CN107596560A - 一种基于角速度信号的足下垂助行仪的控制方法 - Google Patents

Abstract

本发明公开了一种基于角速度信号的足下垂助行仪的控制方法，包括以下步骤：患者佩戴好足下垂助行仪后行走，足下垂助行仪包括一信号采集系统，用于实时采集患者的踝关节角速度信号；足下垂助行仪包括一控制器，控制器根据患者的实时踝关节角速度信号，输出不同的功能性电刺激强度信号，刺激患者的胫骨前肌，产生背屈。本发明可以使得患者在行走时胫骨前肌的收缩特征与健康人一致，从而最大程度接近正常步态。

Description

一种基于角速度信号的足下垂助行仪的控制方法

技术领域

本发明涉及一种基于角速度信号的足下垂助行仪的控制方法。

背景技术

目前市面上产品或已经发表的文献研究中，利用功能性电刺激对足下垂患者进行康复治疗，对于电刺激强度的调节，比较常见的有三种：1.电刺激输出的是全或无刺激包络线。即输出刺激强度为固定值，脉冲宽度和刺激幅度都不变，刺激强度在最大刺激和无刺激之间来回转换。在这种刺激包络线下，刺激强度的变化是瞬间的，这种陡增式的变化方式会造成足下垂患者在使用时足尖抬起过快，造成重心不稳，容易增加跌倒风险，导致二次中风，使患者病情加重甚至死亡。2.电刺激输出的是梯形包络线。梯形包络线输出虽然很好解决了全或无刺激包络线开始时增大过快和结束时下降过快的问题，但是还存在着一些问题和缺陷，第一个问题是刺激时存在冗余刺激和刺激盲区的现象。冗余刺激是指在患者行走时输出的电刺激强度大于胫骨前肌正常收缩时所需要的刺激强度，导致患者胫骨前肌受到过多刺激而发生疲劳；刺激盲区是指输出的电刺激强度不能正常有效的使患者胫骨前肌产生完成步态周期的收缩，存在跌倒的风险。梯形包络线输出存在的第二个问题是不能根据患者行走的步态信息调节电刺激输出强度，无法使患者达到正常人步态。3.电刺激输出的是自然包络线，自然包络线是利用健康人正常行走时的胫骨前肌肌电发放强度曲线作为功能性电刺激输出包络线，能够使患者患侧肢体足尖或踝关节角度在自主行走时能够最大程度符合健康人的正常步态，但是其输出的刺激包络线是固定的，即在一个步态周期内，对应于同一时刻输出的刺激强度是一定的，无法根据每个患者的实时步态信息进行调整。

发明内容

为克服现有技术不足，本发明提供一种基于角速度信号的足下垂助行仪的控制方法，大大降低全或无刺激包络线容易使患者造成二次跌倒的风险，还解决了梯形包络线存在冗余刺激和刺激盲区的问题，根据患者行走的实时步态信息进行刺激强度调整，即利用患者行走时的角速度信息来实时调节输出电刺激强度，使足下垂患者行走时，能够最大程度接近健康人的步态。

为实现上述目的，本发明的技术方案是：一种基于角速度信号的足下垂助行仪的控制方法，包括以下步骤：

步骤一：患者佩戴好足下垂助行仪后行走，所述足下垂助行仪包括一信号采集系统，用于实时采集患者的踝关节角速度信号；

步骤二：所述足下垂助行仪包括一控制器，所述控制器接收所述信号采集系统采集到的踝关节角速度信号；

步骤三：所述控制器根据接收到的实时踝关节角速度信号输出不同的功能性电刺激强度信号，刺激患者的胫骨前肌，产生背屈。

进一步地，所述控制器包括LSTM神经网络模块和线性模块，所述LSTM神经网络模块用于接收踝关节角速度信号，根据离线建立的第一模型输出胫骨前肌肌电信号；所述线性模块用于接收胫骨前肌肌电信号，根据离线建立的第二模型输出功能性电刺激强度信号。

进一步地，所述第一模型建立的具体方法如下：让健康的试验者根据节拍器信号在平地正常直线行走，节拍器信号分别设置为60步/min、70步/min直到110步/min，将采集到的踝关节角速度信号和胫骨前肌的表面肌电信号经过低通滤波，降采样和归一化处理后，使得两组数据的采样频率一致，再利用LSTM神经网络对踝关节角速度信号和胫骨前肌肌电信号进行建模，其中以踝关节角速度信号为输入，胫骨前肌肌电信号为输出，计算公式如下：

忘记门层：

f_t＝σ(W_f·[E_t-1,A_t]+b_f)

输入门层：

i_t＝σ(W_i·[E_t-1,A_t]+b_i)

输出门层：

o_t＝σ(W_o·[E_t-1,A_t]+b_o)

状态更新：

C_t′＝tanh(W_C·[E_t-1,A_t]+b_C)

C_t＝f_t·C_t-1+i_t·C_t′

单元输出：

E_t＝o_t·tanh(C_t)

其中，A_t为输入时间长度为t的角速度信号，E_t为胫骨前肌肌电信号，对于单个LSTM的单元而言，C_t-1和E_t-1分别为上一个单元的状态和输出，C_t和E_t为当前单元更新后的状态和输出，f_t、i_t、o_t和C_t’分别为当前单元中各层计算出来的参数，W_f、b_f、W_i、b_i、W_c、b_c、W_o和b_o分别为神经网络各层的权值和阈值，σ为Sigmoid函数，其值域为(0，1)。

进一步地，所述第二模型建立的具体方法如下：给予健康的试验者胫骨前肌不同强度的电刺激，并同步采集胫骨前肌肌电信号，经过数据分析和计算，建立胫骨前肌肌电信号E_t和电刺激强度信号F_t之间的线性关系为:

F_t＝k·E_t

其中k为常数。

与现有技术相比，本发明具有有益效果：

通过在线采集足下垂患者行走时的实时角速度信号来控制输出足下垂助行仪电刺激强度，使得患者在行走时胫骨前肌的收缩特征与健康人一致，从而最大程度接近正常步态，实现实时调节电刺激强度。能够大大降低全或无刺激包络线容易使患者造成二次跌倒的风险，还解决了梯形包络线存在冗余刺激和刺激盲区的问题。

附图说明

图1是本发明LTSM神经网络示意图；

图2是本发明足下垂助行仪控制方法示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

一种基于角速度信号的足下垂助行仪的控制方法，包括以下步骤：

步骤一：患者佩戴好足下垂助行仪后行走，足下垂助行仪包括一信号采集系统，用于实时采集患者的踝关节角速度信号；

步骤二：足下垂助行仪包括一控制器，控制器接收信号采集系统采集到的踝关节角速度信号；

步骤三：控制器根据接收到的实时踝关节角速度信号输出不同的功能性电刺激强度信号，刺激患者的胫骨前肌，产生背屈。

在本发明一实施例中，控制器包括LSTM神经网络模块和线性模块，LSTM神经网络模块用于接收踝关节角速度信号，根据离线建立的第一模型输出胫骨前肌肌电信号；线性模块用于接收胫骨前肌肌电信号，根据离线建立的第二模型输出功能性电刺激强度信号。

在本发明一实施例中，第一模型建立的具体方法如下：让健康的试验者根据节拍器信号在平地正常直线行走，节拍器信号分别设置为60步/min、70步/min直到110步/min，将采集到的踝关节角速度信号和胫骨前肌的表面肌电信号经过低通滤波，降采样和归一化处理后，使得两组数据的采样频率一致，再利用LSTM神经网络对踝关节角速度信号和胫骨前肌肌电信号进行建模，其中以踝关节角速度信号为输入，胫骨前肌肌电信号为输出，计算公式如下：

忘记门层：

f_t＝σ(W_f·[E_t-1,A_t]+b_f)

输入门层：

i_t＝σ(W_i·[E_t-1,A_t]+b_i)

输出门层：

o_t＝σ(W_o·[E_t-1,A_t]+b_o)

状态更新：

C_t′＝tanh(W_C·[E_t-1,A_t]+b_C)

C_t＝f_t·C_t-1+i_t·C_t′

单元输出：

E_t＝o_t·tanh(C_t)

其中，A_t为输入时间长度为t的角速度信号，E_t为胫骨前肌肌电信号，对于单个LSTM的单元而言，C_t-1和E_t-1分别为上一个单元的状态和输出，C_t和E_t为当前单元更新后的状态和输出，f_t、i_t、o_t和C_t’分别为当前单元中各层计算出来的参数，W_f、b_f、W_i、b_i、W_c、b_c、W_o和b_o分别为神经网络各层的权值和阈值，σ为Sigmoid函数，其值域为(0，1)。

在本发明一实施例中，第二模型建立的具体方法如下：给予健康的试验者胫骨前肌不同强度的电刺激，并同步采集胫骨前肌肌电信号，经过数据分析和计算，建立胫骨前肌肌电信号E_t和电刺激强度信号F_t之间的线性关系为:

F_t＝k·E_t

其中k为常数。

本发明建立功能性电刺激数学模型，即首先以患者踝关节角速度信号作为输入信号，以功能性电刺激强度作为输出信号，离线建立二者之间的数学模型。将该数学模型作为足下垂功能性电刺激助行仪的控制器，在患者康复过程中，通过在线采集患者行走的角速度信号来实时控制电刺激强度的输出大小，刺激胫骨前肌，产生背屈，实现正常步态。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于角速度信号的足下垂助行仪的控制方法，其特征在于，包括以下步骤：

步骤一：患者佩戴好足下垂助行仪后行走，所述足下垂助行仪包括一信号采集系统，用于实时采集患者的踝关节角速度信号；

步骤二：所述足下垂助行仪包括一控制器，所述控制器接收所述信号采集系统采集到的踝关节角速度信号；

步骤三：所述控制器根据接收到的实时踝关节角速度信号输出不同的功能性电刺激强度信号，刺激患者的胫骨前肌，产生背屈。

2.根据权利要求1所述的一种基于角速度信号的足下垂助行仪的控制方法，其特征在于，所述控制器包括LSTM神经网络模块和线性模块，所述LSTM神经网络模块用于接收踝关节角速度信号，根据离线建立的第一模型输出胫骨前肌肌电信号；所述线性模块用于接收胫骨前肌肌电信号，根据离线建立的第二模型输出功能性电刺激强度信号。

3.根据权利要求2所述的一种基于角速度信号的足下垂助行仪的控制方法，其特征在于，所述第一模型建立的具体方法如下：让健康的试验者根据节拍器信号在平地正常直线行走，节拍器信号分别设置为60步/min、70步/min直到110步/min，将采集到的踝关节角速度信号和胫骨前肌的表面肌电信号经过低通滤波，降采样和归一化处理后，使得两组数据的采样频率一致，再利用LSTM神经网络对踝关节角速度信号和胫骨前肌肌电信号进行建模，其中以踝关节角速度信号为输入，胫骨前肌肌电信号为输出，计算公式如下：

忘记门层：

f_t＝σ(W_f·[E_t-1,A_t]+b_f)

输入门层：

i_t＝σ(W_i·[E_t-1,A_t]+b_i)

输出门层：

o_t＝σ(W_o·[E_t-1,A_t]+b_o)

状态更新：

C_t′＝tanh(W_C·[E_t-1,A_t]+b_C)

C_t＝f_t·C_t-1+i_t·C_t′

单元输出：

E_t＝o_t·tanh(C_t)

其中，A_t为输入时间长度为t的角速度信号，E_t为胫骨前肌肌电信号，对于单个LSTM的单元而言，C_t-1和E_t-1分别为上一个单元的状态和输出，C_t和E_t为当前单元更新后的状态和输出，f_t、i_t、o_t和C_t’分别为当前单元中各层计算出来的参数，W_f、b_f、W_i、b_i、W_c、b_c、W_o和b_o分别为神经网络各层的权值和阈值，σ为Sigmoid函数，其值域为(0，1)。

4.根据权利要求2所述的一种基于角速度信号的足下垂助行仪的控制方法，其特征在于，所述第二模型建立的具体方法如下：给予健康的试验者胫骨前肌不同强度的电刺激，并同步采集胫骨前肌肌电信号，经过数据分析和计算，建立胫骨前肌肌电信号E_t和电刺激强度信号F_t之间的线性关系为:

F_t＝k·E_t

其中k为常数。