CN102764167A - 基于相关系数的肌电假肢控制源导联优化方法 - Google Patents

Abstract

本发明涉及医疗康复器械。为达到更加精准快速预测下肢关节角度，控制肌电假肢的目的，本发明采取的技术方案是，一种基于相关系数的肌电假肢信号源导联优化方法，包括下列步骤，提取人体在深蹲、站起、伸膝和行走过程中六路肌肉的肌电信号；利用三维运动捕捉系统记录人体运动三维坐标，进而求得下肢膝关节角度信息；提取肌电的均方根值作为特征参数，计算其与下肢关节角度的相关系数；根据相关系数的大小，依次去除不相关肌肉导联，利用人工神经网络ANN建立下肢肌骨动力学模型，预测关节角度，对比不同结果的误差，得到不同动作下最佳的导联优化方式。本发明主要应用于医疗康复器械的设计制造。

Description

基于相关系数的肌电假肢控制源导联优化方法

技术领域

本发明涉及医疗康复器械，具体讲，涉及基于相关系数的不同动作下肌电假肢控制源导联优化新方法。

背景技术

肢体残疾已经成为我国人口中的最重大残障疾病，给家庭社会带来沉重的负担。如何帮助残疾患者有效地提高自理能力，改善肢体残疾者生活质量是政府和社会面临的一个严峻的挑战，并成为医疗康复领域重要的研究课题。肌电假肢又称肌电控制人造假肢(EMGcontrolled limb prosthetics),是一种利用残肢的肌电信号来控制假肢的人机系统，控制原理的实质为人体与假肢间的信息交换，可以帮助残疾患者恢复部分运动功能，享受正常人的生活。实验表明，当机体做某种动作时，大脑通过神经系统给相关肌肉发出一组生物电脉冲，并通过神经电位来刺激肌肉的收缩，产生相应的动作，动作力度越大，肌肉发放的相应电信号也越大。一般肌电假肢由以下五个部分组成：肌电提取装置(表面电极)、肌电滤波放大装置、信号处理装置、动作执行装置和反馈装置。通过对肌电信号的研究，采用表面肌电信号控制假肢，实现对残疾者的残臂再造是当今生物工程领域研究的重点。

1948年，R．Rect发明了世界上第一例肌电假肢，给数以万计的残疾者带来了自主生活的希望。从1960年开始，肌电假肢被越来越多的截肢患者所接受，又因为其具有结构简单、安装方便，无创性、实时性、多靶点测量等优点，已成为康复工程领域另一个重要的发展方向。随着科学技术的发展，肌电控制假肢的研究已有了长足的进步，奥托博克假肢矫形器生产公司发明了可以控制多手指的肌电假肢，20世纪80年代至90年代期间，一种可以持续工作8小时的轻松便携肌电假手受到了截肢患者的欢迎。然而，目前的假肢有灵活度低、控制不精准、自由度差等诸多缺点，市场上还未见到技术成熟、控制精准的肌电假腿的诞生。同时，市场上的肌电假肢往往需要许多块肌电联合控制，这样不仅带来了不必要的冗余信息，还严重影响了肌电假肢的便携化和控制效率。进行不同动作下肌电假肢控制源的导联优化，具有极为重要的现实意义。

发明内容

本发明旨在克服现有技术的不足，寻找到最佳的导联优化预测方案。以达到更加精准快速预测下肢关节角度，控制肌电假肢的目的，为此，本发明采取的技术方案是，一种基于相关系数的肌电假肢信号源导联优化方法，包括下列步骤，提取人体在深蹲、站起、伸膝和行走过程中六路肌肉的肌电信号，六路肌肉的肌电信号是：股直肌、股二头肌、半腱肌、比目鱼肌、胫骨前肌和腓肠肌；利用三维运动捕捉系统记录人体运动三维坐标，进而求得下肢膝关节角度信息；提取肌电的均方根值作为特征参数，计算其与下肢关节角度的相关系数；根据相关系数的大小，依次去除不相关肌肉导联，利用人工神经网络ANN建立下肢肌骨动力学模型，预测关节角度，对比不同结果的误差，得到不同动作下最佳的导联优化方式。

利用以下公式求解肌电的均方根值：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{x}_k^2}$

其中，x_k为第k个采集到的肌电信号，N为采集样本数；

相关系数是度量两个随机变量间关联程度的量，相关系数越高，两变量间的相关程度越大，计算公式如下：

$R=\frac{{\mathrm{\Σ}}_{i=1}^n({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})({{\mathrm{\θ}}_i}^{\text{'}}-\stackrel{\‾}{\mathrm{\θ}\′})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^n{({{\mathrm{\θ}}_i}^{\text{'}}-\stackrel{\‾}{\mathrm{\θ}\′})}^2}}$

其中，θ_i为肌电信号的第i个均方根值，

为肌电信号均方根值的平均值，θ_i’为第i个膝关节角度，

为膝关节角度的平均值。

本发明的技术特点及效果：

利用肌电预测关节角度只用提取股直肌和半腱肌的信号预测，对于各动作都进行去导联步骤，选出最佳优化导联方案。经过新的导联优化方法，不仅使得该技术更加简便快捷、而且控制精度也大大提高，同时节省了预测时间，可用于肌电假肢的精确在线控制，具有重要的应用价值和可观的市场前景。

附图说明

图1不同动作下基于相关系数的肌电假肢信号源导联优化新方法框图。

图2三层BP神经网络。

图3伸膝动作的导联优化过程示意图，图中：

a伸膝状态下，6路肌电预测运动轨迹图及误差曲线图；

相关系数：0.9988；绝对误差为0.0093；相对误差：0.0125；

b伸膝状态下，去掉比目鱼肌的预测结果以及误差曲线图；

相关系数：0.9979；绝对误差为0.0134；相对误差：0.0181；

图4伸膝动作的导联优化过程示意图，图中：

c伸膝状态下，去掉腓肠肌和比目鱼肌的预测结果：

相关系数：0.9985；绝对误差为0.0104；相对误差：0.0139；

d伸膝状态下，去掉腓肠肌、股二头肌和比目鱼肌的预测结果：

相关系数：0.9986；绝对误差为0.0100；相对误差：0.0135；

图5伸膝动作的导联优化过程示意图，图中：

e伸膝状态下，仅剩股直肌和半腱肌的预测结果：

相关系数：0.9995；绝对误差为0.0062；相对误差：0.0084；

f伸膝状态下，仅剩股直肌预测结果：

相关系数：0.9991；绝对误差为0.0084；相对误差：0.0112。

具体实施方式

提出了一种不同动作下基于相关系数的肌电假肢信号源导联优化新方法。其技术流程是：提取人体在深蹲、站起、伸膝和行走过程中六路肌肉的肌电信号，他们是：股直肌、股二头肌、半腱肌、比目鱼肌、胫骨前肌和腓肠肌；利用三维运动捕捉系统记录人体运动三维坐标，进而求得下肢膝关节角度信息。提取肌电的均方根值作为特征参数，计算其与下肢关节角度的相关系数。根据相关系数的大小，依次去除不相关肌肉导联，对比不同结果的误差，不同动作下最佳的导联优化方式。该预测方式更加迅速快捷，贴近实际生活使用。

不同动作下基于相关系数的肌电假肢信号源导联优化新方法示意图如图1，首先利用美国生产的Noraxon表面肌电无线遥测采集分析系统TeleMyo2400DTS提取人体在深蹲、站起、伸膝和行走过程中的肌电信号，经过预处理后，计算其肌电的均方根值；利用Vicon三维步态采集系统提取被试的膝关节角度信息。计算RMS与角度信息的相关系数，验证利用相关系数去导联的可靠性。随后，利用人工神经网络建立人体下肢运动轨迹预测模型，根据相关系数，依次去除不相关的导联，寻找最佳导联优化方案。

1依靠相关性进行导联优化的可行性分析

本发明利用以下公式求解肌电的均方根值：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{x}_k^2}$

其中，x_k为采集到的肌电信号，N为采集到的样本数。

相关系数是度量两个随机变量间关联程度的量，相关系数越高，两变量间的相关程度越大。其计算公式如下：

$R=\frac{{\mathrm{\Σ}}_{i=1}^n({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})({{\mathrm{\θ}}_i}^{\text{'}}-\stackrel{\‾}{\mathrm{\θ}\′})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^n{({{\mathrm{\θ}}_i}^{\text{'}}-\stackrel{\‾}{\mathrm{\θ}\′})}^2}}$

其中，θ_i为肌电信号的第i个均方根值，

为肌电信号均方根值的平均值，θ_i’为第i个膝关节角度，为膝关节角度的平均值。

表1是不同动作下，肌电信号的均方根值与关节角度的平均相关系数。表格2是《人体解剖学》中，对于各个肌肉功能的介绍。从中我们可以看到所描述的相关运动中牵扯到的主要肌肉与上面经过计算相关系数选定的肌肉是一致的，因此，相关系数可以作为本研究中对各动作进行导联优化的依据。

表1不同肌肉的肌电信号与关节角度的平均相关系数

	下蹲	站起	伸膝	行走
					股直肌	0.110	0.348	0.524	0.204
腓肠肌	0.223	0.384	0.176	0.153
					比目鱼肌	0.115	0.391	0.12	0.236
股二头肌	0.217	0.414	0.258	0.265
					半腱肌	0.183	0.431	0.347	0.356
胫骨前肌	0.496	0.257	0.295	0.139

表2各肌肉的主要职能

2利用人工神经网络（ANN）建模原理

人工神经网络（Artificial Neural Network,ANN)）具有很强的自适应学习能力、良好的容错性和联想记忆功能，同时具有高度的并行性和处理能力，其建模时对信息采用分布式记忆，信息不易丢失，具有鲁棒性。采用BP算法（back-propagation training algorithm）即误差反向传播算法的多层感知器被称为BP模型或BP网络。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出不符，则转入误差的反向传播阶段。误差反传是输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号就是修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。BP算法的具体步骤如下：

第一步，对权值和神经元阈值初始化。

第二步，输入样本，指定输出层各神经元的希望输出值，d1,d2,…,dM。

$d_j=\left\{\begin{array}{cc}+1,& X\∈w_j\\ -1,& X\∉w_j\\ & \end{array}\right.,j=\mathrm{1,2},\·\·\·\·\·\·,M$

式中，d_j为第j个神经元的期望输出；w_j代表第j个模式类，M为采集到的样本数。

第三步，依次计算每层神经元的实际输出，直到计算出输出层各神经元的实际输出y₁,y₂,…,y_M 。

第四步，修正每个权值，从输出层开始，逐步向低层递推，直到第一隐层。

第五步，转到第二步，如此循环，直到权值稳定位置。

BP神经网络的设计，一般包括网络层数，输入节点，隐含层节点，输出节点，学习速率等几个方面。本研究采用如图3-5所示的三层结构的前馈神经网络，作为下肢神经肌骨模型建模方法，采用动量法和自适应调整学习率的启发式方法对网络进行训练，其权值调整算法如下：

w(k)＝w(k)+α(k)*[(1-η)D(k)+ηD(k-1)];

α(k)＝2^λα(k-1);

λ＝sign[D(k)D(k-1)],

其中，w(k)为单个的权值，D（k）为k时刻的负梯度，D（k-1）为k-1时刻的负梯度，α（k）为学习率，α（k）>0,η为动量因子，0≤η＜1，sign为符号函数。

从图2中可以看出，在BP网络中有两种信号在流动，正向的工作信号和反向的误差信号，分别用实线和虚线表示。工作信号是对网络施加输入信号后向前传播直到输出端产生的实际输出信号，在信号向前传递的过程中网络权值固定不变，每一层神经元的状态只影响下一层神经元的状态。误差信号是网络实际输出与期望输出之间的差值，是从输出端开始逐层向输入端传播的。正是误差信号的反向传播使得网络各层的权值和阈值得到不断修正，使得网络的实际输出更接近期望输出，从而来达到学习的目的。

3导联优化过程

本发明中，输入节点为依次去除导联的肌电RMS数据和1维的反馈角度，输出为预测的角度信息。实验中，采样频率为1000HZ，每50个点计算一个均方根值。计算中，所有的角度信息均进行了归一化处理。输入前0.15秒的RMS和当前时刻的角度信息，来预测下一时刻的角度。前24个周期数据用于训练和建模，后6个周期的数据用于测试。根据各动作下每块肌肉与膝关节角度的相关性，逐一去除腿部导联。利用人工神经网络方法，建立下肢肌骨动力学模型，预测膝关节角度。以伸膝为例，其各块肌肉的肌电信号与关节角度相关系数如表1所示。预测的时候，首先去除比目鱼肌的导联，用剩余五块肌肉的肌电信号结合反馈角度信息来进行ANN建模，预测膝关节角度。接着依次去除比目鱼肌、腓肠肌、股二头肌、胫骨前肌和半腱肌，进行建模，对比预测结果。

从上图可以看出，在伸膝过程中，利用肌电预测关节角度只用提取股直肌和半腱肌的信号预测，便可以达到比较理想的结果。对于各动作都进行上述的去导联步骤，选出最佳优化导联方案如表3所示，其中，标黄色块的肌肉是该预测中，所选择的肌肉；未标色的部分则是去除的导联。

表3不同动作下基于相关系数的肌电假肢信号源导联优化新方法

	深蹲	站起	伸膝	行走
					股直肌
腓肠肌
					比目鱼肌
股二头肌
					半腱肌
胫骨前肌
					相关系数	0.9661	0.9913	0.9940	0.9765
绝对误差	0.0264	0.0212	0.0210	0.0242
					相对误差	0.0352	0.0297	0.0282	0.0323

从表中可以看出，经过新的导联优化方法，不仅使得该技术更加简便快捷、而且控制精度也大大提高，同时节省了预测时间，可用于肌电假肢的精确在线控制，具有重要的应用价值和可观的市场前景。

本发明是不同动作下基于相关系数的肌电假肢信号源导联优化新方法，以寻找不同动作下，肌电假肢控制的最优导联方案。该发明不仅可以减少预测时肌电导联的数目，更大大提高了肌电假肢控制的精度和可靠性，提高了患者使用过程中运动的灵活度，进一步研究可以得到完善的控制方案，有望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 (2)

1.一种基于相关系数的肌电假肢信号源导联优化方法，其特征是，包括下列步骤，提取人体在深蹲、站起、伸膝和行走过程中六路肌肉的肌电信号，六路肌肉的肌电信号是：股直肌、股二头肌、半腱肌、比目鱼肌、胫骨前肌和腓肠肌；利用三维运动捕捉系统记录人体运动三维坐标，进而求得下肢膝关节角度信息；提取肌电的均方根值作为特征参数，计算其与下肢关节角度的相关系数；根据相关系数的大小，依次去除不相关肌肉导联，利用人工神经网络ANN建立下肢肌骨动力学模型，预测关节角度，对比不同结果的误差，得到不同动作下最佳的导联优化方式。

2.如权利要求1所述的基于相关系数的肌电假肢信号源导联优化方法，其特征是，利用以下公式求解肌电的均方根值：

$\mathrm{RMS}=\sqrt{\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{x}_k^2}$

其中，x_k为第k个采集到的肌电信号，N为采集样本数；

相关系数是度量两个随机变量间关联程度的量，相关系数越高，两变量间的相关程度越大，计算公式如下：

$R=\frac{{\mathrm{\Σ}}_{i=1}^n({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})({{\mathrm{\θ}}_i}^{\text{'}}-\stackrel{\‾}{\mathrm{\θ}\′})}{\sqrt{{\mathrm{\Σ}}_{i=1}^n{({\mathrm{\θ}}_i-\stackrel{\‾}{\mathrm{\θ}})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^n{({{\mathrm{\θ}}_i}^{\text{'}}-\stackrel{\‾}{\mathrm{\θ}\′})}^2}}$

其中，θ_i为肌电信号的第i个均方根值，

为肌电信号均方根值的平均值，θ_i’为第i个膝关节角度，

为膝关节角度的平均值。

Images