CN101846977A - 功能性电刺激关节角度遗传模糊控制方法 - Google Patents

Abstract

本发明涉及以功能性电信号刺激进行肢体康复领域。为实现准确稳定实时地控制FES系统的电流模式，有效地提高FES系统准确性和稳定性，本发明采用的技术方案是，首先确定模糊控制的量化因子、比例因子以及隶属函数参量；其次选定合适的遗传算法的终进化代数G、交叉概率P_c以及变异概P_m；通过遗传算法寻优，达到最优状态，得模糊控制的决策变量kfuzzi；在新的模糊控制参数下计算系统输出及其与肌肉模型的偏差后再进入下一步遗传算法的自适应的调整模糊控制器参数，反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES系统。本发明主要应用于功能性电刺激关节角度遗传模糊控制。

Description

功能性电刺激关节角度遗传模糊控制方法

技术领域

本发明涉及以功能性电信号刺激进行肢体康复领域，尤其是功能性电刺激关节角度遗传模糊控制装置。

背景技术

功能性电刺激(Functional F1ectrical Stimulation，FES)是通过电流脉冲序列来刺激肢体运动肌群及其外周神经，有效地恢复或重建截瘫患者的部分运动功能的技术。目前，由于脊髓再生能力微弱，针对脊髓损伤瘫痪患者，尚未有可直接修复损伤的有效医治方法，实施功能康复训练是一有效的措施。据统计，脊髓损伤瘫痪患者人数逐年增多，功能康复训练是亟待需求的技术。20世纪60年代，Liberson首次成功地利用电刺激腓神经矫正了偏瘫患者足下垂的步态，开创了功能性电刺激用于运动和感觉功能康复治疗的新途径。目前，FES已经成为了恢复或重建截瘫患者的部分运动功能，是重要的康复治疗手段。然而，如何精密控制FES的触发时序和脉冲电流强度以保证电刺激作用效果能准确完成预定的功能动作仍是FES的技术关键。据统计，目前FES的触发控制的方式研究尚少，而且根据作用效果与预定动作偏差，用闭环控制来自动调整FES刺激强度和时序参数，从而大大提高了FES系统的实时性、准确性和稳定性，但是现在有效的控制方法仍然在探索之中。

模糊控制器是一种通过模糊逻辑和近似推理的方法，把人的经验形式化、模型化，变成计算机可以接受的控制模型，让计算机代替人来进行实时地控制被控对象的高级策略和新颖的技术方法，可有效地提高控制算法的可控性、适应性和合理性，尤其是针对复杂而用数学方程难于建模且有丰富手控经验的课题具有奇特的优势，而人体肌肉的复杂性和时变性操作环境使其建立其数学模型，致使传统的控制方法很难适应FES领域的严格要求，模糊控制器为FES的精密控制提供了新方案。模糊控制器核心技术就是确定模糊控制器的结构、所采用的模糊规则、合成推理算法以及模糊决策的方法等因素，模糊控制要取得最优的控制效果的关键既是对模糊控制器量化因子、比例因子以及模糊控制规则等参数的整定。在FES领域，对系统稳定性要求极为严格，所以对模糊控制器参数选择亦尤为重要。

发明内容

为克服现有技术的不足，通过遗传算法并行随机搜索的最优化的方法优化模糊控制器的量化因子、比例因子以及模糊控制规则等参数，继而准确稳定实时地控制FES系统的电流模式，有效地提高FES系统准确性和稳定性，并获得可观的社会效益和经济效益。为达到上述目的，本发明采用的技术方案是：功能性电刺激关节角度遗传模糊控制方法，包括：

首先确定模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量kfuzzi大致范围和编码长度，并对其进行编码以及随机产生n个个体组成的初始种群P(0)，其中kfuzz为n×12的向量；

其次选定合适的遗传算法的终进化代数G、交叉概率P_c以及变异概P_m；

最后通过实际关节角度与肌肉模型输出关节角度的相应关系，建立最小目标函数，将种群中各个个体解码成对应的参数值，并求取相应的代价函数值和适应函数值，再应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1)，反复重复以上操作，直到参数收敛或者达到预定的指标；

通过遗传算法寻优，达到最优状态，最终输出此状态下的决策变量kfuzzi，即得模糊控制的决策变量kfuzzi；

在新的模糊控制参数下计算系统输出及其与肌肉模型的偏差后再进入下一步遗传算法的自适应的调整模糊控制器参数，反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES系统。

所述功能性电刺激关节角度遗传模糊控制方法，实际输出关节角度和期望关节度的误差e(k)以及误差的变化率ec(k)，其论域为FE＝[-E，E]，FEC＝[-EC，EC]，控制输出的刺激电流强度u(k)，其论域为FU＝[-U，U]；

误差的量化论域为

X＝{-n，-n+1，…0，…，n-1，n}(1)

误差变化率的量化论域为

X₁{-m，-m+1，…0，…，m-1，m}；(2)

控制量的量化论域为

Y＝{-k，-k+1，…0，…，k-1，k}

量化因子分别为

K_e＝n/X_e    (3)

K_ec＝m/X_ec  (4)

比例因子为

K_u＝Y_u/k    (5)

采用误差的论论域：{-3 -2 -1 0 1 2 3}；误差变化率的论域为{-3 -2 -1 0 1 2 3}输出值的论域{-3 -2 -1 0 1 2 3}。控制规则表为：如果E1且EC1则U1，如果E2且EC2则U2，……Ep且ECp则Up；

其总模糊控制规则为

R＝(E_i×CE_i)^T1оC_i    (7)

其中E₁＝(a_1i…a_ni)，EC₁＝(b_1i…b_mi)，U₁(c_1i…c_ti)(i＝1，…p)

采用的反模糊化法是加权平均法

$u_c=\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{\mathrm{ik}}_i\right)/\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{u}_i\right)---\left(8\right)$

对于每一个具体的观察值偏差E^*和其误差变化率EC^*，再分别用各自的量化因子公式变成量化论域中的元素，再把其模糊化为E^*和EC^*，

其中E^*＝(e₁…e_n)，EC^*＝(f₁…f_m)

由公式8可以求输出的精确量；

角度误差及其误差变化率在[-90 90]上，论域为[-3 3]，则可以用公式

$X=\left(\frac{2n}{b-a}(x^{\′}-\frac{a+b}{2})\right)---\left(10\right)$

所述功能性电刺激关节角度遗传模糊控制方法，对量化因子和比例因子以及模糊控制规则进行整定，对模糊控制器参数的控制如以下公式：

K_e1＝kfuzzi(1)*K_e                 (11)

K_c1＝kfuzzi(2)*K_c                 (12)

K_u1＝kfuzzi(3)*K_u                 (13)

误差论域为

{-3-kfuzzi(4)，-2-kfuzzi(5)，-1-kfuzzi(6)，0，1+kfuzzi(6)，2+kfuzzi(5)，3+kfuzzi(4)}

误差变化率论域为

{-3-kfuzzi(7)，-2-kfuzzi(8)，-1-kfuzzi(9)，0，1+kfuzzi(9)，2+kfuzzi(8)，3+kfuzzi(7)}

输出值的论域

{-3-kfuzzi(10)，-2-kfuzzi(11)，-1-kfuzzi(12)，0，1+kfuzzi(12)，2+kfuzzi(11)，3+kfuzzi(10)}

本发明的特点在于：首先以模糊控制根据膝关节角度的变化实时控制功能性电刺激的电流模式，有效地解决了由于人体肌肉的复杂性和时变性所带来的难以精确控制电刺激电流模式的问题，其次利用遗传算法的良好寻优特性，实时调整模糊控制器的量化因子、比例因子以及隶属函数参数，继而更精确的控制功能性电刺激的电流模式。

附图说明

图1遗传算法整定模糊控制器参数的结构框图。

图2基于遗传算法的模糊控制器参数寻优流程图。

图3实验场景图。

图4遗传算法自适应优化整定的模糊控制器追踪结果。

图5遗传算法整定模糊控制器参数控制下预设输入关节角度与实际输出的相对误差。

具体实施方式

本发明提出的基于遗传算法整定模糊控制器控制功能性电刺激精密控制的方法，在控制FES系统电流模式方面可取得良好的效果。

遗传算法属于人工生物进化算法，是一种借鉴于生物界自然选择和自然遗传机制，主要特点是群体搜索策略和群体中个个体之间的信息交换，不依赖于梯度信息，特别适合于复杂和非线性问题的寻优，近几年应用到了所有涉及优化的领域。由于FES领域对控制的精确要求以及环境的复杂性，以及模糊控制器相关参数重要性和难选定的特点，则选取了遗传算法对模糊控制器相关参数的寻优调整。

基于遗传模糊控制的助行功能性电刺激精密控制方法的应用的结构如图1所示。其工作流程为：首先确定模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量kfuzzi大致范围和编码长度，并对其进行编码以及随机产生n个个体组成的初始种群P(0)，其中kfuzz为n×12的向量，其次选定合适的遗传算法的终进化代数G、交叉概率P_c以及变异概P_m，最后通过实际关节角度与肌肉模型输出关节角度的相应关系，建立最小目标函数；将种群中各个个体解码成对应的参数值，并求取相应的代价函数值和适应函数值，再应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1)，反复重复以上操作，直到参数收敛或者达到预定的指标；计算遗传算法最优的基因输出即得模糊控制的决策变量kfuzzi。在新的模糊控制器下计算系统输出及其与肌肉模型的偏差后再进入下一步遗传算法的自适应的调整模糊控制器参数。反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES系统。

1模糊控制设计

由于人的特殊性，FES领域对控制器稳定性、鲁棒性、实时性要求严格，设计模糊控制器均衡稳定性和实时性选择了二维模糊控制器，即两个输入变量分别实际输出关节角度和期望关节度的误差e(k)以及误差的变化率ec(k)，其论域为FE＝[-E，E]，FEC＝[-EC，EC]，输出的刺激电流强度u(k)，其论域为FU＝[-U，U]。

误差的量化论域为

X＝{-n，-n+1，…0，…，n-1，n}                    (1)

误差变化率的量化论域为

X₁＝{-m，-m+1，…0，…，m-1，m}；                 (2)

控制量的量化论域为

Y＝{-k，-k+1，…0，…，k-1，k}

量化因子分别为

K_e＝n/X_e                                          (3)

K_ec＝m/X_ec                     (4)

比例因子为

K_u＝k/Y_u                       (5)

本发明采用误差的论论域：{-3 -2 -1 0 1 2 3}；误差变化率的论域为{-3 -2 -1 0 1 23}输出值的论域{-3 -2 -1 0 1 2 3}。控制规则表为：如果E1且EC1则U1，如果E2且EC2则U2，……Ep且ECp则Up；

其总模糊控制规则为

R＝(E_i×CE_i)^T1оC_i                (7)

其中E₁＝(a_1i…a_ni)，EC₁＝(b_1i…b_mi)，U₁＝(c_1i…c_ti)(i＝1，…p)

采用的反模糊化法是加权平均法

$u_c=\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{\mathrm{ik}}_i\right)/\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{u}_i\right)---\left(8\right)$

对于每一个具体的观察值偏差E^*和其误差变化率EC_*，再分别用各自的量化因子公式变成量化论域中的元素，再把其模糊化为E^*和EC^*，

其中E^*＝(e₁…e_n)，EC^*＝(f₁…f_m)

有公式8可以求输出的精确量。

本专利角度误差及其误差变化率在[-90 90]上，论域为[-3 3]，则可以用公式

$X=\left(\frac{2n}{b-a}(x^{\′}-\frac{a+b}{2})\right)---\left(10\right)$

2遗传算法整定模糊控制器参数

基本的模糊控制稳态性能不能达到FES领域的要求，本专利将对量化因子和比例因子以及模糊控制规则进行整定。当基本论域和词集不变时，量化因子变化会导致偏差及其变化率所对应的语言值发生变化，比例因子的变化会直接导致作用于被控对象的控制量发生变化。集体为：K_e越大，系统上升时间越短，反之越长；K_ec越大，系统的反应越灵敏，反之越迟钝，K_u越大，系统上升时间越短，但容易导致振荡，而K_u过小易使系统的动态过程变长。

本专利遗传算法对模糊控制器参数的控制如以下公式：

K_e1＝kfuzzi(1)*K_e                (11)

K_c1＝kfuzzi(2)*K_c                (12)

K_u1＝kfuzzi(3)*K_u                (13)

误差论域为

{-3-kfuzzi(4)，-2-kfuzzi(5)，-1-kfuzzi(6)，0，1+kfuzzi(6)，2+kfuzzi(5)，3+kfuzzi(4)}

误差变化率论域为

{-3-kfuzzi(7)，-2-kfuzzi(8)，-1-kfuzzi(9)，0，1+kfuzzi(9)，2+kfuzzi(8)，3+kfuzzi(7)}

输出值的论域

{-3-kfuzzi(10)，-2-kfuzzi(11)，-1-kfuzzi(12)，0，1+kfuzzi(12)，2+kfuzzi(11)，3+kfuzzi(10)}

在控制过程中，首先根据某一时刻t的关节角度和t+1输入电流，预测控制t+1时刻的膝关节角度，再根据最优预测膝关节角度与给定角度反馈偏差，通过模糊控制器输出下一时刻电流水平，使其作用在肌肉上精确地完成相应动作。其中模糊控制器参数严重影响控制器的性能，采用遗传算法对模糊控制器的参数寻优，得到的最优参数作为模糊控制器的12个参数。

基于遗传算法的模糊控制器参数寻优流程图如图2所示

对模糊控制器相关参数进行染色体编码；

随机产生初始群体；

基因选择交叉和变异操作；

染色体解码得到新参数；

采样受控过程的输入和输出；

对受控输出的最优选择；

群体适应度统计并产生新的群体；

判断群体是否稳定，若否返回基因选择交叉和变异操作；

输出优化的模糊控制器相关参数。

1、确定模糊控制需要寻优的参数

模糊控制器需要寻优的参数有12个，分别为量化因子2个；比例因子1个，隶属函数规则参数9个。

2、染色体的编码方法

整定模糊控制器参数属于参数优化问题，且问题解为实数值，故采用多参数映射二值编码，即在一条染色体上12个子串分别表示12个参数：

01000100|11110010|01101001|10001000|01011010|01010110|01001001|01010110|01010110

|01010110|01011100|10101011|

3、适应度函数的设计

肌肉特性特别复杂而且人承受能力有限，这要求衡量控制系统三个指标为稳定性、准确性和快速性，为了更好使控制偏差趋于零，有较快的响应速度和较小的超调量，因此适应度函数应把最优预测与期望值的反馈偏差e(t)，偏差的变化率ec(t)和控制量u(t)的关系，作为参数选取的最优指标J

$J={\∫}_0^t{w}_1{e}^2\left(t\right)+w_2{u}^2\left(t\right)+w_3{\left(\mathrm{ec}\left(t\right)\right)}^2\mathrm{dt}---\left(14\right)$

其中，w₁，w₂和w₃是权值，一般都取w₁＝100，w₂＝10，w₃＝1。

适度函数为

F＝C/J    (15)

其中，C＝10ⁿ(n为整数)，当个体的是适应度相差较大时，n≤0；相差较小时，n≥0。

4、利用遗传算法，选择算子、交叉算子、变异算子等手段，对模糊控制器参数进行寻优，并利用适应函数，确定收敛和寻优效果。

5、算法的终止条件

群体中个体进化已趋于稳定状态，即发现群体一定比例的个体已为同一个体时，迭代终止。

实验方案

实验装置采用美国SIGMEDICS公司生产的Parastep功能性电刺激助行系统以及PASCO公司PS-2137量角器和Data Studio软件。Parastep系统包含微处理器和刺激脉冲发生电路，含六条刺激通道，电池供电。实验内容为：利用FES系统对下肢相关肌群进行刺激，利用PASCO公司PS-2137量角器采集膝关节角度和Data Studio软件记录所测量的膝关节角度。要求受试者身体健康，无下肢肌肉、骨骼疾患，无神经疾患及严重心肺疾患。实验时受试者安坐于测试台上，将刺激电极固定于股四头肌的两端位置，将量角器固定在大腿和小腿上，使关节活动点贴近膝关节活动点位置。未施加电刺激时小腿放松、保持垂直悬空状态，FES实验场景如图3所示。电刺激脉冲序列采用经典的Lilly波形，脉冲频率为25Hz、脉宽150μs，脉冲电流在0～120m范围内可调。实验中可通过改变脉冲电流大小来调整刺激强度以改变由刺激产生的膝关节角度。实验前，设定期望的膝关节角度运动轨迹，实验中利用角度测量计实时检测膝关节张角变化。实验数据采样率为128Hz，数据记录时长为60s。

有益效果

遗传整定的模糊控制器参数新算法对FES脉冲电流幅值进行测算和调整，使FES作用所产生的膝关节角度运动贴近预期的运动轨迹。图4为遗传算法自适应优化整定的模糊控制器追踪结果。图中红线表示预期运动轨迹、蓝线为实际输出关节角度。X轴为时间，Y轴为膝关节运动角度。为更清楚地观察遗传算法整定模糊控制器的控制误差，如图5遗传算法整定PID控制下预设输入膝关节角度与实际膝关节角度的相对误差所示，则可以看出误差均在3％之内，可以达到精确的控制。

本发明的主旨是提出一种新的FES的精密控制方法，通过遗传算法自适应整定模糊控制器参数，继而准确稳定实时地有效地控制FES系统的电流强度。该项发明可有效地提高FES系统实时性、准确性和稳定性，并获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。

Claims (3)

1.一种功能性电刺激关节角度遗传模糊控制方法，其特征是，包括：

首先确定模糊控制的量化因子、比例因子以及隶属函数参量的12个决策变量kfuzzi大致范围和编码长度，并对其进行编码以及随机产生n个个体组成的初始种群P(O)，其中kfuzz为n×12的向量；

其次选定合适的遗传算法的终进化代数G、交叉概率P_c以及变异概P_m；

最后通过实际关节角度与肌肉模型输出关节角度的相应关系，建立最小目标函数，将种群中各个个体解码成对应的参数值，并求取相应的代价函数值和适应函数值，再应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1)，反复重复以上操作，直到参数收敛或者达到预定的指标；

通过遗传算法寻优，达到最优状态，最终输出此状态下的决策变量kfizzi，即得模糊控制的决策变量kfuzzi；

在新的模糊控制参数下计算系统输出及其与肌肉模型的偏差后再进入下一步遗传算法的自适应的调整模糊控制器参数，反复此过程，最终实现模糊控制器参数的自适应在线整定，并用于FES系统。

2.根据权利要求1所述的一种功能性电刺激关节角度遗传模糊控制方法，其特征是，所述功能性电刺激关节角度遗传模糊控制方法，实际输出关节角度和期望关节度的误差e(k)以及误差的变化率ec(k)，其论域为FE＝[-E，E]，FEC＝[-EC，EC]，控制输出的刺激电流强度u(k)，其论域为FU＝[-U，U]；

误差的量化论域为

X＝{-n，-n+1，…0，…，n-1，n}     (1)

误差变化率的量化论域为

X₁{-m，-m+1，…0，…，m-1，m}；    (2)

控制量的量化论域为

Y＝{-k，-k+1，…0，…，k-1，k}

量化因子分别为

K_e＝n/X_e    (3)

K_ec＝m/X_ec  (4)

比例因子为

K_u＝Y_u/k    (5)

采用误差的论论域：{-3 -2 -1 0 1 2 3}；误差变化率的论域为{-3 -2 -1 0 1 2 3}输出值的论域{-3 -2 -1 0 1 2 3}，控制规则表为：如果E1且EC1则U1，如果E2且EC2则U2，……Ep且ECp则Up；

其总模糊控制规则为：

R＝(E_i×CE_i)^T1оC_i                                                (7)

其中E₁＝(a_1i…a_ni)，EC₁＝(b_1i…b_mi)，U₁＝(c_1i…c_ti)(i＝1，…p)

采用的反模糊化法是加权平均法

$u_c=\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{\mathrm{ik}}_i\right)/\left(\underset{i=-s}{\overset{s}{\mathrm{\Σ}}}{u}_i\right)---\left(8\right)$

对于每一个具体的观察值偏差E^*和其误差变化率EC^*，再分别用各自的量化因子公式变成量化论域中的元素，再把其模糊化为E^*和EC^*，

其中E^*＝(e₁…e_n)，EC^*＝(f₁…f_m)

由公式8可以求输出的精确量；

角度误差及其误差变化率在[-90 90]上，论域为[-3 3]，则可以用公式

$X=\left(\frac{2n}{b-a}(x^{\text{'}}-\frac{a+b}{2})\right).---\left(10\right)$

3.根据权利要求1所述的一种功能性电刺激关节角度遗传模糊控制方法，其特征是，所述功能性电刺激关节角度遗传模糊控制方法，对量化因子和比例因子以及模糊控制规则进行整定，对模糊控制器参数的控制如以下公式：

K_e1＝kfuzzi(1)*K_e    (11)

K_c1＝kfuzzi(2)*K_c    (12)

k_u1＝kfuzzi(3)*K_u    (13)

误差论域为

{-3-kfuzzi(4)，-2-kfuzzi(5)，-1-kfuzzi(6)，0，1+kfuzzi(6)，2+kfuzzi(5)，3+kfuzzi(4)}

误差变化率论域为

{-3-kfuzzi(7)，-2-kfuzzzi(8)，-1-kfuzzi(9)，0，1+kfuzzi(9)，2+kfuzzi(8)，3+kfuzzi(7)}

输出值的论域

{-3-kfuzzi(10)，-2-kfuzzi(11)，-1-kfuzzi(12)，0，1+kfuzzi(12)，2+kfuzzi(11)，3+kfuzzi(10)}。

Images