[发明专利]一种基于表面肌电和运动信号的膝关节力矩估计方法

说明书

本发明涉及一种基于表面肌电和运动信号的膝关节力矩估计方法，首先建立离线的膝关节力矩估计模型：通过使用膝关节伸屈运动下一对主动肌和拮抗肌的sEMG、膝关节角度、以及膝关节角速度，利用LSTM网络建立膝关节力矩估计模型，并对建立的模型进行优化；接着对膝关节力矩信号进行在线估计。本发明能够减少输入模型的特征量，降低网络的复杂性。

技术领域

本发明涉及膝关节力矩估计领域，特别是一种基于表面肌电和运动信号的膝关节力矩估计方法。

背景技术

目前膝关节的力矩估计方法主要分为两种，一种是使用等速测力仪器直接测量，另一种是通过建立膝关节力矩估计模型间接测量。等速测力仪器只能测量等速收缩、等张收缩下的膝关节力矩值。等速收缩为在角速度恒定下，根据肌力的大小调节所施加的阻力，使瞬间施加的阻力与肌力相对等的情况；等张收缩是外界阻力恒定，肌肉张力产生到足以抵抗外界阻力后保持不变的情况。等速测力仪器对于肌力在3级以及3级以下的患者无法进行，且仪器昂贵。因此使用等速测力仪器具有局限性。第二种使用建立膝关节力矩估计模型来估计膝关节力矩有可以大致分为3种情况：机理建模、逆向动力学建模以及系统辨识方法建模。机理建模最常用的是Hill模型。Hill模型主要包括EMG-Activation和Activation-Force两部分，前者表示了肌电信号与肌肉激活程度之间的关系，后者则表示了肌肉的激活程度同所产生的肌肉力之间的关系。通常由肌肉的组织结构和生物学性质等参数通过等描述肌肉力的特性，从而得到膝关节力矩。机理建模是从膝关节运动的运动机理出发建立起的膝关节力矩估计模型，但是在实际测量中，使用参数过多，针对于人体生理参数不易采集，并且人体关节运动机理尚不十分明确，因此建立起的模型十分复杂。

人体可以看成一个多刚体模型，因此可以使用逆向动力学的建模方法，通过采集下肢关节运动下的位置、关节角度等数据，使用基于矢量力学的牛顿-欧拉(Newton-Euler)方法和基于变分原理的拉格朗日(Lagrange)方法等建立动力学方程，通过已知关节位置、角速度和角加速度，求出膝关节力矩。对下肢关节运动而言，在正常运动中，会受到地面反作用力这一外力作用，直接使用运动数据建立模型会使膝关节力矩估计精度不高，因此许多改进的模型加入地面反作用力作为动力学方程的约束条件，虽然提高了膝关节力矩的估计精度，但是约束方程的增加使得方程复杂度也相应增加，加大了计算难度。还有一些研究认为膝关节在运动过程中会产生弹性形变，约束方程还应加入各组织之间的相互作用，使得计算难度进一步加大，很难进行膝关节力矩的实时估计。系统辨识建模方法，即通过之间建立输入输出之间的关系，使用黑盒的方式确定模型结构，可以适用于膝关节运动的各种运动模式。对于传统的系统辨识方法，需要精确的公式推导，模型建立较为困难，对于各种运动模式的适应性存在差异性。

机器学习的辨识模型由于其很好的非线性拟合能力和强大的学习能力而受到各个领域的研究者的青睐，在膝关节力矩估计中也受到广泛关注。大多研究采用BP网络、极限学习机、模糊网络等建立膝关节力矩估计模型。模型输入特征量包括有运动信号和肌电信号等。运动信号是运动中产生的位置、角度、加速度、地面反作用力等数据，运动信号的采集会受到惯性器件固有信号漂移和累计误差影响，为了实现高准确率的识别就需要加入更多的传感器，但传感器的增加会对人体正常运动会产生一定的干扰。

肌电信号分为表面肌电信号(surface electromyography，sEMG)和侵入式肌电信号，相较于侵入式肌电信号，sEMG具有无创性和易提取等特点。但是sEMG属于一种微弱的电信号，易受肌肉状态、穿戴时间、汗液、个体差异、环境干扰等影响，单纯的利用sEMG估计关节力矩的精度有待提高。大多研究从分析下肢运动下人体内在机理角度，不仅选择了带动膝关节运动的主动肌和拮抗肌的肌肉的sEMG。由于膝关节运动时髋关节和踝关节也会受到影响，因此还选择了髋关节和踝关节相关的肌肉的sEMG来估计膝关节力矩，这样会使模型的输入特征量增多，模型结构复杂。此外在肌电信号采集过程中也可能会对受试者的运动造成干扰，影响信号采集的质量。

发明内容