性体制转换模型来确定的手腕和食指的位置，由两个不同的线性函数和均方根肌电FDS（指浅屈肌）和FCS（尺侧腕屈肌）作为两函数的[ 29 ]输入。结果总结了手指位置和FDS（Rsup2;=0.92）的表面肌电信号的均方根之间，手腕的位置和FCS（Rsup2;=0.94）的表面肌电信号的均方根之间具有良好的线性关系。但这项研究仅限于在不同的屈曲位置控制手指和手腕，并没有涉及任何动态研究。在实验过程中，受试者被要求不施加任何力量，并没有考虑手指位置之间的屈曲速度。因此，该模型不能在其他条件下使用。在[30]，局部逼近和懒惰学习方法用于估计手指关节角度。该方法在假手控制方面表现出良好的性能，但在实验结果中，尤其是拇指对掌的运动表现出较大的时延，作者还没有考虑手指速度对角度估计的影响。同样的问题也也存在于[31]。在[32]，Shrirao在利用表面肌电信号的神经网络委员会指角度估计的详细讨论。从表面肌电信号提取的六个参数作为神经网络的输入。虽然相比 [26]，角估计精度提高了很多，但通过该方法估计的角度不是很平滑，而且一个0.2 s的延迟可能不适合实时估计。
虽然表面肌电信号目前非常复杂的特点，其明确的特性表现在当人体肌肉收缩不改变时，表面肌电信号的振幅增加，并且表面肌电信号振幅的变化过程包含信息的角度估计。从这一点来看，一个m阶非线性模型可用来描述它们之间的关系，而且一个BP神经网络可用来模型估计。为了验证BP神经网络的有效性，六名健康人和四名SCI患者参与了实验。两种运动模式包括跑步运动和在不同速度和不同载荷的腿部伸展运动分别由六个身强力壮的人完成，只有跑步运动选四个SCI患者，得到了一个很好的结果。
本文组织如下：第二部分介绍了实验方法包括表面肌电信号采集、信号处理和BP神经网络的结构。第三部分详细的总结了实验结果，并作出了简单的讨论。第四部分是本文的总结。
2.实验方法
2.1 数据采集
跑步运动和腿部伸展运动是SCI患者或中风患者使用的两种主要的运动方式。为了获得令人信服的实验数据，六名身强力壮的受试者（五位男性，一位女性，年龄28plusmn;4岁，身高170plusmn;7厘米）参加了跑步运动和腿部伸展运动。四名SCI患者（三位男性，一位女性，年龄43plusmn;3岁，身高167plusmn;5厘米）只参加了跑步运动。住院2个月的第一位患者患有颈部第四椎不全脊髓损伤，下肢两侧损伤。第二个患者住院几天就遭受了C1级脊髓损伤。第三例患者第十侧胸椎不全脊髓损伤伴一侧严重肌萎缩，另一侧有3级肌力，已住院治疗1年以上。第四例患者患有马尾神经损伤与两侧下肢严重损伤及痉挛，他已经住院2个月。
所有六名健康受试者的数据在体育馆取样。腿部的伸展运动过程中，首先测定每个人腿部伸展的最大随意收缩力（MVC），然后每个身强力壮的对象都被要求在四个条件下做腿部伸展运动：低速（约3.5秒一个周期）与低负荷（10%的最大随意收缩力），高速（约2.5秒一个周期）与小负荷，低速大负荷（40%的最大随意收缩力）和大负荷高速。另外，此外，在跑步运动时，最大随意收缩力在每一个健全的人上测量，每个人被要求在四个条件做跑步运动：低速（约2.5秒一个周期）与小负荷（10%的最大随意收缩力），高速（约1秒一个周期）与小负荷、低速大负荷（40%的最大随意收缩力）和感到疲劳的速度（受试者感到肌肉酸痛与疲劳，觉得做运动很难）。所有患者的数据是在中国北京的康复研究中心采样。由于SCI的原因，所有患者不能完全控制自己的腿，所以所有患者都被要求被动但积极努力的做跑步运动。所有实验均在康复医师指导下进行。图1提出了一个健全的人在跑步机上锻炼时的表面肌电信号和关节角度数据采集的单一实验。
在这项研究中，当人做一定的腿部运动，七个腿部肌肉，包括股直肌（VR），股外侧肌（VL），半腱肌（SM），股二头肌（BM），胫骨前肌（TA）、拇长伸肌（EP）、腓肠肌（GM）分别被记录，同时三个关节包括髋关节、膝关节和踝关节的角度被记录。
我们使用的表面肌电信号采集设备是flexcomp，这是加拿大思想科技有限公司的一个产品。该设备可以同时捕捉10个每个通道的采样速率为2 kHz的表面肌电图数据。关节角度测量装置是inclinotrac，也是加拿大思想科技有限公司生产的，其关节角度的采样速率为100 Hz。在信号采集之前，对表面肌电信号采集的七块肌肉进行一些细节处理，包括皮肤表面的剃毛和清洁，这些工作主要是为了减少输入电阻和外部干扰。七对Ag/AgCl电极的胶液容易粘附于用于测量模拟肌电信号的肌表，在一对中的每一个电极彼此分离2厘米[ 35 - 37 ]，，电极的位置也可以从图1看出。图2提出了六个健全的人中的一个人的七个肌肉和三个关节角度没有预处理的原始的表面肌电信号。
图1 一个健全的人在跑步机上锻炼时的表面肌电信号和关节角度的单一实验
图2 来自六个健全人之一的单一的跑步锻炼的原始实验数据，上面的七个子图的y坐标的单位是v，下面的三个子图的y坐标的单位是度
2.2 信号处理
毫无疑问，在信号采集时，许多噪声信号会污染原始的表面肌电信号。噪声信号可能来自于电子设备如工频干扰（在中国工频是50赫兹），直流偏置，和基线噪声[38]中的固有噪声。主要由电极接口和电极电缆引起的运动伪影也会导致表面肌电数据的不规则[39]。表面肌电信号也受到电机单元的发射频率的影响，其发射频率区域是0–20Hz。这种噪声被认为是不必要的，去除噪声是非常重要的[40]。肌电图的功率密度谱包含大部分的极端功率在5–500赫兹的频率范围[35,36]，所以在高截止频率为500 Hz的信号应该被淘汰。在上述讨论后，一个50赫兹的陷波滤波器和低截止频率20赫兹和高截止频率500赫兹的带通滤波器应施加到原始的表面肌电信号来去除噪声信号。
去除噪声后，表面肌电信号可用于进一步处理。特别是在本文中，预处理后的表面肌电信号可进行以下数字操作：
（1）全波整流：表面肌电信号的振幅本质上是随机的，信号在零点处振动非常频繁。通过全波整流，振幅的变化可以更清楚地表示。此操作可通过
（1） 利用表面肌电信号（N）的离散表面肌电信号的N次采样和在全波整流后的表面肌电信号时间序列。
（2）子采样：表面肌电信号的采样速率比关节角度信号的高很多，所以表面肌电信号的子采样应与关节角度信号一致。表面肌电信号的子采样可以通过 （2）
利用采用N次采样后，表面肌电信号（N）的肌电信号时间序列。这种子采样方法也可以平滑信号的包络线。
（3）线性包络：经过上述处理后，表面肌电信号的包络仍波动很大。传统上，一个如巴特沃斯或贝塞尔的低通滤波器，可以用来平滑包络。表面肌电信号的振幅实际上是肌肉收缩水平的量度，肌肉收缩的外显表现，如关节角度的变化呈现了低频特征。截止频率为5 Hz的一阶低通巴特沃斯滤波器用于过滤的高频率。这种处理的一个优点是，该包络可以用于实时应用，虽然这种方法可能会导致几个毫秒的信号延迟[41]。
2.3 BP神经网络的角度估计
假设
（3）
其中为10秒的关节角度时间序列（采样率为100赫兹），为 10s的第j个表面肌电信号的时间序列（sEMG信号已进行处理），k为总通道数。考虑到一定的特性，表面肌电信号的振幅增大时，人体肌肉收缩不改变，并且表面肌电信号振幅的变化过程包含了太多的角度估计的信息，因此关节角度可以由下面的m阶非线性模型估计，
（4）
其中为在i次的关节角度估计，m为模型阶数，f为未知的非线性函数。
为了确定模型的结构和阶数，我们建立了一个三层BP神经网络的模型估计。BP神经网络的结构如图3所示。从表面肌电
全文共18212字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[144538]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
