基于自适应模糊神经网络的下肢关节运动意图估计

1、基于自适应模糊神经网络的下肢关节运动意图估计摘要：利用神经网络和模糊推理技术建立了腿部关节角度预估模型！模型输入为处理后的 人体下肢股直肌（VR）、股外侧肌（VL）和长伸肌（EP）的表面肌电信号，输出为髋、膝、踝三个 关节角度预测值。在算法迭代更新过程中，采用混合策略和误差反向传播算法实现结构参数 的自适应调整与优化！通过了数值仿真实验！关键词：肢关节角度估计&表面肌电信号；自适应模糊神经网络Motion intention estimation of lower limb joint angles basedon adaptive fuzzy neura l networkAbstract：

2、 With neural networks and fuzzy inference techniques, an est i mat i on model for lower limb joint angles is bullt in which the surface electromyography signals (sEMG) of human vastus rectus muscle (VR), vastus laterals muscle (VL) and extensor pollicis l ongus (EP) are inputs, whlle the outputs are

3、 hip, knee and ankle joint angles estimations. In the iterative update process of the algorithm, both the hybrid strategy and error back propagation algorthm are adopted to adjust the parameters. Simulation is carried out.Key words： lower iimb joint angles estimation； surface electromyography (sEMG)

4、 ； adaptive fuzzy neural network(AFNN).$引言康复机器人和人机交互技术已受到广泛关 注，但其难点在于如何利用患者的实际意图实现 康复机器人的运动控制2*针对上述问题，一种 基于肌电信号估计关节角度的识别技术随之被提 出!05。肌电信号 ( electromyography, EMG) 是 肌肉收缩过程产生的电信号，因其蕴含人体运动 的特征信息，通过进一步解读即可识别人体的运 动意图，从而开展针对性的意图训练顼。现如今 意图识别的主流趋势为基于人体表面肌电信号 (sEMG)的意图识别所识别结果的准确性直 接影响人体实际的康复训练文献10-11：提 出NMS模

5、型依赖大量的生理参数，如肌肉质量、 肌肉纤维长度、肌腱长度等，因此模型预测结果针 对所测量实验对象具有较好的准确性。基于此，文中提出一种自适应模糊神经网络 模型。第一部分为信号采集与处理，首先采集了 人体下肢三关节的表面肌电信号，并测量实际运 动时的角度信息；再利用滤波技术进一步处理采 样数据得到最终的模型输入样本。第二部分为模 型预估与优化，通过利用神经网络结合模糊推理 机制，实现对下肢三关节角度的精准预测，通过仿 真结果证明，文中所提出的自适应模糊神经网络 模型在意图识别过程中具有更加良好的精度。1 sEMG信号采集实验通过记录人体腿部行走运动时股直肌 (VR)、股外侧肌(VL)、长伸肌(

6、EP)相应的肌电 信号数据，同时对髋、膝、踝三个关节角度进行测 量及记录。文中不仅使用美国BIOPAC公司开 发的MP160肌电信号采集装置获取人体下肢运 动时各肌肉对应的肌电信息，还使用中国汇通公 司生产的WT901C485角度传感器采集位置关节 角度数据。采集一名四肢健全的行走者的数据作 为模型的输入数据，如图1所示。图1表面肌电信号的测量为了尽可能减少外部干扰，对所采集人员的 皮肤表面进行相应处理。除此以外，由于sEMG 采集过程使用的氯化银电极贴间距离会对采样数 据产生一定程度的扰动，因此本实验确保两个相 邻电极贴距离为2 cm,测量结果分别如图2和图 3所示#图2 图2 原始sEMG

7、A驴e虫昌 A驴e虫昌 A驴e虫昌时间/s(a)髓关节时间(a)髓关节时间/s(。)、r0)表示输入变 量的第G个隶属度函数,模糊规则层节点R1 , 22 ,2l对应不同隶属度函数的组合,并将这 些组合表示为%条模糊规则。选取预测结果最 优时的高斯函数作为隶属度函数模型，最终的隶 属度函数数学式为(6)因此,模糊神经网络模型可以表示为%nj3 九 )2 j = R = (7)% nj3B7(寸)2(7)% nj3B7(寸)2j=1 R = 1#j隶属度函数中心；$隶属度函数方差向量；Pj隶属度函数(j的权重。4仿真实验研究与分析为了验证文中算法具有较好的预测性能,采 用MATLAB2016a仿

8、真软件，基于人体下肢 sEMG和髋、膝、踝三关节角度测试数据进行了 AFNN预测模型算法仿真，如图5图7所示。时间/s图5所得髋关节角度对比实际膝关节90、预测膝关节 .丁80时间/s图5所得髋关节角度对比实际膝关节90、预测膝关节 .丁80：；广、 亍5 I f60! 1 -J i ?50r； 立?轩 !* 广 %；：40! ；,皿30；*/ n20: /3 ；IO!- U W0一一,一一一*一“一一010 20 30 40 50 60 70时间/s图6所得膝关节角度对比_10010 20 30 40 50 60 70 80 90 100100 S内跟踪膝关节过程中无明显波动，稳定性良 好。通过图7可以发现，文中所提预测模型在 100 S内所得踝关节角度预测曲线与真实测量曲 线重合效果最佳。5结语针对下肢外骨骼意图识别预测精度问题研究 了一种基于模糊理论的神经网络意图识别算法- 详细分析了肌电信号的干扰及抑制问题，并通过 神经网络机制结合模糊理论对sEMG进行测试 以及训练，实验结果验证了文中所提出的基于模 糊理论的神经网络意图识别算法不仅能够提高