CN109044352A - 一种确定预测人体关节力矩的人工智能输入变量的方法 - Google Patents

一种确定预测人体关节力矩的人工智能输入变量的方法 Download PDF

Info

Publication number
CN109044352A
CN109044352A CN201810654936.4A CN201810654936A CN109044352A CN 109044352 A CN109044352 A CN 109044352A CN 201810654936 A CN201810654936 A CN 201810654936A CN 109044352 A CN109044352 A CN 109044352A
Authority
CN
China
Prior art keywords
muscle
expressed
joint
torque
input variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810654936.4A
Other languages
English (en)
Other versions
CN109044352B (zh
Inventor
杜民
熊保平
李玉榕
黄美兰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201810654936.4A priority Critical patent/CN109044352B/zh
Publication of CN109044352A publication Critical patent/CN109044352A/zh
Application granted granted Critical
Publication of CN109044352B publication Critical patent/CN109044352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Prostheses (AREA)

Abstract

本发明提供一种确定预测人体关节力矩的人工智能输入变量的方法，在Hill模型的基础上，从人工智能的角度分析了Hill模型预测关节力矩所需要的输入变量：肌肉纤维长度、肌肉纤维收缩的速度、和肌肉关节力臂，从而获取了本专利中预测关节力矩所需要的可测量输入变量：肌电信号、肌肉所关联自由度的角度和角速度。本发明所使用的方法提高了人工智能预测关节力矩计算速度，使得预测关节力矩变得更加方便简单。

Description

一种确定预测人体关节力矩的人工智能输入变量的方法
技术领域
本发明涉及一种确定预测人体关节力矩的人工智能输入变量的方法。
背景技术
目前基于人体运动学和动力学的关节力矩预测，不仅所需设备昂贵，测试过程复杂，而且计算时间复杂度高，限制了其在临床上的广泛应用。基于肌电信号的人工智能关节力矩检测，在训练后通过采集肌电信号和少量的数据即可实现人体关节力矩的快速预测检测，这种方法将极大的降低了设备费用和测试过程的复杂性，有效的缩短了测试时间，使其在临床上得到广泛应用成为可能。
为此国内外不少人在对关节力矩的人工智能预测上做了许多研究。如Uchiyama等人使用肌电信号、肩关节和肘关节角度作为人工神经网络的输入来预测肘关节力矩；Luh等人使用肌电信号、关节角度和肘关节角速度作为输入；Song和Tong利用肌电数据、肘关节角度和角速度作为人工神经网络的输入来研究肘关节的力矩。在Hahn的论文中使用年龄、性别、身高、体重和肌电信号作为人工神经网络的输入来预测等速膝伸肌和屈肌力矩。Ardestani等人使用地面反作用力(GRFs)和肌电信号作为人工神经网络的输入来研究下肢关节力矩。
在Hill模型的基础上，从人工智能的角度分析了预测关节力矩所需要的输入变量，这就解决的当前研究的缺陷和问题，并且使用该方法来预测关节力矩加快了计算速度，提高了工作效率，是关节力矩的预测更加方便快捷。
基于人工智能的关节力矩预测的输入变量很多，但是目前还没有从原理上对关节力矩预测的变量输入进行研究分析。
发明内容
本发明的目的是提供一种确定预测人体关节力矩的人工智能输入变量的方法。从理论上比较全面的获取了基于EMG的人体关节力矩的人工智能预测的输入变量。本专利主要用于基于EMG 的人体关节力矩的人工智能预测。本发明的方法在很大的程度上提高了计算速度，使其能够在临床上得到使用。
本发明采用以下的技术方案：一种确定预测人体关节力矩的人工智能输入变量的方法，其包括以下步骤：在Hill模型的基础上，从人工智能的角度分析了Hill模型预测关节力矩所需要的输入变量：肌肉纤维长度、肌肉纤维收缩的速度、和肌肉关节力臂，从而获取了本专利中预测关节力矩所需要的可测量输入变量：肌电信号、肌肉所关联自由度的角度和角速度。
在本发明一具体实施例中，具体包括以下步骤：
步骤S1：用以下等式表示每块肌肉所驱动关节在自由度的力矩：
其中M()表示为单块肌肉相对于关节自由度的力矩，l表示为肌纤维长度，v表示为肌纤维收缩速度，r表示为肌肉相对于关节自由度的力臂，Fo M表示为肌肉最大的静态力量，a()表示为由肌电信号转化为肌肉活力的函数，t表示为时间，d表示为肌电信号的延时，fp(l)表示为被动力，α表示为肌肉的羽化角；
步骤S2：对于驱动单一自由度DOF的肌肉，使用三次多项式方程近似肌肉肌腱长度：
l(t)＝a0+a1θ(t)+a2θ(t)2+a3θ(t)3＝l(θ) (2)
步骤S3:使用公式(3)中关于时间的一阶导数来计算肌腱收缩速度v：
其中θ(t)表示为肌肉所驱动关节自由度的角度；
步骤S4：使用公式(4)中关于肌腱所驱动关节自由度的角度的一阶导数来计算肌腱所驱动关节自由度的矩臂r：
步骤S5：对于驱动两个自由度的肌肉：
其中a0-an为多项式常系数；
于是，对于跨越单一自由度DOF的肌肉可以用下面的等式表示每块肌肉驱动关节自由度的力矩：
与现有技术相比，本发明从理论上比较全面的获取了基于EMG的人体关节力矩的人工智能预测的输入变量。主要用于基于EMG的人体关节力矩的人工智能预测。本发明的方法在很大的程度上提高了计算速度，使其能够在临床上得到使用。
具体实施方式
下面结合具体实施例对本发明做进一步解释说明。
本发明提供一种确定预测人体关节力矩的人工智能输入变量的方法，其包括以下步骤：在 Hill模型的基础上，从人工智能的角度分析了Hill模型预测关节力矩所需要的输入变量：肌肉纤维长度、肌肉纤维收缩的速度、和肌肉关节力臂，从而获取了本专利中预测关节力矩所需要的可测量输入变量：肌电信号、肌肉所关联自由度的角度和角速度。
具体包括以下步骤：
步骤S1：用以下等式表示每块肌肉所驱动关节在自由度的力矩：
其中M()表示为单块肌肉相对于关节自由度的力矩，l表示为肌纤维长度，v表示为肌纤维收缩速度，r表示为肌肉相对于关节自由度的力臂，Fo M表示为肌肉最大的静态力量，a()表示为由肌电信号转化为肌肉活力的函数，t表示为时间，d表示为肌电信号的延时，fp(l)表示为被动力，α表示为肌肉的羽化角；
步骤S2：对于驱动单一自由度DOF的肌肉，使用三次多项式方程近似肌肉肌腱长度：
l(t)＝a0+a1θ(t)+a2θ(t)2+a3θ(t)3＝l(θ) (2)
步骤S3:使用公式(3)中关于时间的一阶导数来计算肌腱收缩速度v：
其中θ(t)表示为肌肉所驱动关节自由度的角度；
步骤S4：使用公式(4)中关于肌腱所驱动关节自由度的角度的一阶导数来计算肌腱所驱动关节自由度的矩臂r：
步骤S5：对于驱动两个自由度的肌肉：
其中a0-an为多项式常系数；
于是，对于跨越单一自由度DOF的肌肉可以用下面的等式表示每块肌肉驱动关节自由度的力矩：
上述实施例仅供说明本发明之用，本技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变化，因此，所有等同的技术方案也应该属于本发明的范畴。

Claims (2)

1.一种确定预测人体关节力矩的人工智能输入变量的方法，其特征在于：在Hill模型的基础上，从人工智能的角度分析了Hill模型预测关节力矩所需要的输入变量：肌肉纤维长度、肌肉纤维收缩的速度、和肌肉关节力臂，从而获取了本专利中预测关节力矩所需要的可测量输入变量：肌电信号、肌肉所关联自由度的角度和角速度。
2.根据权利要求1所述的确定预测人体关节力矩的人工智能输入变量的方法，具体包括以下步骤：
步骤S1：用以下等式表示每块肌肉所驱动关节在自由度的力矩：
其中M()表示为单块肌肉相对于关节自由度的力矩，l表示为肌纤维长度，v表示为肌纤维收缩速度，r表示为肌肉相对于关节自由度的力臂，Fo M表示为肌肉最大的静态力量，a()表示为由肌电信号转化为肌肉活力的函数，t表示为时间，d表示为肌电信号的延时，fp(l)表示为被动力，α表示为肌肉的羽化角；
步骤S2：对于驱动单一自由度DOF的肌肉，使用三次多项式方程近似肌肉肌腱长度：
l(t)＝a0+a1θ(t)+a2θ(t)2+a3θ(t)3＝l(θ) (2)
步骤S3:使用公式(3)中关于时间的一阶导数来计算肌腱收缩速度v：
其中θ(t)表示为肌肉所驱动关节自由度的角度；
步骤S4：使用公式(4)中关于肌腱所驱动关节自由度的角度的一阶导数来计算肌腱所驱动关节自由度的矩臂r：
步骤S5：对于驱动两个自由度的肌肉：
其中a0-an为多项式常系数；
于是，对于跨越单一自由度DOF的肌肉可以用下面的等式表示每块肌肉驱动关节自由度的力矩：
CN201810654936.4A 2018-06-22 2018-06-22 一种确定预测人体关节力矩的人工智能输入变量的方法 Active CN109044352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810654936.4A CN109044352B (zh) 2018-06-22 2018-06-22 一种确定预测人体关节力矩的人工智能输入变量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810654936.4A CN109044352B (zh) 2018-06-22 2018-06-22 一种确定预测人体关节力矩的人工智能输入变量的方法

Publications (2)

Publication Number Publication Date
CN109044352A true CN109044352A (zh) 2018-12-21
CN109044352B CN109044352B (zh) 2021-03-02

Family

ID=64820887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810654936.4A Active CN109044352B (zh) 2018-06-22 2018-06-22 一种确定预测人体关节力矩的人工智能输入变量的方法

Country Status (1)

Country Link
CN (1) CN109044352B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109984763A (zh) * 2019-04-10 2019-07-09 福州大学 基于人工神经网络智能预测人体关节力矩的方法
CN110801226A (zh) * 2019-11-01 2020-02-18 西安交通大学 一种基于表面肌电信号的人体膝关节力矩测试系统方法及应用
CN113199460A (zh) * 2021-05-24 2021-08-03 中国科学院自动化研究所 非线性肌肉骨骼机器人控制方法、系统及设备
CN113576463A (zh) * 2021-07-31 2021-11-02 福州大学 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120070660A (ko) * 2010-12-22 2012-07-02 한양대학교 산학협력단 다물체 모델링과 통계 방법론을 이용한 인체 하지부 구속력의 불확실성 추정 방법
CN105288933A (zh) * 2015-11-20 2016-02-03 武汉理工大学 并联下肢康复机器人自适应训练控制方法及康复机器人
CN106503304A (zh) * 2016-09-30 2017-03-15 湖南大学 一种在有限元人体模型中实现肌肉主动力的模拟方法及控制模型
CN106527738A (zh) * 2016-12-08 2017-03-22 东北大学 一种用于虚拟现实系统的多信息体感交互手套系统及方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
US10676083B1 (en) * 2013-11-13 2020-06-09 Hrl Laboratories, Llc System and method for prediction of occupant motor response in accidents

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120070660A (ko) * 2010-12-22 2012-07-02 한양대학교 산학협력단 다물체 모델링과 통계 방법론을 이용한 인체 하지부 구속력의 불확실성 추정 방법
US10676083B1 (en) * 2013-11-13 2020-06-09 Hrl Laboratories, Llc System and method for prediction of occupant motor response in accidents
CN105288933A (zh) * 2015-11-20 2016-02-03 武汉理工大学 并联下肢康复机器人自适应训练控制方法及康复机器人
CN106503304A (zh) * 2016-09-30 2017-03-15 湖南大学 一种在有限元人体模型中实现肌肉主动力的模拟方法及控制模型
CN106527738A (zh) * 2016-12-08 2017-03-22 东北大学 一种用于虚拟现实系统的多信息体感交互手套系统及方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
K.MANAL ET AL.: "A real-time EMG-driven musculoskeletal model of the ankle", 《MULTIBODY SYST DYN》 *
陈江城等: "利用表面肌电信号的下肢动态关节力矩预测模型", 《西安交通大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109984763A (zh) * 2019-04-10 2019-07-09 福州大学 基于人工神经网络智能预测人体关节力矩的方法
CN110801226A (zh) * 2019-11-01 2020-02-18 西安交通大学 一种基于表面肌电信号的人体膝关节力矩测试系统方法及应用
CN113199460A (zh) * 2021-05-24 2021-08-03 中国科学院自动化研究所 非线性肌肉骨骼机器人控制方法、系统及设备
CN113576463A (zh) * 2021-07-31 2021-11-02 福州大学 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统
CN113576463B (zh) * 2021-07-31 2022-05-10 福州大学 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统

Also Published As

Publication number Publication date
CN109044352B (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN109044352A (zh) 一种确定预测人体关节力矩的人工智能输入变量的方法
CN109259739B (zh) 一种手腕关节运动力矩的肌电估计方法
Schoenmarklin et al. Rapid Communication Industrial wrist motions and incidence of hand/wrist cumulative trauma disorders
Pick et al. Measurement of driver steering torque using electromyography
CN107228722B (zh) 一种生物软组织材料滑动摩擦力的测试装置及方法
CN107192606A (zh) 一种新型的海洋柔顺性管缆拉伸、压缩及弯曲组合实验装置
CN109388865A (zh) 一种地沉降工况下的杆塔应急失效预警方法
CN205879709U (zh) 一种深水管道湿式保温涂层疲劳弯曲试验装置
Xu et al. Stress fatigue crack propagation analysis of crane structure based on acoustic emission
CN112536821B (zh) 一种原地搬举负载的外骨骼设计方法
Rao et al. An EMG-driven biomechanical model that accounts for the decrease in moment generation capacity during a dynamic fatigued condition
Li et al. A novel proportional and simultaneous control method for prosthetic hand
Komperød et al. Viscoelastic large strain model of bitumen used for corrosion protection in subsea cables and umbilicals
CN110501138B (zh) 混凝土泵送全程模拟试验装置及检测方法
Tasdemir Artificial neural networks for predicting low temperature performances of modified asphalt mixtures
Chołodowski Modelling and experimental identification of spring-damping properties of the off-road vehicle rubber tracks, rubber belts, and rubber-bushed tracks subjected to flexural vibrations
Qian et al. Investigation of contact characteristics and frictional properties of natural articular cartilage at two different surface configurations
Djedid et al. Indirect estimation of swelling clay soils parameters
JP2023505281A (ja) プロセスの実施における反復性ストレス障害を低減するための軟組織材料累積損傷モデル
Wells et al. Passive Force-Length Properties of Cadaveric Human Forearm Musculature
US20230067316A1 (en) Characterizing soft tissue subrupture damage and incomplete tear damage for performing a process
Zelenski et al. The Effect of Flexor Carpi Ulnaris Pulley Design on Tendon Gliding Resistance After Flexor Digitorum Superficialis Tendon Transfer for Opposition Transfer
CN115983037B (zh) 肌肉协同约束的肌电和优化耦合的肌肉力计算方法
YU et al. Studies and applications of three kinds of calculation methods by describing damage evolving behaviors for elastic-plastic materials
Petrella et al. Quality Study using TeraHertz (THz) Technology of Surface Bonded Fiber Optic Sensors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant