李科岐 姚固林 吳全玉 潘玲佼 劉曉杰

摘 要：家用小型下肢康復器因其諸多優(yōu)勢正逐步取代傳統(tǒng)的康復治療手段，如何提高家用小型下肢康復器的治療效果與安全性成為設備研究的重要內(nèi)容。本文在牽引式下肢康復器的控制基礎(chǔ)上，提出了一種基于表面肌電信號的下肢運動意圖識別方法與主動控制模式。首先，對表面肌電信號進行分析，并建立基于BP神經(jīng)網(wǎng)絡的運動意圖分類模型。其次，將下肢運動時分類模型產(chǎn)生的輸出結(jié)果作為下肢康復器的控制信號，實現(xiàn)患者的動作識別與主動訓練。最后，在實時訓練中測得設備的平均識別率為86.67%，證明該主動訓練模式的可行性，進而提高了設備的柔順性。另外，在訓練過程中還監(jiān)測下肢異常動作產(chǎn)生的信號并及時處理，提高了設備安全性，為后續(xù)進行深入研究主動康復奠定了理論與實踐基礎(chǔ)。

關(guān)鍵詞：下肢康復機器人；表面肌電信號；運動意圖識別；主動模式

中圖分類號：TP242；TH122? 文獻標識碼：A? 文章編號：1673-260X（2024）04-0011-05

下肢康復器能夠幫助肌肉損傷、下肢偏癱或下肢關(guān)節(jié)手術(shù)后的患者盡快恢復下肢運動功能。特別是在人口老齡化加劇、我國康復醫(yī)療人員與患者之間數(shù)量差距懸殊這兩大社會問題的背景下，它提供了一種有效的解決方案[1-3]。當前傳感器技術(shù)的發(fā)展使得人與機器人間的交互方式變得更加多樣且高效。然而，在人機交互的控制問題中，如何保證機器人自然地根據(jù)人體運動意圖做出相應動作成為下肢康復器控制系統(tǒng)所面臨的挑戰(zhàn)之一[4]。

表面肌電信號被廣泛應用于康復機器人的運動意圖識別中。近年來，Saeed等人[5]提取了肌電信號數(shù)據(jù)的4種時域特征，之后對比人工神經(jīng)網(wǎng)絡與線性判別分析兩種分類器對手勢動作數(shù)據(jù)集的分類結(jié)果，得出人工神經(jīng)網(wǎng)絡的分類準確性更高的結(jié)果，對后續(xù)的分類器選擇提供了幫助。Rohit Gupta等人[6]在處理肌電信號時，對窗口大小、特征向量組合類型以及分類器進行多方面比較，得到了一套對運動意圖識別較為有效的流程。同時對信號處理以及模型建立涉及的相關(guān)因素提供了有價值的成果。史小華等人[7]設計了一種座椅型的下肢康復機器人，將收集到的肌電信號特征值經(jīng)BP神經(jīng)網(wǎng)絡模型進行動作分類，實現(xiàn)了運動意圖的識別，證明了該模式的可行性和安全性。目前，多數(shù)研究人員主要通過建立不同的模型來提高識別率，但是較少使用結(jié)果實現(xiàn)具體的機械控制，而且上述提到的下肢康復器是座椅型設計，對于膝關(guān)節(jié)術(shù)后臥床和偏癱患者來說使用較為不便。

1 材料與方法

本文基于已設計好的牽引式下肢康復器平臺，通過PC端獲取肌電采集設備采集的信號，并對信號的時域特征進行實時處理，利用BP神經(jīng)網(wǎng)絡模型進行動作分類，通過分類結(jié)果對下肢康復器進行實時控制。如圖1所示為下肢康復器平臺與肌電信號采集設備。其中，肌電采集設備為Sichiray的雙通道肌電采集設備，通過雙通道可以分別對兩處目標肌肉進行肌電信號的采集，之后將采集到的肌電信號，通過藍牙4.0通訊實時傳輸給PC端。

1.1 信號的采集

肌電信號的采集使用的是雙通道采集設備，采集方式為非侵入式采集，設備通過電極貼貼在相應肌肉即可實現(xiàn)信號采集且對人體幾乎沒有傷害，采樣頻率為1000Hz，采集的數(shù)據(jù)通過藍牙4.0配適器傳輸?shù)絇C端進行讀取?；谂P式下肢康復器的訓練動作主要是圍繞膝關(guān)節(jié)進行的關(guān)節(jié)運動，通過對比主要提供力量的肌肉以及肌電信號的采集難易程度，將采集股直肌和股內(nèi)側(cè)肌的肌電信號進行膝關(guān)節(jié)屈膝和伸展意圖的識別[8，9]。

本次實驗共選擇10名健康受試者，其中男性5名，女性5名，年齡為25±5歲，身高分布在158 cm～185cm之間。受試者進3天未進行過劇烈運動，受試者以平躺或坐臥的姿勢依次進行屈膝和伸展兩個動作，每個動作保持2秒，單個動作每人采集40次數(shù)據(jù)，單個動作10人共400組數(shù)據(jù)，兩個動作共800組數(shù)據(jù)，作為原始肌電信號數(shù)據(jù)集。為防止肌肉疲勞產(chǎn)生的影響，單個動作間隔6～8秒，每組數(shù)據(jù)采集過程中引入10分鐘休息[10]。采集到的肌電信號圖如圖2所示。

1.2 信號處理

表面肌電信號是一種隨機且不穩(wěn)定的信號，為了降低采集過程中噪聲信號、工頻信號等干擾，影響模型的分類效果，故對肌電信號進行相應的預處理[11]。使用MATLAB對肌電信號進行低通濾波來去除高頻噪聲，平滑信號，保留較低頻的生理相關(guān)成分，可以減少高頻干擾，并提高信號的質(zhì)量和可分辨性[12]。還采用高通濾波來去除直流偏移或低頻基線漂移，使信號相對于基線更加穩(wěn)定[13，14]，使用4階巴特沃斯帶通濾波器（Butterworth）對表面肌電信號進行濾波去噪。最后，使用陷波器濾除信號中的電源干擾或特定頻率的干擾信號，尤其是工頻干擾[15]。圖3為通過以上處理得到的信號對比圖。

1.3 特征值提取

常用的表面肌電信號特征包括時域、頻域和時頻分析三大類[16]。時域特征在肌電信號分析中具有直觀性、計算簡單和與運動關(guān)聯(lián)性等優(yōu)點而被廣泛使用[17]。本文主要計算時域特征的均方根值、平均絕對值和過零點率進行提取與分析。

（1）均方根值（Root Mean Square， RMS）

均方根可以衡量肌電信號的離散程度或波動性，較大的均方根通常意味著信號的波動范圍較大，而較小的均方根表示信號的波動范圍較小[18]。通過計算均方根，可以比較不同運動意圖下的信號波動性。例如，對于運動意圖判斷，如果股內(nèi)側(cè)肌的均方根較大，則表示信號的波動范圍較大，可能對應著較強的肌肉收縮和運動力度，預示患者想要進行伸展行為，計算肌電信號均方根值所用計算方法如公式（1）所示。

（2）平均絕對值（Mean Absolute Value，MAV）

平均絕對值反映了表面肌電信號在下肢運動中的能量平均變化[19]。通過計算不同肌肉群的平均絕對值，可以對不同運動意圖進行分類和識別。計算肌電信號均方根值所用計算方法采用公式（2）。

（3）過零點率（Zero Crossing Rate，ZCR）

過零點率是肌電信號的時域特征之一，反映了信號通過零點（從正變?yōu)樨摶驈呢撟優(yōu)檎┑拇螖?shù)，它可以用于估計肌肉活動的頻率特征，即肌肉信號在時間上的變化頻率。通過比較不同動作的過零點率，可以將收集到的肌電信號進行運動檢測和分類。

在提取到相應特征值后，通過MATLAB的仿真，如圖4所示。可以看出在同一動作下，選取的特征量呈現(xiàn)出較高的同步性。不同的動作間，特征值的數(shù)值也有較明顯的差別，故選取的特征具有研究的可行性。

1.4 建立識別模型

神經(jīng)網(wǎng)絡，又稱為人工神經(jīng)網(wǎng)絡（Artificial Neural Networks， ANNs），是一種數(shù)學模型，模仿動物中樞神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，用于進行分布式并行信息處理[20]。其中，誤差逆?zhèn)鞑ニ惴ǎ╡rror Backpropagation， BP）是一種非常成功和經(jīng)典的神經(jīng)網(wǎng)絡算法，由于其對未知信息有一定的泛化能力，在肌電信號的分類和識別任務中被廣泛應用[21]。本文實驗使用雙通道肌電設備采集，每次動作分別對這兩條通道，可以提取出三個特征值，總共得到6個特征值，我們將這6個特征值作為一個特征向量。

由于特征向量是6維的，所以我們將輸入層的神經(jīng)元個數(shù)設置為6個。考慮到任務是進行2分類，需要輸出層有2個神經(jīng)元來表示兩個類別的結(jié)果。神經(jīng)網(wǎng)絡模型是一個多層前饋神經(jīng)網(wǎng)絡，包括輸入層、隱藏層和輸出層。輸入層有6個神經(jīng)元，輸出層有2個神經(jīng)元。根據(jù)經(jīng)驗公式（3）所示。

其中，m，n分別為輸入層和輸出層的神經(jīng)元個數(shù)，當不能整除時，選擇整數(shù)值，結(jié)合后續(xù)測試得隱層的神經(jīng)元個數(shù)x為4。BP算法的核心思想是通過反向傳播誤差來更新神經(jīng)網(wǎng)絡的權(quán)重和偏置，以逐步減小網(wǎng)絡的預測誤差。先將訓練集提供給輸入層神經(jīng)元，然后逐層信號前傳，直到產(chǎn)生輸出層的結(jié)果，例如，在訓練例（xp，yp）中，若記神經(jīng)網(wǎng)絡的輸出為■p如公式（4）所示。

則該訓練例的輸出層的均方誤差Ep可以采用公式（5）計算。

其中連接權(quán)是神經(jīng)網(wǎng)絡中神經(jīng)元之間連接的強度或權(quán)重值。在神經(jīng)網(wǎng)絡的每個連接上，都有一個連接權(quán)來表示該連接的重要程度或貢獻度，大小會根據(jù)逆向傳播的誤差進行調(diào)整，不斷迭代循環(huán)，網(wǎng)絡模型的計算在訓練誤差最小時停止。具體的，若記隱層到輸出層的兩個神經(jīng)元α和β的連接權(quán)為v，在給定學習率？濁后，如公式（6）所示。

連接權(quán)v的影響順序從輸出層神經(jīng)元β的輸入值βi開始，通過連接權(quán)將輸入值轉(zhuǎn)換為輸出值■p。然后，連接權(quán)的影響傳遞到誤差項Ep，隱層神經(jīng)元α的輸出值為αt，可得到BP算法中關(guān)于v的更新公式（7）。

以上是連接權(quán)的更新過程，閾值的更新是通過計算誤差對閾值的偏導數(shù)，然后根據(jù)學習率和梯度下降的方向更新閾值的值，以逐步優(yōu)化網(wǎng)絡的性能。

2 實驗結(jié)果

2.1 對比三種識別模型

本文實驗共測得800組數(shù)據(jù)，其中屈膝，伸展動作各400組，各選取300組與其對應標簽作為BP神經(jīng)網(wǎng)絡的輸入，在訓練好的模型中對剩余200組數(shù)據(jù)進行測試，最終測試集結(jié)果如圖5所示。

為了比較BP神經(jīng)網(wǎng)絡分類模型與其它機器學習算法模型的分類效果，使用了同樣的訓練集和測試集，構(gòu)建了基于支持向量機與可優(yōu)化樹算法的模型并進行驗證。其中支持向量機學習的基本想法是求解能夠正確劃分訓練數(shù)據(jù)集，并且?guī)缀伍g隔最大的分離超平面，這對于目前實驗動作的二分類是非常合適的。決策樹是一種有監(jiān)督的機器學習，該模型可用于擬合人們的決策行為，也可用于解決分類或回歸問題。以上三種算法的分類比較結(jié)果見表1。

在對單獨兩種動作平均準確率進行對比后，發(fā)現(xiàn)基于BP神經(jīng)網(wǎng)絡的分類模型效果最好，支持向量機次之。經(jīng)過分析，其中支持向量機分類準確率略低的原因是表面肌電信號具有隨機性，這導致了各個數(shù)據(jù)間并不存在明顯的線性關(guān)系，因此在計算劃分數(shù)據(jù)集的分離超平面時易出現(xiàn)誤差。然而，可優(yōu)化樹可能是因為在訓練集中產(chǎn)生了過擬合現(xiàn)象，在測試集中沒有較好的泛化能力，導致準確率下降。其中，三種算法構(gòu)建的分類模型對屈膝動作的識別率都要高于伸展動作的識別率，BP神經(jīng)網(wǎng)絡的分類模型在該樣本量下取得了很好的識別效果，因此將BP神經(jīng)網(wǎng)絡的分類模型作為接下來系統(tǒng)的分類使用。

2.2 測試流程

整個控制系統(tǒng)的主要部分由下肢康復器、PC端與肌電采集設備組成。由STM32F407ZGT6為主控芯片作為下肢康復器的主控單元，搭配LCD屏通過可視觸摸界面進行人機交互，負責對下肢康復器的控制。其中，主控單元延伸出的排線連接了下肢康復器內(nèi)的一塊拓展板，拓展板負責與底層部件進行連接并給主控單元供電。下肢康復器的主控單元與PC端，采用了串口通訊的方式接收肌電信號分類識別的結(jié)果。根據(jù)實時結(jié)果進行判斷并控制拓展板輸出不同頻率的脈沖進而控制下肢康復器的步進電機，配合下肢實現(xiàn)主動運動。如圖6為整體的主動訓練控制算法流程圖。

通過圖6可以更直觀的看到，在手持終端發(fā)出訓練開始的指令后，肌電采集設備分別從兩個通道開始采集信號，之后通過藍牙通訊發(fā)送給PC端。由于在實時的主動訓練中，信號是接連不斷的進行發(fā)送的，所以PC端在收集信號的同時，也在不斷執(zhí)行預處理操作。處理后的數(shù)據(jù)通過滑動窗口來分段并進行特征值提取，其中肌電采集設備的采集頻率設置為1000Hz，故程序刷新頻率設置為0.001s，為得到較好的特征值，在經(jīng)過多次實驗后把滑動窗口的大小設置為100ms，重疊量為50ms。之后將特征值輸入訓練好的分類模型來得到分類結(jié)果，并通過串口通訊傳輸至手持終端，由其解碼并執(zhí)行控制指令。而當下肢因疼痛或突發(fā)狀況向機構(gòu)的既定運動方向的反方向行動時，系統(tǒng)也能實時監(jiān)測到異常的動作信號，及時停止設備，防止二次傷害的發(fā)生。

2.3 實驗測試

選取三位之前參與肌電信號采集的受試者在下肢康復器上以坐臥的姿勢分別主動進行膝關(guān)節(jié)10次屈膝和伸展的動作。在進行訓練時，下肢康復器的主控單元會根據(jù)接收的動作分類標簽顯示計數(shù)。計數(shù)結(jié)果與對應動作的準確率如表2所示。

根據(jù)表2可以看出膝關(guān)節(jié)的屈膝動作的識別率要明顯高于伸展動作，由于膝關(guān)節(jié)的屈膝動作幅度較大，股直肌產(chǎn)生的肌電信號較強，提取的特征明顯更容易被識別。這里總體的識別率較模型識率下降，還可能與下肢康復器的電機在運行時產(chǎn)生的機械振動相關(guān)，導致采集的肌電信號受到額外的干擾，可以通過增加采集肌電信號的通道個數(shù)或者采取減震措施進一步改善。

3 結(jié)論

本文在對肌電信號進行提取處理并比較多個分類模型后，得到了具有較高準確率的神經(jīng)網(wǎng)絡模型，開始在下肢康復器上進行實時訓練的研究，初步實現(xiàn)進行自主個性化的康復訓練，使訓練更加符合患者的實際需要。相比傳統(tǒng)的牽引式康復機器人，基于表面肌電信號控制的康復機器人能夠更好地激勵患者主動參與訓練，提高康復效果，同時避免被動訓練時機械本體可能造成的二次傷害，這種新型的康復訓練方式具有廣闊的應用前景和重要的臨床價值。

參考文獻：

〔1〕鄒波.中國老齡化的現(xiàn)狀與積極應對[J].中國民政，2017，30（20）：42-44.

〔2〕Xue Z， Zan Y， Jing W. Robotics in Lower-Limb Rehabilitation after Stroke [J]. Behavioural neurology， 2017，9（03）： 1-13.

〔3〕張鵬程，牛建業(yè)，劉承磊，等.牽引式下肢康復機器人機構(gòu)參數(shù)優(yōu)化及軌跡規(guī)劃[J].工程設計學報，2022，29（06）：695-704.

〔4〕杜妍辰，孫潔，汪曉銘，等.一種基于表面肌電信號映射人體下肢運動意圖的方法[J].生物醫(yī)學工程學進展，2023，44（02）：158-162.

〔5〕Saeed B， Zia-ur-Rehman M， Gilani O S， et al. Leveraging ANN and LDA Classifiers for Characterizing Different Hand Movements Using EMG Signals [J]. Arabian Journal for Science and Engineering， 2020， 46（02）： 1761-1769.

〔6〕Rohit G， Ravinder A. Electromyographic Signal-Driven Continuous Locomotion Mode Identification Module Design for Lower Limb Prosthesis Control [J]. Arabian Journal for Science and Engineering， 2018， 43（12）： 7817-7835.

〔7〕史小華，盧浩，廖梓宇，等.基于表面肌電信號的下肢康復主動訓練[J].科學技術(shù)與工程，2018，18（17）：61-66.

〔8〕Kyoungsoon K， Tunc A， Robert L， et al. Self-modulation of rectus femoris reflex exc-itability in humans[J]. Scientific Reports， 2023， 13（01）： 1-11.

〔9〕宋娜，蔣金金，馬琪，等.髕股關(guān)節(jié)炎患者膝周肌群表面肌電信號特征研究[J].中國康復醫(yī)學雜志，2022，37（04）：509-514.

〔10〕軒運動，孫應飛，黃志蓓，等.基于表面肌電信號的腦卒中上肢肌肉性能研究[J].工程研究-跨學科視野中的工程，2016，8（06）：598-604.

〔11〕Tang C， Xu Z， Occhipinti E， et al. From brain to movement： Wearables-based motion intention prediction across the human nervous system[J]. Nano Energy， 2023， 115（12）： 2211-2855.

〔12〕馮艷梅，仲雪飛，王俊俊，等.基于DSP的肌電信號采集處理[J].電子器件，2014，37（05）：830-834.

〔13〕顧旋，張偉，劉東華，等.基于IIR數(shù)字濾波器消除心電信號的基線漂移[J].信息技術(shù)與信息化，2021，11（12）：177-179.

〔14〕Rao B B， Rao P B. Power line interference cancellation from ECG using proportionate normalised least mean square sub-band adaptive algorithms[J]. International Journal of Biomedical Engineering and Technology， 2022， 38（03）： 286-304.

〔15〕劉光達，董夢坤，張守偉，等.基于KPCA-SVM的表面肌電信號疲勞分類研究[J].電子測量與儀器學報，2021，35（10）：1-8.

〔16〕Pornchai P， Sirinee T， Khairul A， et al. Evaluation of feature extraction techniques and classifiers for finger movement recognition using surface electromyography signal[J]. Medical & biological engineering & computing， 2018， 56（12）： 2259-2271.

〔17〕張小棟，陳江城，尹貴.下肢康復機器人肌電感知與人機交互控制方法[J].振動.測試與診斷，2018，38（04）：649-657+866.

〔18〕章亞男，景銀平，沈林勇，等.下肢表面肌電信號的降維和映射分析[J].傳感技術(shù)學報，2018，31（07）：1046-1053.

〔19〕鄭海鵬，李玉榕.基于雙通道表面肌電信號的在線手勢識別系統(tǒng)研究[J].物聯(lián)網(wǎng)技術(shù)，2022，12（03）：17-20+23.

〔20〕Zhang Z， Yang K， Qian J， et al. Real-Time Surface EMG Pattern Recognition for Hand Gestures Based on an Artificial Neural Network[J]. Sensors， 2019， 19（14）： 1-15.

〔21〕于擎，楊基海，陳香，等.基于BP神經(jīng)網(wǎng)絡的手勢動作表面肌電信號的模式識別[J].生物醫(yī)學工程研究，2009，28（01）：6-10.

〔22〕李沿宏，江茜，鄒可，等.融合注意力機制的多流卷積肌電手勢識別網(wǎng)絡[J].計算機應用研究，2021，38（11）：3258-3263.