CN113181550A - 一种调控关节力矩和刚度的功能性电刺激系统和方法 - Google Patents
一种调控关节力矩和刚度的功能性电刺激系统和方法 Download PDFInfo
- Publication number
- CN113181550A CN113181550A CN202110291964.6A CN202110291964A CN113181550A CN 113181550 A CN113181550 A CN 113181550A CN 202110291964 A CN202110291964 A CN 202110291964A CN 113181550 A CN113181550 A CN 113181550A
- Authority
- CN
- China
- Prior art keywords
- muscle
- joint
- model
- moment
- electrical stimulation
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36003—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation of motor muscles, e.g. for walking assistance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/3603—Control systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36014—External stimulators, e.g. with patch electrodes
- A61N1/3603—Control systems
- A61N1/36031—Control systems using physiological parameters for adjustment
Abstract
本发明提供一种调控关节力矩和刚度的功能性电刺激系统和方法,包括了给电刺激器发送强度信号的控制模块、产生电刺激脉冲电流的电刺激器模块和采集力学、肌电与位置信号的数据采集模块。数据采集模块将力学和位置信号传给控制模块,控制模块建立关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表,并通过插值查表法计算得出产生关节力矩和刚度所需的两块或者多块肌肉的电刺激强度,电刺激器模块根据所需的刺激强度调节电刺激脉冲的幅值或脉宽,实现对关节力矩和刚度的调控。
Description
技术领域
本发明涉及功能性电刺激(FES)技术领域,更具体的,涉及一种调控关节力矩和刚度的功能性电刺激系统和方法。
背景技术
近年来,功能性电刺激技术的发展受到越来越多的关注,它通过外电流的作用,使神经细胞产生一个与自然激发引起的动作电位完全一样的神经冲动,让其支配的肌肉纤维产生收缩,从而获得运动的效果。为了获得期望的关节运动,并尽可能减小康复训练中疲劳产生的影响,需要设计并实现功能性电刺激自适应控制系统,以产生恰当、稳定的肌肉力及相应关节力矩。在功能性电刺激自适应控制系统中,获得实时准确关节力矩信号是关键。很多研究为了简化控制系统的硬件机械部分和使用复杂度,建立了模型来模拟电刺激肌肉所产生的关节力矩。Hunt在带有FES的鲁棒控制系统中使用线性二阶模型估计电刺激产生的肌肉力矩来帮助受试者保持稳定的站姿。Freeman等人在FES控制系统中建立了Hammerstein模型估计电刺激产生的肌肉力矩,以帮助受损对象完成椭圆轨迹跟踪任务。
另一方面,关节刚度作为关节力矩的主要组成部分,主要由同时激活的拮抗肌肉对来调节,会随着人体运动而变化。前人发现同时激活一对拮抗肌肉可以增加关节刚度,但也会减少净关节力矩。在步态中,踝关节刚度在下肢功能,包括姿势稳定、推进、转向和运动过程中的能量吸收起到重要作用。目前有研究基于肌电信号建立模型来估计关节刚度,用于变刚度的康复机器人的研究。关节刚度的调控对于抵抗外界环境的干扰、适应外界环境的变化和维持自身关节的稳定十分重要。
公开号为CN109106339A的中国发明专利申请于2019年1月1日公开了一种功能性电刺激下肘关节力矩的在线估计方法,通过离线采集电刺激下关节力矩、角度、角速度数据,对肌肉骨骼模型进行预建模,然后实时采集电刺激下关节角度和角速度信号,对预建模的肌肉骨骼模型系统参数进行实时自适应更新,实现对力矩的在线估计。但其主要是通过离线数据构建在线预测模型,通过在线预测模型实现对肘关节力矩信号的在线估计,缺乏量化电刺激对关节力矩和刚度作用的模型,无法对关节刚度进行调控,在实际应用中稳定性不足。
发明内容
本发明为克服现有的功能性电刺激技术在应用过程中,存在无法对关节刚度进行调控,稳定性不足的技术缺陷,提供一种调控关节力矩和刚度的功能性电刺激系统和方法。
为解决上述技术问题,本发明的技术方案如下:
一种调控关节力矩和刚度的功能性电刺激系统,可以通过电刺激一对主动肌和拮抗肌,产生期望的力矩和刚度,具体包括控制模块、电刺激器模块、数据采集模块;其中:
所述控制模块用于实时为所述电刺激器模块发送强度信号,其中包括一个关节力矩和刚度的预测模型,用于生成关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表,还包括一个插值查找表算法,寻找目标关节角度和关节力矩所需要的电刺激强度,并将此电刺激强度信号传给电刺激器模块;
所述电刺激器模块主要由电刺激器和电极片及其配套的导线构成,用于产生电刺激脉冲电流传递给人体肌肉;
所述数据采集模块用于采集关节的肌电、力矩和角度信号并传输至所述控制模块;
在所述控制模块上的关节力矩和刚度的预测模型包括以下4个子模型:刺激电流强度到肌肉兴奋性映射模型、肌肉骨骼几何模型、肌力模型和关节模型;其中:
所述刺激电流强度到肌肉兴奋性映射模型根据所述电刺激器模块所产生的电刺激强度进行计算,得到肌肉兴奋性;
所述肌肉骨骼几何模型根据所述数据采集模块采集的肌电、角度信号进行计算,得到肌肉肌腱长度和肌力臂;
所述肌力模型根据肌肉兴奋性和肌肉肌腱长度进行计算,得到肌肉力;
所述关节模型根据肌肉力和肌力臂进行计算,得到关节力矩和关节刚度;
所述功能性电刺激系统通过调控电刺激器模块的电刺激强度实现对关节力矩和关节刚度实时调控。
其中,所述控制模块还构建有用于校准所述肌肉骨骼几何模型的关节肌肉兴奋模型;其中:
将计算得到的关节力矩和实际由所述数据采集模块采集到的力矩信号输入至所述的关节力矩和刚度的预测模型;通过最小化调参目标函数,完成对于所述的关节力矩和刚度的预测模型校准。
上述方案中,本系统建立了一种电刺激调控关节力矩和刚度的肌肉骨骼模型,使其能根据电刺激强度和关节角度估计肌肉力,结合关节模型,最终可估计关节力矩和刚度。
上述方案中,本系统利用肌电、角度和力矩信号,对肌肉骨骼模型参数进行离线校准,实现电刺激下踝关节力矩和刚度的实时调控。其主要用途是针对脑卒中下肢康复训练。建立符合电刺激下的神经肌肉骨骼动态特性的模型,为功能性电刺激系统的安全、稳定和精确的控制提供基础。
一种调控关节力矩和刚度的功能性电刺激方法,包括以下步骤:
S1:通过刺激电流强度到肌肉兴奋性映射模型对电刺激强度进行计算,得到肌肉兴奋性;
S2:根据数据采集模块采集的肌电、角度信号,利用肌肉骨骼几何模型进行进行计算,得到肌肉肌腱长度和肌力臂;
S3:将肌肉兴奋性和肌肉肌腱长度作为输入导入到肌力模型中,计算得到肌肉力;
S4:根据肌力臂和肌肉力,通过关节模型进行计算,得到关节力矩和关节刚度;
S5:将得到的关节力矩和关节刚度与数据采集模块实际采集的力矩、刚度信号进行线性回归分析,获取关节力矩和关节刚度中的权重因子和偏差值;
S6:根据权重因子和偏差值对肌肉骨骼几何模型、关节模型进行校准,完成系统模型的构建,并建立关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表;
S7:根据插值查找表算法,寻找目标关节角度和关节力矩所需要的电刺激幅值。
其中,在所述步骤S1中,所述刺激电流强度到肌肉兴奋性映射模型对电刺激强度进行计算具体过程为:
其中,a是肌肉兴奋性,a∈[0,1];g1是最大电刺激下能得到稳定力矩的增益系数;g2由肌肉招募曲线的斜率决定;g3由能引起肌肉激活的最小电刺激强度所决定;I是电刺激强度,Imax是最大电刺激强度。
其中,在所述步骤S3中,所述肌肉骨骼几何模型计算公式具体为:
其中,A为肌肉在骨头上的起始点,B为肌肉在骨头上的嵌入点,O为关节中心,q为关节角度,lmt为肌肉单元长度,rmt为肌肉力臂。
其中,在所述步骤S4中,所述肌力模型计算过程具体包括:
1)主动收缩成分所产生的力Fce具体表达式为:
Fce=f(l)f(v)Fmxa
其中,f(l)和f(v)分别是主动收缩成分的力-长度关系和力-速度关系,Fmx是最大等长收缩力,a是肌肉兴奋性;l是归一化的肌纤维长度,定义为在肌肉激活状态为a时,当前肌纤维长度lm与最优肌纤维长度lm0的比值;肌纤维最优长度lm0=l0(0.15(1-α)+1),l0是肌肉兴奋度最强时肌纤维的最优长度,由软件Opensim确定;v是归一化的肌纤维收缩速度,被定义为当前肌纤维收缩速度vm与最大肌纤维收缩速度vmax的比值;最大肌纤维收缩速度vmax设为10lm0,当前肌纤维速度由肌纤维长度微分得到;具体的,f(l)和f(v)分别表示为:
f(l)=sin(-1.317l2-0.403l+2.454)
2)被动收缩成分所产生的力Fpe具体表达式为:
Fpe=fp(l)Fmx
其中,fp(l)表示被动弹性成分的力-长度关系;由公式fp(l)=0.129(e4.525(l-1)-1)决定。
3)肌腱弹性成分的力学特性Ft具体表达式为:
其中,lt是当前时刻肌腱的长度,lst是静息状态下肌腱长度;
4)因为主动收缩成分与被动弹性成分属于并联关系,随后它们与肌腱弹性成分呈串联关系,所以它们之间的力大小存在如下关系:
Fmt=Ft=Fmcosφ=(Fce+Fpe)cosφ
其中,Fmt为肌肉单元对外表现的作用力,Ft为肌腱部分对外表现的作用力,φ为羽状角,即为解剖学中肌纤维排列方向与肌腱轴向所成的夹角大小,可由公式φ=sin-1(l0sinφ0/lm)决定;l0表示肌纤维的最优长度,lm表示当前时刻下肌纤维的长度,φ0则表示在最优肌纤维长度下羽状角的大小;在几何关系上,肌肉单元长度lmt与肌纤维长度lm和肌腱长度lt的关系由lmt=lt+lmcosφ表示;
至此,可以求得实时的肌纤维长度,再根据所得肌纤维长度求解肌纤维主动收缩成分和被动弹性成分所产生的力的大小,最后以求得肌肉单元所产生的肌肉力。
其中,在所述步骤S4中,所述关节模型包括关节力矩模型和关节刚度模型,具体为:
1)关节力矩模型
其中Mest是模型估计的关节力矩,γj是第j个肌肉的权重系数,Fmt,j是第j个肌肉单元的肌肉力,rmt,j是第j个肌肉的肌肉力臂;
2)关节刚度模型
其中,Kest是模型估计的关节刚度,γj是第j个肌肉的权重系数,rmt,j是第j个肌肉的肌肉力臂;Kmt,j是j个肌肉单元的刚度,计算公式为Kmt=KmKt/(Km+Kt);肌纤维刚度Km=23.4Fm/lm0,其中Fm和lm0分别为肌纤维力和肌纤维最优长度大小;肌腱刚度可表示为Kt=dFt/dlt,其中Ft为肌腱部分产生的力,lt为肌腱部分的长度。
其中,在所述步骤S5中,通过关节肌肉兴奋模型对肌肉骨骼几何模型进行校准,具体为:
首先,由肌电信号得到神经兴奋性信号,具体为:
u(t)=αe(t-d)-β1u(t-1)-β2u(t-2)
(α=0.9486,β1=-0.052,β2=0.000627)
其中,e(t)为预处理后的t时刻的肌电信号,u(t)则为t时刻的神经兴奋性信号,d被描述为肌电延时;α、β1、β2为递归滤波模型中的系数,分别为0.9486,-0.052和0.000627;
神经兴奋性信号与肌肉兴奋性信号a(t)之间的关系具体为:
对公式进行微分且保证在节点处连续,即算出系数b,c,m和n的值;肌电信号通过关节肌肉兴奋模型后,得到肌肉兴奋性信号;通过各个模型的计算后,得到估计的关节力矩;通过最小化关节力矩和实测力矩间的误差,得到个性化的参数,具体公式如下:
其中,Mest,j是模型估计的关节力矩,Mmeasure,i是实测的关节力矩;N是测量的采样点数;Er(lst,Fmt)是表示测量与预测之间误差的方程;当误差方程取值最小时,肌肉骨骼几何模型校准的参数的取值则为最终值。
其中,所述系数b,c,m和n的计算公式具体为:
更具体的,在所述步骤S5中,肌电延时d设置为80ms。
其中,在所述步骤S6中,完成了关节力矩和刚度的预测模型的构建,此模型表示为(Mest,Kest)=R(In_1,In_2,…,In_j),并建立了关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表。
其中,在所述步骤S7中,根据目标关节力矩和角度寻找对应的电刺激强度。如果查找表没有目标关节力矩和刚度对应的电刺激强度,则对表格进行线性内插:将目标关节力矩Maim和目标关节刚度Maim映射回到电刺激强度中,对最接近效果的两组电刺激强度求取平均值,电刺激强度平均值表示为将此电刺激强度平均值带入到关节力矩和刚度的预测模型中,如果预测的关节力矩和刚度与目标关节力矩和刚度的绝对误差在允许范围内,则输出此电刺激强度给电刺激器模块;如果预测的关节力矩和刚度与目标关节力矩和刚度的绝对误差超过允许范围,则继续进行线性内插,直到绝对误差在允许范围内,绝对误差计算公式为:
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种调控关节力矩和刚度的功能性电刺激系统和方法,利用肌电、角度和力矩信号,对肌肉骨骼模型参数进行离线校准,实现电刺激下踝关节力矩和刚度的实时调控。本发明主要用途是针对脑卒中下肢康复训练。建立符合电刺激下的神经肌肉骨骼动态特性的模型,为功能性电刺激系统的安全、稳定和精确的控制提供基础。
附图说明
图1为本发明提供的调控关节力矩和刚度的功能性电刺激系统示意图;
图2为本发明提供的电刺激调控力矩和刚度模型的结构框架图;
图3为本发明所述方法流程示意图;
图4为本发明提供的肌肉骨骼模型图;
图5为本发明提供的单块肌肉实验输入和输出结果图;
图6为本发明提供的一对拮抗肌中电刺激强度和关节力矩的关系;
图7为本发明提供的一对拮抗肌中电刺激强度和关节刚度的关系;
图8为本发明提供的实验装置示意图;
图9为本发明提供的肌电-力矩模型的结构框架图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本发明提供了一种调控关节力矩和刚度的功能性电刺激系统,它可以通过电刺激一对主动肌和拮抗肌,产生期望的力矩和刚度。下面以一个具体的实验来验证本发明实施例提供的调控关节力矩和刚度的功能性电刺激系统的可行性,具体为:包括控制模块、电刺激器模块、数据采集模块;其中:
所述控制模块用于实时为所述电刺激器模块发送强度信号,其中包括一个关节力矩和刚度的预测模型,用于生成关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表,还包括一个插值查找表算法,寻找目标关节角度和关节力矩所需要的电刺激强度,并将此电刺激强度信号传给电刺激器模块;
所述电刺激器模块主要由电刺激器和电极片及其配套的导线构成,用于产生电刺激脉冲电流传递给人体肌肉;
所述数据采集模块用于采集关节的肌电、力矩和角度信号并传输至所述控制模块;
在所述控制模块上的关节力矩和刚度的预测模型包括以下4个子模型:刺激电流强度到肌肉兴奋性映射模型、肌肉骨骼几何模型、肌力模型和关节模型;其中:
所述刺激电流强度到肌肉兴奋性映射模型根据所述电刺激器模块所产生的电刺激强度进行计算,得到肌肉兴奋性;
所述肌肉骨骼几何模型根据所述数据采集模块采集的肌电、角度信号进行计算,得到肌肉肌腱长度和肌力臂;
所述肌力模型根据肌肉兴奋性和肌肉肌腱长度进行计算,得到肌肉力;
所述关节模型根据肌肉力和肌力臂进行计算,得到关节力矩和关节刚度;
所述功能性电刺激系统通过调控电刺激器模块的电刺激强度实现对关节力矩和关节刚度实时调控。
更具体的,所述控制模块还构建有用于校准所述肌肉骨骼几何模型的关节肌肉兴奋模型;其中:
将计算得到的关节力矩和实际由所述数据采集模块采集到的力矩信号输入至所述的关节力矩和刚度的预测模型;通过最小化调参目标函数,完成对于所述的关节力矩和刚度的预测模型校准。
在具体实施过程中,本系统建立了一种电刺激调控关节力矩和刚度的肌肉骨骼模型,如图2所示,使其能根据电刺激强度和关节角度估计肌肉力,结合关节模型,最终可估计关节力矩和刚度。
在具体实施过程中,本系统利用肌电、角度和力矩信号,对肌肉骨骼模型参数进行离线校准,实现电刺激下踝关节力矩和刚度的实时调控。其主要用途是针对脑卒中下肢康复训练。建立符合电刺激下的神经肌肉骨骼动态特性的模型,为功能性电刺激系统的安全、稳定和精确的控制提供基础。
实施例2
更具体的,在实施例1的基础上,如图3所示,提供一种调控关节力矩和刚度的功能性电刺激方法,包括以下步骤:
S1:通过刺激电流强度到肌肉兴奋性映射模型对电刺激强度进行计算,得到肌肉兴奋性;
S2:根据数据采集模块采集的肌电、角度信号,利用肌肉骨骼几何模型进行进行计算,得到肌肉肌腱长度和肌力臂;
S3:将肌肉兴奋性和肌肉肌腱长度作为输入导入到肌力模型中,计算得到肌肉力;
S4:根据肌力臂和肌肉力,通过关节模型进行计算,得到关节力矩和关节刚度;
S5:将得到的关节力矩和关节刚度与数据采集模块实际采集的力矩、刚度信号进行线性回归分析,获取关节力矩和关节刚度中的权重因子和偏差值;
S6:根据权重因子和偏差值对肌肉骨骼几何模型、关节模型进行校准,完成系统模型的构建,并建立关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表;
S7:根据插值查找表算法,寻找目标关节角度和关节力矩所需要的电刺激幅值。
在具体实施过程中,通过肌肉最大自主收缩力测试实验校准关节力矩和刚度的预测模型,得到个性化参数lst和Fmt。在最大自主收缩力测试中,采集关节的力矩、角度和肌电信号并对这些信号进行滤波处理;将预处理后的角度和肌电信号作为肌电-力矩模型的输入量,输出量为关节的估计力矩;通过最小化实测力矩和估计力矩的差值,校准关节力矩和刚度预测模型,获得个性化的权重因子和偏差值。
在具体实施过程中,通过刚度测量实验对关节模型校准。主动肌在不同的电刺激强度下,测量各个主动肌和拮抗肌的力矩和刚度,对实测的力矩和刚度与估计的力矩和刚度进行线性回归分析,得到各个主动肌和拮抗肌分别在关节力矩和关节刚度中的权重因子和偏差值。
更具体的,在所述步骤S1中,所述刺激电流强度到肌肉兴奋性映射模型对电刺激强度进行计算具体过程为:
其中,a是肌肉兴奋性,a∈[0,1];g1是最大电刺激下能得到稳定力矩的增益系数;g2由肌肉招募曲线的斜率决定;g3由能引起肌肉激活的最小电刺激强度所决定;I是电刺激强度,Imax是最大电刺激强度。
更具体的,在所述步骤S2中,所述肌肉骨骼几何模型计算公式具体为:
其中,A为肌肉在骨头上的起始点,B为肌肉在骨头上的嵌入点,O为关节中心,q为关节角度,lmt为肌肉单元长度,rmt为肌肉力臂。
更具体的,在所述步骤S3中,所述肌力模型如图4所示,计算过程具体包括:
1)主动收缩成分所产生的力Fce具体表达式为:
Fce=f(l)f(v)Fmxa
其中,f(l)和f(v)分别是主动收缩成分的力-长度关系和力-速度关系,Fmx是最大等容收缩力,a是肌肉兴奋性;l是归一化的肌纤维长度,定义为在肌肉激活状态为a时,当前肌纤维长度lm与最优肌纤维长度lm0的比值;肌纤维最优长度lm0=l0(0.15(1-α)+1),l0是肌肉兴奋度最强时肌纤维的最优长度,由软件Opensim确定;v是归一化的肌纤维收缩速度,被定义为当前肌纤维收缩速度vm与最大肌纤维收缩速度vmax的比值;最大肌纤维收缩速度vmax设为10lm0,当前肌纤维速度由肌纤维长度微分得到;具体的,f(l)和f(v)分别表示为:
f(l)=sin(-1.317l2-0.403l+2.454)
2)被动收缩成分所产生的力Fpe具体表达式为:
Fpe=fp(l)Fmx
其中,fp(l)表示被动弹性成分的力-长度关系;由公式fp(l)=0.129(e4.525(l-1)-1)决定。
3)肌腱弹性成分的力学特性Ft具体表达式为:
其中,lt是当前时刻肌腱的长度,lst是静息状态下肌腱长度;
4)因为主动收缩成分与被动弹性成分属于并联关系,随后它们与肌腱弹性成分呈串联关系,所以它们之间的力大小存在如下关系:
Fmt=Ft=Fmcosφ=(Fce+Fpe)cosφ
其中,Fmt为肌肉单元对外表现的作用力,Ft为肌腱部分对外表现的作用力,φ为羽状角,即为解剖学中肌纤维排列方向与肌腱轴向所成的夹角大小,可由公式φ=sin-1(l0sinφ0/lm)决定;l0表示肌纤维的最优长度,lm表示当前时刻下肌纤维的长度,φ0则表示在最优肌纤维长度下羽状角的大小;在几何关系上,肌肉单元长度lmt与肌纤维长度lm和肌腱长度lt的关系由lmt=lt+lmcosφ表示;
至此,可以求得实时的肌纤维长度,再根据所得肌纤维长度求解肌纤维主动收缩成分和被动弹性成分所产生的力的大小,最后以求得肌肉单元所产生的肌肉力。
更具体的,在所述步骤S4中,所述关节模型包括关节力矩模型和关节刚度模型,具体为:
1)关节力矩模型
其中Mest是模型估计的关节力矩,γj是第j个肌肉的权重系数,Fmt,j是第j个肌肉单元的肌肉力,rmt,j是第j个肌肉的肌肉力臂;
2)关节刚度模型
其中,Kest是模型估计的关节刚度,γj是第j个肌肉的权重系数,rmt,j是第j个肌肉的肌肉力臂;Kmt,j是j个肌肉单元的刚度,计算公式为Kmt=KmKt/(Km+Kt);肌纤维刚度Km=23.4Fm/lm0,其中Fm和lm0分别为肌纤维力和肌纤维最优长度大小;肌腱刚度可表示为Kt=dFt/dlt,其中Ft为肌腱部分产生的力,lt为肌腱部分的长度。
更具体的,在所述步骤S5中,通过关节肌肉兴奋模型对肌肉骨骼几何模型进行校准,具体为:
首先,由肌电信号得到神经兴奋性信号,具体为:
u(t)=αe(t-d)-β1u(t-1)-β2u(t-2)
(α=0.9486,β1=-0.052,β2=0.000627)
其中,e(t)为预处理后的t时刻的肌电信号,u(t)则为t时刻的神经兴奋性信号,d被描述为肌电延时;α、β1、β2为递归滤波模型中的系数,分别为0.9486,-0.052和0.000627;
神经兴奋性信号与肌肉兴奋性信号a(t)之间的关系具体为:
对公式进行微分且保证在节点处连续,即算出系数b,c,m和n的值;肌电信号通过关节肌肉兴奋模型后,得到肌肉兴奋性信号;通过各个模型的计算后,得到估计的关节力矩;通过最小化关节力矩和实测力矩间的误差,得到个性化的参数,具体公式如下:
其中,Mest,j是模型估计的关节力矩,Mmeasure,i是实测的关节力矩;N是测量的采样点数;Er(lst,Fmt)是表示测量与预测之间误差的方程;当误差方程取值最小时,肌肉骨骼几何模型校准的参数的取值则为最终值。
更具体的,所述系数b,c,m和n的计算公式具体为:
更具体的,在所述步骤S5中,肌电延时d设置为80ms。
其中,在所述步骤S6中,完成了关节力矩和刚度的预测模型的构建,并此模型表示为(Mest,Kest)=R(In_1,In_2,…,In_j),建立了关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表。
在所述步骤S7中,根据目标关节力矩和角度寻找对应的电刺激强度。如果查找表没有目标关节力矩和刚度对应的电刺激强度,则对表格进行线性内插:将目标关节力矩Maim和目标关节刚度Maim映射回到电刺激强度中,对最接近效果的两组电刺激强度求取平均值,电刺激强度平均值表示为将此电刺激强度平均值带入到关节力矩和刚度的预测模型中,如果预测的关节力矩和刚度与目标关节力矩和刚度的绝对误差在允许范围内,则输出此电刺激强度给电刺激器模块;如果预测的关节力矩和刚度与目标关节力矩和刚度的绝对误差超过允许范围,则继续进行线性内插,直到绝对误差在允许范围内,绝对误差计算公式为:
在具体实施过程中,本方案利用肌电、角度和力矩信号,对肌肉骨骼模型参数进行离线校准,实现电刺激下踝关节力矩和刚度的实时调控。主要用途是针对脑卒中下肢康复训练。建立符合电刺激下的神经肌肉骨骼动态特性的模型,为功能性电刺激系统的安全、稳定和精确的控制提供基础。
实施例3
更具体的,一个受试者的一块肌肉在电刺激强度变化如图5的“输入信号”的三角形波的刺激信号下,其能导致关节产生如图5的“输出力矩和刚度”的关节力矩和刚度。对于同时电刺激胫骨前肌和腓肠肌的情况,电刺激强度和关节力矩的关系如图6所示,电刺激强度和关节刚度的关系如图7所示。
通过肌肉最大自主收缩力测试实验校准刚度和力矩预测模型,得到个性化参数lst和Fmt。在最大自主收缩力测试中,采集关节的力矩、角度和肌电信号并对这些信号进行滤波处理;将预处理后的角度和肌电信号作为肌电-力矩模型的输入量,输出量为关节的估计力矩。具体地,将小腿放置于如图8所示的小腿托架上,调节至合适的高度位置后固定,实验者踏入足踏板,且固定所有绑带。对实验者的皮肤进行预处理后,在控制踝关节背屈的胫骨前肌和控制踝关节跖屈的腓肠肌上分别贴上电极片。在踝关节角度等长收缩下,分别进行背屈和跖屈方向上的最大自主收缩力测试。实验者在电脑屏幕中的灯亮时开始发力,待灯灭时停止,同时记录储存肌电和力矩信号。每次自主收缩时间为5s。当实验结束后,对肌电信号进行低通滤波处理,将预处理后的肌电、力矩信号和角度输出基于MATLAB软件平台编写的程序,通过最小化实测力矩和估计力矩的差值,校准肌肉骨骼模型,获得个性化参数。肌电-力矩模型包括如下4个子模型,如图9所示:
1)肌肉兴奋性模型。
2)肌肉骨骼几何模型。
3)肌力模型。
4)关节模型。
进一步地,肌电信号通过肌肉兴奋性模型后,得到肌肉兴奋性信号。结合肌肉骨骼几何模型、肌力模型、关节模型,可得到模型估计的力矩。通过最小化估计力矩和实测力矩间的误差,可以得到个性化的参数,即误差方程;当误差方程取值最小时,校准的参数的取值则为最终值。
接着,通过刚度测量实验对关节模型校准。刚度测量实验要求控制电机带动脚踏板产生一个幅度为0.75°、频率为3Hz的正弦位置扰动。扰动试验在3种情况下进行:(1)仅电刺激胫骨前肌,得到胫骨前肌激活下的踝关节刚度和稳力矩;(2)仅电刺激腓肠肌,得到腓肠肌激活下的踝关节刚度和力矩;(3)同时电刺激胫骨前肌和腓肠肌,得到胫骨前肌和腓肠肌共激活下的踝关节刚度和力矩。在实验中,记录电机提供给脚踏板的力矩、脚踏板的角度和踝关节力矩。电机提供给脚踏板的力矩τint和脚踏板的角度q可用来计算实验测得的关节刚度,计算公式如下:
其中和分别是速度和加速度;J、B和K分别是惯性、粘度系数和刚度。通过多元线性回归方法,就可以得到实验中的关节刚度。对实测的力矩和刚度与估计的力矩和刚度进行线性回归分析,得到各个主动肌和拮抗肌分别在关节力矩和关节刚度中的权重系数,从而在关节刚度层面上完成了模型的校准。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种调控关节力矩和刚度的功能性电刺激系统,其特征在于,包括控制模块、电刺激器模块、数据采集模块;其中:
所述控制模块用于实时为所述电刺激器模块发送强度信号,其中包括一个关节力矩和刚度的预测模型,用于生成关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表,还包括一个插值查找表算法,寻找目标关节角度和关节力矩所需要的电刺激强度,并将此电刺激强度信号传给电刺激器模块;
所述电刺激器模块用于产生电刺激脉冲电流并传递给人体肌肉;
所述数据采集模块用于采集关节的肌电、力矩和角度信号并传输至所述控制模块;
在所述控制模块上的关节力矩和刚度的预测模型包括以下4个子模型:刺激电流强度到肌肉兴奋性映射模型、肌肉骨骼几何模型、肌力模型和关节模型;其中:
所述刺激电流强度到肌肉兴奋性映射模型根据所述电刺激器模块所产生的电刺激强度进行计算,得到肌肉兴奋性;
所述肌肉骨骼几何模型根据所述数据采集模块采集的肌电、角度信号进行计算,得到肌肉肌腱长度和肌力臂;
所述肌力模型根据肌肉兴奋性和肌肉肌腱长度进行计算,得到肌肉力;
所述关节模型根据肌肉力和肌力臂进行计算,得到关节力矩和关节刚度;
所述功能性电刺激系统通过调控电刺激器模块的电刺激强度实现对关节力矩和关节刚度实时调控。
2.根据权利要求1所述的一种调控关节力矩和刚度的功能性电刺激系统,其特征在于,所述控制模块还构建有用于校准所述关节力矩和刚度的预测模型;其中:
将计算得到的关节力矩和实际由所述数据采集模块采集到的力矩信号输入至所述的关节力矩和刚度的预测模型;通过最小化调参目标函数,完成对于所述的关节力矩和刚度的预测模型校准。
3.一种如权利要求1或2所述的一种调控关节力矩和刚度的功能性电刺激系统的调控关节力矩和刚度的功能性电刺激方法,其特征在于,包括以下步骤:
S1:通过刺激电流强度到肌肉兴奋性映射模型对电刺激强度进行计算,得到肌肉兴奋性;
S2:根据数据采集模块采集的肌电、角度信号,利用肌肉骨骼几何模型进行计算,得到肌肉肌腱长度和肌力臂;
S3:将肌肉兴奋性和肌肉肌腱长度作为输入导入到肌力模型中,计算得到肌肉力;
S4:根据肌力臂和肌肉力,通过关节模型进行计算,得到关节力矩和关节刚度;
S5:将得到的关节力矩和关节刚度与数据采集模块实际采集的力矩、刚度信号进行线性回归分析,获取关节力矩和关节刚度中的权重因子和偏差值;
S6:根据权重因子和偏差值对肌肉骨骼几何模型、关节模型进行校准,完成系统模型的构建,并建立关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表;
S7:根据插值查找表算法,寻找目标关节角度和关节力矩所需要的电刺激幅值。
6.根据权利要求5所述的一种调控关节力矩和刚度的功能性电刺激方法,其特征在于,在所述步骤S3中,所述肌力模型计算过程具体包括:
1)主动收缩成分所产生的力Fce具体表达式为:
Fce=f(l)f(v)Fmxa
其中,f(l)和f(v)分别是主动收缩成分的力-长度关系和力-速度关系,Fmx是最大等容收缩力,a是肌肉兴奋性;l是归一化的肌纤维长度,定义为在肌肉激活状态为a时,当前肌纤维长度lm与最优肌纤维长度lm0的比值;肌纤维最优长度lm0=l0(0.15(1-α)+1),l0是肌肉兴奋度最强时肌纤维的最优长度,由软件Opensim确定;v是归一化的肌纤维收缩速度,被定义为当前肌纤维收缩速度vm与最大肌纤维收缩速度vmax的比值;最大肌纤维收缩速度vmax设为10lm0,当前肌纤维速度由肌纤维长度微分得到;
2)被动收缩成分所产生的力Fpe具体表达式为:
Fpe=fp(l)Fmx
其中,fp(l)表示被动弹性成分的力-长度关系;
3)肌腱弹性成分的力学特性Ft具体表达式为:
其中,lt是当前时刻肌腱的长度,lst是静息状态下肌腱长度;
4)因为主动收缩成分与被动弹性成分属于并联关系,随后它们与肌腱弹性成分呈串联关系,所以它们之间的力大小存在如下关系:
Fmt=Ft=Fmcosφ=(Fce+Fpe)cosφ
其中,Fmt为肌肉单元对外表现的作用力,Ft为肌腱部分对外表现的作用力,φ为羽状角,即为解剖学中肌纤维排列方向与肌腱轴向所成的夹角大小;l0表示肌纤维的最优长度,lm表示当前时刻下肌纤维的长度,φ0则表示在最优肌纤维长度下羽状角的大小;在几何关系上,肌肉单元长度lmt与肌纤维长度lm和肌腱长度lt的关系由lmt=lt+lmcosφ表示;
至此,可以求得实时的肌纤维长度,再根据所得肌纤维长度求解肌纤维主动收缩成分和被动弹性成分所产生的力的大小,最后以求得肌肉单元所产生的肌肉力。
7.根据权利要求6所述的一种调控关节力矩和刚度的功能性电刺激方法,其特征在于,在所述步骤S4中,所述关节模型包括关节力矩模型和关节刚度模型,具体为:
1)关节力矩模型
其中Mest是模型估计的关节力矩,γj是第j个肌肉的权重系数,Fmt,j是第j个肌肉单元的肌肉力,rmt,j是第j个肌肉的肌肉力臂;
2)关节刚度模型
其中,Kest是模型估计的关节刚度,γj是第j个肌肉的权重系数,rmt,j是第j个肌肉的肌肉力臂;Kmt,j是j个肌肉单元的刚度,计算公式为Kmt=KmKt/(Km+Kt);肌纤维刚度Km=23.4Fm/lm0,其中Fm和lm0分别为肌纤维力和肌纤维最优长度大小;肌腱刚度可表示为Kt=dFt/dlt,其中Ft为肌腱部分产生的力,lt为肌腱部分的长度。
8.根据权利要求7所述的一种调控关节力矩和刚度的功能性电刺激方法,其特征在于,在所述步骤S5中,通过关节肌肉兴奋模型对肌肉骨骼几何模型进行校准,具体为:
首先,由肌电信号得到神经兴奋性信号,具体为:
u(t)=αe(t-d)-β1u(t-1)-β2u(t-2)
(α=0.9486,β1=-0.052,β2=0.000627)
其中,e(t)为预处理后的t时刻的肌电信号,u(t)则为t时刻的神经兴奋性信号,d被描述为肌电延时;α、β1、β2为递归滤波模型中的系数,分别为0.9486,-0.052和0.000627;
神经兴奋性信号与肌肉兴奋性信号a(t)之间的关系具体为:
对公式进行微分且保证在节点处连续,即算出系数b,c,m和n的值;肌电信号通过关节肌肉兴奋模型后,得到肌肉兴奋性信号;通过各个模型的计算后,得到估计的关节力矩;通过最小化关节力矩和实测力矩间的误差,得到个性化的参数,具体公式如下:
其中,Mest,j是模型估计的关节力矩,Mmeasure,i是实测的关节力矩;N是测量的采样点数;Er(lst,Fmt)是表示测量与预测之间误差的方程;当误差方程取值最小时,肌肉骨骼几何模型校准的参数的取值则为最终值。
9.根据权利要求8所述的一种调控关节力矩和刚度的功能性电刺激方法,其特征在于,所述的关节力矩和刚度的预测模型表示为(Mest,Kest)=R(In_1,In_2,…,In_j),其中In_j是第j块肌肉的电刺激强度;在所述步骤S7中,建立了关节力矩和刚度和主动肌和拮抗肌电刺激强度的映射表。
10.根据权利要求9所述的一种调控关节力矩和刚度的功能性电刺激方法,其特征在于,在所述步骤S7中,根据目标关节力矩和角度寻找对应的电刺激强度;如果查找表没有目标关节力矩和刚度对应的电刺激强度,则对表格进行线性内插:将目标关节力矩Maim和目标关节刚度Maim映射回到电刺激强度中,对最接近效果的两组电刺激强度求取平均值,电刺激强度平均值表示为将此电刺激强度平均值带入到关节力矩和刚度的预测模型中,如果预测的关节力矩和刚度与目标关节力矩和刚度的绝对误差在允许范围内,则输出此电刺激强度给电刺激器模块;如果预测的关节力矩和刚度与目标关节力矩和刚度的绝对误差超过允许范围,则继续进行线性内插,直到绝对误差在允许范围内,绝对误差计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291964.6A CN113181550A (zh) | 2021-03-18 | 2021-03-18 | 一种调控关节力矩和刚度的功能性电刺激系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291964.6A CN113181550A (zh) | 2021-03-18 | 2021-03-18 | 一种调控关节力矩和刚度的功能性电刺激系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113181550A true CN113181550A (zh) | 2021-07-30 |
Family
ID=76973441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291964.6A Pending CN113181550A (zh) | 2021-03-18 | 2021-03-18 | 一种调控关节力矩和刚度的功能性电刺激系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113181550A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114948591A (zh) * | 2022-05-12 | 2022-08-30 | 中山大学 | 一种下肢康复机器人的控制方法、装置及机器人 |
CN115177867A (zh) * | 2022-08-23 | 2022-10-14 | 深圳市健怡康医疗器械科技有限公司 | 一种电击按摩器辅助装置 |
CN115543094A (zh) * | 2022-11-28 | 2022-12-30 | 杭州轻宇宙科技有限公司 | 数字孪生虚拟人与人体的交互方法、系统、电子设备 |
CN115965127A (zh) * | 2022-12-12 | 2023-04-14 | 天津大学 | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140100638A1 (en) * | 2011-06-28 | 2014-04-10 | Zengguang Hou | Functional electrical stimulation system |
CN105031812A (zh) * | 2015-06-09 | 2015-11-11 | 电子科技大学 | 一种肌电信号反馈的功能性电刺激闭环控制系统及方法 |
CN109106339A (zh) * | 2018-08-31 | 2019-01-01 | 福州大学 | 一种功能性电刺激下肘关节力矩的在线估计方法 |
-
2021
- 2021-03-18 CN CN202110291964.6A patent/CN113181550A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140100638A1 (en) * | 2011-06-28 | 2014-04-10 | Zengguang Hou | Functional electrical stimulation system |
CN105031812A (zh) * | 2015-06-09 | 2015-11-11 | 电子科技大学 | 一种肌电信号反馈的功能性电刺激闭环控制系统及方法 |
CN109106339A (zh) * | 2018-08-31 | 2019-01-01 | 福州大学 | 一种功能性电刺激下肘关节力矩的在线估计方法 |
Non-Patent Citations (3)
Title |
---|
INGQI LI, ET AL: "Modeling Ankle Torque and Stiffness Induced by Functional Electrical Stimulation", IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, vol. 28, no. 12, pages 3013 - 3020 * |
赵越;欧朗;李晓欧;: "用于运动功能障碍康复的肌电反馈功能性电刺激器研究进展", 北京生物医学工程, no. 05 * |
郭佳莹;尉振刚;王立;牛海军;: "带有表面肌电反馈功能的电刺激系统", 中国医疗器械杂志, no. 05 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114948591A (zh) * | 2022-05-12 | 2022-08-30 | 中山大学 | 一种下肢康复机器人的控制方法、装置及机器人 |
CN115177867A (zh) * | 2022-08-23 | 2022-10-14 | 深圳市健怡康医疗器械科技有限公司 | 一种电击按摩器辅助装置 |
CN115543094A (zh) * | 2022-11-28 | 2022-12-30 | 杭州轻宇宙科技有限公司 | 数字孪生虚拟人与人体的交互方法、系统、电子设备 |
CN115965127A (zh) * | 2022-12-12 | 2023-04-14 | 天津大学 | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
CN115965127B (zh) * | 2022-12-12 | 2023-11-17 | 天津大学 | 基于多元信号融合的肌疲劳预测方法、系统及电刺激器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113181550A (zh) | 一种调控关节力矩和刚度的功能性电刺激系统和方法 | |
Zhang et al. | Ankle joint torque estimation using an EMG-driven neuromusculoskeletal model and an artificial neural network model | |
Ferrarin et al. | Model-based control of FES-induced single joint movements | |
CN1929805B (zh) | 安装式动作辅助装置、安装式动作辅助装置的校准装置以及校准方法 | |
Hausdorff et al. | Open-loop position control of the knee joint using electrical stimulation of the quadriceps and hamstrings | |
Phillips | Functional electrical rehabilitation: technological restoration after spinal cord injury | |
Previdi et al. | Closed-loop control of FES supported standing up and sitting down using Virtual Reference Feedback Tuning | |
Jaime et al. | Paraplegic standing supported by FES-controlled ankle stiffness | |
WO2021047100A1 (zh) | 一种自适应电刺激训练系统 | |
Dallali et al. | Estimating the multivariable human ankle impedance in dorsi-plantarflexion and inversion-eversion directions using EMG signals and artificial neural networks | |
Zhou et al. | Estimating the ankle angle induced by fes via the neural network-based hammerstein model | |
Nalam et al. | Design and validation of a multi-axis robotic platform for the characterization of ankle neuromechanics | |
Chen et al. | Neural network and fuzzy control in FES-assisted locomotion for the hemiplegic | |
Xie et al. | Antagonistic control of a cable-driven prosthetic hand with neuromorphic model of muscle reflex | |
Veltink et al. | Modelling the optimal control of cyclical leg movements induced by functional electrical stimulation | |
Hosoda et al. | Human elbow joint torque estimation during dynamic movements with moment arm compensation method | |
Gong et al. | Development of an intelligent prosthetic knee control system | |
Kim et al. | Impedance control of human ankle joint with electrically stimulated antagonistic muscle co-contraction | |
Yang et al. | Design of elbow rehabilitation exoskeleton robot with semg-based torque estimation control strategy | |
Li et al. | Modeling ankle torque and stiffness induced by functional electrical stimulation | |
Kirsch | Control methods for compensation and inhibition of muscle fatigue in neuroprosthetic devices | |
Zhang | Ultrasound imaging and surface electromyography-based voluntary effort prediction and control strategies for ankle assistance | |
Hargrove et al. | Myoelectric control of a powered transfemoral prosthesis during non-weight-bearing activities | |
Eom et al. | Computer-aided generation of stimulation data and model identification for functional electrical stimulation (FES) control of lower extremities | |
Rouhani et al. | Closed-loop control of standing neuroprosthesis using PID controller |
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 |