韓永林 ，陶慶，張小棟，陳清正

(1.新疆大學(xué)機械工程學(xué)院，新疆烏魯木齊 830047；2.西安交通大學(xué)機械工程學(xué)院，陜西西安 710049)

0 前言

隨著人機交互技術(shù)的發(fā)展，下肢外骨骼康復(fù)機器人[1]、下肢助力外骨骼機器人[2]及智能假肢[3]等康復(fù)設(shè)備已成為目前研究的熱點。生物電信號因其檢測方便、無創(chuàng)、反應(yīng)超前等特點，成為人機交互領(lǐng)域的主流研究對象[4-5]。表面肌電信號(surface Electromyography，sEMG)是人體產(chǎn)生肌肉電活動的記錄，比腦電信號更加穩(wěn)定，在運動控制和神經(jīng)肌肉生理等方面有著廣泛的應(yīng)用[6-8]。

目前，國內(nèi)外學(xué)者已經(jīng)做了不少利用表面肌電信號進行動作分類[9-10]和連續(xù)運動量預(yù)測[11-12]的研究。第一種方法，研究人員利用表面肌電信號來識別人體肢體的不同運動模式，研究的目的是獲得更高的識別率和更多的運動模式，特征提取方法和分類算法是研究的重點[13]。然而，只能識別有限的運動模式，作為機器人的開關(guān)信號，嚴重影響了機器人的協(xié)調(diào)性和流暢性。相比之下，利用表面肌電信號(sEMG)進行連續(xù)運動預(yù)測可解決這個問題，提高康復(fù)設(shè)備的人機協(xié)調(diào)性能和流暢性。預(yù)測連續(xù)運動量變化是康復(fù)機器人領(lǐng)域?qū)崿F(xiàn)智能肢體平滑控制的關(guān)鍵，因此連續(xù)運動角度預(yù)測有著廣闊的應(yīng)用前景[14-15]。

目前利用肌電信號的連續(xù)運動預(yù)測方法主要集中在生物力學(xué)模型[16-17]和神經(jīng)網(wǎng)絡(luò)回歸模型[18-19]上?；谏锪W(xué)模型的系統(tǒng)包括運動學(xué)模型、動態(tài)模型和肌肉骨骼模型。Hill肌肉模型是應(yīng)用最廣泛的。BUCHANAN等[20]建立了前向神經(jīng)肌肉骨骼Hill模型。在該模型中，首先將sEMG信號轉(zhuǎn)化為肌肉激活值，再根據(jù)肌肉收縮動力學(xué)將肌肉激活值轉(zhuǎn)化為肌肉力量；然后，建立骨骼肌的幾何模型，將肌肉力轉(zhuǎn)化為關(guān)節(jié)扭矩；最后，通過關(guān)節(jié)扭矩預(yù)測關(guān)節(jié)運動。HAN等[21]提出一種肌電狀態(tài)空間模型來預(yù)測關(guān)節(jié)角度。該模型基于Hill肌肉模型和前向動力學(xué)，利用運動變量表示神經(jīng)激活，提取sEMG的絕對值積分和波長特征，構(gòu)建運動變量與sEMG特征的二次方程來預(yù)測關(guān)節(jié)角度；最后，他們將該方法與傳統(tǒng)方法進行了比較，以驗證模型的準確性。XI 等[12]提出一種表面肌電(sEMG)狀態(tài)空間模型，用于根據(jù)sEMG信號估計連續(xù)的下肢關(guān)節(jié)運動，該模型將前向動力學(xué)與基于希爾的肌肉模型(HMM)相結(jié)合，使擴展模型能夠直接估計下肢關(guān)節(jié)運動。

雖然上述模型對單關(guān)節(jié)運動回歸實現(xiàn)了很好的擬合，但大量難以測量的生理參數(shù)使得模型難以訓(xùn)練。此外，在對具有多自由度的多個關(guān)節(jié)進行建模時，人體肌肉的冗余控制使得模型非常復(fù)雜。與生理肌肉模型相比，神經(jīng)網(wǎng)絡(luò)模型是更直接、方便的方法。神經(jīng)網(wǎng)絡(luò)強大的擬合能力使得利用肌電信號進行連續(xù)性控制成為可能。華中科技大學(xué)張琴等人[22]通過支持向量機對下肢多關(guān)節(jié)角度進行連續(xù)運動肌電預(yù)測，通過RMSE評價，3個關(guān)節(jié)的誤差分別為9.36°、10.82°和6.87°。西安交通大學(xué)陳江城、張小棟[23]基于受限玻爾茲曼機構(gòu)建立深度自動編碼器，配合BP神經(jīng)網(wǎng)絡(luò)，精確估計下肢關(guān)節(jié)的連續(xù)運動，誤差較傳統(tǒng)方法降低了25%～35%。CHERON等[24]采集下肢6塊肌肉的sEMG，構(gòu)建動態(tài)遞歸神經(jīng)網(wǎng)絡(luò)(Dynamic Recurrent Neural Network，DRNN)預(yù)測模型來估計下肢關(guān)節(jié)角度，分析了DRNN的學(xué)習(xí)規(guī)則、隱藏層節(jié)點數(shù)和訓(xùn)練次數(shù)對預(yù)測結(jié)果的影響；實驗結(jié)果表明，在選擇正確的參數(shù)時，DRNN可用于預(yù)測多個sEMG信號與關(guān)節(jié)運動之間的關(guān)系。

為了使下肢外骨骼康復(fù)機器人、下肢助力外骨骼機器人及智能假肢等康復(fù)設(shè)備，在適應(yīng)不同運動模式下的康復(fù)訓(xùn)練和輔助行走時，能夠提供更好的仿生模式和適應(yīng)能力，本文作者將以人體蹲起運動、膝屈伸運動和上下階梯運動為例，提出一種麻雀搜索算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并利用下肢肌電信號進行踝、膝和髖關(guān)節(jié)連續(xù)運動預(yù)測，最后通過6位受試者的統(tǒng)計分析來驗證所提方法的有效性。

1 下肢多關(guān)節(jié)連續(xù)運動的表面肌電與軌跡獲取方法

此研究主要包括人體下肢多關(guān)節(jié)連續(xù)運動的表面肌電、運動特征數(shù)據(jù)獲取，以及基于運動特征參數(shù)的下肢多關(guān)節(jié)運動曲線反求模擬。首先，開展大量的人體運動實驗，獲取所需肌電和運動數(shù)據(jù)，進行相應(yīng)的數(shù)據(jù)處理；然后，基于運動數(shù)據(jù)反求關(guān)節(jié)軌跡曲線。

1.1 獲取系統(tǒng)設(shè)置與實驗范式

如圖1所示，此研究采用的動作捕捉系統(tǒng)(VICON，Oxford Metrics Limited，UK)主要由MX-cameras、MX-Giganet和帶有NEXUS軟件的主機PC組成。其中的10個攝像頭主要用來收集放置在下肢表面的16個運動捕捉標記的運動數(shù)據(jù)，且采樣頻率設(shè)定為100 Hz；MX-Giganet連接主機PC和MX相機，提供VICON和EMG系統(tǒng)之間的接口，并允許同步記錄運動學(xué)和EMG數(shù)據(jù)。肌電信號使用Noraxon無線表面肌電采集設(shè)備進行采集，肌電信號采樣頻率為2 000 Hz。

圖1 實驗場景Fig.1 Experiment scene

實驗征集了6名平均年齡為(23±1.5)歲，體質(zhì)量48～100 kg，身高158～180 cm的健康受試者進行數(shù)據(jù)采集實驗，受試者分別進行下肢蹲起運動實驗、膝屈伸運動實驗和上下階梯運動實驗。

在下肢蹲起運動實驗中，受試者在自然狀態(tài)下蹲起10次為一組數(shù)據(jù)，每人采集4組數(shù)據(jù)；在膝屈伸運動實驗中，受試者在自然狀態(tài)下膝關(guān)節(jié)屈伸往復(fù)10次為一組數(shù)據(jù)，每人采集3組數(shù)據(jù)；在上下階梯運動實驗中，受試者完成一次上下階梯為一組數(shù)據(jù)，每人采集8組數(shù)據(jù)。

1.2 肌電信號的獲取與處理

1.2.1 測點布置

人體單側(cè)下肢至少包含30塊肌肉，驅(qū)動下肢7個自由度運動。為了更好地獲取人體下肢肌電信號，選取了7塊與人體下肢運動聯(lián)系密切的肌肉，分別為股直肌、脛骨前肌、比目魚肌、腓腸肌、股內(nèi)側(cè)肌、股外側(cè)肌、股二頭肌，如圖2所示。放置7個傳感器于下肢7塊肌肉對應(yīng)的位置。

圖2 人體下肢肌肉分布Fig.2 Muscle distribution of human lower limbs

1.2.2 信號處理方法

肌電信號的處理過程包括兩個部分：首先，經(jīng)過濾波處理以消除噪聲；然后，提取各個通道的特征信號，作為模型的輸入值。

(1)去噪處理。肌電信號是一種復(fù)雜的微弱低頻生物電信號，在測量過程中容易受到其他因素的干擾。在對肌電信號進行特征提取之前，需要濾除噪聲以獲得具有高信噪比的肌電信號。

肌電信號中存在3種主要類型的噪聲：(1)第一類噪聲是采集設(shè)備中電子元件的固有噪聲；(2)第二種噪聲是電力系統(tǒng)的工頻干擾；(3)第三種噪聲來源于電極、皮膚和放大器之間的相對運動，導(dǎo)致基線漂移。因此，通過肌電采集系統(tǒng)采集的肌電信號中存在大量噪聲，其噪聲源廣泛。如果不對這些噪聲進行預(yù)測和處理，建立預(yù)測模型的特征提取，將導(dǎo)致預(yù)期的關(guān)節(jié)角度和實際的關(guān)節(jié)角度之間有很大的不同。

實驗將采集到的原始肌電數(shù)據(jù)，使用了一組濾波器，包括一個sgolay濾波器消除趨勢化，一個帶通濾波器(4階巴特沃斯，20～200 Hz)來去除低/高頻噪聲，以及一個陷波濾波器(50 Hz)來去除電源頻率信號。

(2)特征提取。濾波后的肌電信號包含冗余信息，信號區(qū)分度不高。因此，有必要對肌電信號進行特征提取。在獲得肌電信號的時域和頻域特征值之前，必須對肌電信號數(shù)據(jù)進行分割。常用的分割方法是加窗，包括靜態(tài)分析窗和滑動分析窗。從圖3可以看出，肌電信號可以根據(jù)滑動窗口W劃分為不同的數(shù)據(jù)分析段。這些數(shù)據(jù)分析段的長度Wm相同。一般情況下，滑動窗口的長度Wm小于數(shù)據(jù)分析段的長度W。在這種情況下，表面肌電信號中的一些數(shù)據(jù)將被疊加。但是，如果滑動窗口的長度Wm大于數(shù)據(jù)分析段的長度W，就會丟失一些信號，很容易遺漏重要信息，所以一般不選擇這種情況。在實際實驗中，需要詳細分析數(shù)據(jù)分析段的長度W和移動窗口的長度Wm。移動窗口越短，數(shù)據(jù)重疊越多，保證了數(shù)據(jù)的真實性，但是增加了計算復(fù)雜度。數(shù)據(jù)分析段越短，估計的數(shù)據(jù)段方差越大，需要綜合考慮不同的特點。綜合考慮，文中數(shù)據(jù)分析段長度為20，移動窗口長度為20，保證了肌電與運動數(shù)據(jù)長度一致，便于計算。

圖3 滑動窗口示意Fig.3 Sliding window

肌電信號特征提取方法包括時域分析、頻域分析、時頻分析。為了降低計算復(fù)雜度，本文作者選取時域特征進行提取。均方根(RMS)值反映肌電信號電壓幅值在時間維度上的變化(如圖4所示)和相關(guān)肌肉力量的變化，所以RMS值是利用肌電信號進行連續(xù)運動預(yù)測中最具意義的特征值，如式(1)所示：

圖4 肌電信號的RMS特征值Fig.4 RMS eigenvalue of EMG signal

(1)

式中：N是采樣個數(shù)；xi是帶通濾波器濾波后肌電信號的第i個采樣點。

(3)預(yù)測樣本設(shè)置。在運動預(yù)測階段，分別從肌電特征值和運動數(shù)據(jù)中提取部分數(shù)據(jù)輸入到模型中進行訓(xùn)練與測試。

其中，蹲起運動獲得的肌電信號經(jīng)特征提取后獲得3 200個樣本信號，選取前2 300個樣本信號作為訓(xùn)練數(shù)據(jù)集，剩余900個樣本信號作為測試數(shù)據(jù)集；膝屈伸運動獲得的肌電信號經(jīng)特征提取后獲得1 850個樣本信號，選取前1 050個樣本信號作為訓(xùn)練數(shù)據(jù)集，剩余800個樣本信號作為測試數(shù)據(jù)集；上下階梯運動獲得的肌電信號經(jīng)特征提取后獲得2 438個樣本數(shù)據(jù)，選取前1 438個樣本信號作為訓(xùn)練數(shù)據(jù)集，剩余1 000個樣本信號作為測試數(shù)據(jù)集。

1.3 關(guān)節(jié)連續(xù)運動曲線反求模擬

正確計算出下肢關(guān)節(jié)角度是建立肌電-運動映射關(guān)系的必需條件，在這項工作中，使用標記的軌跡來計算關(guān)節(jié)角度。

肌肉骨骼幾何建模軟件Opensim用于將通用肌肉骨骼幾何模型縮放到每個受試者，以根據(jù)靜態(tài)姿勢的實驗測量標記位置匹配他們的人體測量學(xué)。在縮放過程中，根據(jù)實驗標記的位置創(chuàng)建虛擬標記并將其放置在肌肉骨骼幾何模型上，如圖5所示。

圖5 個性化模型建立流程Fig.5 Flow for personalization modeling

人體模型建立以后，采用逆運動學(xué)算法獲取人體運動中下肢關(guān)節(jié)角度變化，為人體運動特征分析做準備。Opensim逆運動學(xué)算法可以遍歷整個運動過程，解決最小化標記誤差的加權(quán)最小二乘優(yōu)化問題，精度高，誤差表示為

(2)

如圖6和圖7所示：Opensim逆向運動學(xué)得到的下肢關(guān)節(jié)運動曲線與余弦公式得到的下肢運動曲線運動趨勢基本一致，雖然關(guān)節(jié)角度有一定變化，這可能由于模型縮放不準確或傳統(tǒng)逆運動學(xué)分析忽略了其他影響因素，但是符合運動的一般規(guī)律，證實了Opensim仿真的有效性。

圖6 Opensim逆向運動學(xué)得到的下肢關(guān)節(jié)曲線Fig.6 Curves of lower limb joints obtained by inverse kinematics in Opensim

圖7 余弦公式計算出的下肢關(guān)節(jié)曲線Fig.7 Curves of lower limb joint calculated by cosine formula

2 多關(guān)節(jié)連續(xù)運動肌電預(yù)測方法

2.1 Elman神經(jīng)網(wǎng)絡(luò)模型設(shè)定

Elman神經(jīng)網(wǎng)絡(luò)具有良好的動態(tài)特性和較強的全局穩(wěn)定性，在處理非線性、動態(tài)和復(fù)雜數(shù)據(jù)方面應(yīng)用最為廣泛。然而，作為反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的優(yōu)化，Elman模型不可避免地繼承了其固有的一些缺陷，例如存在容易陷入局部最小點和難以達到全局最優(yōu)值的缺點。

Elman是一種動態(tài)循環(huán)網(wǎng)絡(luò)。與傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)相比，它還有一個特殊的結(jié)構(gòu)單元——承接層(如圖8所示)，用于存儲隱含層在上一時刻的輸出值，使得Elman網(wǎng)絡(luò)具有學(xué)習(xí)時變模式的能力。因此，該網(wǎng)絡(luò)在預(yù)測時間序列方面優(yōu)于其他方法。

圖8 Elman結(jié)構(gòu)Fig.8 Elman structure

Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達式為

y(k)=g[w2u(k)]

(3)

u(k)=f[w3uc(k)+w1x(k-1)]

(4)

uc(k)=u(k-1)

(5)

式中：w1、w2、w3分別是輸入層到隱含層、隱含層到輸出層和隱含層到承接層的連接權(quán)重；x是輸入向量；y是輸出向量；u是隱含層的輸出向量；u(x)是反饋狀態(tài)向量；f(x)是隱含層的傳遞函數(shù)；g(x)是輸出層的傳遞函數(shù)，是隱含層輸出的線性組合。

Elman神經(jīng)網(wǎng)絡(luò)采用標準BP網(wǎng)絡(luò)算法來更新權(quán)值與閾值，其學(xué)習(xí)指標函數(shù)采用誤差平方和函數(shù)，表達式為

E(k)=1/2[(yd(k)-y(k))T(yd(k)-y(k))]

(6)

式中：yd(k)為目標函數(shù)輸出值。

為評價預(yù)測算法的準確性，采用均方根誤差R和相關(guān)系數(shù)C對指標算法的預(yù)測結(jié)果進行評價。文中均方根誤差用于估計預(yù)測值與實際值之間的偏差，相關(guān)系數(shù)顯示了預(yù)測值與實際值之間的線性相關(guān)性，如公式(7)和(8)所示：

(7)

(8)

2.2 通用神經(jīng)網(wǎng)絡(luò)預(yù)測分析

通過以上數(shù)據(jù)處理，獲得了肌電信號特征值和關(guān)節(jié)運動角度值，利用多種機器學(xué)習(xí)方法建立肌電-運動的映射關(guān)系，例如反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)、支持向量機回歸(SVR)和Elman神經(jīng)網(wǎng)絡(luò)。

為了獲得一種預(yù)測精度較好的模型，首先，從6名受試者蹲起運動實驗數(shù)據(jù)的肌電特征值與關(guān)節(jié)角度值中選取前2 300個樣本信號作為訓(xùn)練數(shù)據(jù)集，輸入到模型中進行訓(xùn)練。最后，將剩余的900個樣本信號作為測試數(shù)據(jù)集進行測試，并對膝關(guān)節(jié)的預(yù)測誤差進行對比分析。

作者對單通道和多通道的肌電信號進行了驗證分析，根據(jù)分析結(jié)果得出股直肌、脛骨前肌代表的兩個通道的肌電信號在下肢預(yù)測方面表現(xiàn)較好，所以選擇這兩個通道的肌電信號來進行預(yù)測工作。

從表1中可見：Elman神經(jīng)網(wǎng)絡(luò)預(yù)測誤差最小。由驗證分析可知，少量通道的肌電信號不僅在實際應(yīng)用更加方便、快捷，而且可以獲得等同甚至更好的實驗結(jié)果。

表1 BP、SVR、Elman均方根誤差統(tǒng)計Tab.1 BP，SVR，Elman mean square root error statistics

2.3 基于麻雀搜索算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測方法

此研究采用麻雀搜索算法(Sparrow Search Algorithm，SSA)優(yōu)化Elman網(wǎng)絡(luò)。SSA是一種新的群體智能優(yōu)化算法，其設(shè)計靈感來源于自然界麻雀種群的群體覓食行為。麻雀種群中的個體通過不斷調(diào)整分布位置來適應(yīng)環(huán)境，從而獲得更好的食物資源，避免捕食者的攻擊。麻雀搜索算法已被證明優(yōu)于許多傳統(tǒng)的種群智能優(yōu)化算法，因為它能夠找到最好的并避免陷入局部極端。SSA的數(shù)學(xué)模型如下：

在模擬種群中，假設(shè)虛擬麻雀正在覓食，則由n只麻雀組成的麻雀種群可以用矩陣(9)表示：

(9)

其中：n表示種群中所有麻雀的數(shù)量；d描述決策變量的維度。

所有麻雀的適應(yīng)度值可由式(10)表示：

(10)

麻雀搜索算法分為3個階段：發(fā)現(xiàn)者、加入者和警戒者。顧名思義，發(fā)現(xiàn)者發(fā)現(xiàn)食物、尋找食物并為鳥群中的其他個體提供方向。因此，發(fā)現(xiàn)者尋找食物種類繁多，占鳥群總數(shù)的20%。發(fā)現(xiàn)者的位置更新公式為

(11)

式中：h表示當代迭代次數(shù)；M為最大迭代次數(shù)；xi，j表示第i個麻雀在第j維的當前位置；α∈(0,1)為隨機數(shù)；R2(R2∈[0,1])和T(T∈[0.5,1])分別表示警告值和安全值；Q是服從正態(tài)分布的隨機數(shù)；L表示一個1×d的矩陣，其中該矩陣內(nèi)每個元素全部為1。

追隨者在發(fā)現(xiàn)者和發(fā)現(xiàn)者位置周圍的社區(qū)搜索之后執(zhí)行食物搜索。追隨者的位置更新公式如下：

(12)

式中：xp是發(fā)現(xiàn)者當前占據(jù)的最優(yōu)位置；xworst表示當前最差位置；A是1×d且每個元素的取值為1或-1的矩陣，并且A+=AT(AAT)-1。

警戒者是在人群中隨機選擇的個體。當掠食者入侵時，它們會發(fā)出信號讓麻雀逃到安全的位置。警戒者的行為公式如下：

(13)

式中：fi≠fg表明麻雀處于邊緣位置，容易受到捕食者的攻擊；fi=fg表明種群中的麻雀已經(jīng)意識到了危險，需要靠近其他麻雀，以免被捕食者抓住。

麻雀搜索算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的流程如圖9所示。

適應(yīng)度函數(shù)f設(shè)計為測試集的絕對誤差和：

(14)

2.4 預(yù)測結(jié)果分析

一位受試者在不同運動模式下的多關(guān)節(jié)連續(xù)運動預(yù)測交叉驗證結(jié)果如圖10—12所示。

圖10 蹲起運動關(guān)節(jié)角度預(yù)測結(jié)果Fig.10 Prediction values of joint angles in squat motion：(a) ankle joint；(b)knee joint；(c)hip joint

蹲起運動的下肢踝、膝、髖關(guān)節(jié)預(yù)測曲線如圖10所示?？梢钥闯觯侯A(yù)測曲線與實際曲線十分接近，準確反映了關(guān)節(jié)運動的趨勢。

膝屈伸運動的下肢踝、膝、髖關(guān)節(jié)預(yù)測曲線如圖11所示。可以看出：踝關(guān)節(jié)運動曲線存在一定的抖動情況，說明人體在做下肢屈伸運動時，不能較好控制下肢踝關(guān)節(jié)保持一個穩(wěn)定的狀態(tài)，導(dǎo)致運動曲線出現(xiàn)了抖動的情況。雖然，踝關(guān)節(jié)的預(yù)測曲線與實際曲線局部有一定的偏差，但是整體預(yù)測效果表現(xiàn)較好。

上下階梯運動的下肢踝、膝、髖關(guān)節(jié)運動曲線如圖12所示?？梢钥闯觯合轮麝P(guān)節(jié)均出現(xiàn)了波動情況，說明人在上下階梯運動時，各關(guān)節(jié)并不是固定不動的，會有一定程度的活動范圍。從膝關(guān)節(jié)的預(yù)測結(jié)果中可以看出Elman神經(jīng)網(wǎng)絡(luò)預(yù)測曲線出現(xiàn)了局部抖動的情況，這可能是由于肌電信號濾波效果不理想導(dǎo)致的。為了消除這種抖動現(xiàn)象，應(yīng)該探索一種優(yōu)化肌電信號濾波方法。從圖12還可以看出：關(guān)節(jié)運動出現(xiàn)了較陡的拐點，預(yù)測結(jié)果不是很理想。這是由于較陡的拐點被認作為高頻信號被濾波器過濾掉，導(dǎo)致了峰值數(shù)據(jù)失真，影響了預(yù)測精度。

圖12 上下階梯運動關(guān)節(jié)預(yù)測結(jié)果Fig.12 Prediction values of joints with up-and-down step motion：(a)ankle joint；(b)knee joint； (c)hip joint

經(jīng)過6名受試者的實驗數(shù)據(jù)可以得出Elman和SSA優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測的平均均方根誤差如圖13所示。蹲起運動中下肢踝、髖、膝關(guān)節(jié)平均均方根誤差分別降低了6.58%、12.93%、3.07%；膝屈伸運動中下肢踝、膝、髖關(guān)節(jié)平均均方根誤差分別降低了53%、19.75%、4.47%；上下階梯運動中下肢踝、膝、髖關(guān)節(jié)平均均方根誤差分別降低了24.9%、20.61%、15.78%。

圖13 Elman和SSA-Elman模型預(yù)測結(jié)果對比Fig.13 Comparison of prediction results between Elman and SSA-Elman model：(a)squatting motion；(b) knee flexion and extension motion；(c) up-and-down step motion

由表2統(tǒng)計分析可知：在蹲起運動中各關(guān)節(jié)預(yù)測的平均均方根誤差最小，上下階梯運動中各關(guān)節(jié)預(yù)測的平均均方根誤差較大。這是由于上下階梯運動出現(xiàn)了多處較陡的拐點，此處的高頻信號被濾波器過濾掉，導(dǎo)致峰值數(shù)據(jù)失真，影響了預(yù)測精度。在預(yù)測結(jié)果中，各關(guān)節(jié)的平均相關(guān)系數(shù)均大于0.89，其中，蹲起運動中各關(guān)節(jié)相關(guān)系數(shù)更加接近1，表現(xiàn)出較強的相關(guān)性。這是由于蹲起運動具有一定的周期性且不會出現(xiàn)高頻抖動，有利于預(yù)測出更好的結(jié)果，表明肌電信號可以較好地反映關(guān)節(jié)運動變化。

表2 受試者在不同運動模式下平均均方根和相關(guān)系數(shù)統(tǒng)計Tab.2 Statistics of root mean square and correlation coefficient of subjects in different movement patterns

3 結(jié)論

本文作者提出一種利用肌電信號進行下肢多關(guān)節(jié)連續(xù)運動預(yù)測的方法，可以實時捕捉人體下肢關(guān)節(jié)在不同運動模式下的運動狀態(tài)。在該實現(xiàn)中，利用麻雀搜索算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)在預(yù)測下肢關(guān)節(jié)角度變化中具有更高的精度，且該模型僅利用兩塊下肢肌肉的肌電信號，獲得較好的預(yù)測效果，有利于應(yīng)用于實際。該模型有望開發(fā)人機交互界面，實現(xiàn)持續(xù)的生物電控制，提高人機之間的穩(wěn)定性，可應(yīng)用于下肢外骨骼康復(fù)機器人、下肢助力外骨骼機器人及智能假肢等康復(fù)設(shè)備，適應(yīng)不同運動模式下的康復(fù)訓(xùn)練和輔助行走，提供更好的仿生模式和適應(yīng)能力。由于本文作者研究的是正常人體的下肢運動，未來的工作，可采集下肢功能障礙的病人運動數(shù)據(jù)進行研究。