基于表面肌电信号的外骨骼式偏瘫上肢康复机器人系统

基于表面肌电信号的外骨骼式偏瘫上肢康复机器人系统

脑瘫损伤引起的瘫痪和其他运动障碍给患者的家庭和社会带来了沉重的负担。正确、科学的康复训练在恢复和提高下肢运动功能方面发挥着非常重要的作用。神经康复治疗过程是一项困难的工作。现在，康复医师主要依靠患者的个性化手术和主观临床经验来评估受影响的下肢，限制了康复水平的提高。结合康复医学和机器人技术，提高了康复效率，保障了动作训练的强度，为新的康复技术研究开辟了一条新的途径。1993年加利福尼亚大学的PeterS.Lum研究设计了名为手—物体—手(hand-object-hand)的双手康复装置及训练双手上举协调性的装置(bimanualliftingrehabilitator)为患手提供力辅助而训练上举协调性.2000年,Lum与斯坦福大学合作开发了名为MIME的系列康复机器人,该系列机器人分为3代,第1代只能完成2个自由度的单关节运动,第2代和第3代在Puma系列机器人的带动下分别能够实现前臂的平面运动和三维空间运动.芝加哥大学研制了一种ARMGuide训练装置,通过手动调节其偏转和俯仰2个自由度,可使患者固定在夹板上的手臂完成不同直线轨迹的触点动作训练.美国麻省理工1995年研制了MIT-MANUS上肢康复机器人,该机器人是由五连杆组成的平面两自由度并联机构,患者握住机构末端的手柄完成平面内的运动训练,通过阻抗控制实现训练的安全性和平稳性.国内,清华大学研制了二连杆机构的复合康复装置,患者可握住机构末端手柄,由装置带动上肢在一定面积的水平面上完成上肢平面复合运动,也可固定在手臂外侧完成肩部3个自由度的分别训练.由哈尔滨工程大学研制的手臂康复训练器采用桌式结构,利用单片机的控制带动受训者的左右手臂以不同模式进行训练.从研究现状看,机器人的辅助治疗研究仍然处于初级阶段,有待进一步的改进提高,如增加训练动作的种类,康复训练过程中对患肢的保护和支撑措施,对患者肢体的主动运动意识的激励等.针对现有康复机器人系统所存在的不足,从临床偏瘫患者上肢运动功能受损的实际出发,提出了一种针对偏瘫患者,能够完成肩、肘、腕部单关节运动、双关节及三关节复合性运动的5自由度的外骨骼式上肢康复机器人,并在系统中引入表面肌电信号将患者运动意图与康复训练相结合.1压力和速度下的运动训练如图1所示的康复机器人系统应用于中风偏瘫患者的上肢康复训练,该上肢康复机器人采用可外骨骼式的结构,很好地解决了患肢运动过程中的支撑问题,其硬铝材质的双边结构不仅在保持刚性的前提下大大的减轻了机器人本体的质量,并且为监测上肢肌肉运动状态时的电极放置提供了便利.机器人的设计从解剖学的角度出发,模仿人体的上肢运动,并支持恢复机体功能的专业训练治疗及用于日常生活动作的练习.如图2,机器人具有5个自由度:肩部外展/内收、肩部屈/伸、肘部屈/伸、腕部旋内/旋外和腕部屈/伸.虽然人体肩部具有3个自由度,但为康复机械臂设计的肩部2个自由度可以通过复合运动实现第3个自由度.机器人上臂和前臂部分的长度可调节功能使该机械臂应用于身高不同的人群,调节机器人位姿可实现左右手穿戴,因此适用于左、右侧偏瘫患者.从临床康复应用的实际出发,设计了高度可调的机器人支架,调节其高度可使康复机器人适用于偏瘫患者站姿与坐姿状态的康复运动训练.康复机器人系统对于偏瘫患者的训练运动方式包括主动运动、被动运动和辅助运动.主动运动过程中患者依靠自身肌肉力量实现上肢各关节运动,机器人在跟随运动的过程中实现对人体上肢运动参数的测量.被动运动模式融合了各关节的单关节运动和一些简单的多关节复合运动,包括简单的日常生活功能性动作的练习,如进食、提裤等.辅助运动中,通过捕获肢体的运动意图,利用机器人实现肢体在意图方向上的相关运动.在每个关节选用不同的伺服电机来满足不同的驱动力要求.肩部和肘部3个松下交流伺服电机产生足够的力矩来带动机械臂和人体上肢进行运动.腕关节由2个maxon直流伺服电机进行驱动,调节上肢末端的姿态.光电编码器读取装置的位置信息,力矩传感器获取运动过程中的关节力矩变化.2segm在康复动作中的应用传统的康复机器人训练治疗是通过既定的程序来实现的.该康复机器人在这一功能基础上,引入表面肌电信号surfaceelectromyogram(sEMG)来实现人机交互,根据患者意图实现康复训练动作.表面肌电信号是了解人体运动、肌肉收缩最直接和重要的信息.偏瘫患者多为单侧受损,利用健侧sEMG驱动康复机器人辅助患者的受损上肢执行康复训练有助于患者保持正确运动的感觉,并激发患者的运动积极性,同时提供了一个很好的人机交互接口.由于康复机器人尚未真正达到临床康复应用,且sEMG在传统的康复机器人中的应用研究少之又少,因此,仍然需要进行大量的和循序渐进的深入研究.首先,从上肢4块肌肉获取的sEMG包含大量的数据而不便于进行识别康复训练动作的应用.因此利用sEMG的绝对值积分和AR模型参数对其进行特征值的提取.并将其特征值作为BPN的输入.利用这些特征值和与之相对应的康复训练动作对基于L-M算法的3层前馈神经网络进行训练,并将其作为6个上肢运动的分类器.6个动作分别为:肩部外展、肩部前屈、肘部伸展、腕部屈伸、进食和提裤.该文着重研究康复训练运动的分类,因此各个动作的速度由预先设定值决定.2.1segm的数据采集sEMG的幅值和频率受诸多因素的影响,特别是电极的放置位置.经过长期实验发现将电极沿着肌肉纤维放置在肌腹处、肌肉收缩时其波幅最高点时,可获取最大幅值的sEMG信号.由于每个上肢关节的运动并非由单个肌肉收缩引起,是多个肌肉共同产生收缩引起的,因此综合识别的上肢各个关节动作,选定上肢4块肌肉进行sEMG的提取,4个电极分别放置于上肢的三角肌前部、三角肌中部、肱二头肌及肱桡肌处.sEMG是肌肉运动在皮肤表面的体现.采用德国OttoBock公司开发的型号为12E35的表面电极来获取sEMG信号.该电极具有内置的前处理电路和增益可调电路.由于sEMG的固有频率为0~500Hz,因此电极的输出由美国NI公司生产的USB6008采集卡以2000Hz的采样率进行采集.当肌肉放松时,电极放置于正确的肌肉位置的输出在0~0.02V进行波动.但在数据采集过程中,运动的采集起始点会受到各种因素的影响.如果将采集起始阈值设置太低,会造成起始点的误判,如果将起始阈值设置得过高会丢失有用的运动信息,因此选择一个合适的起始点是非常重要的.由于上肢运动是多个肌肉共同作用的结果,因此当4个通道的sEMG中有2个均大于0.05V是表明运动开始了.而通过实验发现每个单个运动完成的时间大约为1s.因此,考虑到信号分析的便利采样数目设置为2048,同时对4个通道进行采集,并将采集阈值设置为0.05V.2.2采样点特征值的提取由电极直接拾取的sEMG信号包含大量数据,且具有类似的曲线(如图3),因此利用表面肌电信号的绝对值积分和AR参数模型法提取不同肌肉的不同运动的特征.由于经过电极内置电路进行前处理后的sEMG信号均为正值,表面肌电信号的IAV通过下面公式计算:ΙAV=1ΝΝ∑i=1|xi|.(1)IAV=1N∑i=1N|xi|.(1)式中:xi是表面肌电信号的第i个采样点.N=2048为采样点数.对于每个运动通过该方法提取4个特征值.这些特征将作为神经网络的输入对上肢康复训练运动进行分类,并与由AR模型参数作为输入所得到的结果进行比较.为随机信号建立参数模型是研究随机信号的一种基本方法.其含义是认为随机信号x(n)是由白噪声w(n)激励某一确定系统的响应.只要白噪声的参数确定了,研究随机信号就可以转化为研究产生随机信号的系统.表面肌电信号是一种典型的随机信号,因此利用该方法为其建立AR模型,这是一种线性预测.sEMG是一种典型的非平稳随机过程.但在短时间内可将其看作平稳信号.通过为表面肌电信号建立参数模型的方法可以大大减少实验数据,并使信号的特征更加确切.AR模型的阶数是正确描述sEMG信号的一个重要因素.根据前人的研究,为表面肌电信号建立一个四阶模型是比较有效的.由AR模型对sEMG信号进行描述的表达式为x(n)=w(n)-p∑k=1akx(n-k).(2)式中:x(n)为sEMG信号,w(n)为白噪声,p为AR模型的阶数,ak为AR模型的参数.由于该模型阶数为4,那么每个通道的sEMG信号通过分析将获得4个特征值(a1~a4).n从1~2048.每个动作中均使用4个电极采集sEMG信号.2.3神经网络结构利用具有自学习功能的人工神经网络实现人机交互,通过计算得到的sEMG的特征值进行康复训练运动的识别.目前大约80%~90%的人工神经网络均采用由Rumelhart等人于1986年提出的误差反向传播网络模型或其变化形式.从结构上讲,BP网络是一种分层型网络,由输入层、隐层和输出层组成.层与层之间采用全互连方式,同一层的单元之间则不存在相互连接.隐层可有1个或多个.输入和输出神经元的个数由输入输出信号的数目决定.当利用sEMG的IAV值作为网络的输入时,BP神经网络结构为包含10个神经元的单隐层,输入层为4个神经元,输出层为6个神经元,即6个康复训练动作.当选择4块肌肉表面肌电信号的AR模型参数作为网络的输入值时,神经网络结构为包含22个神经元的单隐层,输入层为16个神经元,输出层为6个神经元.图4为3层前馈神经网络的结构.常用的反向传播算法是梯度下降法,参数沿着误差梯度相反的方向移动,使误差函数减小,直到取得极小值.这种基于梯度下降方法的固有缺点是收敛速度慢,易陷入局部极小和易引起震荡.文中采用修正的高斯—牛顿法,即Levenberg-Marquardt算法,它不仅具有梯度法的全局特性又具有高斯—牛顿法的局部收敛特性.由于利用了目标函数的二阶导数信息,L-M算法比梯度法快得多.为使神经网络在实际应用中解决问题,首先对其进行训练就是从应用环境中选出n组样本数据对({p1(1),p1(2),…,p1(R);a31(6)},…,{pn(1),pn(2),…,pn(R);a3n(6)})对网络的权值(w)进行调节直到得到合适的输入输出关系为止.下面对L-M算法作简要说明.假设x=[w1(1,1)w1(1,2)…w1(s1,R)b1(1)…b1(s1)w2(1,1)…b3(sM)]T.网络权值与阈值的变化可以看成Δx,对于牛顿法则:Δx=-[∇2V(x)]-1∇V(x).(3)式中:V(x)表示误差指标函数,∇2V(x)是V(x)的Hessian矩阵,∇V(x)表示梯度,sM表示第M层的神经元个数(这里M=1,2,3).∇V(x)=JΤ(x)e(x)‚(4)且∇2V(x)=JΤ(x)J(x)+S(x).(5)式中:J(x)为雅可比矩阵,S(x)为误差函数.S(x)=Ν∑i=1ei(x)∇2ei(x).(6)因此联立式(3)~(7),对于高斯—牛顿法则有Δx=-[JΤ(x)J(x)]-1J(x)e(x)(7)L-M算法为改进的高斯—牛顿算法,因此Δx=-[JΤ(x)J(x)+μΙ]-1J(x)e(x)(8)式中:μ为大于0的常数,I为单位矩阵.从上式中可看出当μ足够大时,L-M算法近似于梯度下降法,若μ为0,则是高斯—牛顿法.由于利用二阶导数信息,L-M算法比梯度法快得多,而且[JT(x)J(x)+μI]是正定的,所以式(8)的解总是存在的.从这个意义上说L-M算法优于高斯—牛顿法.算法的每次迭代都对μ进行自适应调整,对给定的μ能使误差函数降低,则被因子β除,μ逐渐减小,可以快速收敛到解;当误差函数增大时,μ乘以因子β,逐渐增大,权值调整类似于梯度下降法,可以进行全局搜索,所以L-M算法同时具备了2种方法的优点,但如果网络中权值的数目很大,则计算量和存储量都非常大.3运动识别结果根据神经康复学理论,实验中选取了6个上肢运动,如图5所示.包括肩部外展、肩部前屈、肘部伸展、腕部屈伸4个单关节的运动,及日常生活活动涉及的进食和提裤2个多关节复合运动.对于选定的4块上肢肌肉采集的表面肌电信号,利用IAV和AR参数模型的方法对其进行分析并将一部分数据送入BP神经网络训练其识别康复训练运动的识别能力.所有试验均在常温常压及受试者的正常状态下进行.为了满足试验的需要,受试者在非疲劳状态下对每个动作进行了60组数据的采集,其中30组用于训练神经网络,其他30组作为对该网络的检验.实验中将6个动作的识别结果描述为简单的布尔值1或0,如表1所示.BP网络具有6个输出值,当每个值大于0.9时,将这个输出设定为1,当该值小于0.1时,将此输出设定为0.分别将IAV作为网络输入和AR模型参数作为网络输入,以比较2种不同输入下