CN109758336A - 一种利用患者患侧sEMG进行主动康复治疗的控制方法 - Google Patents

Abstract

本发明涉及一种利用患者患侧sEMG进行主动康复治疗的控制方法,包括模型训练阶段和在线主动康复治疗阶段。该方法利用踝关节运动时胫骨前肌与腓肠肌的拮抗关系，将踝关节的动作类型与单个肌肉群的收缩进行关联，实现运动意图的辨识；利用归一化的特征值完成运动角度的连续估计，获取到连续平滑的关节运动角度估计曲线。之后，将辨识到的运动意图与估计到的关节运动角度作为输入发送给踝关节康复机器人，由其辅助患者实现目标动作，完成相应的主动康复治疗。本发明可以满足患者对可外骨骼式踝关节康复设备控制简单、安全可靠的要求。对于不同康复阶段的患者而言，只需修改少量参数，离线模型就可以较好地适配，更加方便快捷、易于操作。

Description

一种利用患者患侧sEMG进行主动康复治疗的控制方法

技术领域

本发明涉及生物信号识别技术与医疗康复训练机器人领域，具体地说是一种利用患者患侧sEMG(表面肌电信号)进行主动康复治疗的控制方法。

背景技术

近年来，我国人口老龄化现象日益严重，脑卒中的发病率也呈现逐年上升的趋势。对于罹患踝关节运动障碍的脑卒中患者而言，其踝关节长期处于足下垂的状态，如果不能及时接受康复治疗，将会产生不可逆的损伤。传统的康复治疗方法是由康复师对患者的踝关节进行反复牵拉，以活动肌肉、拉伸跟腱，但是，于康复医师而言，庞大的患者数量导致康复师的工作十分繁重；于患者而言，往往难以接受到及时的治疗，从而耽误康复的最佳时期，另外，高昂的治疗费用也使很多患者难以承担。

康复机器人作为医疗机器人的一个重要分支，它的研究贯穿了康复医学、生物力学、机械学、机械力学、电子学、材料学、计算机科学以及机器人学等诸多领域，已经成为了国际机器人领域的一个研究热点。基于人体表面肌电信号(sEMG)的康复机器人控制方法，已经成为人机交互的重要方法之一，具有实时、便捷、无创等特点，更适用于助老助残等康复领域，目前已经得到越来越广泛的关注。因此，基于sEMG的踝关节康复机器人及其控制方法的研究受到了研究者的广泛关注。

对于正常人或者患者健侧而言，基于sEMG的人机交互处理方法比较成熟。例如，利用肌电采集设备采集sEMG的同时，利用视觉设备采集关节的实际运动角度，将采集到的数据分别作为输入和输出训练分类模型和关节角度估计模型。在线时辨识出的运动角度非常精确，可以对实际的关节运动角度进行真实的复现。但是对于患者患侧的肌电信号而言，在训练在线分类模型和在线运动角度估计模型时，存在着诸多问题：

1.训练模型时，需要分别采集到患者在背屈、跖屈以及放松状态下的肌电信号，以用作分类模型的训练。但是患者患侧难以长时间维持在某一个动作，也就难以获得准确的训练数据。

2.由于难以获得准确的训练数据，模型的准确性难以保证，从而导致在线分类、在线运动角度估计时，存在较大的干扰和误差。

3.当粘贴电极位置改变时，对在线分类以及运动角度估计有较大影响。因此，每次进行康复训练前都需要重新训练模型，也就意味着需要重新采集训练数据，而这正是整个过程中最为繁杂的环节。

4.进行在线运动角度估计时，需要进行大量的计算，随着时间的积累会有延时的产生，也就难以保证整个系统的实时性。

因此，本发明提出了一种基于患者患侧sEMG的踝关节康复机器人主动控制方法。

发明内容

针对现有技术的不足，本发明提出一种利用患者患侧sEMG进行主动康复治疗的控制方法，尤其是一种利用患者患侧胫骨前肌、腓肠肌处的sEMG进行运动意图辨识、运动角度估计的方法，从而达到基于患侧sEMG进行主动康复治疗的目的。本发明中，为实现上述目的所采用的技术方法，包括模型训练阶段和在线主动康复治疗阶段。

进一步地，模型训练阶段包括如下步骤：

步骤1.1：患者患侧的踝关节做自主运动时，采集胫骨前肌和腓肠肌两个通道的sEMG。

步骤1.2：对上述采集到的sEMG数据进行滤波处理后，提取特征值，分别求得两个通道各个特征值的最大值与最小值。

步骤1.3：患者患侧的踝关节在放松状态下，采集上述两个通道的sEMG。

步骤1.4：对放松状态下采集到的sEMG数据进行相同的滤波处理后，提取相同的特征值，并利用步骤1.2获取到的最大值与最小值对其进行归一化处理。

至此，完成模型训练的全部过程。由于该方法仅关注踝关节运动过程各个通道各个特征值的最大值与最小值，因此不必分别采集踝关节在背屈状态、跖屈状态、放松状态下的数据，从而避免了模型训练繁杂的环节。

进一步地，在线主动康复治疗阶段包括如下步骤：

步骤2.1：采集胫骨前肌和腓肠肌两个通道的sEMG信号，对其进行滤波处理。

步骤2.2：对滤波后的sEMG信号提取提取特征值，分别求得两个通道各个特征值的最大值与最小值，归一化后组成特征向量。

步骤2.3：将特征向量输入分类模型，辨识到患者患侧的运动意图。

所述的分类模型是利用患者患侧踝关节放松状态下sEMG特征值均值的k倍作为分类判断标准，分类模型为：

class＝classify(Z,Λ)

其中，class∈{-1,0,1}为动作分类的结果，class＝-1、class＝0、class＝1分别表示动作分类结果为跖屈状态、放松状态、背屈状态；classify(·)为在线分类模型；Z为经过归一化处理的在线特征向量；Λ＝[α₁,α₂,α₃,β₁,β₂,β₃]为各个通道的各个特征值的阈值；其中，k表示归一化处理后的数值与阈值量之间的倍数关系，一般选择k＝2。

步骤2.4：将特征向量、运动意图辨识结果输入到关节运动角度估计模型，估计出患者患侧的踝关节运动角度。

所述的关节运动角度估计模型分别为胫骨前肌背屈运动角度估计模型及腓肠肌跖屈运动角度估计模型，具体如下：

胫骨前肌背屈运动角度估计模型为：

其中，分别表示经过归一化处理的胫骨前肌MAV、RMS、WA特征值，α_i(i＝1,2,3)分别表示胫骨前肌各个特征值对应设置的阈值，m_i(i＝1,2,3)分别表示胫骨前肌各个归一化特征值与关节背屈运动角度之间的曲度系数，θ_dor表示设置的背屈运动极限角度值，angle(i)(i＝1,2,3)分别表示利用胫骨前肌MAV、RMS、WA特征值分别估计出的背屈运动角度值。；

腓肠肌跖屈运动角度估计模型为：

其中，分别表示经过归一化处理的腓肠肌MAV、RMS、WA特征值，β_i(i＝1,2,3)分别表示腓肠肌各个特征值对应设置的阈值，n_i(i＝1,2,3)分别表示腓肠肌各个归一化特征值与关节跖屈运动角度之间的曲度系数，θ_pla表示设置的跖屈运动极限角度值，angle(i)(i＝1,2,3)分别表示利用腓肠肌MAV、RMS、WA特征值分别估计出的跖屈运动角度值。

步骤2.5：将估计出的关节运动角度值发送给踝关节康复机器人，从而实现基于患者患侧sEMG的主动康复治疗。

其中，所述的滤波处理是使用ButterWorth滤波器对原始信号进行10～300Hz的带通滤波，去除噪声干扰；然后使用50Hz陷波滤波器，去除工频干扰。

本发明一种利用患者患侧sEMG进行主动康复治疗的控制方法，其优点及功效在于：该方法充分利用了踝关节运动时胫骨前肌与腓肠肌的拮抗关系，将踝关节的动作类型与单个肌肉群的收缩进行关联，实现运动意图的辨识；利用归一化的特征值完成运动角度的连续估计，获取到连续平滑的关节运动角度估计曲线。之后，将辨识到的运动意图与估计到的关节运动角度作为输入发送给踝关节康复机器人，由其辅助患者实现目标动作，完成相应的主动康复治疗。对于不同病情的患者，只需修改少量参数，离线模型就可以较好地适配，更加方便快捷、易于操作。

附图说明

图1为本发明涉及的康复系统控制方法流程图。

图2为“时间窗”+“增量窗”的特征值提取方法示意图。

图3为利用所述方法获得的运动意图辨识结果。

图4为利用所述方法获得的关节角度估计曲线以及康复机器人对估计曲线的跟踪效果示意图。

具体实施方式

下面结合附图及实例对本发明做进一步的详细说明。

一种利用患者患侧sEMG进行主动康复治疗的控制方法，尤其是一种利用患者患侧胫骨前肌、腓肠肌处的sEMG进行踝关节主动康复治疗的方法，包括模型训练阶段与在线主动康复治疗阶段。本发明的控制方法流程图如图1所示。其中，模型训练阶段过程如下：

步骤1.1：

在患者患侧的胫骨前肌、腓肠肌处消毒后粘贴电极，让患者自主地进行背屈运动、跖屈运动。胫骨前肌处粘贴的电极表示为通道1(CH1)，腓肠肌处粘贴的电极表示为通道2(CH2)。需要注意的是，由于该方法比较关注于特征值的极值，患者在进行背屈运动与跖屈运动时应该尽力。

步骤1.2：

对步骤1.1中采集到的sEMG进行预处理。采用ButterWorth滤波器，对采集到的sEMG进行10～300Hz的带通滤波，用以滤除掉低频、高频噪声；另外，进行50Hz的陷波处理，以滤除工频干扰。之后，采用“时间窗”+“增量窗”的方法来提取特征值，如图2所示。这里选择的特征值为MAV(平均绝对值)、RMS(均方根值)、WA(Willison幅值)，其定义分别如下：

其中

其中，N_t表示时间窗的长度；x_i和x_i+1表示该时间窗内采集到的第i个和第i+1个采样点；ε为常数，用来滤除掉小值噪声。

分别计算获得两个通道相应特征值的最大值与最小值，记为A_imax、A_imin、B_imax、B_imin(i＝1,2,3)；即：

A_imax(i＝1,2,3)分别表示CH1(胫骨前肌)MAV、RMS、WA特征值的最大值；

A_imin(i＝1,2,3)分别表示CH1(胫骨前肌)MAV、RMS、WA特征值的最小值；

B_imax(i＝1,2,3)分别表示CH2(腓肠肌)MAV、RMS、WA特征值的最大值；

B_imax(i＝1,2,3)分别表示CH2(腓肠肌)MAV、RMS、WA特征值的最小值；

步骤1.3：

在患侧踝关节处于放松状态时，在不改变电极粘贴位置的情况下，采集两个通道的sEMG。为了保证数据的有效性，采集时间可以适当延长，一般选择20～30s。

步骤1.4：

对步骤1.3中采集到的sEMG进行步骤1.2中相同的预处理操作，并分别计算出CH1、CH2的三组特征值的均值，分别记作A_isnooze(i＝1,2,3)、B_isnooze(i＝1,2,3)。利用步骤1.2获得的特征值的最大值与最小值，对A_isnooze、B_isnooze分别进行归一化处理，具体方法为：

其中，分别表示CH1的MAV、RMS、WA特征值经过归一化处理后的值，分别表示CH2的MAV、RMS、WA特征值经过归一化处理后的值。

其中，在线主动康复治疗阶段步骤如下：

步骤2.1：

模型训练结束后，在不改变电极位置的情况下，同样采集胫骨前肌与腓肠肌相同位置处的sEMG信号。将采集到的两个通道的sEMG进行步骤1.2中相同的预处理操作。

步骤2.2：

提取CH1的MAV、RMS、WA特征值，分别记作a_i(i＝1,2,3)；提取CH2的MAV、RMS、WA特征值，分别记作b_i(i＝1,2,3)。利用步骤1.2获得的特征值的最大值与最小值，对a_i(i＝1,2,3)、b_i(i＝1,2,3)分别进行归一化处理，具体方法为：

利用归一化之后的特征值组成特征向量，表示为

步骤2.3：

求得归一化特征向量后，利用分类模型辨识患者的运动意图。分类模型为：

class＝classify(Z,Λ)

其中，class∈{-1,0,1}为动作分类的结果，class＝-1、class＝0、class＝1分别表示动作分类结果为跖屈状态、放松状态、背屈状态；classify(·)为在线分类模型；Z为经过归一化处理的在线特征向量；Λ＝[α₁,α₂,α₃,β₁,β₂,β₃]为各个通道的各个特征值的阈值。

首先，进行阈值Λ的设置，用作在线运动意图辨识的判断标准。α_i(i＝1,2,3)分别表示CH1的特征值MAV、RMS、WA对应的阈值，β_i(i＝1,2,3)分别表示CH2的特征值MAV、RMS、WA对应的阈值。利用步骤1.4中获得的放松状态下的归一化特征值进行阈值的计算，其方法为：

其中，k表示归一化处理后的数值与阈值量之间的倍数关系，一般选择k＝2。这里设置的关系系数为两倍，一方面是考虑到降低阈值，以便对患者的运动意图做出及时的响应，另一方面，可以去除掉放松状态下数据的波动对分类结果的干扰，获得一定的滤波效果。

关于在线分类模型classify(·)，这里采用归一化特征值与对应的阈值的对比结果加以判断。由于踝关节运动时，胫骨前肌与腓肠肌呈拮抗关系，即背屈运动时，胫骨前肌收缩、腓肠肌放松；跖屈运动时，胫骨前肌放松、腓肠肌收缩。因此，可以利用肌肉单一特征值归一化之后数值的大小作为分类判断的标准，即若将该特征值的分类判断结果记为背屈，否则记为放松；若将该特征值的分类判断结果记为跖屈，否则记为放松。六次对比完毕后，计次较多的分类结果即为最终判定的运动意图辨识结果。利用该方法实时辨识出的运动意图如图3所示。

关于阈值α_i、β_i计算过程中k值的设定，可以根据不同的患者、患者在不同康复时期的具体情况由康复医师进行设定。若患者sEMG比较微弱，可以适当减小k值，使得患者即使难以进行大幅度的自主运动，也可以实现主动的康复治疗。若患者处于sEMG较强，或者处于后期的力量训练时期，可以适当增大k值，使得康复机器人对于人体sEMG的响应变得相对迟钝，以鼓励患者更加主动地参与到康复训练中去，提升康复训练的效果。另外，出于安全角度以及激励患者主动进行康复考虑，默认的分类状态为放松状态。

步骤2.4：

在获取到运动意图后，若class＝1，即运动意图辨识结果为背屈状态，则利用胫骨前肌的归一化特征值进行角度估计，估计方法为：

若class＝-1，即运动意图辨识结果为跖屈状态，则利用腓肠肌的归一化特征值进行角度估计，即

其中，f(·)表示胫骨前肌的归一化特征值到关节背屈运动角度之间的映射关系，g(·)表示腓肠肌的归一化特征值到关节跖屈运动角度之间的映射关系。

对于映射函数f(·)和g(·)，这里采用离线归纳的方法加以描述。踝关节运动时，越靠近关节运动的极限位置，运动相同的角度需要人主动施加的力就越大，即关节运动角度与归一化特征值曲线的斜率越大。以背屈运动为例，不妨设踝关节背屈运动角度与胫骨前肌某一归一化特征值关系曲线为

y＝ke^mx+n s.t.(0,α),(θ_dor,1)

其中，x表示背屈运动角度，y表示该特征值归一化之后的值，α表示该通道该特征值的阈值，θ_dor表示设置的背屈极限位置，k、m、n为曲线待辨识参数。代入已知点求解，可以得到：

求出曲线的反函数并代入，则有胫骨前肌归一化特征值与背屈运动角度之间的关系：

在线估计运动角度时，将胫骨前肌归一化特征值代入上式即可得到估计的运动角度。其中，m用于改变曲线的曲度。因此可以归纳得到胫骨前肌的归一化特征值到关节背屈运动角度之间的映射关系为：

其中，分别表示经过归一化处理的胫骨前肌MAV、RMS、WA特征值，α_i(i＝1,2,3)分别表示胫骨前肌各个特征值对应设置的阈值，m_i(i＝1,2,3)分别表示胫骨前肌各个归一化特征值与关节背屈运动角度之间的曲度系数，θ_dor表示设置的背屈运动极限角度值，angle(i)(i＝1,2,3)分别表示利用胫骨前肌MAV、RMS、WA特征值分别估计出的背屈运动角度值。

同理，腓肠肌的归一化特征值到关节跖屈运动角度之间的映射关系为：

其中，分别表示经过归一化处理的腓肠肌MAV、RMS、WA特征值，β_i(i＝1,2,3)分别表示腓肠肌各个特征值对应设置的阈值，n_i(i＝1,2,3)分别表示腓肠肌各个归一化特征值与关节跖屈运动角度之间的曲度系数，θ_pla表示设置的跖屈运动极限角度值，angle(i)(i＝1,2,3)分别表示利用腓肠肌MAV、RMS、WA特征值分别估计出的跖屈运动角度值。

最终得到的关节估计运动角度为：

若class＝0，即分类结果为放松状态，则令关节估计角度angle＝0。

由于关节运动角度估计模型模型均为离线获取得到的，运算过程中可以将归一化特征值直接代入求解，大大降低了单次运算的时间，从而保证了踝关节康复设备对踝关节估计运动角度的实时跟随，也就保证了系统的实时性。另外，为了排除一些由于信号采集过程中产生的强干扰，或者由于模型不准确带来的巨大误差，可以通过使用滑动窗的方式，使得辨识出的角度曲线更加平滑，同时也便于踝关节康复机器人对于辨识角度的跟踪。

步骤2.5：

将估计出的关节运动角度值发送给踝关节康复机器人，从而实现基于患者患侧sEMG的主动康复治疗。获取到关节运动角度的估计值后，通过阻抗控制方法对估计出的关节角度进行实时的校正。根据阻抗控制基本原理，有：

其中，M_d、B_d、K_d分别表示阻抗模型的惯量参数、阻尼参数、刚度参数；τ外界环境作用力矩；θ_d、θ分别为机器人末端的期望位置与实际位置；Δθ为位置修正量，对位置指令进行修正；s为复变量。

对于踝关节康复设备而言，目标惯量参数、目标阻尼参数对康复治疗的影响很小，在这里只考虑目标刚度参数的影响，即有：

θ＝angle+Δθ

其中，angle为步骤2.4中估计出的关节运动角度；Δθ为利用阻抗控制方法获得的位置修正量；θ为修正后的角度值，即输入到踝关节康复设备的角度值。

图4中，实线表示最终发送给踝关节康复机器人的运动角度曲线，可以看出估计出的曲线平滑连续，便于康复机器人对其进行跟踪。康复机器人带动患者的踝关节运动的实际角度曲线为图4中的虚线，可以看出其可以辅助患者的踝关节运动到估计出的关节角度处。另外，时间上的滞后是由于执行机构达到所设定的目标位置时需要一定的执行时间。通过上述方法，便可以利用患者患侧胫骨前肌、腓肠肌的sEMG信号，方便快速地实现患者的主动康复治疗。

Claims (4)

1.一种利用患者患侧sEMG进行主动康复治疗的控制方法，其特征在于：该方法包括模型训练阶段和在线主动康复治疗阶段；

模型训练阶段包括如下步骤：

步骤1.1：患者患侧的踝关节做自主运动时，采集胫骨前肌和腓肠肌两个通道的sEMG；

步骤1.2：对上述采集到的sEMG数据进行滤波处理后，提取特征值，分别求得两个通道各个特征值的最大值与最小值；

步骤1.3：患者患侧的踝关节在放松状态下，采集上述两个通道的sEMG；

步骤1.4：对放松状态下采集到的sEMG数据进行相同的滤波处理后，提取相同的特征值，并利用步骤1.2获取到的最大值与最小值对其进行归一化处理；

在线主动康复治疗阶段包括如下步骤：

步骤2.1：采集胫骨前肌和腓肠肌两个通道的sEMG信号，对其进行滤波处理；

步骤2.2：对滤波后的sEMG信号提取提取特征值，分别求得两个通道各个特征值的最大值与最小值，归一化后组成特征向量；

步骤2.3：将特征向量输入分类模型，辨识到患者患侧的运动意图；

步骤2.4：将特征向量、运动意图辨识结果输入到关节运动角度估计模型，估计出患者患侧的踝关节运动角度；

步骤2.5：将估计出的关节运动角度值发送给踝关节康复机器人，从而实现基于患者患侧sEMG的主动康复治疗。

2.根据权利要求1所述的一种利用患者患侧sEMG进行主动康复治疗的控制方法，其特征在于：所述的分类模型是利用患者患侧踝关节放松状态下sEMG特征值均值的k倍作为分类判断标准，分类模型为：

class＝classify(Z,Λ)

其中，class∈{-1,0,1}为动作分类的结果，class＝-1、class＝0、class＝1分别表示动作分类结果为跖屈状态、放松状态、背屈状态；classify(·)为在线分类模型；Z为经过归一化处理的在线特征向量；Λ＝[α₁,α₂,α₃,β₁,β₂,β₃]为各个通道的各个特征值的阈值；其中，k表示归一化处理后的数值与阈值量之间的倍数关系，一般选择k＝2。

3.根据权利要求1所述的一种利用患者患侧sEMG进行主动康复治疗的控制方法，其特征在于：所述的关节运动角度估计模型分别为胫骨前肌背屈运动角度估计模型及腓肠肌跖屈运动角度估计模型，具体如下：

胫骨前肌背屈运动角度估计模型为：

其中，分别表示经过归一化处理的胫骨前肌MAV、RMS、WA特征值，α_i(i＝1,2,3)分别表示胫骨前肌各个特征值对应设置的阈值，m_i(i＝1,2,3)分别表示胫骨前肌各个归一化特征值与关节背屈运动角度之间的曲度系数，θ_dor表示设置的背屈运动极限角度值，angle(i)(i＝1,2,3)分别表示利用胫骨前肌MAV、RMS、WA特征值分别估计出的背屈运动角度值；

腓肠肌跖屈运动角度估计模型为：

其中，分别表示经过归一化处理的腓肠肌MAV、RMS、WA特征值，β_i(i＝1,2,3)分别表示腓肠肌各个特征值对应设置的阈值，n_i(i＝1,2,3)分别表示腓肠肌各个归一化特征值与关节跖屈运动角度之间的曲度系数，θ_pla表示设置的跖屈运动极限角度值，angle(i)(i＝1,2,3)分别表示利用腓肠肌MAV、RMS、WA特征值分别估计出的跖屈运动角度值。

4.根据权利要求1所述的一种利用患者患侧sEMG进行主动康复治疗的控制方法，其特征在于：所述的滤波处理是使用ButterWorth滤波器对原始信号进行10～300Hz的带通滤波，去除噪声干扰；然后使用50Hz陷波滤波器，去除工频干扰。