杜妍辰 孫潔 汪曉銘 黎林榮 喻洪流

摘要：智能下肢假肢與下肢外骨骼是肢體功能障礙者恢復日常運動的重要手段?；诩‰娦盘柕闹苯右鈭D控制是其自適應、自主控制的關鍵技術之一。針對此問題，闡述了基于肌電信號的人體下肢運動意圖映射研究進展，包括比例肌電法、肌骨模型法和人工智能算法，討論了基于肌電信號的人體運動意圖映射研究所面臨的主要問題。最后，對該領域未來發(fā)展方向進行了展望和總結。

關鍵詞：肌電信號；智能下肢假肢；下肢外骨骼；運動意圖映射；直接意圖控制

中圖分類號：TK 242.6

文獻標志碼：A

智能下肢假肢與下肢外骨骼等移動穿戴式康復機器人能夠幫助肌肉損傷、神經損傷或下肢截肢患者恢復下肢運動功能。目前，解決基于人與機器人密切交互的控制問題已成為研究這類下肢康復機器人的關鍵技術問題，其中，人機交互中的人體運動意圖識別又是交互控制技術中的核心問題之一。人類與機器人的信息交互可以通過多種方法，這些方法在復雜程度和交互水平上各不相同[1-2]。其中，廣泛采用的分層控制結構（高層控制、中層控制和底層控制）能夠在無需識別人體運動意圖的情況下輔助患者實現(xiàn)基本的運動，但一般只適合結構化環(huán)境中的精準性和重復性任務，并不適合非結構化環(huán)境，面對復雜環(huán)境（如人群中行走）或未構建的任務（如在不規(guī)則地形環(huán)境中的運動）時，這種控制方法難以實現(xiàn)用戶對設備的直接控制，從而導致設備無法擬合人體自然、流暢的運動[3-5]。

當前傳感器技術的發(fā)展使得人機交互更加有效，人與機器人可以通過各種交互方式協(xié)同完成任務。在保證機器人安全性的同時，自然地對人體運動意圖作出反應，如何映射人類運動意圖是下肢假肢與下肢外骨骼的協(xié)作系統(tǒng)所面臨的挑戰(zhàn)之一。人體運動意圖識別的信號主要包括機械信號、生物力學信號和神經信號。其中：機械信號是反映人體運動學和動力學的信號，主要包括速度、關節(jié)加速度等信號；生物力學信號是反映人體力學特性的信號，主要包括人機交互力、足底壓力等信號；神經信號是反映人體中樞信息的信號，主要包括腦電信號（ EEG）和肌電信號（ EMG）。機械信號和生物力學信號由于其傳感技術成熟、穩(wěn)定的特點被廣泛應用于意圖識別，但其仍存在一些局限：a．機械信號和生物力學信號是人體與外部環(huán)境交互的信號，不是人體本身的運動意圖，無法準確映射人體運動意圖；b．機械信號和生物力學信號存在滯后性，影響意圖識別效果。神經信號的特點卻在于：a．神經信號是中樞神經的直接反映，即能夠直接反映人體運動意圖；b．神經信號具有一定的預測性[3]。但是，由于腦電信號需要穿戴腦電帽，且信號易受到干擾，而肌電信號不僅是中樞運動神經的直接反映，能夠解碼人體運動意圖，同時還具有預測性和易獲取性的特點，成為映射人體運動意圖的主要輸入。在假肢與外骨骼設備的人機協(xié)作系統(tǒng)中加入肌電信號可以實現(xiàn)更加直接的控制[6-11]。雖然肌電信號在假肢與外骨骼的研究中存在一些局限性，但是，近年來一些科研機構持續(xù)開展臨床技術（如周圍神經手術等）和人機接口（如假肢接收腔等）等肌電接口研究并取得了一定的成果，促進了表面肌電信號直接控制智能下肢假肢與下肢外骨骼的研究[12-14]。肌電信號（EMG）已被廣泛應用于人機協(xié)作系統(tǒng)中，用于映射人體運動意圖。本文重點研究基于肌電信號映射人體下肢運動意圖。

基于表面肌電信號映射人體下肢運動意圖，即通過解碼肌電信號以獲得人體下肢的運動信息（如膝關節(jié)角度、髖關節(jié)力矩等）是人體運動意圖映射的研究重點。本文重點綜述基于表面肌電信號映射人體下肢運動意圖的不同方法，將這些映射方法總結概括為3類：比例肌電法、肌骨模型法和人工智能法。

1 研究現(xiàn)狀

1.1 比例肌電法

比例肌電法是較早開展研究以及應用的方法，其主要思想是在量化的肌電信號與下肢運動學和動力學之間建立線性數(shù)學關系，其中，量化的肌電信號主要是濾波處理后的肌電信號的幅值。其控制結構如圖1所示，控制器調節(jié)的參數(shù)隨肌電信號的大小成比例變化[15-18]。

根據控制器的增益不同，比例肌電法分為固定增益比例控制和變增益比例控制，典型的相關研究如表1所示。

1.1.1 固定增益比例控制

固定增益比例控制是結合表面肌電信號和運動學信號實現(xiàn)直接控制，一般通過不斷實驗以尋找最優(yōu)增益。比例肌電控制器跟蹤的角度或力矩與經過處理的肌電信號相關。

Young等[10]通過設計健康受試者的平地行走實驗，驗證了采用比例肌電控制系統(tǒng)的外骨骼能夠幫助用戶降低能耗。范德堡大學的Ha等[10]提出將表面肌電信號的二次判別分析（QDA）和主成分分析（PCA）后的特征值直接用于阻抗控制器，通過比較健康受試者和截肢患者在非負重活動（坐）下是否穿戴假肢的膝關節(jié)角度（均方根誤差分別為6.2。和5.2。），證明了比例肌電法直接控制膝關節(jié)假肢的可行性。

1.1.2變增益比例控制

變增益比例控制的底層控制器的增益可以進行調節(jié)，分為手動調節(jié)和自動調節(jié)。前者允許手動增加或減少控制器增益以調節(jié)設備驅動，但這種控制方法與自動控制系統(tǒng)理念相違背；后者是控制器增益隨底層控制的輸入響應，根據表面肌電信號調節(jié)阻抗或位置。

Wu等[20]設計了膝關節(jié)假肢的“主被動控制系統(tǒng)”，通過輸入表面肌電信號仿生人體關節(jié)，其“主動組件”仿生驅動膝關節(jié)的動作， “被動組件”仿生膝關節(jié)對阻抗的反應，結合2個組件計算膝關節(jié)輸出扭矩調節(jié)阻抗，實現(xiàn)人、機、環(huán)境物理交互。密歇根大學的Huang等[23]對踝關節(jié)假肢的扭矩和表面肌電信號建立數(shù)學關系，同時通過視覺反饋系統(tǒng)手動調節(jié)控制器增益。

在K0ller等[22]的研究中，雙側踝關節(jié)外骨骼采用了自適應增益比例肌電控制方法，經過對8名健康受試者行走實驗的驗證，證明了這種控制方法能夠降低人體代謝成本。Fleming等[27]利用連續(xù)的表面肌電信號與有限狀態(tài)相結合的控制方法實現(xiàn)對假肢踝關節(jié)的直接控制，為研究下肢假肢與下肢外骨骼控制提供了新思路。

比例肌電法是將表面肌電信號和控制目標映射為簡單的數(shù)學關系，易于建模和計算，大多數(shù)研究將此方法應用于下肢假肢與下肢外骨骼，其中，部分研究的實驗對象是神經或肌肉損傷與截肢患者，這使得此研究更具實際意義和價值。但這種方法無法仿生人體的生物神經控制系統(tǒng)，不能準確地計算多塊肌肉聯(lián)合作用對運動的影響，導致控制精度不高、參數(shù)調節(jié)困難及魯棒性差等問題。

1.2肌骨模型法

肌骨模型是描述運動仿真和理解人體運動控制機制的重要數(shù)學模型，該模型可根據肌電信號解算肢體運動學角度和動力學力矩[30]?；诩」悄Ｐ头ǖ闹苯涌刂平Y構如圖2所示，典型的相關研究如表2所示。

Karavas 等[33'35]通過肌骨模型映射膝關節(jié)力矩改進下肢外骨骼控制結構。Lloyd等[44]通過實驗驗證了肌骨模型計算膝關節(jié)力矩（相關系數(shù)0.91；殘差12 Nm）可行性和可靠性。陳江城等[45]根據肌絲滑移理論優(yōu)化肌肉的激活模型，優(yōu)化模型預測膝關節(jié)力矩的結果表明，最大絕對誤差為（11.0±1.32） Nm，相關系數(shù)為0.927±0.042。Kim等[34]提出遞歸最小二乘算法提取人體腿部肌肉激活率優(yōu)化模型，Au等[46]利用此方法直接控制踝關節(jié)假肢。Cimolato團隊和Saxby團隊[40'47]分別提出使用深度學習優(yōu)化肌骨模型的方法，這對于肌骨模型的研究具有重要意義。

雖然肌骨模型法能夠描述下肢肌骨生理結構和運動微觀力學，但肌肉參數(shù)冗余、肌骨幾何形狀復雜等因素影響計算，考慮到實時計算問題，此方法難以滿足下肢假肢與下肢外骨骼對實時性的要求，且這些研究的實驗對象大多是健康受試者。設備的控制應緊密結合生物系統(tǒng)控制，這些問題導致該方法應用于智能下肢假肢與下肢外骨骼還有一定的距離[32，36，40，48]。

1.3人工智能法

人工智能中的特征工程和神經網絡算法可以自動、有效地將表面肌電信號聯(lián)合力學仿生映射運動學與動力學，采用人工智能算法映射下肢運動意圖成為該領域的研究亮點[49]。人工智能算法映射下肢運動意圖主要包括特征工程與神經網絡模型，其控制結構如圖3所示，典型的相關研究如表3所示。

1.3.1特征工程

針對神經網絡的輸入過多導致的特征冗余和過擬合等問題，對神經網絡的輸入進行特征優(yōu)化，主要方法包括主成分分析、歸一化和稀疏編碼等。Xiong等[51]使用稀疏算法優(yōu)化力矩特征，并基于神經網路構建模型，根據優(yōu)化的特征預測膝關節(jié)力矩和踝關節(jié)力矩，結果表明，歸一化均方根誤差均小于7.98%，相關系數(shù)均高于0.963 3。Chandrapal團隊[50]通過等長和等速運動實驗比較兩種歸一化方法（以膝關節(jié)45°時最大值歸一化；以最大值歸一化每個膝關節(jié)角度表面肌電信號和力矩），等長運動最小誤差可達到10.461%，等速運動最小誤差達到20%。

1.3.2 神經網絡

人工神經網絡是模擬人腦的神經元網絡的一種非線性模型，前饋網絡和記憶網絡是常用的映射運動意圖的模型。

針對踝關節(jié)力矩的連續(xù)估計，Zhang等[41]分別構建肌肉骨骼模型和前饋神經網絡模型，根據不同步速下的肌電信號預測踝關節(jié)力矩，結果表明，肌骨模型與神經網絡預測結果的誤差接近（如肌骨模型0.15；神經網絡0.10），驗證了神經網絡模型代替肌骨模型將表面肌電圖信號映射到關節(jié)力矩的可行性。

Zabre -Gonzalez等[59]使用基于外源輸入的非線性自回歸神經網絡（ NARX）建立脛骨前肌、腓骨內側肌表面肌電信號與踝關節(jié)角度和力矩的之間的模型，通過平地行走、上下樓梯，以及路況切換實驗驗證模型的有效性，結果表明，均方根誤差均小于1°和0.04 Nm/kg，相關系數(shù)高于0.99。這項研究有效地證明了表面肌電直接意圖控制能夠提高人、機、環(huán)境物理交互的協(xié)調性，有助于實現(xiàn)自主控制和自適應控制。

中科院的Zhang等[53]通過實驗對比健康受試者和脊髓損傷受試者，結果表明，健康受試者和脊髓損傷受試者均方根誤差分別小于9°和6°，證明BP神經網絡預測脊髓損傷患者的髖、膝、踝關節(jié)角度的可行性。

Caulcrick等[60]比較了線性回歸、多項式回歸和神經網絡回歸膝關節(jié)力矩。經過在坐姿下穿戴膝關節(jié)外骨骼預測膝關節(jié)扭矩的實驗得到，神經網絡預測結果的相關系數(shù)為（97.6+0.8）%，高于其他方法（ 94.1；96.0）。結果表明，針對肌電信號和膝關節(jié)力矩的映射關系，基于神經網絡的建模方法更加可靠。

以上這些研究證明了應用人工智能算法回歸下肢關節(jié)角度與力矩的可行性和可靠性。但是，由于表面肌電信號具有隨機性和超前性等特性，導致基于肌電信號的下肢假肢和下肢外骨骼的直接意圖控制需要更進一步的研究。例如，針對表面肌電信號提前于相應動作發(fā)生的特性，Coker等[57]以表面肌電信號為輸入訓練神經網絡（ ANN）預測不同時間間隔（表面肌電信號和相應動作發(fā)生的時間間隔）的膝關節(jié)角度，結果表明：時間間隔越短，準確度越高（50 ms均方根誤差為0.68°；200 ms均方根誤差為4.16°）；樣本越多，準確度越高。

2 討論與展望

為了更清晰地對比3種下肢運動意圖映射方法，本文分析總結了這些方法各自的特點，如表4所示。

2.1 現(xiàn)有研究存在的問題

針對不同方法研究特點，現(xiàn)有的研究仍存在以下問題：

a．模型存在缺陷。比例肌電法和人工智能法計算相對簡單快速，但其無法體現(xiàn)人體生理結構和運動特性，而肌骨模型則相反。很多情況下，智能下肢假肢與下肢外骨骼需要實時計算，龐大的計算量和復雜的模型都會增加設備硬件負擔，同時相對簡單的模型則對底層控制要求更高。雖然人工智能算法具有模型相對復雜、計算相對簡單的特點，但需要大量數(shù)據對其進行訓練，應對未知任務和復雜環(huán)境的風險更大。目前還沒有提出一種既能描述生理運動特性，同時又能夠提高計算效率的模型。

b．實驗對象不理想。智能下肢假肢與下肢外骨骼的目標人群是截肢和肌肉或神經損傷患者，患者的肌肉特性不同于健康人，映射運動意圖直接控制設備需要從宏觀考慮完整控制結構。目前，智能下肢假肢與下肢外骨骼的實驗對象主要為健康人，臨床應用性不高。

c．實驗缺乏對比。相同模型對健康人和患者映射運動意圖的有效性需要進行實驗比較，對于智能下肢假肢或下肢外骨骼的同一個模型需要對健康人和患者的實驗結果進行量化分析（如能量消耗、精確度等）。目前只有少數(shù)的研究進行了對比分析，并證明其方法的可行性。

d．實驗環(huán)境與任務簡單。目前大多數(shù)研究映射運動意圖的實驗任務簡單（行走或站立）、單一，且實驗環(huán)境基本是在實驗室條件下，無法適應未知的環(huán)境和復雜的任務。

2.2 展望

針對肌電直接控制智能下肢假肢與下肢外骨骼的研究總結了相關下肢運動意圖映射方法。雖然這些方法已經在相關實驗中成功映射了人體下肢運動，但對于智能下肢假肢與下肢外骨骼的目標人群，現(xiàn)有的研究和實驗仍存在很多不足，針對這些問題，未來的研究應關注以下幾個方面：

a．信息融合。肌電信號存在隨機性、易干擾等明顯缺陷，雖然現(xiàn)有的研究已開始將反映生物神經的肌電信號和更加穩(wěn)定的信號（如角速度、圖像等）相結合，但該領域的研究仍處于初步階段，對于信息融合，如何篩選輸入信息，如何處理并融合信息等問題都有待研究。加強信息融合，增強輸入信息的穩(wěn)定性和可靠性，解碼更多運動信息是未來的發(fā)展方向。

b．患者特性。由于截肢者、神經和肌肉損傷患者的肌肉特性不同于健康人，需要更加關注實際患者及其特殊肌群對智能下肢假肢與下肢外骨骼肌電控制系統(tǒng)的影響，克服截肢原因（如外傷或血管障礙等）、殘肢長度和形狀以及隨后的肌肉萎縮對肌電信號的影響。

c．人工智能。在目前的研究中，使用人工智能算法可以準確映射下肢運動，但是，這種方法并不能體現(xiàn)其生物特性，而且，這種黑箱模型基本無法達到100%的正確率，降低了智能下肢假肢或外骨骼的可靠性和穩(wěn)定性。未來需要依靠人工智能算法的強計算、快速建模等特點，結合比例肌電和肌骨模型構造新模型，深入挖掘肌電信號、機械信號等輸入與人體運動學、動力學相關信息以控制設備。

d．復雜環(huán)境。目前的研究大多是基于實驗室環(huán)境，映射運動意圖受到特定運動模型的限制，但實際環(huán)境更為復雜。如何應對復雜環(huán)境T的不確定步態(tài)，如何解決重新穿戴假肢肌電信號偏差，以及下肢假肢與下肢外骨骼機器人能否適應復雜地理環(huán)境（如復雜地形）等問題的研究還鮮有涉及，但這對人體下肢運動意圖映射具有重要意義。

3 結束語

介紹了表面肌電信號映射下肢運動意圖的研究方法，同時深入討論了這些方法直接控制智能下肢假肢與下肢外骨骼的研究特點以及未來研究的發(fā)展方向。目前，雖然對智能下肢假肢與下肢外骨骼的控制研究已取得長足的發(fā)展，但在基于肌電映射下肢運動意圖直接控制機器人方面還有很多問題沒有解決，很多空白點值得進一步深入探討，尤其基于人工智能的探索尚處于初步研究階段，這一領域未來的發(fā)展前景非常廣闊。

參考文獻：

[1] JONES K S，SCHMIDLIN E A.Human-robot interaction：toward usable personal service robots[J]. Reviews ofHuman Factors and Ergonomics， 2011， 7（1）： 100-148.

[2]吳偉銘，孟巧玲，倪偉，等．康復機器人系統(tǒng)數(shù)據通信技術應用現(xiàn)狀[J].上海理工大學學報，2023，45（1）： 36-43

[3]王啟寧，鄭恩昊，陳保君，等，面向人機融合的智能動力下肢假肢研究現(xiàn)狀與挑戰(zhàn)[J]．自動化學報，2016，42（12）：1780-1793．

[4]趙偉亮，曹武警，李，等，人機共融的主動型下肢假肢分層控制策略探討[J]．生物信息學，2017，15（3）：191-195．

[5] HUANG H，KUIKEN T A，LIPSCHUTZ R D.A strategyfor identifying locomotion modes using surfaceelectromyography[J]. IEEE Transactions on BiomedicalEngineering， 2009. 56（1）： 65-73.

[6] HARGROVE L J，YOUNG A J，SIMON A M， et al.Intuitive control of a powered prosthetic leg duringambulation：a randomized clinical triaI[J]. JAMA， 2015，313（22）： 2244-2252.

[7] YOUNG A J. KUIKEN T A. HARGROVE L J. Analysisof using EMG and mechanical sensors to enhance intentrecognition in powered lower limb prostheses[J] . Journal ofNeural Engineering， 2014， 11（5）： 056021.

[8] HARGROVE L J， SIMON A M， YOUNG A J. et al.Robotic leg control with EMG decoding in an amputeewith nerve transfers[J]. New England Journal of Medicine， 2013. 369（13）： 1237-1242.

[9] SIMON A M， FEY N P， INGRAHAM K A. et al. Poweredprosthesis control during walking， sitting， standing， andnon-weight bearing activities using neural and mechanicalinputs[C]//lntemational IEEE/EMBS Conference on NeuralEngineering. San Diego： IEEE. 2014： 1174-1177.

[10] HA K H， VAROL H A， GOLDFARB M. Volitional controlof a prosthetic knee using surface electromyography[J].IEEE Transactions on Biomedical Engineering， 2011，58（1）： 144-151.

[11]劉壯，朱純煜，朱越，等.基于多傳感器信息的新型穿戴式上肢外骨骼康復機器人 [J]. 北京生物醫(yī)學工程，？021，40（3）： 273-278.

[12] HEFFERMAN G M. ZHANG F， NUNNERY M J， et al.Integration of surface electromyographic sensors with thetransfemoral amputee socket： a comparison of fourdiffering configurations[J]. Prosthetics & OrthoticsIntemational. 2015， 39（2）： 166-173.

[13] YEON S H. SHU T， ROGERS E A， et al. Flexible dryelectrodes for EMG acquisition within lower extremityprosthetic sockets[C]//2020 8th IEEE RAS/EMBSIntemational Conference for Biomedical Robotics andBiomechatronics （BioRob）. New York： IEEE， 2020：1088-1095.

[14] ELMARAGHl S， ALBANO N J. ISRAEL J S. et al.Targeted muscle reinnervation in the hand： treatment andprevention of pain after ray amputation[J]. The Journal ofHand Surgery， 2020， 45（9）： 884.

[15] MYERS D R， MOSKOWITZ G D. Myoelectric pattemrecognition for use in the volitional control of above-kneeprostheses[J]. IEEE Transactions on Systems， Man. andCybernetics， 1981， 11（4）： 296-302.

[16] DONATH M. Proportional EMG control for above kneepros-theses[D]. Cambridge： Massachusetts Institute ofTechnology， 1974.

[17] DOORENBOSCH C， HARLAAR J. Accuracy of apracticable EMG to force model for knee muscles[J].Neuroscience Letters， 2004， 368（1）： 78-8 1 .

[18] HOOVER C D. FULK G D. FITE K B. Stair ascent with apowered transfemoral prosthesis under direct myoelectriccontroI[J]. IEEE/ASME Transactions on Mechatronics，2013. 18（3）： 1191-1200.

[19] YOUNG A J. GANNON H. FERRIS D P. Abiomechanical comparison of proportional electromy-ography control to biological torque control using apowered hip exoskeleton[J]. Frontiers in Bioengineeringand Biotechnology， 2017， 5： 37.

[20] WU S K. WAYCASTER G， SHEN X R.Electromyography-based control of active above-kneeprostheses[J]. Control Engineering Practice. 2011， 19（8）：875-882.

[21] HOOVER C D. FULK G D. FITE K B. The design andinitial experimental validation of an active myoelectrictransfemoral prosthesis[J]. Journal of Medical Devices.2012， 6（1）： 011005.

[22] KOLLER J R， JACOBS D A， FERRIS D P， et al. Learningto walk with an adaptive gain proportional myoelectriccontroller for a robotic ankle exoskeleton[J]. Journal ofNeuroEngineering and Rehabilitation. 2015. 12： 97.

[23] HUANG S. WENSMAN J P. FERRIS D P. Locomotoradaptation by transtibial amputees walking with anexperimental powered prosthesis under continuousmyoelectric controI[J]. IEEE Transactions on NeuralSystems and Rehabilitation Engineering， 2016， 24（5）：573-581.

[24] CLITES T R， CARTY M J. ULLAURI J B， et al.Proprioception from a neurally controlled lower-extremityprosthesis[J]. Science Translational Medicine. 2018，10（443）： eaap8373.

[25] FLEMING A， HUANG S. HUANG H. Proportionalmyoelectric control of a virtual inverted pendulum usingresidual antagonistic muscles： toward voluntary posturalcontroI[J]. IEEE Transactions on Neural Systems andRehabilitation Engineering， 2019， 27（7）： 1473-1482.

[26] HUANG S， HUANG H. Voluntary control of residualantagonistic muscles in transtibial amputees： reciprocalactivation. coactivation. and implications for direct neuralcontrol of powered lower limb prostheses[J]. IEEETransactions on Neural Systems and RehabilitationEngineering， 2019， 27（1）： 85-95.

[27] FLEMING A. HUANG S. BUXTON E， et al. Directcontinuous electromyographic control of a poweredprosthetic ankle for improved postural control after guidedphysical training： A case study[J]. Wearable Technologies，2021. 2： E3.

[28] HUNT G R. HOOD S， LENZI T. Stand-up， squat， lunge，and walk with a robotic knee and ankle prosthesis undershared neural controI[J]. IEEE Open Joumal ofEngineering in Medicine and Biology， 2021， 2： 267-277.

[29] FLEMING A， LIU W T， HUANG H. Neural coherence ofhomologous muscle pairs during direct EMG control ofstanding posture in transtibial amputees[C]//Proceedings ofthe Sth Intemational Conference on Converging Clinicaland Engineering Research on Neurorehabilitation lV.Cham： Springer， 2022： 139-143.

[30] VAN SOEST A J K. HAENEN W P. ROZENDAAL L A.Stability of bipedal stance： the contribution ofcocontraction and spindle feedback[J]. BiologicalCybernetics， 2003， 88（4）： 293-301.

[31] FLEISCHER C. HOMMEL G. A human-exoskeletoninterface utilizing electromyography[J]. IEEE Transactionson Robotics， 2008， 24（4）： 872-882.

[32] HOOVER C D， FITE K B. A configuration dependent muscle model for the myoelectric control of a transfemoral prosthesis [C]//IEEE

International

Conference

onRehabilitation Robotics. Zurich： IEEE. 201 I ： 1-6.

[33] KARAVAS N， AJOUDANI A. TSAGARAKIS N， et al.Tele-Impedance based stiffness and motion augmentationfor a knee exoskeleton device[C]//2013 IEEE IntemationalConference on Robotics and Automation. Karlsruhe： IEEE，2013： 2194-2200.

[34] KIM Y. HORI Y. Muscle group activation estimation inhuman leg during gait using recursive least squaresembodying Hill's muscle modeI[C]//5th IEEE RAS/EMBSIntemational Conference on Biomedical Robotics andBiomechatronics. Sao Paulo： IEEE. 2014： 845-850.

[35] KARAVAS N. AJOUDANI A. TSAGARAKIS N， et al.Tele-impedance based assistive control for a compliantknee exoskeleton[J]. Robotics & Autonomous Systems，2015， 73：78-90.

[36] THATTE N. GEYER H. Toward balance recovery with legprostheses using neuromuscular model controI[J]. IEEETransactions on Biomedical Engineering， 2016， 63（5）：904-913.

[37] BAHL J S， ZHANG J， KILLEN B A， et al. Statistical shapemodelling versus linear scaling： effects on predictions ofhip joint centre location and muscle moment arms in peoplewith hip osteoarthritis[J]. Journal of Biomechanics， 2019，85： 164-172.

[38] BARZAN M. MODENESE L， CARTY C P. et al.Development and validation of subject-specific pediatricmultibody knee kinematic models with ligamentousconstraints[J]. Journal of Biomechanics， 2019. 93：194-203 .

[39] DAVICO G， PIZZOLATO C， KILLEN B A， et al. Bestmethods and data to reconstruct paediatric lower limbbones for musculoskeletal modelling[J]. Biomechanics andMocleling in Mechanobiology， 2020， 19（4）： 1225-1238.

[40] CIMOLATO A， MILANDRI G. MATTOS L S. et al.Hybrid machine leaming-neuromusculoskeletal modelingfor control of lower limb prosthetics[C]//2020 8th IEEERAS/EMBS Intemational Conference for BiomedicalRobotics and Biomechatronics （BioRob）. New York： IEEE，2020： 557-563.

[41] ZHANG L B， LI Z J， HU Y B， et al. Ankle joint torqueestimation using an EMG-driven neuromusculoskeletalmodel and an artificial neural network modeI[J]. IEEETransactions on Automation Science and Engineering，2021， 18（2）： 564-573.

[42] RABE K G. LENZI T， FEY N P. Performance ofsonomyographic and electromyographic sensing forcontinuous estimation ofjoint torque during ambulation onmultiple terrains[J]. IEEE Transactions on Neural Systemsand Rehabilitation Engineering， 202 1， 29： 263 5-2644.

[43] SHAH C. FLEMING A， NALAM V， et al. Design ofEMG-driven musculoskeletal model for volitional controlof a robotic ankle prosthesis[C]//2022 IEEE/RSJInternational Conference on Intelligent Robots andSystems. Kyoto： IEEE， 2022： 12261-12266.

[44] LLOYD D G， BESIER T F. An EMG-drivenmusculoskeletal model to estimate muscle forces and kneejoint moments in vivo[J]. Journal of Biomechanics， 2003，36（6）： 765-776.

[45]陳江城，張小棟，李睿，等.利肌電信號的下肢動49（12）： 26-33.

[46] AU S K. BONATO P， HERR H. An EMG-positioncontrolled system for an active ankle-foot prosthesis： aninitial experimental study[C]//9th International Conferenceon Rehabilitation Robotics. Chicago： IEEE， 2005：375-379.

[47] SAXBY D J. KILLEN B A. PIZZOLATO C， et al.Machine leaming methods to support personalizedneuromusculoskeletal modelling[J]. Biomechanics andModeling in Mechanobiology， 2020， 19（4）： 1169-1185.

[48] INKOL K A. BROWN C， MCNALLY W. et al. Muscletorque generators in multibody dynamic simulations ofoptimal sports performance[J]. Multibody SystemDynamics. 2020， 50（4）： 435-450.

[49]喻洪流 . 康復機器人人：十大遠景展望 [J].中國康復醫(yī) 學雜志， 2020， 35（8）： 900-902.

[50] CHANDRAPAL M. CHEN X Q， WANG W H. et al.Investigating improvements to neural network based EMGto joint torque estimation[J]. Paladyn， Journal ofBehavioral Robotics， 2011， 2（4）： 185-192.

[51] XIONG B P， ZENG N Y. LI H， et al. Intelligent predictionof human lower extremity joint moment： an artificial neuralnetwork approach[J]. IEEE Access. 2019， 7： 29973-29980.

[52] CHEN J C， ZHANG X D. CHENG Y， et al. Surface EMGbased continuous estimation of human lower limb jointangles by using deep belief networks[J] . Biomedical SignalProcessing and Control. 2018， 40： 335-342.

[53] ZHANG F. LI P F， HOU Z G， et al. sEMG-basedcontinuous estimation of joint angles of human legs byusing BP neural network[J]. Neurocomputing， 2012， 78（1）：139-148.

[54] SU C J， CHEN S R. JIANG H Y， et al. Ankle joint torqueprediction based on surface Electromyographic and angularvelocity signals[J]. lEEE Access， 2020. 8： 217681-217687.

[55] KELE$ A D， YUCESOY C A. Development of a neuralnetwork based control algorithm for powered ankleprosthesis[J] . Journal of Biomechanics， 2020. 113 ： 110087.

[56] SIU H C. SLOBODA J， MCKINDLES R J， et al. Ankletorque estimation during locomotion from surfaceelectromyography and accelerometry[C]//2020 8th IEEERAS/EMBS Intemational Conference for BiomedicalRobotics and Biomechatronics. New York： IEEE， 2020：80-87.

[57] COKER J. CHEN H. SCHALL M C， et al. EMG and jointangle-based machine leaming to predict future joint anglesat the knee[J] . Sensors， 2021， 21（1 1）： 3622.

[58] KIM I. LEE T. LEE S H. Ankle intention detectionalgorithm using electromyography signaI[J]. Journal ofComputational Design and Engineering， 2021， 8（5）：1234-1242.

[59] ZABRE-GONZALEZ E V. RIEM L. VOGLEWEDE P A，et al. Continuous myoelectric prediction of future ankleangle and moment across ambulation conditions and theirtransitions[J] . Frontiers in Neuroscience， 2021， 15： 709422.

[60] CAULCRICK C. HUO W G， HOULT W. et al. Humanjoint torque modelling with MMG and EMG during lowerlimb human-exoskeleton interaction[J]. IEEE Robotics andAutomation Letters， 2021， 6（4）： 7185-7192.

[61] ZANGENE A R. ABBASI A， NAZARPOUR K.Estimation of lower limb kinematics during squat task indifferent loading using sEMG activity and deep recurrentneural networks[J]. Sensors， 2021. 21（23）： 7773.

[62] 11 W T. LIU K P， SUN Z B， et al. A neural network-basedmodel for lower limb continuous estimation against thedisturbance of uncertainty[J]. Biomedical SignalProcessing and Control. 2022， 71 ： 103 115.

[63] FOROUTANNIA A， AKBARZADEH-T M R，AKBARZADEH A. A deep learning strategy for EMG-based joint position prediction in hip exoskeleton assistiverobots[J]. Biomedical Signal Processing and Control. 2022.75： 103557.