董 為 石永軍 林瑋琪

(哈爾濱工業(yè)大學(xué)機(jī)器人技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室, 哈爾濱 150001)

1 引言

隨著人類航天技術(shù)的不斷發(fā)展,航天員出艙進(jìn)行深空探測作業(yè)的次數(shù)會(huì)逐漸增多[1]。 在未來的航天活動(dòng)中,航天員需要攜帶更多的科學(xué)儀器,穿越復(fù)雜的地形地貌,應(yīng)對多種復(fù)雜惡劣的太空環(huán)境,這對航天員的運(yùn)動(dòng)能力提出了新的挑戰(zhàn)[2]。

運(yùn)動(dòng)能力是航天員艙外作業(yè)重要保障。 當(dāng)前的航天服具備生命安全保障和作業(yè)能力保障兩大類功能,它們在具體實(shí)現(xiàn)上存在相互制約關(guān)系。其中,壓力服的應(yīng)用使其活動(dòng)功效被明顯削弱,實(shí)際表現(xiàn)為運(yùn)動(dòng)阻力增大、動(dòng)作范圍受限、靈活性變差等[3]。

近年來,穿戴式智能機(jī)電技術(shù)的興起為這一問題提供了新的解決思路[4]。 以輔助穿戴者運(yùn)動(dòng)為目標(biāo)的穿戴式智能機(jī)電系統(tǒng)也稱為穿戴式助力系統(tǒng),融合了機(jī)電一體化、傳感技術(shù)、人工智能、人機(jī)工程多學(xué)科的技術(shù),能夠增強(qiáng)穿戴者的負(fù)載、機(jī)動(dòng)、感知、防護(hù)等能力,幫助航天員提高在各種工作環(huán)境下的工作效率[5]。

穿戴式助力系統(tǒng)的研究內(nèi)容主要包括具備人機(jī)相容性的結(jié)構(gòu)設(shè)計(jì)、面向人機(jī)交互的控制算法研究和基于人體信號的運(yùn)動(dòng)意圖感知三大方向[6]。 3 個(gè)方向的研究相輔相成,各國研究人員的相關(guān)成果也各有側(cè)重,Ding 等[7]團(tuán)隊(duì)采用鮑登線等柔性單元實(shí)現(xiàn)了助力系統(tǒng)的柔性動(dòng)力傳遞,極大地增加了人機(jī)系統(tǒng)的相容性;Xiloyannis 等[8]根據(jù)人體肘關(guān)節(jié)屈曲角度和助力電機(jī)回轉(zhuǎn)角度間的關(guān)系建立起了對應(yīng)的運(yùn)動(dòng)學(xué)模型,進(jìn)而提出了肘關(guān)節(jié)重力補(bǔ)償算法;Lessard 等[9]參考了康復(fù)治療中的鏡像療法,在穿戴者一側(cè)手臂的大臂和前臂處布置慣性測量單元,為另一側(cè)手臂的助力提供參考輸入。

在人體運(yùn)動(dòng)意圖感知方面,常用的方法為借助助力系統(tǒng)上搭載的各類傳感設(shè)備采集穿戴者當(dāng)前的生理、運(yùn)動(dòng)信號,將采集到的信號通過特定算法處理后,建立起信號與運(yùn)動(dòng)間的映射關(guān)系,并由此辨識出穿戴者當(dāng)前的運(yùn)動(dòng)意圖,辨識的快速和準(zhǔn)確與否,直接決定了助力系統(tǒng)的助力效果,是穿戴式助力系統(tǒng)研究內(nèi)容的重要環(huán)節(jié)[10-11]。 在運(yùn)動(dòng)信號的選取上,表面肌電信號應(yīng)用的最為廣泛,代表性成果為Kawamoto 等[12]推出的HAL-5 型外骨骼機(jī)器人;Varghese 等[13]基于人體肩關(guān)節(jié)的逆運(yùn)動(dòng)學(xué)模型,借助神經(jīng)網(wǎng)絡(luò)技術(shù),利用圖像捕捉的方法預(yù)測人體肩關(guān)節(jié)的運(yùn)動(dòng)意圖;Wang 等[14]推出的MINDWALKER 則采用了非侵入式腦電信號作為助力系統(tǒng)的參考輸入信號;黃海等[15]研制的HEXO 外骨骼則通過采集人機(jī)間的交互力來辨識人體的運(yùn)動(dòng)意圖。

從實(shí)際應(yīng)用的角度來看,表面肌電信號對皮膚表面質(zhì)量要求較高且易受環(huán)境電磁干擾,圖像捕捉技術(shù)由于其外置傳感器的特性故其使用場地受到限制[16],腦電信號受限于人腦的復(fù)雜性難以辨識出精確的運(yùn)動(dòng)動(dòng)作,人機(jī)交互力信號從產(chǎn)生原理上已滯后于人體的運(yùn)動(dòng),在快速性上有一定的欠缺[17]。

針對上述問題,本文提出了一種基于肌聲信號的人體運(yùn)動(dòng)意圖辨識算法。 肌聲信號是由對應(yīng)肌肉的振動(dòng)產(chǎn)生,利用慣性測量單元采集后進(jìn)行濾波與特征提取,最后利用機(jī)器學(xué)習(xí)的方法建立關(guān)節(jié)力矩與肌聲信號間的映射關(guān)系,從而實(shí)現(xiàn)人體運(yùn)動(dòng)意圖的辨識,最終通過試驗(yàn)驗(yàn)證算法的有效性。

2 肌聲信號的采集與處理

肌聲信號(Mechanomyogram,MMG),又稱肌音信號、肌動(dòng)信號,是肌肉軸向收縮時(shí)相互間的滑動(dòng)摩擦產(chǎn)生的一種壓力波。 在人體皮膚表面采集到的肌聲信號是由多個(gè)肌纖維的不同步機(jī)械活動(dòng)產(chǎn)生的復(fù)合信號,其中蘊(yùn)含了參與本次運(yùn)動(dòng)的肌纖維的數(shù)目及其振動(dòng)的振幅、頻率等信息[6]。

肌聲信號在肌力估計(jì)方面的應(yīng)用已被證實(shí)具有可行性[18],且肌聲信號相較于表面肌電信號,對傳感器的要求較低,普通的加速度計(jì)即可勝任,信號的機(jī)械振動(dòng)特性使得信號對傳感器的安裝位置較不敏感,偏離肌腹處[19]安裝也可有較好的采集效果。 總的來看,肌聲信號具有設(shè)備成本低、對擺放位置和皮膚表面條件的需求低、抗干擾性強(qiáng)等優(yōu)勢,是理想的人體運(yùn)動(dòng)意圖辨識算法輸入信號。

為獲取肌聲信號對應(yīng)的肢體動(dòng)作,本文采用九軸慣性測量單元(Inertial Measurement Unit,IMU)作為肌聲信號的采集設(shè)備,以右臂肘關(guān)節(jié)屈曲伸展運(yùn)動(dòng)為例,試驗(yàn)選取了一名25 歲男性志愿者,無神經(jīng)肌肉疾病史,將IMU 置于其右臂肱橈肌處,如圖1 所示。

圖1 肌聲信號采樣示意圖Fig.1 Mechanomyogram sampling

為簡化數(shù)據(jù)處理,同時(shí)不丟失可能的有效信息,對IMU 的三軸加速度計(jì)數(shù)據(jù)依照式 (1)進(jìn)行降維。

式中,ACCx,ACCy,ACCz分別為IMU 的x,y和z軸加速度計(jì)讀數(shù),ACC為降維后的原始肌聲信號。 令受試者右臂肘關(guān)節(jié)勻速完成一次屈曲伸展運(yùn)動(dòng),采集到的原始肌聲信號如圖2 所示。

圖2 右臂肘關(guān)節(jié)屈伸運(yùn)動(dòng)原始肌聲信號Fig.2 Raw mechanomyogram of flexion and extension movement of elbow joint of right arm

可以看出,合成后的原始肌聲信號里,蘊(yùn)含著由傳感器引入的高頻白噪聲和由肢體運(yùn)動(dòng)及重力加速度引起的低頻運(yùn)動(dòng)偽跡,這些不必要的干擾將會(huì)嚴(yán)重影響肌聲信號的采集效果,需要設(shè)計(jì)相應(yīng)的濾波器,在濾除高頻噪聲及運(yùn)動(dòng)偽跡的同時(shí)盡可能保留更多的肌聲信號。

需要濾除的噪聲主要分布在高頻和低頻段,由于不同關(guān)節(jié)不同肌肉震動(dòng)的頻率特性各有特點(diǎn),常用的帶通濾波器難以滿足通用性的需求;傳統(tǒng)的以傅里葉分析為基礎(chǔ)的頻域處理方法常用于處理有較強(qiáng)規(guī)律性的平穩(wěn)信號,面對類似肌聲信號的隨機(jī)非平穩(wěn)信號則表現(xiàn)不佳。 針對上述問題,出于提高所設(shè)計(jì)濾波器的跨肌肉適應(yīng)性的考慮,本文選擇希爾伯特-黃變換(Hilbert-Huang Transform,HHT)對肌聲信號進(jìn)行分析。

HHT 變換主要由經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)和希爾伯特變換兩部分組成。 EMD 算法基于原始信號自身的局部時(shí)間尺度,能夠?qū)⑿盘柊搭l率高低分解為有限階本征模態(tài)函數(shù)(Intrinsic Mode Functions,IMFs)和一個(gè)殘差。 通過分析各個(gè)IMF,能夠分辨出其中有高頻白噪聲和運(yùn)動(dòng)偽跡所主導(dǎo)的IMF 并將其剔除,將剩余的IMF 重新組合便可得到濾除噪聲后的相對純凈的肌聲信號。

以圖2 所示的原始肌聲信號為例,對其進(jìn)行EMD 分解,分解共獲得了9 階IMF 和1 階殘差,分解結(jié)果如圖3 所示。

圖3 原始肌聲信號EMD 分解結(jié)果Fig.3 EMD decomposition results of raw mechanomyogram

對于隨機(jī)白噪聲,其隨機(jī)性導(dǎo)致其各個(gè)時(shí)刻間的信號關(guān)聯(lián)性較弱,及其自相關(guān)函數(shù)近似于零點(diǎn)附近的脈沖函數(shù)[20],為找出由噪聲主導(dǎo)的IMF,引入自相關(guān)概念,自相關(guān)函數(shù)定義見式 (2)。

白噪聲主要存在于高頻段,故對分解出的前4 階IMF 進(jìn)行自相關(guān)求解并進(jìn)行歸一化處理,求解結(jié)果如圖4 所示。 可以看出,第1 階IMF 的自相關(guān)函數(shù)曲線符合白噪聲的特點(diǎn),將其視作噪聲主導(dǎo)的IMF 剔除。

圖4 前四階IMF 自相關(guān)函數(shù)曲線Fig.4 Autocorrelation function of the first 4 IMFs

完成高頻段噪聲的濾波后,還需要進(jìn)行低頻噪聲的辨識與濾除,參考文獻(xiàn)[18]、[20]的研究成果,對于大多數(shù)被噪聲污染的信號,其主要能量集中在低頻段,越往高頻段,其含有的能量越少,一定存在某階IMF,使得該階分量之后的IMF 為信號主導(dǎo)模態(tài),該階分量前的IMF 為噪聲主導(dǎo)模態(tài)。

基于上述結(jié)論,做出如下變動(dòng):假設(shè)運(yùn)動(dòng)偽跡為求解的目標(biāo)信號,肌聲信號為高頻噪聲,則噪聲與信號間一定會(huì)有一階IMF 將兩類模態(tài)區(qū)分開,引入IMF 的能量公式用于求解各階IMF 的能量,能量公式如式 (3)所示。

式中,IMFi(j)表示第i階IMF 的第j個(gè)信號值,n表示所包含信號值的總個(gè)數(shù)。

根據(jù)式 (3),求解出各階IMF 所蘊(yùn)含的能量,求解結(jié)果如圖5 所示。 可以看出,第6 階IMF之后的信號蘊(yùn)含的能量較其他階IMF 有顯著的上升,故將第6 階之后的IMF 視作由運(yùn)動(dòng)偽跡及重力加速度主導(dǎo)的IMF 并加以剔除,則至此完成了對原始肌聲信號的高頻和低頻噪聲的濾波,剩余的IMF2～I(xiàn)MF5 即為濾波后的肌聲信號。

圖5 各階IMF 的能量曲線Fig.5 Energy curve of all IMFs

將剩余的IMF2～I(xiàn)MF5 重組,獲得濾波后的肌聲信號,與濾波前的肌聲信號和對應(yīng)右臂肘關(guān)節(jié)屈曲伸展運(yùn)動(dòng)的歐拉角對比如圖6 所示。

由圖6 可以看出,濾波后的肱橈肌肌聲信號與對應(yīng)肘關(guān)節(jié)的屈曲伸展運(yùn)動(dòng)間有十分清晰的對應(yīng)關(guān)系,可將其用作人體運(yùn)動(dòng)意圖辨識的輸入信號。

圖6 濾波前后肌聲信號對比Fig.6 Mechanomyogram before and after filtering

3 肌聲信號特征提取與關(guān)節(jié)力矩辨識

3.1 關(guān)節(jié)力矩信號的采集

人體的關(guān)節(jié)運(yùn)動(dòng)由對應(yīng)的肌肉收縮產(chǎn)生,骨骼肌收縮使得肌腱拉動(dòng)骨骼令關(guān)節(jié)產(chǎn)生運(yùn)動(dòng),在一定程度上,可以通過辨識人體相應(yīng)關(guān)節(jié)的關(guān)節(jié)力矩來表征人體的運(yùn)動(dòng)意圖。

肌聲信號與人體運(yùn)動(dòng)間有明確的對應(yīng)關(guān)系,故可以通過設(shè)計(jì)算法建立起肌聲信號與關(guān)節(jié)力矩間的映射關(guān)系來進(jìn)行人體運(yùn)動(dòng)意圖的辨識,以肘關(guān)節(jié)信號采集為例,搭建數(shù)據(jù)采集平臺,如圖7所示。

圖7 肘關(guān)節(jié)數(shù)據(jù)采集Fig.7 Elbow data collection

人體肌肉收縮力難以通過非侵入的方式進(jìn)行測量,且侵入式測量設(shè)備成本較高且易對受試者造成傷害。 針對此問題,本文設(shè)計(jì)了如式 (4)所示的矢狀面下基于六維力傳感器的關(guān)節(jié)力矩計(jì)算模型,模型示意圖見圖8。

圖8 關(guān)節(jié)力矩計(jì)算模型Fig.8 Joint torque calculation model

式中,A為人體前臂當(dāng)前姿態(tài)向量,由綁縛于其上的IMU 測得,Fx、Fy、Fz為六維力傳感器的x、y、z三軸讀數(shù),F為六維力傳感器三軸讀數(shù)的向量和,L為人體前臂長度。

基于關(guān)節(jié)力矩計(jì)算模型,采集受試者左臂肘關(guān)節(jié)力矩與左臂肱橈肌肌聲信號,如圖9 所示。

圖9 左臂肱橈肌肌聲信號與肘關(guān)節(jié)力矩對比Fig.9 Mechanomyogram of left brachioradialis andleft elbow torques

由圖可知,肱橈肌肌聲信號與肘關(guān)節(jié)關(guān)節(jié)力矩存在明顯的對應(yīng)關(guān)系,肘關(guān)節(jié)向屈曲方向出力時(shí),肱橈肌肌聲信號幅值較大;肘關(guān)節(jié)向伸展方向出力時(shí),肱橈肌肌聲信號幅值較小,因此可以僅使用肱橈肌處的肌聲信號來估計(jì)肘關(guān)節(jié)的關(guān)節(jié)力矩。

3.2 肌聲信號的特征提取

肌聲信號是一種連續(xù)的時(shí)序信號,對其進(jìn)行適當(dāng)?shù)奶卣髦堤崛√幚?既可簡化運(yùn)動(dòng)意圖識別算法,又可避免信息處理過程中有效信息的丟失。

通常認(rèn)為人體主要通過2 種方式調(diào)節(jié)肌肉出力的大小:①通過調(diào)節(jié)當(dāng)前參與出力的肌纖維數(shù)量,參與收縮的肌纖維數(shù)量越多,肌肉力量越大;②通過調(diào)整肌纖維的收縮頻率來調(diào)節(jié)肌肉力量,肌纖維連續(xù)受到刺激后產(chǎn)生的收縮將會(huì)疊加,使收縮產(chǎn)生的肌肉力進(jìn)一步增強(qiáng)。

基于上述原理,可以推導(dǎo)出如下結(jié)論:肌肉力量會(huì)伴隨著肌纖維振動(dòng)幅度和振動(dòng)頻率而變化,由此可以從時(shí)域、頻域2 個(gè)角度對肌聲信號展開分析,提取肌聲信號的特征值。

由圖9 可知,肌聲信號的幅值與關(guān)節(jié)力矩間的相關(guān)關(guān)系角位明顯,故以表征數(shù)據(jù)幅值有效值的均方根(Root Mean Square,RMS)作為肌聲信號的時(shí)域特征,計(jì)算方法如式 (5)所示。

式中,Xi為第i個(gè)信號幅值,N表示采樣個(gè)數(shù)。

頻域方面,選取平均功率頻率(Mean Power Frequency, MPF)作為頻域特征值。 對采集到的肌聲信號EMD 濾波后,進(jìn)行希爾伯特變換并沿時(shí)間積分,即可獲得表征信號頻域與信號蘊(yùn)含能量之間關(guān)系的希爾伯特邊際譜,如圖10 所示。

圖10 希爾伯特邊際譜Fig.10 Hilbert marginal spectrum

獲得希爾伯特邊際譜后,便可得知信號頻率與信號能量間的對應(yīng)關(guān)系,通過式 (6)即可計(jì)算出當(dāng)前肌聲信號的平均功率頻率MPF。

式中,E為信號能量,f為信號頻率。

肌肉力量可通過改變參與收縮的肌纖維數(shù)量來調(diào)節(jié),即肌聲信號中蘊(yùn)含著參與工作的肌纖維的數(shù)量信息,故本文額外引入樣本熵(Sample Entropy, SampEn)作為非線性方面的特征值,即通過度量信號中產(chǎn)生新模式的概率的大小來表征肌聲信號中活躍的肌纖維數(shù)量。

此外,考慮到肌聲信號在時(shí)間上的連續(xù)性,為了減少信息提取過程中的損失,同時(shí)兼顧系統(tǒng)計(jì)算能力,引入如圖11 所示的滑窗法處理肌聲信號,并設(shè)定窗口長度為500 ms,步進(jìn)長度為50 ms。

圖11 滑窗法示意圖Fig.11 Sliding window algorithm

3.3 基于機(jī)器學(xué)習(xí)的關(guān)節(jié)力矩辨識

受人體脂肪厚度,人體肌肉疲勞程度的影響,肌聲信號與人體關(guān)節(jié)力矩間復(fù)雜的非線性關(guān)系難以利用傳統(tǒng)的回歸方法精確表述,故本文采用機(jī)器學(xué)習(xí)的方法,利用大量的測試數(shù)據(jù)來擬合肌聲信號與關(guān)節(jié)力矩間真實(shí)的映射關(guān)系。

本文所述算法面向穿戴式助力設(shè)備,作為經(jīng)典的人機(jī)交互系統(tǒng),其助力安全性永遠(yuǎn)是應(yīng)該優(yōu)先考慮的事項(xiàng),故選擇隨機(jī)森林回歸模型作為關(guān)節(jié)力矩辨識的基礎(chǔ)算法。

隨機(jī)森林回歸是一種屬于裝袋類型的繼承算法,如圖12 所示,模型由多棵分類回歸樹構(gòu)成,每一棵回歸樹之間相互獨(dú)立,互不影響,模型最終的輸出由森林內(nèi)的每一棵樹共同決定。

圖12 隨機(jī)森林回歸模型Fig.12 Random forest regression model

隨機(jī)森林回歸模型具備極高的穩(wěn)定性,只有在半數(shù)以上的回歸樹都做出錯(cuò)誤預(yù)測的情況下,模型的輸出才會(huì)嚴(yán)重偏離真實(shí)值。

4 試驗(yàn)與結(jié)果

4.1 受試者

征集3 名22～27 歲的男性志愿者,均身體健康,無神經(jīng)及肌肉相關(guān)疾病史。

4.2 方法

1)模型訓(xùn)練與驗(yàn)證。 從中選擇2 名受試者在如圖7 所示的采集平臺上分別完成左臂肘關(guān)節(jié)的屈曲伸展運(yùn)動(dòng)關(guān)節(jié)力矩及肌聲信號特征值采集。 共采集到150 000 組樣本數(shù)據(jù),依據(jù)交叉驗(yàn)證的思想,抽取其中10 000 組數(shù)據(jù)作為驗(yàn)證集,其余數(shù)據(jù)作為訓(xùn)練集。 設(shè)定隨機(jī)森林回歸模型的子回歸樹數(shù)量為10,最小葉大小為1。

2)關(guān)節(jié)力矩辨識。 為驗(yàn)證本文所述算法的有效性,設(shè)計(jì)了關(guān)節(jié)力矩辨識試驗(yàn)。 3 位志愿者中,志愿者1 和志愿者2 參與了關(guān)節(jié)力矩辨識算法的訓(xùn)練數(shù)據(jù)集采集,志愿者3 未參與。參與訓(xùn)練集采集的志愿者的數(shù)據(jù)作為實(shí)驗(yàn)的試驗(yàn)組,將未參與采集的志愿者的數(shù)據(jù)作為試驗(yàn)的對照組。

試驗(yàn)以志愿者的肘關(guān)節(jié)運(yùn)動(dòng)為試驗(yàn)?zāi)繕?biāo)動(dòng)作,試驗(yàn)數(shù)據(jù)由上位機(jī)直接采集并實(shí)時(shí)計(jì)算,設(shè)定測力平臺六維力傳感器的采樣頻率為200 Hz,控制系統(tǒng)關(guān)節(jié)力矩辨識頻率為5 Hz。

試驗(yàn)開始前的24 小時(shí)內(nèi),志愿者被告知不要進(jìn)行高強(qiáng)度的運(yùn)動(dòng)以避免肌肉的生理狀態(tài)受到影響。 試驗(yàn)進(jìn)行過程中,志愿者被要求以近似正弦波的出力方式對六維測力平臺施加外力,施力的大小和頻率則不做特殊要求。 每位志愿者需完成4 組實(shí)驗(yàn)數(shù)據(jù)的采集,每次數(shù)據(jù)采集至少持續(xù)30 s。 為防止肌肉疲勞產(chǎn)生的強(qiáng)直現(xiàn)象干擾試驗(yàn)結(jié)果,2 次試驗(yàn)間志愿者充分休息。

4.3 實(shí)驗(yàn)結(jié)果

1)模型訓(xùn)練與驗(yàn)證。 使用訓(xùn)練集離線訓(xùn)練出模型參數(shù)后,基于驗(yàn)證集對該模型的準(zhǔn)確性進(jìn)行評估,其交叉驗(yàn)證結(jié)果如圖13 所示。 從中可以看出,通過力傳感器測量和計(jì)算得到的關(guān)節(jié)力矩真實(shí)值,與通過模型獲取的關(guān)節(jié)力矩預(yù)測值之間存在的差異較小。 說明離線訓(xùn)練效果達(dá)到了較好的水平,可用于后續(xù)的關(guān)節(jié)力矩辨識實(shí)驗(yàn)。

圖13 交叉驗(yàn)證結(jié)果Fig.13 Results of cross validation

2)關(guān)節(jié)力矩辨識。 志愿者1 和志愿者2 的關(guān)節(jié)力矩辨識結(jié)果如圖14 所示。 以力矩辨識結(jié)果的均方根差值(RMSE)和決定系數(shù)(R2)作為辨識效果的評價(jià)指標(biāo)。 前者代表預(yù)測值和實(shí)際值之差的樣本標(biāo)準(zhǔn)差;后者反映了回歸關(guān)系在多大程度上可以解釋因變量的變化,較高的值表明回歸模型可以產(chǎn)生更好的預(yù)測結(jié)果。 可分別由式(7)和(8)計(jì)算。

圖14 志愿者1 和志愿者2 的關(guān)節(jié)力矩辨識結(jié)果Fig.14 Recognition results of volunteer 1 and volunteer 2

式中,y^t,yt,分別表示力矩的預(yù)測值、實(shí)際值和平均值。

由實(shí)驗(yàn)采集的數(shù)據(jù)可得,志愿者1 關(guān)節(jié)力矩辨識結(jié)果的均方根差值為1.981 2,決定系數(shù)為0.953 2;志愿者2 關(guān)節(jié)力矩辨識結(jié)果的均方根差值為1.700 8,決定系數(shù)為0.862 0。

作為本次實(shí)驗(yàn)的對照組,志愿者3 的關(guān)節(jié)力矩辨識效果如圖15 所示。

圖15 志愿者3 的關(guān)節(jié)力矩辨識結(jié)果Fig.15 Recognition result of volunteer 3

志愿者3 的關(guān)節(jié)力矩辨識效果整體不太理想,均方根差值為3.426 1,決定系數(shù)為0.682 4。究其原因,不同志愿者間的體脂含量不同,脂肪對肌聲信號傳遞起到的濾波作用不可忽視;且志愿者間的肌肉活性也各有差異,導(dǎo)致肌聲信號存在個(gè)體差異。

綜合來看,本文提出的基于肌聲信號的人體關(guān)節(jié)力矩辨識技術(shù)在一定限度內(nèi)有著良好的辨識效果。 由于不同人個(gè)體間的差異較大,該算法并不具備通用性,這種非通用性也能夠類比到同一穿戴者的不同肌肉上,人體不同肌肉表現(xiàn)出的生理差異也十分顯著,需要對每塊目標(biāo)肌肉單獨(dú)采樣,算法整體實(shí)現(xiàn)過程較為繁瑣,有較大的改進(jìn)空間。

5 結(jié)論

本研究主要是采集肌聲信號和關(guān)節(jié)力矩來構(gòu)成數(shù)據(jù)集,并離線訓(xùn)練隨機(jī)森林回歸模型從而建立其映射關(guān)系。 在驗(yàn)證算法有效性后,接下來便可以將訓(xùn)練好的模型導(dǎo)入助力裝備的控制系統(tǒng)中進(jìn)行力矩在線估計(jì)。 以肘關(guān)節(jié)屈伸動(dòng)作為例說明了該算法的實(shí)施過程。 對于其他動(dòng)作的力矩辨識,在流程上是類似的,但測量肌聲信號的目標(biāo)肌肉不同,故需要相應(yīng)地單獨(dú)訓(xùn)練模型參數(shù)。

1)提出了基于關(guān)節(jié)運(yùn)動(dòng)對應(yīng)肌肉的肌聲信號采集、濾波及特征提取方法,實(shí)現(xiàn)了人體運(yùn)動(dòng)意圖信號的提取與分析。

2)提出了基于機(jī)器學(xué)習(xí)技術(shù)的肌肉肌聲信號與人體關(guān)節(jié)力矩的映射方法,利用隨機(jī)森林回歸模型辨識人體關(guān)節(jié)運(yùn)動(dòng)的關(guān)節(jié)力矩,辨識決定系數(shù)可達(dá)0.9532,從而實(shí)現(xiàn)人體運(yùn)動(dòng)意圖的辨識。