CN102274581A - 一种功能性电刺激的精密控制方法 - Google Patents

Abstract

本发明公开了一种功能性电刺激的精密控制方法，属于利用电脉冲刺激帮助残疾人康复的器械技术领域，所述方法包括以下步骤：通过助行过程的柄反作用矢量HRV预测膝关节角度；利用遗传蚁群算法整定PID参数，获取整定后的PID参数；将所述整定后的PID参数输入到PID控制器中，对所述PID控制器进行整定，利用整定好的PID控制器实时调控FES电流水平强度，获取和预测膝关节角度误差最小的实际膝关节角度。本发明提供了一种全新的功能电刺激精密控制技术，该项发明可有效地提高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。

Description

一种功能性电刺激的精密控制方法

技术领域

本发明属于利用电脉冲刺激帮助残疾人康复的器械技术领域，特别涉及一种功能性电刺激的精密控制方法。

背景技术

FES(Functional Electrical Stimulation，功能性电刺激)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。根据对于脊髓损伤瘫痪患者的治疗统计显示，由于脊髓再生能力微弱，目前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。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。

发明内容

为了能够有效地提高FES系统的准确性和稳定性，并获得可观的社会效益和经济效益，本发明提供了一种功能性电刺激的精密控制方法，详见下文描述：

一种功能性电刺激的精密控制方法，所述方法包括以下步骤：

(1)通过助行过程的柄反作用矢量HRV预测膝关节角度；

(2)利用遗传蚁群算法整定PID参数，获取整定后的PID参数；

(3)将所述整定后的PID参数输入到PID控制器中，对所述PID控制器进行整定，利用整定好的PID控制器实时调控FES电流水平强度，获取和预测膝关节角度误差最小的实际膝关节角度；

其中，步骤(1)中的所述膝关节角度具体为：

M＝L(HRV)

M表示膝关节角度、L表示HRV与M之间的关系，L＝M(HRV)^-1，

初始化权值ω和阈值θ，把所有权值和阈值都设置成较小的随机数；

提供训练样本n个HRV变量HRV1，…，HRVn和n个M变量，M1，…，Mn，共n(i＝1，…，n)对训练值的数据集；

根据S型逻辑非线性函数f(x)＝1/(1+e^-x)、公式

和公式

计算各隐含层的输出x′_j和输出层的输出值y_k，输入节点的输出等于其输入，假设输入层有m个单元，隐含层有m₁个单元，输出层有p个单元，使用递归算法从所述输出层开始逆向传播误差直到第一隐含层，并用w_ij(t+1)＝w_ij(t)+ηδ_jx_i调整权值：其中，w_ij(t)表示在时间t由隐含层节点i到输出层节点j的权值；x_i表示节点i的输出；ηδ_jx_i表示增益项；δ_j表示节点j的误差项；

对于第i个HRV作为输入得到的输出Y和对应的目标输出，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right)$

系统平均误差为：

$E=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{E}_i=\frac{1}{2n}\left(\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中，d_ik表示第i个输入模式第k个输出层节点的期望输出；y_ik表示第i个输入模式对应的第k个节点的输出；

判断所述系统平均误差是否满足预设要求，如果是，此时神经网络为L，获取L，通过L和所述柄反作用矢量HRV获取所述膝关节角度；如果否，重复计算，直到所述系统平均误差满足预设要求为止；

其中，步骤(2)中的所述利用遗传蚁群算法整定PID参数具体为：

初始化所述遗传蚁群算法的控制参数；

设置所述遗传蚁群算法的结束条件，最小遗传迭代次数、最大遗传迭代次数、最小进化率和连续迭代次数；随机生成种群P(0)，遗传代数g＝0；计算种群P(0)中个体适应值；

根据所述个体适应值以及赌轮选择策略确定每个个体的概率，根据概率选择两个父体，首先执行变异操作，比较得到两个后代的适应值，若后代的适应值大，则插入新群体中，否则执行繁殖操作，将父体不变地插入所述新群体；

更新新一代个体的适应值，重复执行上一步，直到达到最大大遗传迭代次数；

选择适应能力强的个体作为最优解集合；

信息素的初始设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，τ_G是所述遗传蚁群算法求解结果转化的信息素值；

令时间t＝0和循环次数N_max＝0，设置最大循环次数N_c max，将m个蚂蚁置于起始点，设置蚂蚁个数和循环次数；

蚂蚁根据伪随机比例原则选择结点，当经过所述结点后，进行局部信息素浓度更新；

蚂蚁个体根据状态转移概率公式选择元素；待蚂蚁走完完整路径，根据蚂蚁所选路径得到PID的参数值，计算此时PID控制器控制关节角度得到的关节角度误差，选取所述关节角度误差最小的路径，进行全局信息素更新；

若所述关节角度误差小于给定常数或者达到最大循环次数，则所述PID参数整定结束，获取所述整定后的PID参数。

本发明提供的技术方案的有益效果是：

本发明提供了一种功能性电刺激的精密控制方法，本发明提出了由助行器的HRV(handle reactions vector，柄反作用矢量)，通过人工神经网络预测膝关节角度，进而控制功能性电刺激的电流水平强度，由Genetic Algorithm(遗传算法)和Ant Colony Algorithm(蚁群算法)动态融合优化整定PID(Proportional-Integral-Differential，比例微积分)的比例、积分和微分系数以精确控制FES电流强度的新方法，该方法是一种全新的功能电刺激精密控制技术，该项发明可有效地提高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。

附图说明

图1为本发明提供的一种功能性电刺激的精密控制方法的流程图；

图2为本发明提供的柄反作用矢量定义的示意图；

图3为本发明提供的遗传蚁群算法收敛速度图；

图4为本发明提供的基于HRV的FES系统的结构框图；

图5为本发明提供的遗传蚁群算法整定PID参数控制方法的结构框图；

图6为本发明提供的助行功能性电刺激中的人体模型的示意图；

图7为本发明提供的BP神经网络基本模型的示意图；

图8为本发明提供的遗传蚁群算法整定PID参数编码示意图；

图9为本发明提供的实验场景图；

图10为本发明提供的另一实验场景图；

图11为本发明提供的遗传蚁群算法自适应优化整定的PID控制器追踪结果的示意图；

图12为本发明提供的遗传蚁群算法整定PID参数控制下预设关节角度与实际输出的相对误差的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了能够有效地提高FES系统的准确性和稳定性，并获得可观的社会效益和经济效益，参见图1，本发明实施例提供了一种功能性电刺激的精密控制方法，详见下文描述：

HRV是根据步行器帮助下的站立及行走的过程中，步行器提供给患者的效用实际上可以分为明确独立的3个部分：前后向的力推进，左右向的力平衡和上下向的力支持，这其实也可理解为患者为维持自身正常站立行走对外界所需的附加力学诉求提出的新概念，即是患者在站立行走过程中对步行器的作用合成简化为集中载荷，分别用手柄中点横截面形心处的两个力学矢量来表示，参见图2，矢量在x，y，z轴上的方向分量合力大小可以分别表征患者借助步行器所获得的力推进，力平衡和力支持水平。其中，定义坐标系所设定的x轴正向为患者的右向，y轴正向为患者的前向，z轴正向为患者的上向。这样，HRV的定义公式也可以写为：

[HRV]＝[HRV₁，HRV_r]^T＝[F_lx，F_ly，F_lz，F_rx，F_ry，F_rz]^T    (1)

目前，HRV被广泛地应用在监视在电刺激过程中病人行走时的状况，继而防止病人摔倒，造成二次伤害。本发明实施例利用此参数预测膝关节角度，继而精密控制FES系统的电流水平强度，保证电刺激作用效果能准确完成预定的功能动作，并且延迟肌疲劳。

PID是一种非常实用的反馈调节算法，它根据系统检测或操作偏差，利用比例、积分和微分运算获得所需调节量以对系统进行反馈控制，因其操作方便而广泛用于工程实践。尤其当被控系统特性参数不明确或难以及时在线测定时，稳妥的闭环控制即可采用PID整定算法。面对肌肉的复杂性和时变性操作环境，由于PID的稳定性好、工作可靠，在功能性电刺激领域也得到了广泛的应用。PID核心技术是精密确定比例、积分和微分系数，其控制效果主要取决于三参数的组合，在FES领域，对系统稳定性要求极为严格，所以对PID参数选择尤为重要。PID控制要取得较好的控制效果，必须调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系。本发明提出的基于遗传蚁群融合算法整定PID的功能性电刺激精密控制的方法FES系统电流水平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，但对于系统中反馈信息的利用却不尽人意，当求解到一定范围时往往做大量无力的冗余迭代，求精确解效率低。蚁群算法模拟生物世界中的蚂蚁在没有任何提示下寻找由蚁穴至食物源的最短路径的觅食行为提出基于种群的模拟进化算法，具有较强的适应性，分布式并行计算，易于其他算法集成的优点，但初期信息素匮乏，求解速度慢，本发明实施例提供的方法是将遗传算法和蚁群算法融合，采用遗传算法生成信息素分布，利用蚁群算法求精确解，继而使二者优势互补，更适合于优化PID控制器，继而实现对助行功能性电刺激的控制，遗传蚁群算法融合原理参见图3。目前，肌肉的机制还没有完全掌握，经验知识比较欠缺。利用遗传和蚁群融合算法对PID控制器参数的整定有助于功能性电刺激的精密的控制。

双源特征融合的遗传蚁群PID助行功能性电刺激控制技术的应用的结构如图4所示，其工作流程为：首先，利用助行过程的HRV预测膝关节角度，其次，利用遗传蚁群算法整定PID参数，实时调控FES电流水平强度。其整定流程如图5所示，参见图6，首先将PID控制器的三个参数的选择转化为遗传与蚁群算法适用的组合优化问题，并对其进行编码以及随机产生n个个体组成的染色体，其次建立合理的实际关节角度与肌肉模型输出关节角度的相应关系目标函数以及确定遗传蚁群算法的参数设置，充分利用遗传算法的快速性、随机性、全局收敛性，其结果是产生蚁群算法中的初始信息素分布，利用蚂蚁随机收索使其变量优化PID控制器的比例因子，微分因子以及积分因子，并调用已整定的PID控制器，验证是否达到预设目标，若无重复以上操作，直到参数收敛或者达到预定的指标；最终输出即得PID控制的K_p、K_i和K_d三个系数和蚁群运行的次数。在新的PID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的自学习与自调整。反复此过程，最终实现PID控制器参数的自适应在线整定，并用于FES系统。

101：通过助行过程的柄反作用矢量HRV预测膝关节角度；

助行过程中，当使用者在功能性电刺激作用下，抬腿迈步时，为了支持身体稳定，使用者在步行器上所施加的力则有所不同，因为关节的大小不同会使人体重心处于不同位置，则克服重力所施加的力也不同，同时人体所处的平面位置也有所改变，在平面上所施加的力也有所变化，因此，关节角度和使用者对步行器所施加的力有一定的关系，如图5所示。

M＝L(HRV)+wPW               (2)

其中，M表示膝关节角度、L表示HRV与M之间的关系、w表示系数、W表示上臂、躯干和下肢的重心、P表示三重心与M之间的关系。

实际中，由于步行器的作用，人体重心移动较小，膝关节角度则可表示成

M＝L(HRV)                   (3)

其中，根据公式3所示，确定L就可以利用HRV取出相应时刻的膝关节角度。

L＝M(HRV)^-1                 (4)

本发明实施例求解L时，采用了BP神经网络的方法。它是一个有导师学习(训练)的神经网络模型，如图7所示。包括两个过程，训练过程和预测过程。训练过程是向网络提供一定数量的训练样本，将网络的实际输出和期望输出向量进行比较，通过修改各层神经元之间的权系数，使得期望输出与实际输出之间的误差达到最小，确定权值系数，整个网络也随之确定了。预测过程就是将测试样本送入神经网络，求得的输出向量即为预测结果。

BP神经网络方法是一种快速下降的方法，它使用了最优化方法中沿梯度下降的方法，使得实际输出和期望的输出的均方差最小。它的转换函数必须是连续可微的非线性函数，其计算步骤如下：

1、初始化权值ω和阈值θ，把所有权值和阈值都设置成较小的随机数；

2、提供训练样本n个HRV变量HRV1，…，HRVn和n个M变量，M1，…，Mn，共n(i＝1，…，n)对训练值的数据集。将HRV作为输入X，M值作为目标输出D；

3、根据S型逻辑非线性函数、公式5和公式6计算各隐含层的输出x′_j和输出层的输出值y_k，输入节点的输出等于其输入，假设输入层有m个单元，隐含层有m₁个单元，输出层有p个单元，则：

$x_j^{\′}=f(\underset{i=0}{\overset{m-1}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{x}_i-{\mathrm{\θ}}_j),0\≤j\≤m_1-1---\left(5\right)$

$y_k=f(\underset{i=0}{\overset{m_i-1}{\mathrm{\Σ}}}{w}_{\mathrm{jk}}{x}_k-{\mathrm{\θ}}_k),0\≤k\≤p-1---\left(6\right)$

其中，S型逻辑非线性函数为：f(x)＝1/(1+e^-x)。

4、调整权值；

使用递归算法从输出层开始逆向传播误差直到第一隐含层，并用以下公式调整权值：

w_ij(t+1)＝w_ij(t)+ηδ_jx_i                    (7)

其中，w_ij(t)表示在时间t由隐含层(或输入层)节点i到输出层(或隐含层)节点j的权值；x_i表示节点i的输出；ηδ_jx_i表示增益项；δ_j表示节点j的误差项。

5、求系统平均误差；

对于第i个HRV作为输入得到的输出Y和对应的目标输出，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right)---\left(8\right)$

系统的平均误差为(有n个样本)：

$E=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{E}_i=\frac{1}{2n}\left(\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)---\left(9\right)$

其中，d_ik表示第i个输入模式第k个输出层节点的期望输出；y_ik表示第i个输入模式对应的第k个节点的输出。

6、判断系统平均误差是否满足预设要求，如果是，此时神经网络即为L，获取L，通过L和柄反作用矢量HRV获取膝关节角度；如果否，重复执行步骤2～5步骤的计算，直到系统平均误差满足预设要求为止。

其中，预设要求根据实际应用中的需要进行设定，具体实现时，本发明实施例对此不做限制。利用遗传蚁群算法整定PID参数，获取整定后的PID参数；

102：利用遗传蚁群算法整定PID参数，获取整定后的PID参数；

其中，PID由比例单元P、积分单元I和微分单元D三部分组成，根据系统误差，通过设定的三个参数K_p、K_i和K_d对系统进行控制。

$u\left(t\right)=K_p\mathrm{error}\left(t\right)+K_i\underset{j=0}{\overset{t}{\mathrm{\Σ}}}\mathrm{error}\left(j\right)+K_d[\mathrm{errot}\left(t\right)-\mathrm{errot}(t-1)]---\left(10\right)$

其中，K_p是比例系数，K_i是积分系数，K_d是微分系数，error为预设输出与实际输出的偏差，u(t)为PID的输出，同时又是受控系统的输入。

由公式(10)可以得到

$u(t-1)=K_p\mathrm{error}(t-1)+K_i\underset{j=0}{\overset{t-1}{\mathrm{\Σ}}}\mathrm{error}\left(j\right)+K_d[\mathrm{error}(t-1)-\mathrm{error}(t-2)]---\left(11\right)$

根据：

Δu(t)＝u(t)-u(t-1)

＝K_p(error(t)-error(t-1))+K_ierror(t)+K_d(error(t)-2error(t-1)+error(t-2))    (12)

u(t)＝Δu(t)+u(t-1)＝

u(t-1)+K_p(error(t)-error(t-1))+K_ierror(t)+K_d(error(t)-2error(t-1)+error(t-2))

                                                                             (13)

本发明实施例采用遗传蚁群算法进行PID控制参数的自适应优化，把PID的三个参数作为一个组合，利用遗传蚁群算法寻优来解决这个组合问题。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。

蚁群算法是一种源于大自然生物世界的新型仿生算法，用蚁群算法求解最优化问题时，首先将最优化问题转化为了求解最短路径问题。每只蚂蚁从初始接点N₀₀，N₀₁…N_0n出发，顺序走过N₁，N₂…的其中一子结点，直到终结点N_k0、N_k1…N_kn组成路径(N_0t N_1t…N_kt)，t∈[0，1，2L 9]。其路径可代表一个二进制的可行解。每次蚂蚁访问城市时有以下的特征：

状态转化规则：蚁群算法使用的状态转化规则为基于旅行商问题提出的随机比例规则，它给出从结点i转移到结点j的概率，其中，allowed表示每次循环过程中，所经过的j节点。

$p_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{cc}\frac{\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}}{\mathrm{\Σ}\left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}}},& \mathrm{ifj}\∈\mathrm{allowe}{d}_k\\ 0,& \mathrm{else}\end{array}\right.---\left(14\right)$

在蚁群算法中，选择方式为伪随机比例原则：

$j=\left\{\begin{array}{cc}\arg \max & \left[{\mathrm{\τ}}_{\mathrm{ij}}\left(t\right)\right]{\left[{\mathrm{\η}}_{\mathrm{ij}}\left(t\right)\right]}^{\mathrm{\β}},\mathrm{ifq}\≤q_0\\ S,& \mathrm{else}\end{array}\right.---\left(15\right)$

其中，q是0到1之间的随机数，q₀是0到1之间的定值，τ_ij是第i个结点和第j个结点间的信息素浓度，η_ij是第i个结点指向第j个结点可见度因子，β是一可调参数。S指按状态转移公式求得的概率选择下一个结点。

全局更新规则：蚂蚁算法有不同的更新算法，蚁群系统采用的全局更新原则，只允许全局最优解的蚂蚁释放信息素，这样是为了使蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的邻域。

τ_ij＝(1-ρ)τ_ij+ρΔτ_ij           (16)

其中， $\mathrm{\Δ}{\mathrm{\τ}}_{\mathrm{ij}}=\frac{1}{\mathrm{error}},$ ρ∈[0，1]。

局部信息素更新：

τ_ij＝(1-ξ)τ_ij+ξτ₀               (17)

其中，τ₀是初始信息素浓度，ξ是信息素挥发因子，ξ∈[0，1]。

利用功能性电刺激刺激肌肉使其完成相应的动作时，电流不能过激或者应该快速使肌肉完成动作，电流过激超过人的阈值，则会感觉到疼痛，有时难以忍受，并易引起肌疲劳，所以快速整定PID控制器的相关参数尤其重要。故利用遗传算法和蚁群算法优点相结合，提高优化的效率，快速整定PID控制器的相关参数。

遗传蚁群算法对PID参数的整定具体为：

首先对PID的三个参数进行编码，根据膝关节角度和电流模式，以及实际误差等情况设定PID的三个参数为5位有效数字，其中，K_p为小数点前2位，小数点后3位；K_i和K_d为小数点前1位，小数点后4位，其具体编码示意图如图8所示，如以下公式：

K_d＝y_6，j×10⁰+y_7，j×10^-1+y_8，j×10^-2+y_9，j×10^-3+y_10，j×10^-4    (18)

K_p＝y_1，j×10¹+y_2，j×10⁰+y_3，j×10^-1+y_4，j×10^-2+y_5，j×10^-3      (19)

K_i＝y_6，j×10⁰+y_7，j×10^-1+y_8，j×10^-2+y_9，j×10^-3+y_10，j×10^-4    (20)

其中，K_p、K_i和K_d既是遗传算法中染色体的编码，又是蚁群算法中城市的编码，为了使二者更好地融合都采用十进制编码。

其中，根据实际应用中的需要PID的三个参数还可以设置为其他位数的有效数字，具体实现时，本发明实施例对此不做限制。

首先是遗传蚁群算法的定义和设置：

1、初始化遗传蚁群算法控制参数，种群规模、杂交概率P_c和变异概率P_m；

2、设置遗传蚁群算法结束条件，最小遗传迭代次数、最大遗传迭代次数、最小进化率和连续迭代次数；

3、随机生成种群P(0)，遗传代数g＝0；

4、计算种群P(0)中个体适应值；

5、根据个体适应值以及赌轮选择策略确定每个个体的概率，根据概率选择两个父体，首先执行变异操作，比较得到两个后代的适应值，若后代的适应值大，则插入新群体中，否则执行繁殖操作，将父体不变地插入新群体；

6、更新新一代个体的适应值，重复执行步骤5，直到达到最大迭代次数G；

7、选择适应能力强的个体，放入集合中，作为最优解集合；

8、信息素的初值设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，即MMAS(max-minant system)算法中的最小信息素，τ_G是遗传蚁群算法求解结果转化的信息素值，这是根据优化解生成的信息素初始化分布。

9、令时间t＝0和循环次数N_max＝0，设置最大循环次数N_c max，将m个蚂蚁置于起始点，设置蚂蚁个数和循环次数；

10、蚂蚁根据伪随机比例原则选择结点，当经过这个结点后，进行局部信息素更新；

11、蚂蚁个体根据状态转移概率公式计算的概率选择元素；

12、若蚂蚁元素未遍历完，转步骤10，否则为步骤13；

13、更新全局信息素浓度；

其中，划分正确率高的特征变量的信息素浓度得到增强，下次搜索时会以更大的概率被选中。

14、若关节角度误差小于给定常数或者达到最大循环次数，则PID参数整定结束。

在本发明实施例例中，各参数的设置如下：迭代次数选择100次，遗传种群规模为15，蚂蚁数量10，信息素挥发因子为0.8，信息启发因子为1，期望因子为2，信息强度为100。经过多次整定最后取P为11.328、I为0.1584、D为0.0326，PID控制器控制效果最优。

103：将整定后的PID参数输入到PID控制器中，对PID控制器进行整定，利用整定好的PID控制器实时调控FES电流水平强度，获取和预测膝关节角度误差最小的实际膝关节角度。

下面以一个简单的实验来验证本发明实施例提供的一种功能性电刺激的精密控制方法的可行性，详见下文描述：

实验装置采用无线传输的步行器系统和美国SIGMEDICS公司生产的Parastep功能性电刺激系统，该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，使受试者按照预定的动作，同时记录施加在步行器上的HRV首先通过安装在步行器上的12导联应变片(BX350-6AA)电桥网络转化成的电压信号以及膝关节角度运动轨迹。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步行器前，将刺激电极固定于相应的部位，未施加电刺激时，受试者保持轻松。FES实验场景如图9和图10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，实时地记录HRV以及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。遗传蚁群算法整定PID参数的新算法对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11为遗传蚁群算法整定的PID控制追踪结果，图中粗实线表示预期运动轨迹、细虚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蚁群算法整定PID的控制误差，如图12遗传蚁群算法整定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5％之内，可以达到精确的控制，满足了实际应用中的需要。

综上所述，本发明实施例提供了一种功能性电刺激的精密控制方法，本发明实施例提出了由助行器的HRV通过人工神经网络预测膝关节角度，进而控制功能性电刺激的电流水平强度，由Genetic Algorithm和Ant Colony Algorithm动态融合优化整定PID的比例、积分和微分系数以精确控制FES电流强度的新方法，该方法是一种全新的功能电刺激精密控制技术，该项发明可有效地提高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。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种功能性电刺激的精密控制方法，其特征在于，所述方法包括以下步骤：

(1)通过助行过程的柄反作用矢量HRV预测膝关节角度；

(2)利用遗传蚁群算法整定PID参数，获取整定后的PID参数；

(3)将所述整定后的PID参数输入到PID控制器中，对所述PID控制器进行整定，利用整定好的PID控制器实时调控FES电流水平强度，获取和预测膝关节角度误差最小的实际膝关节角度；

其中，步骤(1)中的所述膝关节角度具体为：

M＝L(HRV)

M表示膝关节角度、L表示HRV与M之间的关系，L＝M(HRV)^-1，

初始化权值ω和阈值θ，把所有权值和阈值都设置成较小的随机数；

提供训练样本n个HRV变量HRV1，…，HRVn和n个M变量，M1，…，Mn，共n(i＝1，…，n)对训练值的数据集；

根据S型逻辑非线性函数f(x)＝1/(1+e^-x)、公式和公式

计算各隐含层的输出x′_j和输出层的输出值y_k，输入节点的输出等于其输入，假设输入层有m个单元，隐含层有m₁个单元，输出层有p个单元，使用递归算法从所述输出层开始逆向传播误差直到第一隐含层，并用w_ij(t+1)＝w_ij(t)+ηδ_jx_i调整权值：其中，w_ij(t)表示在时间t由隐含层节点i到输出层节点j的权值；x_i表示节点i的输出；ηδ_jx_i表示增益项；δ_j表示节点j的误差项；

对于第i个HRV作为输入得到的输出Y和对应的目标输出，其误差平方和为：

$E_i=\frac{1}{2}\left(\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{(d_k-y_k)}^2\right)$

系统平均误差为：

$E=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{E}_i=\frac{1}{2n}\left(\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}{(d_{\mathrm{ik}}-y_{\mathrm{ik}})}^2\right)$

其中，d_ik表示第i个输入模式第k个输出层节点的期望输出；y_ik表示第i个输入模式对应的第k个节点的输出；

判断所述系统平均误差是否满足预设要求，如果是，此时神经网络为L，获取L，通过L和所述柄反作用矢量HRV获取所述膝关节角度；如果否，重复计算，直到所述系统平均误差满足预设要求为止；

其中，步骤(2)中的所述利用遗传蚁群算法整定PID参数具体为：

初始化所述遗传蚁群算法的控制参数；

设置所述遗传蚁群算法的结束条件，最小遗传迭代次数、最大遗传迭代次数、最小进化率和连续迭代次数；随机生成种群P(0)，遗传代数g＝0；计算种群P(0)中个体适应值；

根据所述个体适应值以及赌轮选择策略确定每个个体的概率，根据概率选择两个父体，首先执行变异操作，比较得到两个后代的适应值，若后代的适应值大，则插入新群体中，否则执行繁殖操作，将父体不变地插入所述新群体；

更新新一代个体的适应值，重复执行上一步，直到达到最大遗传迭代次数；

选择适应能力强的个体作为最优解集合；

信息素的初始设置：τ_S＝τ_C+τ_G，其中，τ_C是一个常数，τ_G是所述遗传蚁群算法求解结果转化的信息素值；

令时间t＝0和循环次数N_max＝0，设置最大循环次数N_c max，将m个蚂蚁置于起始点，设置蚂蚁个数和循环次数；

蚂蚁根据伪随机比例原则选择结点，当经过所述结点后，进行局部信息素浓度更新；

蚂蚁个体根据状态转移概率公式选择元素；待蚂蚁走完完整路径，根据蚂蚁所选路径得到PID的参数值，计算此时PID控制器控制关节角度得到的关节角度误差，选取所述关节角度误差最小的路径，进行全局信息素更新；

若所述关节角度误差小于给定常数或者达到最大循环次数，则所述PID参数整定结束，获取所述整定后的PID参数。

Images