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
基于机械传感器的下肢运动的意图模式识别
摘 要：基于下肢运动的规律性，本文提出了一种人工膝关节假肢的意图模式识别方法。为了弥补基于肌电图(EMG)的识别系统的缺陷，我们开发了一种用于下肢运动意图模式识别的纯机械传感器结构。该传感器系统由加速度计、安装在假肢插座上的陀螺仪和安装在脚底下的两个压力传感器组成。为了补偿假肢控制中的延迟，采用姿态相位信号对摆动阶段的地形和速度进行控制。具体来说，意图模式识别器使用类内相关系数（ICC）根据步行速度和地形的笛卡尔积。此外，还利用Dempster-Shafer理论对传感器数据进行了融合.利用隐马尔可夫模型(HMM)进行实时运动状态的识别。该方法可以推断使用假肢的用户在不同地形上行走的意图，包括平地、上楼梯、下楼梯、上下坡。实验表明，该意图模式识别器能够识别典型地形模式识别，识别率为95.8%。这项研究的结果预计将大大改善动力膝上假肢的控制性能.
关键词：膝上假肢；隐马尔可夫模型(HMM)；类内相关系数(ICC)；意图模式识别；传感器融合
一.引言
假肢的主要功能是恢复截肢者的功能。上膝假肢研究的重点是运动意图识别和人工膝关节的控制[1]，[2]。最近的一些膝上假肢的设计为截肢患者提供了更高的安全性、稳定性和与协调性。
健康肢体，以及能耗下降。此外，动力假肢设计的新进展提高了假肢的功能。这些假肢可以帮助截肢者在平地行走之外进行多功能活动。然而，假肢不知道截肢的运动意图，包括地形、速度和步态，就无法选择正确的控制模式来调整关节阻抗，或以适当的方式驱动动力关节运动[3]。
基于肌电图的运动意图识别在文献中得到了广泛的报道。文[1]的作者介绍了一种相位相关的表面肌电信号分析方法，用于研究运动模式的识别。[4]采用支持向量机(SVM)和线性判别分析(LDA)对剩余大腿肌肌电信号进行分析。此外，还有其他的运动意图识别的EMG信号分析方法，如人工神经网络、K近邻(KNN)算法和多二进制分类(MBC)，仅举几个例子。文献[5]提出了基于EMG的膝上假肢神经-机械接口(NMI)控制结构。此外，[6]开发了基于脑电图(EEG)的脑机接口(BMI)假肢。
还涉及到其他传感器信号，融合肌电信号进行意图模式识别。在[7]和[8]中，利用人工桥塔测量的肌电信号和地面反作用力/矩(GRF)进行了运动模式识别分析。文[9]的研究表明，肌电图和非接触式电容式传感器(C-Sens)的结合可以提高运动分类的准确性，C-Sens检测残肢与假肢之间的物理距离变化。
基于肌电信号或肌电控制的模式识别在上膝盖假肢的研究已经显示出巨大的潜力。然而，在临床试验中，由于电极移位的存在，包括套筒负荷、肢向、肌肉收缩力的变化、穿/脱期间电极位置的变化和日常使用等因素，在临床试验中，肌电控制系统的性能较差[10]。此外，它还面临着截肢者残余肌肉状况不同、出汗、行走引起的振动干扰、肌肉和神经萎缩等挑战性问题。肌电控制最严重的缺点是缺乏通用性。更确切地说，肌电控制系统对不同的截肢者不起作用[11]。康复技术人员必须费力地对其进行规范，截肢者必须接受冗长的培训。因此，肌电控制造成不可接受的费用和不便，特别是对发展中国家的截肢者[12]。
还有人提出纯机械传感器系统用于肢体意图识别。
本文[2]提出了一种运动模式的意图识别方法。基于传感器封装的框架，分别用于测量接缝界面力矩、地面反作用力和关节位置及扭矩。分别采用高斯混合模型(GMM)对站立、坐和步行状态进行分类，但不涉及与楼梯有关的活动。
在[13]中，一种由加速度计组成的传感器系统MMA7361L和陀螺仪ENC-03安装在假肢插座上。采用KNN算法对截肢步行速度进行识别。基于便携式激光测距仪和惯性测量单元(IMU)，使用可穿戴地面探测单元检测假肢用户的地形变化[14]。[15]采用BP神经网络对大腿角、上角、膝关节角和足底压力信号进行运动特征提取。在[16]中，地面坡度是通过一个三轴加速度计ADXL330与假肢脚集成的，其中一个测量轴与垂直方向对齐，当脚位于平地上时。
Wang等人[17]提出了一种方法基于GRF传感器来识别不同的地形，但不能利用摆动阶段的运动信息。Chen等人[18]使用穿戴式传感器实现了不同的运动模式识别。这种方法的不便之处在于电容传感器必须直接连接到皮肤上，这可能会加重截肢者的接受程度。袁等人[19]提出了一种基于模糊逻辑的方法，利用两个力敏电阻(Fsr)、两个陀螺仪、两个加速度计和一个定时器来识别不同的地形和跃迁。Young等人[20]介绍了13 IMU和电机电流传感器系统，包括膝盖和脚踝的位置和速度，轴向负荷。采用线性判别分析法(LDA)对运动模式进行分类。[19]和[18]中方法的缺点是需要太多的传感器和大量的计算。此外，Li等人[21]使用IMU用阈值法识别水平地面、楼梯和坡道的上升/下降。该方法的缺点是识别延迟一步。此外，还有其他基于机械传感器的运动意图识别方法--截肢者、老年人、帕金森患者，也是本研究的主要研究对象。
正如在[19]中总结的那样，一种良好的地形识别方法应满足高精度、小传感器、短延时、低计算量等要求，这正是本文所提出的。一种机械传感器系统，包括加速度计、陀螺仪、假肢插座和安装在脚底下面的两个压力传感器。为了补偿控制机构固有的延迟，仅利用姿态信号来预测摆动阶段的地形和速度。传感器信号的提取采用了类内相关系数(ICC)方法、传感器融合和隐马尔可夫模型(HMM)算法。这种方法可以推断地形模式，包括平地、上楼梯、下楼梯、上坡或下坡，以及速度和步态。通过对三名健美者和两名截肢者的实验，验证了该方法的有效性。本文的贡献在于为意图模式识别提供了一种不同的、有效的机械传感器系统及其算法，希望能为同类型的研究人员提供有益的参考。
本文的其余部分如下所示。第二节介绍了机械传感器系统。第三节详细描述了意图模式识别方法，包括实验协议和算法过程。结果和讨论见第四节，结论载于第五节。
二．机械传感器系统和实验
当截肢者在不同的地形上行走时残肢的角度和运动角度有明显的差异，足底的压力也是如此。相反，加速度信号、残余肢体运动信号和脚底压力信号可以使fl的运动意图发生变化。本文提出了一种用于下肢运动意图模式识别的机械传感器系统，该系统由加速度计、假肢座上的陀螺仪和脚底下的两个压力传感器组成。
如图1所示，这4个传感器连接在同一个传感器上。在这种设计中，在截肢者的假肢一侧或身体健全的男人的腿上的位置，没有传感器附加在身体或健康侧腿上，以防妨碍截肢者的运动。此外，传感器容易嵌入到假肢中，以提高使用方便性。
图1 用于意图模式识别的传感器系统
A.加速度计
一侧安装了MMA7361L型加速度计如图1和图2(A)所示。为了消除信号中的尖峰或小故障，采用了一种小波阈值去噪方法.由于Sym6小波具有良好的对称性和正交性，因此具有良好的去噪效果[22]。根据假肢运动的特点，
对假肢的加速信号进行7电平小波分解，然后通过低通滤波器对其进行处理。将信号保持在5Hz以下进行信号重构。如图2(B)所示，顶部是原始信号波形，中间是小波阈值去噪下的信号。底部的信号是经过数字归零和校准后的信号。这样的信号预处理使得第三节中对假肢运动的分析更容易、更准确。
B.陀螺仪
NEC-03型陀螺仪安装在如图1和图3(A)所示。还对陀螺仪的角信号进行了类似的预处理。如图3(B)所示，顶部是原始信号波形。中间一种是小波阈值去噪下的信号。下一种是经过数字归零和校准后的信号。
采样点 (B)陀螺仪信号
图3 陀螺仪信号
（b）Size of accelerate
采样点(B) 加速度信号
图2 加速度信号
C.压力传感器
两个压力开关安装在假脚的鞋底下，一个安装在球平下，另一个安装在脚跟下，如图1和图4（a）所示。来自压力传感器的方波形信号的时间序列将步态C循环分为四个阶段。首先，步态阶段被定义为早期姿势阶段，检测脚跟罢工。其次，随着球平接触的检测，步态阶段切换到中间姿态阶段。第三，当脚跟离地时，步态阶段进入后期站立阶段。最后，当脚离地时，步态阶段处于摆动阶段。类似的想法也可以在[19]中找到。用图4(B)作为一个例子，顶部是脚跟压力信号，中间的是球平压信号。下面一个是步态周期的四个阶段。正如在[14]，[15]中指出的，压力开关也可以为假肢的周期控制提供触发。
D.实验议定书
在我们的研究中，招募了三名平均身高（1.68-1.75米）和体重（65-76公斤）的体格男性，年龄分别为23-35岁，以及两名34岁和37岁的跨体（TF）截肢者。
TF截肢者穿着自己的假肢（一个是奥托·博克，另一个是中国制造的景波）。传感器通过弹性悬架带在假肢插座上加固。所有受试者在测量前都接受了指示并多次练习了这些任务。调查了五种地形模式：平地、上楼梯、下楼梯、上坡、下坡。
道。受试者被指示分别在慢、中、快地行走。6楼梯用于上下楼梯测试。楼梯高15厘米，宽90厘米，深30厘米。一条长3.5米15度的坡道上/下斜坡测试。实验平台如图所示。5(A)。图5(B)和(C)展示实验过程。在每一次试验中，受试者都执行一种类型的任务。各地形模式重复了4个回合，每个回合包括6minus;8步。除异常者外，至少20人已完成记录了每个地形的步幅。为了避免疲劳，休息时间在试验之间进行了调整。
(a) Size of pressure sensors
图4 压力传感器.
Sampling number (points)
(b) Signals of pressure sensors
2900
3400
3400
3900
4400
2900
4400
3900
(b) Experiment of stair ascent
(a) Multi-terrain platform
(c) Experiment of up ramp
图5 试验测试
三.意图模式识别
地形的预识别和步态速度是关键用于下肢运动的意图模式识别。在本节中，我们通过使用信号素姿态相位来预测摆动阶段的地形和速度来解决这个重要问题，这对于弥补假肢控制中的延迟是非常有效的。下面三个小节描述并讨论了一个详细的过程。
A.运动信号的类内相关系数
1)笛卡尔积：在不同地形上行走不同的速度，加速度计和陀螺仪在波形中表现出不同的特点.通过将实时波形与标准波形样本进行比较，可以识别出目标波形.标准波形采样是通过所谓的笛卡尔产品来组织的.首先，将地形划分为fi等典型类别，包括平地、上楼梯、下楼梯、上坡和下坡(N)，然后，定义模糊速度集 M。
考虑不同截肢者的步行速度，包括3公里或以上的速度，中等速度为2公里至3公里/小时，慢速为2公里/小时或2公里/小时以下。最后，笛卡尔乘积为Ntimes;M[22]。因此，所有典型的运动模式都可以被描述。由集合{(平地，快速),...,(上楼梯，中速),...,(下斜坡，慢)}，样品共计15个。这个相似性水平可以用下一段中引入的类内相关系数(Icc)方法来度量。以中速样品为例，从上到下的波形如图5所示分别是实时信号、上楼梯、下楼梯、上坡、下坡和平地的标准信号。
2)类内相关系数：类内相关系数 （ICC） 是一种广泛采用的方法，用于测量两个信号之间的相似程度。ICC方法已被用于诊断早期帕金森病的运动对称性[24]。参考文献[25]使用ICC评估一例截瘫患者的髋关节矫形器。在本文中，我们选择ICC的方法来提供关于加速度计和陀螺仪的结果之间的地形模式相似性的信息，如下考虑。当截肢者在相同的地形上行走时，传感器信号表现出相似的波形，波形的ICC值较高。设置步行模式的信号模板，可以计算模板中各点与实时行走信号之间的ICC，而且信号模板只对相似高度有效。如果高度或行走方式不同，信号模板也不同。有能力的人和截肢者的模板也是如此。
具体来说，ICC计算如下。首先，传感器数据从姿态阶段开始记录下来，根据统计，截肢者的姿态阶段通常在0.8到1.0秒之间。采样频率为500 Hz，采样点为400~500 Hz。为了便于编程，本文将数据长度均匀地选择为400个点。
换句话说，有 400 组实时信号，每组由从加速度计记录的信号（表示为 Xa(t)）和从陀螺仪记录的信号（表示为 Xg(t)）组成，这些信号将用于 ICC 的计算。接下来，根据以下步骤计算姿态阶段的速度。
接下来，根据从早期姿势阶段开始到后期姿态阶段结束的持续时间计算姿态阶段的速度。在我们的实验中，发现ID-A-1部分中定义的快速速度（即速度为3公里/小时或更高）对应于姿态相的持续时间，即0.86 s或更低，其中定义的中速对应于姿态相的持续时间从0.86 s到0.92s，而慢速对应于姿态相的持续时间，即0.92 s或更高。因此，从姿态阶段的持续时间可以推断出行走速度。它有两个功能。一方面，它被输入到假肢控制器，以调整控制器参数fbr不同的速度。另一方面，它用于根据A-l节中定义的相应速度选择地形样本，相应速度的五个地形样本（例如，快速或低速）设置为 Yai(t)和Ygi(t)，并且还将用于 ICC 的计算。最后，对实时信号的 ICC 和具有类似速度的 5 个样本数据逐一计算如下：
其中i=1,....,5
在理想条件下，相应地形的 ICC 系数是同一组中的最高数字。然而，干扰、人体运动随
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[237033]，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。
