譚明航，吳欽木

（貴州大學 電氣工程學院，貴陽 550025）

0 引言

近年來，生活節(jié)奏在不斷加快，使得腦卒中、類風濕性關節(jié)炎及交通事故等造成下肢運動功能障礙的人群也在增多。隨著科學技術的發(fā)展，下肢外骨骼機器人的出現(xiàn)幫助患者進行康復訓練，克服了傳統(tǒng)人工康復訓練效率低、康復慢的缺點，為下肢運動功能障礙人群帶來了福音［1］。

下肢外骨骼機器人主要是通過步態(tài)劃分結果，確定關節(jié)電機輸出力矩的時刻點，從而起到輔助人體下肢運動的作用，因此如何設計下肢外骨骼機器人的步態(tài)劃分方法直接關系到康復訓練的效果［2］。國內(nèi)外眾多學者和科研人員提出了不同的步態(tài)劃分方法。擬做闡釋分述如下。

（1）IMU 檢測角度或加速度信息。Jang 等人［3］建立了外骨骼髖關節(jié)和膝關節(jié)在不同運動過程中的角度與加速度信息關系，并以角度曲線的特定峰值來進行步態(tài)劃分。

（2）FSR 檢測足底壓力信息。為了提高步態(tài)劃分的準確性，Hyun 等人［4］構建了以足底壓力變化量來劃分步態(tài)相位的方法，并利用足底壓力的特點通過閾值來確定步態(tài)所處的階段。Kim 等人［5］、Qi 等人［6］設計了一種基于足底壓力和下肢角速度的步態(tài)劃分器，該步態(tài)劃分器通過角速度調(diào)整人體與外骨骼的閾值參數(shù)。

（3）無線超聲波檢測足部位移。Fan 等人［7］利用無線超聲波傳感器，通過建立遞歸牛頓-高斯方法來定位步態(tài)階段。上述利用傳感器數(shù)據(jù)進行步態(tài)劃分的方法在行走的過程中能發(fā)揮一定作用，但其魯棒性差，容易受外界因素干擾，導致步態(tài)劃分效果不佳。

綜上所述，基于傳感器的步態(tài)劃分方法具有一定的優(yōu)勢，并不需要建立精準的下肢外骨骼機器人動力學模型［8-9］，不依賴EMG 生物肌電信號［10］，以傳感器的特征來標定步態(tài)階段。然而單一的傳感器信息可能無法準確地劃分步態(tài)，因此本文為了提高步態(tài)劃分的精準性與魯棒性，設計了一種基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)相位劃分方法，該方法實現(xiàn)了行走過程中每個步態(tài)相位估計的準確性，提高了人機協(xié)調(diào)性。

1 基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)劃分原理

本文所提出的基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)劃分方法的架構如圖1 所示。主要分為感知層、決策與控制層和執(zhí)行層三個部分。其中，感知層有一階低通濾波器、步態(tài)相位劃分器，決策與控制層包括自適應振蕩器及力矩發(fā)生器。

圖1 基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)劃分步態(tài)相位劃分方法架構圖Fig. 1 Gait phase division method structure diagram of lower limb hip joint exoskeleton gait classification based on fuzzy logic

1.1 一階低通濾波器

相較于其它低通濾波算法，一階低通濾波算法待調(diào)節(jié)的參數(shù)少，運算量小，易于軟件實現(xiàn)和快速處理，是實時性強的濾波算法。因此采用該濾波器對髖關節(jié)角度數(shù)據(jù)和足底壓力數(shù)據(jù)進行濾波預處理，濾波器輸出為：

其中，Y(n) 為本次濾波結果；a為濾波系數(shù)；X(n) 為采樣值；Y(n -1) 為上次濾波結果。

1.2 步態(tài)周期劃分器

人體行走過程是一種類周期性運動，每條腿的動作總是表現(xiàn)為向前邁出與收回，循環(huán)往復，可以通過傳感器檢測行走過程中重復特征事件信息的方法，達到區(qū)分每個步態(tài)周期的目的。例如IMU 檢測角度或加速度、壓力感應電阻（Force sensing resister，F(xiàn)SR）檢測足底壓力等。由于人體下肢擺動存在抖動，導致髖關節(jié)角度曲線可能存在多個局部峰谷，單獨使用IMU來劃分每個步態(tài)周期，其準確度會受到影響?？紤]到人體步行過程中，足部活動主要為腳跟撞擊、腳趾支撐、腳趾離地以及足部完全懸空四個部分［8］，腳跟和腳趾部位的壓力大小會隨著行走步態(tài)階段的發(fā)展而呈現(xiàn)明顯的規(guī)律性變化，因此，本文結合髖關節(jié)角度曲線局部峰谷與足底壓力二者的特點，設計了一種模糊邏輯規(guī)則來進行每個步態(tài)周期的實時在線劃分。

本文選擇采樣頻率為1 000 Hz 的IMU 來進行髖關節(jié)角度數(shù)據(jù)采集，定義采集到的髖關節(jié)角度和髖關節(jié)角速度分別為q和，經(jīng)一階低通濾波后的髖關節(jié)角度為qfilter。

將濾波預處理后的髖關節(jié)角度qfilter進行歸一化處理，需用到的公式為：

其中，qfilter，min、qfilter，max分別為濾波預處理后的髖關節(jié)角度最小值和最大值，qw為經(jīng)歸一化處理后的髖關節(jié)角度。

取滑動窗口序列：

其中，n為奇數(shù)，且滿足n∈ (0，100) 。

則髖關節(jié)角度曲線局部峰谷情況可由下列公式判定：

其中，VL為波谷；PK為波峰；ZE為過零點；min表示求最小值函數(shù)；max 表示求最大值函數(shù)；ε為一個正的極小值。

本文選擇采樣頻率為100 Hz 的扁平式壓力傳感器來測量足底壓力情況，并將傳感器分別嵌入到鞋子的腳掌和腳跟兩個部位，如圖2 所示。圖2 中，a為腳掌壓力傳感器，b為腳跟壓力傳感器，c為CAN數(shù)據(jù)傳輸線。

圖2 足底壓力傳感器分布圖Fig. 2 The profile of the plantar pressure sensors

為了更好地描述足底壓力變化，將采集到的實時足底壓力數(shù)據(jù)進行歸一化處理，具體公式如下：

其中，i ＝1，2 表示腳掌和腳跟；Ps，i為足底壓力傳感器實時測得的壓力值；Psmin，i、Psmax，i分別為足底壓力傳感器測得的壓力最小值和最大值；Pi為經(jīng)歸一化處理后的足底壓力。

依據(jù)式（3）、式（4），以髖關節(jié)角速度、qw為經(jīng)歸一化處理后的髖關節(jié)角度和足底壓力差作為輸入變量，經(jīng)過研究定制的步態(tài)相位推理規(guī)則（GPIR），輸出步態(tài)劃分結果。

在式（3）、式（4）的基礎上，本文構建了模糊邏輯推理系統(tǒng)（FIS），如圖3 所示。對于髖關節(jié)角度輸入變量，定義了3 個隸屬函數(shù)：LOW-低、MID-中、HIGH -高，對于足底壓力輸入變量，定義了5 個隸屬函數(shù)：L -小、M -中等、PH -較高、H -高、VH -極高，對于步態(tài)周期劃分輸出變量：IW -初始擺動相，F(xiàn)W-完全擺動相，IS-初始支撐相，F(xiàn)S-完全支撐相，得到的模糊邏輯規(guī)則，見表1。

圖3 步態(tài)周期劃分模糊邏輯推理系統(tǒng)Fig. 3 Fuzzy logic deduction diagram of gait stages division

表1 模糊邏輯規(guī)則表Tab.1 Fuzzy logic rules table

2 外骨骼機器人樣機平臺

本文的下肢髖關節(jié)外骨骼機器人樣機平臺如圖4 所示。外骨骼樣機控制系統(tǒng)基于ARM Cortex-M7架構芯片STM32F765IIK6。髖關節(jié)電機選用額定輸出扭矩為45 N·m 的BLDC 直流無刷電機，電機FOC 驅動器額定功率為480 W，采用增量式編碼器來獲得關節(jié)電機轉子機械角度。IMU 為維特智能公司生產(chǎn)的九軸陀螺儀，型號為JY931。

圖4 下肢髖關節(jié)外骨骼機器人樣機Fig. 4 Lower limb hip joint exoskeleton robot prototype

外骨骼樣機系統(tǒng)開啟電源后，所有傳感器（髖關節(jié)IMU 傳感器、足底壓力傳感器）數(shù)據(jù)、步態(tài)周期劃分數(shù)據(jù)等都會記錄在16 GB 容量的TF 卡中，以便于后續(xù)實驗驗證與數(shù)據(jù)分析對比。

3 實驗驗證及結果分析

3.1 實驗設計

招募受試者一名（年齡22 歲、身高175 cm、體重72 kg），受試者穿戴外骨骼機器人樣機在跑步機上以預先設定好的速度規(guī)則進行行走，共收集了來自該名受試者的10 組行走數(shù)據(jù)。表2 是收集到的不同速度階段的10 組實驗樣本數(shù)據(jù)集。

表2 各組樣本不同速度階段數(shù)據(jù)采樣點數(shù)及步態(tài)周期總數(shù)Tab.2 Data points and gait cycles number of different speed stages in each groups of samples

3.2 相位劃分器實驗結果分析

前文1.2 節(jié)中相位劃分器部分提出了依據(jù)髖關節(jié)角度局部峰谷情況和經(jīng)過閾值條件判定后的足底壓力情況的模糊推演邏輯規(guī)則，本文將該方法簡稱為GPF 方法。

GPF 步態(tài)劃分方法將一個步態(tài)周期分成了4 個階段，如圖5 所示。圖5 中，“階梯狀”的線代表了GPF 劃分的步態(tài)階段，當“階梯狀”的線值縱坐標為1 時表示當前步態(tài)階段處于初始搖擺相、為2 時表示處于完全搖擺相、為3 時表示處于初始支撐相、為4 時表示處于完全支撐相。

圖5 GPF 方法步態(tài)階段劃分情況圖Fig. 5 GPF method gait stages division situation diagram

為了驗證GPF 方法對步態(tài)相位劃分的準確度，首先，定義每組測試樣本各周期內(nèi)的相位階段劃分正確率ERO作為步態(tài)相位階段劃分準確度評價標準一，數(shù)學定義公式見下式：

其中，Ω為實驗一各組樣本每個步態(tài)周期內(nèi)相位階段劃分正確的采樣點數(shù)，U為實驗一各組樣本每個步態(tài)周期內(nèi)采樣總點數(shù)。

其次，定義實驗一M組樣本的平均相位階段劃分正確率AERO作為評價標準二，數(shù)學定義公式見下式：

其中，由于實驗一進行了10 組測試，因此M ＝10；i表示測試樣本組別號；j表示各組測試樣本步態(tài)周期序號；V表示各組測試樣本步態(tài)周期總數(shù)。

步態(tài)階段劃分ERO結果見表3，各組樣本步態(tài)階段劃分ERO誤差棒如圖6 所示。

圖6 各組樣本步態(tài)階段劃分ERO 誤差棒Fig. 6 ERO error bars for gait stages division of each group of samples

表3 步態(tài)階段劃分ERO 結果Tab.3 Results of gait stages division ERO %

根據(jù)表3 和圖6 中數(shù)據(jù)分析可知，第③組樣本最小ERO為99.01%，最大ERO為100%，平均ERO為99.51%，該組測試結果在全部10 組測試中的步態(tài)劃分準確率最高，除了第⑩組樣本，其他組樣本ERO均在95%以上，平均ERO在97%以上。第⑩組樣本出現(xiàn)了最低ERO（94.10%）的原因是由于該組實驗數(shù)據(jù)某階段步態(tài)周期內(nèi)受試者不小心阻礙了外骨骼動作，導致該步態(tài)幅度過小，角度峰谷與足底壓力情況在支撐相階段不明顯，影響了GPF 方法對該步態(tài)周期內(nèi)支撐相階段的劃分，然而在實際穿戴外骨骼進行助力行走的過程中，不會發(fā)生多段該種步態(tài)情況，除非外骨骼穿戴者人為刻意阻礙外骨骼動作?？v觀全部10 組樣本數(shù)據(jù)，從整體步態(tài)階段劃分效果來看，AERO結果為98.38%，AERO越高，GPF 對步態(tài)劃分的效果越好。因此，本文提出的GPF 方法在步態(tài)階段識別上具有較高的準確性，并且GPF 方法復雜度不高，相比其它神經(jīng)網(wǎng)絡方法更利于嵌入式微控制器程序的實現(xiàn)。

4 結束語

針對下肢運動功能障礙人群的康復訓練，本文提出了一種基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)相位劃分方法。根據(jù)髖關節(jié)角度與足底壓力數(shù)據(jù)相結合的模糊邏輯推演來精準劃分每個步態(tài)周期，并記錄每個步態(tài)周期初始擺動相時刻。為了證明所提出的基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)相位劃分方法的有效性及優(yōu)越性，設計了跑步機行走實驗，并進行了步態(tài)階段劃分準確度分析，實驗結果表明基于模糊邏輯的下肢髖關節(jié)外骨骼步態(tài)相位劃分方法具有準確的步態(tài)階段劃分能力以及更好的步態(tài)自適應協(xié)調(diào)性能。