CN113990441A - 一种基于生物动力学的下肢膝关节主动肌肌电拟合方法 - Google Patents
一种基于生物动力学的下肢膝关节主动肌肌电拟合方法 Download PDFInfo
- Publication number
- CN113990441A CN113990441A CN202111414297.2A CN202111414297A CN113990441A CN 113990441 A CN113990441 A CN 113990441A CN 202111414297 A CN202111414297 A CN 202111414297A CN 113990441 A CN113990441 A CN 113990441A
- Authority
- CN
- China
- Prior art keywords
- muscle
- knee joint
- model
- myoelectricity
- stage
- 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
Links
- 210000003205 muscle Anatomy 0.000 title claims abstract description 166
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003183 myoelectrical effect Effects 0.000 title claims description 24
- 230000033001 locomotion Effects 0.000 claims abstract description 48
- 210000004699 muscle spindle Anatomy 0.000 claims abstract description 43
- 108091008709 muscle spindles Proteins 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 28
- 230000007115 recruitment Effects 0.000 claims abstract description 27
- 210000001087 myotubule Anatomy 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims abstract description 7
- 210000003314 quadriceps muscle Anatomy 0.000 claims description 39
- 238000001994 activation Methods 0.000 claims description 26
- 210000003141 lower extremity Anatomy 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000002567 electromyography Methods 0.000 claims description 11
- 230000000284 resting effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 210000003127 knee Anatomy 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000002789 length control Methods 0.000 claims description 4
- 210000000056 organ Anatomy 0.000 claims description 4
- 230000008602 contraction Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims description 2
- 230000004118 muscle contraction Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 230000004044 response Effects 0.000 claims 1
- 230000000638 stimulation Effects 0.000 description 4
- 244000309466 calf Species 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000002310 elbow joint Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002027 skeletal muscle Anatomy 0.000 description 2
- 235000011371 Brassica hirta Nutrition 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 241000220262 Sinapis alba Species 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003778 catagen phase Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 210000002161 motor neuron Anatomy 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- A61B5/24—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]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于生物动力学的下肢膝关节主动肌肌电拟合方法,本发明通过角度信号和肌纤维募集模型求得意图相关肌电;再次,通过身高、体重和角度求得运动过程中产生的有用力矩,随后通过逆hill肌力模型求得肌力相关肌电;然后,通过初始静息肌肉长度和角度求得运动过程中肌肉长度,随后,通过肌梭反馈模型求得肌长度相关肌电;最后,使用不同运动阶段配置对应模型的策略和含有损失函数的最小二乘搜索参数法将三种肌电融合,再与白噪声融合后就可以得到最终肌电。本发明有着具有全面性,误差低,拟合效果好,具有生理意义,子模型生成的肌电稳定且符合子模型含义等特点。
Description
技术领域
本发明属于生物电信号处理领域,涉及一种基于生物动力学的下肢膝关节主动肌肌电拟合方法。
技术背景
人们对于可穿戴设备有着越来越广泛的应用,其中应用之一是神经康复,这种应用目的是增强神经受损患者的运动功能,如中风和脊柱受损患者,在康复过程中使用手臂穿戴设备或者下肢康复设备,能够帮助康复患者恢复神经肌肉功能。现在,越来越多的康复设备引入了电刺激反馈功能,而电刺激触觉反馈功能有赖于下肢运动姿态的肌肉激活模型的建立。在康复过程中,构建健康人正常下肢运动姿态的肌肉激活模型,根据此模型指导在肢体康复训练过程中根据患者运动状态对特定肌肉群实施有针对性的电刺激,从而为下肢运动提供正确、科学的电刺激反馈。
在构建下肢运动姿态的肌肉激活模型中,特别是以下肢关节角度为输入,目标肌肉肌电为输出的模型中,主动肌在关节运动中起着最主要的作用,所以建立膝关节角度变化的主动肌肌电拟合模型是分析下肢关节运动的重点部分。现在,已经有许多团队研究了关节角度与肌肉肌电之间的关系。Wang利用基于遗传算法优化的广义回归神经网络来对人体正常行走时的膝关节角度进行预测,其最终预测的膝关节角度误差可控制在较小的范围内。Raj等使用了基于sEMG时域特征输入的模糊系统实现了对肘关节角度的预测。虽然神经网络和模糊系统对关节角度预测有着不错的结果,但是其理论基础是统计数学,致使这些模型缺乏生理意义。李强使用了肌纤维募集模型仿真第一背间肌运动神经元在不同激励水平下的sEMG信号和相应的收缩能力,发现仿真的动作电位信号能与真实信号进行相似性匹配。胡晋嘉使用了hill肌力模型研究了肌电与肌力之间的关系,发现hill肌力模型在肌力拟合方面具有一定的普适性。James研究了肌梭反馈模型发现其反馈信号与肌肉长度非常高的相关性。虽然这些模型具有一定的生理意义,但是在拟合肌电方面存在片面性,拟合效果不如数学模型好等缺陷。
白杰在研究肘关节角度与肌肉肌电时,使用了一种由内驱力模型、高尔基腱模型、肌梭反馈模型融合模型,但由于存在拟合参数过多,部分子模型为数学模型等问题,导致三个子模型拟合的肌电成分不稳定,失去子模型该有的基本意义。本发明使用三种具有生理意义且拟合系数较少(或具有范围限制)的肌纤维募集模型、逆hill肌力模型、肌梭反馈模型,使用下肢膝关节不同运动阶段对应的模型策略以及使用损失函数将三种模型融合,构建一个具有生理意义、全面性、子模型在功能上能“各司其职”的关节角度-肌电模型。
发明内容
本发明的目的是针对大部分具有生理意义肌肉激活模型拟合效果不如意以及多融合模型子模型肌电成分不稳定导致子模型缺乏生理意义等问题,提出了一种基于生物动力学的下肢膝关节主动肌肌电拟合方法。
本发明包含以下步骤:
步骤1:采集被试者的身高、体重、初始静息肌肉长度以及其在运动过程中的膝关节角度信息和表面肌电信号,并且对肌电信号进行10-450hz滤波,整流和提取包络处理;
步骤2:构建肌纤维募集模型,以膝关节角度信息为输入,获取意图相关肌电信号;
所述肌纤维募集模型用以表征肌肉纤维的募集和激活过程,以获取与意图相关的肌电信号;所述肌纤维募集模型以下肢运动过程中目标位置膝关节角度和当前位置膝关节角度的偏差作为调整运动的意图输入,其过程形如:
RTE(i)=eα·i,α=k·AE 式(1)
其中RTE表示当前时刻运动神经单元募集数量,i表示募集运动神经单元的指数系数,k表示拟合系数,α表示标量化的神经意图,AE表示下肢运动过程中目标位置膝关节角度和当前位置膝关节角度的偏差;
假设同一动作下运动神经单元募集的类型基本一致,运动神经单元放电增益都为w1,则RTE与增益w1的乘积就是最终的意图意图肌电:
u(t)=w1·RTE(i) 式(2)
下肢运动过程中目标位置膝关节角度和当前位置膝关节角度的偏差AE用以表示调整动作的意图,通过如下式角度公式求得:
AE=At+n+At-n-2At 式(3)
其中At为t时刻的膝关节角度,At+n为t+n时刻的膝关节角度,At-n为t-n时刻的膝关节角度。
步骤3:构建逆hill肌力模型,以通过身高、体重和膝关节角度信息获取运动过程中产生的有用力矩为输入,获取肌力相关肌电信号;
所述的逆hill肌力模型是将原有hill肌力模型中的肌电-激活信号、激活信号-肌力部分逆转成肌力-激活信号、激活信号-肌电部分。
所述的有用力矩求得方法为:
下肢膝关节有用力矩分为两项,一项与当前膝关节角度有关,另一项与当前膝关节角度加速度有关,则有用力矩如下:
使用被试者的身高、体重等数据和《中国成年人人体惯性参数国家标准》中相关的回归方程,获得人体下肢惯性参数的估计。小腿重量估计值,小腿重心估计值,小腿转动惯量估计值的回归方程形如:
m=-0.834+0.061X1-0.0002X2
l=23.47+0.5X1+0.095X2 式(5)
J=-30104.4+299X1+20.12X2
其中X1、X2分别为被试者的体重和身高。
所述的逆hill肌力模型以有用力矩作为输入,将逆hill模型分为肌力-激活信号、激活信号-肌电两部分;
所述肌力-激活信号形如:
a(t)fe(r)+fp(r)=Lθ/Lmax 式(6)
其中fe(r)表示肌肉主动收缩部分的系数,fp(r)表示肌肉被动收缩部分系数,Lmax表示有用力矩最大值,Lθ/Lmax为归一化的力矩信号,a(t)表示t时刻所获得的激活信号,经过化简可得:
a(t)=Lθ/[Lmax·fe(r)] 式(7)
所述激活信号-肌电部分将获得激活信号转化成肌电信号,步骤如下式所示:
u(t)=w2·ln[a(t)·(eA-1)+1]/A 式(8)
其中u(t)为t时刻的肌力相关肌电信号,w2为归一化肌电信号与真实信号的拟合关系系数,A是非线性参数,取值范围为-3至0。
步骤4:构建肌梭反馈模型,以通过初始静息肌肉长度和膝关节角度求得运动过程中主动肌的肌肉长度为输入,获取肌长度相关肌电信号;
针对股四头肌和股二头肌需要建立不同的肌肉长度-膝关节角度模型,其中股四头肌的肌肉长度公式为:
LM=LM0+r·θ
其中LM为肌肉长度,LM0为初始肌肉长度,r为膝关节中心的旋转半径,θ为膝关节角度。
股二头肌的肌肉长度公式为:
其中LM为肌肉长度,L11为股二头肌起始端到膝关节旋转中心的距离,L12为膝关节旋转中心至股二头肌止端的距离。
所述的肌梭反馈模型使用肌肉长度变化信号作为肌肉纤维中肌梭器官的输入,肌梭器官信号反馈方程作为肌梭的处理和响应方式,既可以得到与肌肉长度相关的肌电信号,最终计算出与肌肉长度相关的肌梭反馈模型的反馈信号,其过程形如:
MI-MI0=KMvn(LM-LM0)
其中MI为肌梭反馈信号,LM为肌肉长度,MI0、LM0分别为初始静息状态下肌梭反馈信号和肌肉长度,vn为肌肉长度变化速度对肌梭反馈信号的影响,n通常取0.3,KM为需最小二乘参数搜索法处理的待定系数。
步骤5:获取股四头肌和股二头肌各自的融合肌电信号
对股四头肌和股二头肌各自配置下肢膝关节不同运动阶段对应的模型策略,并利用损失函数最小二乘搜索参数法将不同运动阶段配置模型获得的肌电信号融合,最终得到获取股四头肌和股二头肌各自的融合肌电信号;
所述下肢膝关节不同运动阶段包括膝关节伸展阶段、膝关节伸展回归至初始静息位置阶段、膝关节屈曲阶段、膝关节屈曲回归至初始静息位置阶段,其中膝关节伸展和膝关节伸展回归至初始静息位置阶段中主动肌为股四头肌,膝关节屈曲和膝关节屈曲回归至初始静息位置阶段中主动肌为股二头肌。
所述的下肢膝关节不同运动阶段对应的模型策略为:
1)针对股四头肌,膝关节伸展阶段包含意图控制、主动肌力控制和肌肉长度控制,故对股四头肌配置肌纤维募集模型,逆hill肌力模型以及肌梭反馈模型;膝关节伸展回归至初始静息位置阶段处于意图放松阶段,故对股四头肌配置逆hill肌力模型和肌梭反馈模型;膝关节屈曲阶段和膝关节屈曲回归至初始静息位置阶段,由于股四头肌不再是主动肌,故对股四头肌只配置与肌肉长度相关的肌梭反馈模型。
2)针对股二头肌,膝关节屈曲阶段包含意图控制、主动肌力控制和肌肉长度控制,故对股二头肌配置肌纤维募集模型,逆hill肌力模型以及肌梭反馈模型;膝关节屈曲回归至初始静息位置阶段处于意图放松阶段,故对股二头肌配置逆hill肌力模型和肌梭反馈模型;膝关节伸展阶段和膝关节伸展回归至初始静息位置阶段,由于股二头肌不是主动肌,故对股二头肌只配置与肌肉长度相关的肌梭反馈模型。
步骤6:对股四头肌和股二头肌的融合肌电信号与白噪声进行融合,得到下肢的最终肌电信号。
作为优选,对上述肌纤维募集模型,逆hill肌力模型以及肌梭反馈模型的各参数进行损失函数最小二乘参数搜索法优化,各参数包括肌纤维募集模型中的k,i和w1,以及逆hill肌力模型中的A,fe(r)和w2,以及肌梭反馈模型中的KM。
其中损失函数形如:
S(t)=min[semg(t1)-u1(t1)]+min[semg(t2)-u2(t2)]+min[semg(t3)-u3(t3)]
其中semg表示表面肌电信号,u1表示肌纤维募集模型的意图相关肌电,u2表示逆hill肌力模型的肌力相关肌电,u3表示肌梭反馈模型的肌长度相关肌电;若获取的是股四头肌肌电,t1表示膝关节伸展阶段,t2表示膝关节伸展和膝关节伸展回归至初始静息位置阶段,t3表示膝关节屈曲和膝关节屈曲回归至初始静息位置阶段;若获取的是股二头肌肌电,t1表示膝关节屈曲阶段,t2表示膝关节屈曲和膝关节屈曲回归至初始静息位置阶段,t3表示膝关节伸展和膝关节伸展回归至初始静息位置阶段。
作为优选,为了进一步减小肌电的拟合误差,所述白噪声采采用15次多项式拟合肌电信号,随后使用肌电信号与该15次多项式相除即可。
本发明的另一个目的是提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述的方法。
本发明的又一个目的是提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述的方法。
本发明的有益效果是:
本发明使用三种具有生理意义且拟合系数较少(或具有范围限制)的肌纤维募集模型、逆hill肌力模型、肌梭反馈模型,使用不同运动阶段配置不同模型的策略以及在搜索系数时根据膝关节的运动特点使用特制的损失函数将三种模型融合,构建一个具有生理意义、全面性、子模型在功能上能“各司其职”的关节角度-肌电模型。
附图说明
图1为本发明的具体流程图;
图2为膝关节不同运动阶段示意图;(a)为膝关节伸展阶段、(b)为膝关节伸展回归至初始静息位置阶段、(c)为膝关节屈曲阶段、(d)为膝关节屈曲回归至初始静息位置阶段;
图3为股四头肌肌电拟合图;
图4为股二头肌肌电拟合图。
具体实施方式
下面结合附图对本发明的具体具体实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方案和具体的操作过程。单本发明的保护范围不限于下述的实施例。
如图1,本发明方法的实施例主要包括以下步骤
步骤一,设计膝关节运动实验且采集数据:让实验者先保持坐姿平衡,然后做出膝关节伸展运动,再返回至坐姿平衡状态,随后接着进行膝关节屈曲运动,最后再次返回平衡状态。做完一个轮回后,让受试者休息5分钟,以免发生肌肉疲劳而对实验结果产生影响。图2为膝关节不同运动阶段示意图;(a)为膝关节伸展阶段、(b)为膝关节伸展回归至初始静息位置阶段、(c)为膝关节屈曲阶段、(d)为膝关节屈曲回归至初始静息位置阶段。共计让受试者做5个轮回。在这个过程中,采集实验对象身高、体重、初始静息肌肉长度以及其在膝关节运动过程中的角度信息,同时为了拟合实验者在膝关节运动过程中主动肌肌电情况,还需要采集实验者的股四头肌和股二头肌的肌电。实验肌电设备选用8通道博瑞康无线肌电采集设备,采样频率为1000hz;角度传感器为维特智能九轴角度传感器记录仪,采集频率为200hz;对采集的肌电进行10-450hz滤波,整流以及提取包络处理。
步骤二,依据肌纤维募集模型,逆hill模型,肌梭反馈模型,分别求得意图相关肌电,肌力相关肌电,和肌肉长度相关肌电。保留待定系数,包括包括肌纤维募集模型中的k,i和w1,以及逆hill肌力模型中的A,fe(r)和w2,以及肌梭反馈模型中的KM。
步骤三,使用含有损失函数的最小二乘搜索法搜索步骤二中的所有待定系数。在拟合肌电的过程中需要套用配置策略,即在股四头肌拟合过程中,伸展阶段配置三个模型,伸展回归阶段配置逆hill肌力模型和肌梭反馈模型,在屈曲和屈曲回归配置肌梭反馈模型;在股二头肌拟合过程中,屈曲阶段配置三个模型,屈曲回归阶段配置逆hill肌力模型和肌梭反馈模型,在伸展和伸展回归配置肌梭反馈模型。当所有待定系数都已经确定时,此时就可以得到缺乏白噪声的肌电信号,如图3和图4。
从图3(股四头肌肌电拟合图)中可以看出:较粗实线表示肌梭反馈模型拟合的结果,其中肌梭反馈模型与肌肉长度息息相关,所以较粗实线所表示的结果为由肌肉长度变化所导致的被动肌力,特别是屈曲以及屈曲回归阶段,股四头肌已经作为协同肌,不再对关节运动施加力的作用,并且此时股二头肌作为主动肌需要对关节施加力的作用,而股四头肌要根据关节的角度变化和维持身体姿势而使自身长度发生变化,不可避免产生被动肌力,该解释与较粗实线在肌电图上的拟合结果相一致;
较细实线表示逆hill肌力模型拟合的结果,其中逆hill肌力模型与主动肌力息息相关,所以较细实线所表示的结果为由主动肌力所导致的肌电图,比较伸展、伸展回归阶段和屈曲、屈曲回归阶段,前者股四头肌作为主动肌,后者股四头肌作为协同肌,经过较粗实线拟合过后,后者基本没有多余能量拟合逆hill肌力模型,而前者能够拟合逆hill肌力模型且拟合能量比逆hill肌力模型高,而在伸展、伸展回归阶段,股四头肌除了肌肉长度变化所产生的的肌电外,还有对外施力的主动力矩,相反在屈曲、屈曲回归阶段,股四头肌不再对外施力,只有肌肉长度随关节角度而变化产生的肌力,该解释与较细实线在肌电图上的拟合结果相一致;
虚线表示肌纤维募集模型拟合的结果,其中肌纤维募集模型与意图息息相关,所以红色曲线所表示的结果为由意图所驱动的肌电图,比较伸展和伸展回归阶段,前者需要被试者进行意图控制,而后者将腿放下的阶段被试者属于放松状态运动意图低下,则说明经过两条实线拟合过后,伸展阶段应该还有多余能量与意图模型拟合,而回归阶段则没有,这与肌电图拟合结果相一致。在屈曲回归和屈曲阶段,主动肌为股二头肌,被试者意图应施加在股二头肌上与股四头肌肌电无关,所以屈曲和屈曲回归阶段股四头肌只有肌梭反馈模型肌电,该解释与虚线在肌电图上的拟合结果相一致。至此,模型中的生理意义已经得到外在展现,股二头肌的拟合结果与股四头肌类似。
步骤四,在原始肌电信号上提取白噪声,并且将其融合在预测的信号上,具体提取白噪声方法为:先用15次多项式的光滑曲线拟合原始信号,然后将原始信号与15次多项式进行相除。最后将预测的信号与刚刚相除的增益想乘即为最终的预测肌电信号。此时预测肌电信号已经十分接近原始肌电信号。最终实验结果选用均方根误差(RMSE)值作为拟合效果定量评价分析,它表达的是估计肌电信号与实测肌电信号之间偏差的平方与观测点个数的比值的平方根,可反映出整个肌肉收缩发力过程中,估计肌电与实际肌电的偏差程度,RMSE值越小,则说明估计的肌电与实测肌电越接近,也就是说明了肌电模拟的精度越高。最终结果如表3显示,其中股四头肌的平均rmse值为1.28%,拟合特性高;股二头肌的平均rmse值为2.24%,拟合特性高。实验结果表明,利用生物动力学模型对膝关节运动过程中主动肌肌电进行模拟有着全面性,具有生理意义,误差低,拟合效果好,子模型稳定且“各司其职”等优点。
表1各个模型主动肌肌电拟合RMSE值
肌肉 | 意图-肌电 | 肌力-肌电 | 肌肉长度-肌电 | 三模型融合 |
股四头肌 | 3.53% | 2.25% | 12.36% | 1.28% |
股二头肌 | 3.96% | 3.69% | 10.96% | 2.24% |
上述实施例并非是对于本发明的限制,本发明并非仅限于上述实施例,只要符合本发明要求,均属于本发明的保护范围。
Claims (9)
1.一种基于生物动力学的下肢膝关节主动肌肌电拟合方法,其特征在于该方法具体包括以下步骤:
步骤1:采集被试者身高、体重、初始静息肌肉长度以及其在运动过程中的膝关节角度信息和表面肌电信号;
步骤2:构建肌纤维募集模型,以膝关节角度信息为输入,获取意图相关肌电信号;
步骤3:构建逆hill肌力模型,以通过身高、体重和膝关节角度信息获取运动过程中产生的有用力矩为输入,获取肌力相关肌电信号;
所述的逆hill肌力模型是将原有hill肌力模型中的肌电-激活信号、激活信号-肌力部分逆转成肌力-激活信号、激活信号-肌电部分。
步骤4:构建肌梭反馈模型,以通过初始静息肌肉长度和膝关节角度求得运动过程中主动肌的肌肉长度为输入,获取肌长度相关肌电信号;
步骤5:获取股四头肌和股二头肌各自的融合肌电信号
对股四头肌和股二头肌各自配置下肢膝关节不同运动阶段对应的模型策略,并利用损失函数最小二乘搜索参数法将不同运动阶段配置模型获得的肌电信号融合,最终得到获取股四头肌和股二头肌各自的融合肌电信号;
所述下肢膝关节不同运动阶段包括膝关节伸展阶段、膝关节伸展回归至初始静息位置阶段、膝关节屈曲阶段、膝关节屈曲回归至初始静息位置阶段,其中膝关节伸展和膝关节伸展回归至初始静息位置阶段中主动肌为股四头肌,膝关节屈曲和膝关节屈曲回归至初始静息位置阶段中主动肌为股二头肌。
所述的下肢膝关节不同运动阶段对应的模型策略为:
1)针对股四头肌,膝关节伸展阶段包含意图控制、主动肌力控制和肌肉长度控制,故对股四头肌配置肌纤维募集模型,逆hill肌力模型以及肌梭反馈模型;膝关节伸展回归至初始静息位置阶段处于意图放松阶段,故对股四头肌配置逆hill肌力模型和肌梭反馈模型;膝关节屈曲阶段和膝关节屈曲回归至初始静息位置阶段,由于股四头肌不再是主动肌,故对股四头肌只配置与肌肉长度相关的肌梭反馈模型。
2)针对股二头肌,膝关节屈曲阶段包含意图控制、主动肌力控制和肌肉长度控制,故对股二头肌配置肌纤维募集模型,逆hill肌力模型以及肌梭反馈模型;膝关节屈曲回归至初始静息位置阶段处于意图放松阶段,故对股二头肌配置逆hill肌力模型和肌梭反馈模型;膝关节伸展阶段和膝关节伸展回归至初始静息位置阶段,由于股二头肌不是主动肌,故对股二头肌只配置与肌肉长度相关的肌梭反馈模型。
步骤6:对股四头肌和股二头肌的融合肌电信号与白噪声进行融合,得到下肢的最终肌电信号。
2.根据权利要求1所述的一种基于生物动力学的下肢膝关节主动肌肌电拟合方法,其特征在于所述损失函数为:
S(t)=min[semg(t1)-u1(t1)]+min[semg(t2)-u2(t2)]+min[semg(t3)-u3(t3)]
其中semg表示表面肌电信号,u1表示肌纤维募集模型的意图相关肌电,u2表示逆hill肌力模型的肌力相关肌电,u3表示肌梭反馈模型的肌长度相关肌电;若获取的是股四头肌肌电,t1表示膝关节伸展阶段,t2表示膝关节伸展和膝关节伸展回归至初始静息位置阶段,t3表示膝关节屈曲和膝关节屈曲回归至初始静息位置阶段;若获取的是股二头肌肌电,t1表示膝关节屈曲阶段,t2表示膝关节屈曲和膝关节屈曲回归至初始静息位置阶段,t3表示膝关节伸展和膝关节伸展回归至初始静息位置阶段。
3.根据权利要求1所述的一种基于生物动力学的下肢膝关节主动肌肌电拟合方法,其特征在于所述肌纤维募集模型用以表征肌肉纤维的募集和激活过程,以获取与意图相关的肌电信号;所述肌纤维募集模型以下肢运动过程中目标位置膝关节角度和当前位置膝关节角度的偏差作为调整运动的意图输入,其过程形如:
RTE(i)=eα·i,α=k·AE 式(1)
其中RTE表示当前时刻运动神经单元募集数量,i表示募集运动神经单元的指数系数,k表示拟合系数,α表示标量化的神经意图,AE表示下肢运动过程中目标位置膝关节角度和当前位置膝关节角度的偏差;
假设同一动作下运动神经单元募集的类型基本一致,运动神经单元放电增益都为w1,则RTE与增益w1的乘积就是最终的意图意图肌电:
u(t)=w1·RTE(i) 式(2)
下肢运动过程中目标位置膝关节角度和当前位置膝关节角度的偏差AE用以表示调整动作的意图,通过如下式角度公式求得:
AE=At+n+At-n-2At 式(3)
其中At为t时刻的膝关节角度,At+n为t+n时刻的膝关节角度,At-n为t-n时刻的膝关节角度。
6.根据权利要求1所述的一种基于生物动力学的下肢膝关节主动肌肌电拟合方法,其特征在于所述的逆hill肌力模型以有用力矩作为输入,将逆hill模型分为肌力-激活信号、激活信号-肌电两部分;
所述肌力-激活信号形如:
a(t)fe(r)+fp(r)=Lθ/Lmax 式(6)
其中fe(r)表示肌肉主动收缩部分的系数,fp(r)表示肌肉被动收缩部分系数,Lmax表示有用力矩最大值,Lθ/Lmax为归一化的力矩信号,a(t)表示t时刻所获得的激活信号,经过化简可得:
a(t)=Lθ/[Lmax·fe(r)] 式(7)
所述激活信号-肌电部分将获得激活信号转化成肌电信号,步骤如下式所示:
u(t)=w2·ln[a(t)·(eA-1)+1]/A 式(8)
其中u(t)为t时刻的肌力相关肌电信号,w2为归一化肌电信号与真实信号的拟合关系系数,A是非线性参数,取值范围为-3至0。
7.根据权利要求1所述的一种基于生物动力学的下肢膝关节主动肌肌电拟合方法,其特征在于所述的肌梭反馈模型使用肌肉长度变化信号作为肌肉纤维中肌梭器官的输入,肌梭器官信号反馈方程作为肌梭的处理和响应方式,既可以得到与肌肉长度相关的肌电信号,最终计算出与肌肉长度相关的肌梭反馈模型的反馈信号,其过程形如:
MI-MI0=KMvn(LM-LM0)
其中MI为肌梭反馈信号,LM为肌肉长度,MI0、LM0分别为初始静息状态下肌梭反馈信号和肌肉长度,vn为肌肉长度变化速度对肌梭反馈信号的影响,n通常取0.3,KM为需最小二乘参数搜索法处理的待定系数。
8.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
9.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414297.2A CN113990441B (zh) | 2021-11-25 | 一种基于生物动力学的下肢膝关节主动肌肌电拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414297.2A CN113990441B (zh) | 2021-11-25 | 一种基于生物动力学的下肢膝关节主动肌肌电拟合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113990441A true CN113990441A (zh) | 2022-01-28 |
CN113990441B CN113990441B (zh) | 2024-06-28 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115363606A (zh) * | 2022-08-26 | 2022-11-22 | 左点实业(湖北)有限公司 | 一种盆底肌与腹肌协调性分析方法、装置和设备 |
CN115985465A (zh) * | 2023-03-21 | 2023-04-18 | 天津医科大学总医院 | 基于时序的肌电信号特征提取方法、装置、设备及存储介质 |
CN117860531A (zh) * | 2024-03-11 | 2024-04-12 | 天津市天津医院 | 一种基于肌电生物反馈的脊髓损伤康复装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619488B (zh) * | 2017-01-19 | 2018-04-01 | 國立勤益科技大學 | 下肢外骨骼輔助裝置及其方法 |
CN108154913A (zh) * | 2017-12-29 | 2018-06-12 | 北京精密机电控制设备研究所 | 一种康复训练参数确定方法、装置、电子设备及系统 |
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 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI619488B (zh) * | 2017-01-19 | 2018-04-01 | 國立勤益科技大學 | 下肢外骨骼輔助裝置及其方法 |
CN108154913A (zh) * | 2017-12-29 | 2018-06-12 | 北京精密机电控制设备研究所 | 一种康复训练参数确定方法、装置、电子设备及系统 |
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 |
Non-Patent Citations (3)
Title |
---|
李扬政;李建华;吴方超;: "基于不同角度的桥式运动表面肌电特征分析", 中国运动医学杂志, no. 04, 25 April 2019 (2019-04-25) * |
李翰君;刘卉;张新;于冰;: "基于肌电和优化方法的关节肌力分布模型", 中国运动医学杂志, no. 10, 25 October 2014 (2014-10-25) * |
秦戈郁;秦现生;张顺琦;白晶;王战玺;: "人体下肢行走运动特征及肌肉肌腱参数研究", 载人航天, no. 06, 15 December 2017 (2017-12-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115363606A (zh) * | 2022-08-26 | 2022-11-22 | 左点实业(湖北)有限公司 | 一种盆底肌与腹肌协调性分析方法、装置和设备 |
CN115985465A (zh) * | 2023-03-21 | 2023-04-18 | 天津医科大学总医院 | 基于时序的肌电信号特征提取方法、装置、设备及存储介质 |
CN115985465B (zh) * | 2023-03-21 | 2023-07-07 | 天津医科大学总医院 | 基于时序的肌电信号特征提取方法、装置、设备及存储介质 |
CN117860531A (zh) * | 2024-03-11 | 2024-04-12 | 天津市天津医院 | 一种基于肌电生物反馈的脊髓损伤康复装置 |
CN117860531B (zh) * | 2024-03-11 | 2024-05-14 | 天津市天津医院 | 一种基于肌电生物反馈的脊髓损伤康复装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | A review on the advancements in the field of upper limb prosthesis | |
Wang et al. | sEMG-based consecutive estimation of human lower limb movement by using multi-branch neural network | |
CN110675933A (zh) | 一种手指镜像康复训练系统 | |
Zhang et al. | Fuzzy inference system based automatic Brunnstrom stage classification for upper-extremity rehabilitation | |
Tang et al. | Continuous estimation of human upper limb joint angles by using PSO-LSTM model | |
CN110339024A (zh) | 下肢外骨骼机器人及其实时步态切换方法及存储装置 | |
Eslamy et al. | Synergy-based Gaussian process estimation of ankle angle and torque: conceptualization for high level controlling of active robotic foot prostheses/orthoses | |
CN109758336A (zh) | 一种利用患者患侧sEMG进行主动康复治疗的控制方法 | |
Favieiro et al. | Adaptive neuro-fuzzy logic analysis based on myoelectric signals for multifunction prosthesis control | |
Cai et al. | A motor recovery training and evaluation method for the upper limb rehabilitation robotic system | |
KR20170098058A (ko) | 생체인식기반 맞춤형 재활 시스템 | |
Bueno et al. | Human-robot cognitive interaction | |
Li et al. | Joint torque closed-loop estimation using NARX neural network based on sEMG signals | |
Zhou et al. | sEMG-driven functional electrical stimulation tuning via muscle force | |
CN113990441B (zh) | 一种基于生物动力学的下肢膝关节主动肌肌电拟合方法 | |
Nia et al. | Reinforcement learning-based grasp pattern control of upper limb prosthetics in an AI platform | |
CN113990441A (zh) | 一种基于生物动力学的下肢膝关节主动肌肌电拟合方法 | |
Sharma et al. | Feature extraction and classification of surface EMG signals for robotic hand simulation | |
Sun et al. | A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement | |
Triwiyanto et al. | Investigation of Electrode Location to Improve the Accuracy of Wearable Hand Exoskeleton Trainer Based on Electromyography | |
Li et al. | sEMG based joint angle estimation of lower limbs using LS-SVM | |
Guo et al. | A novel fuzzy neural network-based rehabilitation stage classifying method for the upper limb rehabilitation robotic system | |
Schiaffino et al. | Position control with PID regulation for a FES system: preliminary results | |
Durandau et al. | Toward a unified framework for EMG signals processing and controlling an exoskeleton | |
CN110633644A (zh) | 基于肌电小波包分解和gabp的人体关节角度预测方法 |
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 |