馬 樂，周 平，王美玲，陳淑艷，張鵬萬

（1.合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院，合肥 230009；2.中國科學(xué)院合肥物質(zhì)科學(xué)研究院先進(jìn)制造技術(shù)研究所，常州 213164；3.中國科學(xué)技術(shù)大學(xué) 工程科學(xué)學(xué)院，合肥 230000)

下肢康復(fù)外骨骼機(jī)器人步態(tài)相位切換研究

馬 樂1,2，周 平2，王美玲2，陳淑艷2，張鵬萬3

（1.合肥工業(yè)大學(xué) 電氣與自動化工程學(xué)院，合肥 230009；2.中國科學(xué)院合肥物質(zhì)科學(xué)研究院先進(jìn)制造技術(shù)研究所，常州 213164；3.中國科學(xué)技術(shù)大學(xué) 工程科學(xué)學(xué)院，合肥 230000)

為實(shí)現(xiàn)下肢康復(fù)外骨骼機(jī)器人步態(tài)相位的穩(wěn)定切換，本文通過壓力傳感器，編碼器，陀螺儀以及拐杖按鈕檢測單元構(gòu)建的感知系統(tǒng)實(shí)時采集人體步態(tài)運(yùn)動信息，先根據(jù)足底壓力信號的標(biāo)志性事件將人體步態(tài)周期依次序劃分為四個相位，然后對不同相位的運(yùn)動狀態(tài)切換進(jìn)行具體研究。針對人體行走過程中支撐腿與擺動腿的切換判斷，提出基于學(xué)習(xí)矢量量化(LVQ)的神經(jīng)網(wǎng)絡(luò)模型。將整個步態(tài)相位切換模型嵌入控制程序中進(jìn)行在線測試，結(jié)果表明該模型實(shí)時性好，識別率高，能夠?qū)崿F(xiàn)穩(wěn)定柔順的步態(tài)切換。

下肢外骨骼機(jī)器人；傳感信號融合；相位劃分；LVQ；步態(tài)相位切換

0 引言

外骨骼機(jī)器人是一種集人機(jī)工程學(xué)、仿生學(xué)于一體的機(jī)械裝置，穿戴于人體肢體外側(cè)，靠人的智慧來控制機(jī)器人，發(fā)揮機(jī)器人能量動力的優(yōu)勢，輔助人類完成自身無法完成的任務(wù)，廣泛應(yīng)用于醫(yī)療、軍事、工業(yè)等領(lǐng)域[1]?？祻?fù)用下肢外骨骼機(jī)器人能夠幫助患者進(jìn)行腿部康復(fù)訓(xùn)練，在可重復(fù)性方面優(yōu)于傳統(tǒng)方法，可以大幅度縮短患者的康復(fù)訓(xùn)練時間，并減少陪同康復(fù)的醫(yī)師數(shù)量，大幅度降低人力成本。幫助老年人、下肢不便患者實(shí)現(xiàn)自主行走，改善他們的生活質(zhì)量，有助于他們的身心健康。

目前下肢外骨骼機(jī)器人的研究仍然面臨眾多挑戰(zhàn)，其中一個主要的挑戰(zhàn)就是機(jī)器人缺乏充分的能力識別穿戴者的行為和意圖。為了克服這個問題，研究者們采用慣性傳感器[2]、足底壓力傳感器[3]和關(guān)節(jié)角度傳感器[4]來獲取穿戴者的運(yùn)動信息，并通過模式識別的方法來檢測穿戴者的步行狀態(tài)與運(yùn)動意圖。Pappas I P I等人基于足底壓力傳感器和安裝在踝關(guān)節(jié)的陀螺儀信號采用有限狀態(tài)機(jī)的方法對足跟觸地、支撐、足跟離地、擺動四個步態(tài)相位進(jìn)行在線識別[5]。吳貴忠等人根據(jù)關(guān)節(jié)角度信息和足底壓力分布信息分別采用支持向量機(jī)和非線性自回歸神經(jīng)網(wǎng)絡(luò)模型來預(yù)測外骨骼機(jī)器人的步態(tài)相位[6]。Djuric M等人基于大腿、小腿和足部的加速度信息采用閾值法進(jìn)行步態(tài)運(yùn)動相位的識別[7]。

本文為實(shí)現(xiàn)下肢康復(fù)外骨骼機(jī)器人步態(tài)相位的穩(wěn)定切換，使用足底壓力傳感器、陀螺儀、編碼器和拐杖按鈕檢測單元構(gòu)成實(shí)時感知系統(tǒng)，先通過閾值法模糊處理足底壓力信號，將步態(tài)運(yùn)動周期依次序劃分為四個相位,然后對每個相位的運(yùn)動狀態(tài)切換進(jìn)行了具體研究。此外，針對雙支撐相位的支撐腿與擺動腿切換判斷采用了學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）神經(jīng)網(wǎng)絡(luò)模型。通過整個步態(tài)切換模型的在線測試，驗(yàn)證了模型的有效性。

1 采集系統(tǒng)結(jié)構(gòu)

本文的信號采集系統(tǒng)主要由足底壓力采集模塊、陀螺儀模塊、編碼器、拐杖按鈕信號檢測模塊和嵌入式PC主控制器模塊組成，各個模塊以節(jié)點(diǎn)形式掛載在CAN總線。

1.1 信號采集模塊

足底壓力信號采集模塊的傳感器采用Tekscan 公司的A401，在每一只腳底安裝三個傳感器，分別放置在第一跖骨、第五跖骨和足跟部位。模塊的微控制器采用STM32F103，采集頻率為100Hz，信號被控制器的12位A/D轉(zhuǎn)換器采集后進(jìn)行處理。陀螺儀模塊由MPU6050和微控制器組成，集成了3軸MEMS加速度計(jì)、3軸MEMS陀螺儀以及數(shù)字運(yùn)動處理器DMP。伺服電機(jī)編碼器用于輸出關(guān)節(jié)角度信息。拐杖按鈕信號檢測單元使用支持ZigBee協(xié)議的無線射頻芯片CC2530F256將按鈕信號通過2.4GHz的無線信道與主控器進(jìn)行串口通信，同時拐杖的使用增加了人體的支撐點(diǎn)和支撐范圍，提高了系統(tǒng)的穩(wěn)定性和安全性。嵌入式PC主控器實(shí)時采集各個模塊的傳感信號進(jìn)行融合分析，CAN總線的通信速率設(shè)為500Kbps。樣機(jī)實(shí)物如圖1所示。

圖1 樣機(jī)實(shí)物圖

1.2 信號處理與特征提取

足底壓力信號主要采用增益放大和二階巴特沃斯低通濾波進(jìn)行預(yù)處理。陀螺儀的輸出信號采用卡爾曼濾波算法進(jìn)行預(yù)處理，實(shí)現(xiàn)在動態(tài)環(huán)境下準(zhǔn)確輸出慣性數(shù)據(jù)。

根據(jù)足底壓力信號的變化特點(diǎn)，利用閾值法對信號進(jìn)行特征提取，設(shè)第i個壓力傳感器的閾值pth(i)等于其最大峰值的十分之一，此時穩(wěn)定性較好。當(dāng)足底壓力信號為p(i)時，經(jīng)閾值處理后的特征值pi*記為：

2 步態(tài)相位劃分

針對下肢康復(fù)外骨骼機(jī)器人的應(yīng)用，主要研究人體下肢的三個穩(wěn)定狀態(tài)：坐立狀態(tài)，站立狀態(tài)和行走狀態(tài)。

人體行走是具有周期性的運(yùn)動，通常將一側(cè)足跟著地開始到該足跟再次著地記為一個步態(tài)周期。足底壓力信息在步態(tài)運(yùn)動周期中體現(xiàn)出很好的確定性和規(guī)律性，因此根據(jù)足底壓力信號易于檢測的三個標(biāo)志性事件：足跟著地、足平放和足尖離地，將步態(tài)周期依次序劃分為四個相位：

左足壓力傳感器從足尖到足跟依次記為LF1、LF2和LF3，右足壓力傳感器依次記為RF1、RF2和RF3，其對應(yīng)的步態(tài)相位劃分關(guān)系如表1所示

表1 行走步態(tài)相位劃分

3 步態(tài)相位的切換

3.1 三個穩(wěn)定狀態(tài)的切換

坐立狀態(tài)與站立狀態(tài)的切換由按鈕信號控制，當(dāng)穿戴者按下站立按鈕，控制器會根據(jù)當(dāng)前傳感信息進(jìn)行狀態(tài)判斷，如果膝關(guān)節(jié)角度絕對值大于60°，髖關(guān)節(jié)角度大于50°，且足底壓力較小，則判定為坐立狀態(tài)，然后根據(jù)傳感數(shù)據(jù)自動規(guī)劃起立軌跡，延時2秒后電機(jī)使能進(jìn)入起立階段，穿戴者上肢借助拐杖的支撐來保持身體平衡，最終實(shí)現(xiàn)站立。站立切換到坐立由另一個按鈕控制，當(dāng)檢測到坐立按鈕信號后延時2秒，然后按預(yù)定的坐立軌跡執(zhí)行動作，坐立完成后電機(jī)失能。

行走狀態(tài)與站立狀態(tài)切換如圖2所示，穿戴者先依據(jù)個人習(xí)慣選擇左腿起步或右腿起步。處于站立狀態(tài)的穿戴者準(zhǔn)備行走時會將身體前傾，陀螺儀檢測到上身傾角大于設(shè)定閾值時便執(zhí)行起步程序進(jìn)入行走狀態(tài)。行走過程中，當(dāng)人體處于左單支撐或右單支撐相位時，穿戴者可以按下拐杖上的站立按鈕，主控器檢測到站立按鈕的信號后，立即停止電機(jī)的運(yùn)動并保持當(dāng)前姿態(tài)，然后根據(jù)足底壓力分布判斷出支撐腿和擺動腿，通過姿態(tài)角信息的融合分析自動生成收步軌跡，執(zhí)行收步動作，收步完成后調(diào)整到站立狀態(tài)。當(dāng)穿戴者處于行走過程中的雙支撐相位時，需要進(jìn)行支撐腿與擺動腿的切換，身體姿態(tài)難以完成收步動作，故主控器屏蔽拐杖的站立按鈕信號，以保障穿戴者的安全。

圖2 行走-站立狀態(tài)切換圖

3.2 支撐腿與擺動腿的切換

在連續(xù)行走過程中最重要的動作是實(shí)現(xiàn)支撐腿與擺動腿的自動切換。由于支撐腿與擺動腿的切換是發(fā)生在雙支撐相位的一個短暫的過程，沒有準(zhǔn)確的劃分界限，并且每一個步態(tài)的切換時期并不完全相同，而是在一定范圍內(nèi)進(jìn)行，這就使得通過設(shè)定單一閾值無法實(shí)現(xiàn)穩(wěn)定柔順的切換。為了解決這個問題，本文采用學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)支撐腿與擺動腿的切換判定。

1）LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)[8]是一種用于訓(xùn)練競爭層的有監(jiān)督學(xué)習(xí)方法的輸入前向神經(jīng)網(wǎng)絡(luò)，是從Kohonen的自組織特征映射網(wǎng)絡(luò)[9]演化而來的，不需要對輸入向量進(jìn)行歸一化、正交化處理，易于編程實(shí)現(xiàn)，且泛化性能好，因此在模式識別領(lǐng)域有著廣泛的應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)由三層神經(jīng)元組成，即輸入層、競爭層和線性輸出層，如圖3所示，輸入層n個神經(jīng)元接受輸入向量，與競爭層之間是全部連接。競爭層有m個神經(jīng)元，其個數(shù)大于線性輸出層神經(jīng)元個數(shù)l，與輸出層之間是部分連接，連接權(quán)值固定為1。

圖3 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2）LVQ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

LVQ的學(xué)習(xí)算法是在有教師狀態(tài)下對競爭層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，其改進(jìn)算法均是在LVQ1的基礎(chǔ)上引入次獲勝神經(jīng)元。LVQ1算法的基本思想是：計(jì)算距離輸入向量最近的競爭層神經(jīng)元，找到與之相連接的線性輸出層神經(jīng)元，根據(jù)輸入樣本類別和獲勝神經(jīng)元所屬類別，判斷當(dāng)前分類是否正確。若分類正確則獲勝神經(jīng)元的權(quán)向量向輸入向量方向調(diào)整，分類錯誤則向反方向調(diào)整，每次只對獲勝神經(jīng)元的權(quán)值進(jìn)行更新。本文采用改進(jìn)的LVQ2.1算法同時考察兩個權(quán)值向量，加快算法的收斂速度，使各個權(quán)向量快速的向目標(biāo)位置移動[10]，具體步驟如下：

步驟1：初始化輸入層與競爭層之間的權(quán)值ωij，設(shè)置初始學(xué)習(xí)率和訓(xùn)練次數(shù)K。

步驟2：將類別為Cx的輸入向量送入輸入層，根據(jù)公式(2)計(jì)算競爭層神經(jīng)元與輸入向量的距離。

式中ωij為輸入層的神經(jīng)元j與競爭層的神經(jīng)元i之間的權(quán)值。

步驟3：選擇競爭層與輸入向量X距離最近的神經(jīng)元i為獲勝神經(jīng)元，次近的神經(jīng)元j為次獲勝神經(jīng)元，距離分別記為di和dj，對應(yīng)的類別記為Ci和Cj。

為輸入向量可能落進(jìn)的接近于兩個向量中段平面的窗口寬度，一般取2/3。則有：

1）若Ci=Cx，則神經(jīng)元i和神經(jīng)元j的權(quán)值按公式(4)進(jìn)行修正：

2）若Ci=Cx，則神經(jīng)元i和神經(jīng)元j的權(quán)值按公式(5)進(jìn)行修正：

步驟5：若Ci=Cj，則只更新距離輸入向量最近的神經(jīng)元i的權(quán)值，更新規(guī)則如下：

1）若Ci=Cx，則用公式(6)調(diào)整權(quán)值：

2）若Ci≠Cx，則用公式(7)調(diào)整權(quán)值：

步驟6：迭代一次后更新學(xué)習(xí)率：

步驟7：若誤差精度滿足了要求或者迭代次數(shù)達(dá)到了K次，結(jié)束訓(xùn)練，否則轉(zhuǎn)至步驟2繼續(xù)訓(xùn)練。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 數(shù)據(jù)獲取

實(shí)驗(yàn)邀請五名24歲到28歲的健康男士穿戴外骨骼機(jī)器人進(jìn)行數(shù)據(jù)采集和測試，實(shí)驗(yàn)者身高在172cm到180cm之間，體重在64kg到72kg之間。實(shí)驗(yàn)者借助拐杖以較慢速度模擬助力行走步態(tài)，選取每名實(shí)驗(yàn)者的20個穩(wěn)定步態(tài)數(shù)據(jù)作為樣本集進(jìn)行分析。其中一名實(shí)驗(yàn)者的單個步態(tài)周期相位劃分如圖4所示。

圖4 單周期步態(tài)數(shù)據(jù)相位劃分

4.2 LVQ模型的構(gòu)建與在線測試

依據(jù)穿戴者的運(yùn)動意圖，結(jié)合關(guān)節(jié)角度和足底壓力的變化情況，將行走過程中雙支撐相位的支撐腿和擺動腿預(yù)備切換前的樣本數(shù)據(jù)標(biāo)記為類1，開始切換后的樣本數(shù)據(jù)標(biāo)記為類2，選取標(biāo)記好的樣本數(shù)據(jù)中的足底壓力和陀螺儀屬性構(gòu)成樣本向量對LVQ網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對每一個實(shí)驗(yàn)者選取480個樣本數(shù)據(jù)，樣本類別比例為1:1，隨機(jī)各選150組樣本數(shù)據(jù)組成含有300個樣本數(shù)據(jù)的訓(xùn)練集，剩下180組作為測試集。實(shí)驗(yàn)基于Matlab R2014a平臺，采用LVQ2.1變學(xué)習(xí)率的學(xué)習(xí)算法達(dá)到快速收斂。LVQ神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)為7，輸出層神經(jīng)元個數(shù)為2。通過多次試驗(yàn)得到競爭層神經(jīng)元個數(shù)為20，學(xué)習(xí)率初始值為0.1，迭代次數(shù)為100，目標(biāo)誤差設(shè)為0.02時的效果最好，此時單個網(wǎng)絡(luò)的訓(xùn)練過程如圖5所示，由圖可知第27次迭代訓(xùn)練時滿足了誤差精度要求，訓(xùn)練停止。

圖5 網(wǎng)絡(luò)訓(xùn)練過程

模型的ROC曲線如圖6所示。

圖6 LVQ神經(jīng)網(wǎng)絡(luò)的ROC

樣本數(shù)據(jù)識別結(jié)果的混淆矩陣如圖7所示，整體識別率達(dá)到了98.8%。

圖7 混淆矩陣

對左右腿的支撐與擺動切換分別構(gòu)建LVQ神經(jīng)網(wǎng)絡(luò)模型進(jìn)行在線測試，將模型參數(shù)導(dǎo)出，用C語言實(shí)現(xiàn)并嵌入控制程序。當(dāng)進(jìn)入雙支撐相位時將實(shí)時采集的樣本向量輸入LVQ神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。為了增加穩(wěn)定性，通過距離最近的2個神經(jīng)元的類別進(jìn)行判斷，當(dāng)這兩個神經(jīng)元的輸出類別相同且為新類別2時，輸出識別結(jié)果并執(zhí)行切換動作，然后退出識別模型，否則繼續(xù)對新的樣本向量進(jìn)行識別判斷，流程圖如圖8所示。

圖8 支撐與擺動切換判斷流程圖

模型的在線測試實(shí)驗(yàn)如圖9所示，測試結(jié)果表明針對某一實(shí)驗(yàn)者構(gòu)建的識別模型對該實(shí)驗(yàn)者的步態(tài)相位切換具有很好的識別效果，對身體條件相近的實(shí)驗(yàn)者具有較好的識別效果，模型有良好的泛化性能。由于個體身體健康狀況條件差異較大，因此實(shí)際使用時需要根據(jù)穿戴者的身體狀況構(gòu)建模型，調(diào)整參數(shù)，以便達(dá)到最佳效果。

5 結(jié)束語

本文根據(jù)下肢康復(fù)外骨骼機(jī)器人的具體應(yīng)用，研究了人體下肢運(yùn)動的三個穩(wěn)定狀態(tài)的切換。針對行走狀態(tài)是一系列有次序的運(yùn)動，依據(jù)三個足底壓力標(biāo)志性事件將步態(tài)周期劃分為四個相位，降低了模型復(fù)雜度。在此基礎(chǔ)上根據(jù)采集的傳感器信息對每個相位的運(yùn)動狀態(tài)切換進(jìn)行了具體研究。此外，通過在人體雙支撐相位構(gòu)建LVQ神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了支撐腿與擺動腿的自動切換。在線測試結(jié)果表明該模型實(shí)時性好，識別率高，能夠?qū)崿F(xiàn)下肢步態(tài)相位的安全穩(wěn)定切換。

圖9 模型在線測試

[1] 李坦東,王收軍,侍才洪,等.穿戴式外骨骼機(jī)器人的研究現(xiàn)狀及趨勢[J].醫(yī)療衛(wèi)生裝備,2016,37(9):116-119.

[2] Sprager S,Juric M B. Inertial Sensor-Based Gait Recognition: A Review[J].Sensors,2015,15(9):22089-22127.

[3] 汪飛躍,姚志明,許勝強(qiáng),等.基于柔性力敏傳感器的左右腳動態(tài)識別方法[J].傳感技術(shù)學(xué)報(bào),2015(7):964-971.

[4] Liu D X, Wu X, Du W, et al. Gait Phase Recognition for Lower-Limb Exoskeleton with Only Joint Angular Sensors:[J].Sensors,2016,16(10):1579.

[5] Pappas I P I, Keller T,Mangold S.A reliable, gyroscope based gait phase detection sensor embedded in a shoe insole[J].IEEE Sensors Journal,2004,4(2):268-274.

[6] Wu G, Wang C,Wu X, et al. Gait phase prediction for lower limb exoskeleton robots[C].IEEE International Conference on Information and Automation. IEEE,2017.

[7] Djuric M. Automatic recognition of gait phases from accelerations of leg segments[C].IEEE,2008:121-124.

[8] 王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京航空航天大學(xué)出版社,2013.

[9] Kohonen T.Self-organizing maps[M].Self-Organizing Maps.Springer Berlin Heidelberg,1997:266-270.

[10] 張敏靈,陳兆乾,周志華.SOM算法、LVQ算法及其變體述[J].計(jì)算機(jī)科學(xué),2002,29(7):97-100.

Research on gait phase transition for lower limbs rehabilitation exoskeleton robot

MA Le1,2, ZHOU Ping2, WANG Mei-ling2, CHEN Shu-yan2, ZHANG Peng-wan3

TP242.6

：A

：1009-0134(2017)08-0047-04

2017-06-14

常州市科技支撐計(jì)劃項(xiàng)目（CE20150013）

馬樂（1989 -），男，河南洛陽人，碩士研究生，研究方向?yàn)閭鞲屑夹g(shù)，模式識別。