CN114733160B - 一种基于肌电信号的肌力训练设备控制方法 - Google Patents

一种基于肌电信号的肌力训练设备控制方法 Download PDF

Info

Publication number
CN114733160B
CN114733160B CN202210392344.6A CN202210392344A CN114733160B CN 114733160 B CN114733160 B CN 114733160B CN 202210392344 A CN202210392344 A CN 202210392344A CN 114733160 B CN114733160 B CN 114733160B
Authority
CN
China
Prior art keywords
moment
training
joint
signal
myoelectric
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.)
Active
Application number
CN202210392344.6A
Other languages
English (en)
Other versions
CN114733160A (zh
Inventor
李玉榕
刘强
陈建国
杜民
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 CN202210392344.6A priority Critical patent/CN114733160B/zh
Publication of CN114733160A publication Critical patent/CN114733160A/zh
Application granted granted Critical
Publication of CN114733160B publication Critical patent/CN114733160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B23/00—Exercising apparatus specially adapted for particular parts of the body
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B23/00—Exercising apparatus specially adapted for particular parts of the body
    • A63B23/035—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
    • A63B24/0087—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load
    • A63B2024/0096—Electric or electronic controls for exercising apparatus of groups A63B21/00 - A63B23/00, e.g. controlling load using performance related parameters for controlling electronic or video games or avatars
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/30—Speed
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/30—Speed
    • A63B2220/34—Angular speed
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B2220/00—Measuring of physical parameters relating to sporting activity
    • A63B2220/50—Force related parameters
    • A63B2220/54—Torque

Landscapes

  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rehabilitation Tools (AREA)
  • Prostheses (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于肌电信号的肌力训练设备控制方法。将实时采集到的肌电信号经过滤波，放大，特征值提取后通过动态循环神经网络进行关节力矩预测。在等速和等张训练中，预测力矩作为控制信号驱动肌力训练设备运动；在等长模式中，预测的力矩作为肌肉发力方向的指令信号；在被动训练中，利用用户在发生肌肉痉挛时肌张力升高的特点，对关节力矩阻力矩进行实时预测，当预测阻力矩大于设定阈值时肌力训练设备停止，从而达到痉挛保护的目的。本发明利用肌电信号超前预测力矩作为控制信号，解决了以力矩传感器采集的力矩值作为控制信号驱动肌力训练设备的滞后性。同时保证了预测精度，又实现了预测的快速性，以及提高肌力训练设备的安全性。

Description

一种基于肌电信号的肌力训练设备控制方法
技术领域
本发明涉及一种基于肌电信号的肌力训练设备控制方法。
背景技术
截至2020年底，我国60周岁及以上老年人数量达到2.64亿，占总人口的18.7％，随着人口老龄化的增长，越来越多老年人的肌力水平逐渐减弱，甚至影响到肢体的运动功能。肌力训练是指通过选择合适的训练方法对受试者的关节进行训练，达到改善肌肉力量和耐力的目的。适当性的进行一些肌力训练，可以增强肢体功能障碍老年人的活动能力，提高老年人的生活质量。
目前市场上大多数肌力训练设备能够实现等速，等长，等张和被动训练。发明专利CN201810660563.1的控制方法是通过电阻应变片来检测肢体的肌力方向和大小，再传递给控制板，由控制板控制伺服驱动器驱动电机输出和肢体等大反向的作用力来维持等速运动。发明专利CN202010901660.2通过全桥应变片电阻的变化采集关节扭矩值，经过处理器处理，作为伺服系统的控制信号实现等速训练，且该专利考虑到肢体与关节配件重力对扭矩采样的影响，通过电机输出力来抵消这部分重力的影响，提高控制精度。发明专利CN202010318857.3主动训练的控制方式是将扭矩传感器采集到的信号，传输到单片机，后由单片机控制伺服系统输出相应速度或扭矩，而在被动训练时训练系统则是输出恒定转速带动人体关节运动。目前大多数肌力训练设备的控制信号是基于力矩传感器检测的关节力矩值进行控制，从关节力矩的产生原理可知，传感器检测到的关节力矩信号是由肌肉收缩力而产生的，滞后于大脑的主动运动意愿，加上信号处理和电机变速所需的时间，使得肌力训练设备辅助产生的关节运动相对滞后，在用户体验感上相对较差。另一方面，肌肉痉挛在肌力训练中时有发生，其表现主要包括肌张力升高、肌肉僵硬、抽搐性痉挛等症状。尤其是在被动训练时，肌力训练设备若不能在患者发生痉挛时停止，可能会给患者带来二次伤害。
肌电信号(Electromyography,EMG)是神经系统产生的神经冲动通过神经传递到神经末梢时，肌纤维膜电位发生变化产生的动作电位叠加形成的一种非平稳的微弱信号。肌电信号的出现大约提前于肌肉实际收缩30-150ms。肌电信号在一些康复训练中主要作为评估手段，而很少利用肌电信号作为控制信号驱动肌力训练设备辅助人体关节动作。由于肌电信号的超前性，因此在实际控制中有足够的时间通过肌电信号计算力矩控制量并让康复设备产生动作。所以在主动训练中，可以利用肌电信号超前预测的力矩作为控制信号或指令信号驱动动力头辅助关节运动。在被动模式中，通过肌电信号实时预测阻力矩实现痉挛检测，达到痉挛保护的目的。
发明内容
本发明的目的在于提供一种基于肌电信号的肌力训练设备控制方法，通过实时采集肌电信号后进行预处理，特征值提取和关节力矩预测，在等速和等张训练中，预测力矩作为控制信号驱动肌力训练设备运动。在等长模式中，预测的力矩作为肌肉发力方向的指令信号。在被动训练中，利用用户在发生肌肉痉挛时肌张力升高的特点，对关节力矩阻力矩进行实时预测，当预测阻力矩大于设定阈值时电机停止，从而达到快速停止的目的。肌电信号超前预测力矩作为控制信号的方式，解决了以力矩传感器采集的力矩值作为控制信号驱动肌力训练设备的滞后性。动态循环神经网络离线训练和在线预测相结合的方式即保证了预测精度，又实现了预测的快速性。在被动训练中加入痉挛保护，进一步提高肌力训练设备的安全性。且基于肌电信号可连续预测人体运动的特点，为电机控制提供连续的控制信号，使变速更柔顺，使肌力训练设备辅助运动更符合人体运动特点。
为实现上述目的，本发明的技术方案是：一种基于肌电信号的肌力训练设备控制方法，将实时采集到的肌电信号经过预处理后通过动态循环神经网络进行关节力矩预测；在等速训练和等张训练中，预测的关节力矩作为控制信号驱动肌力训练设备运动；在等长训练中，预测的关节力矩作为肌肉发力方向的指令信号；在被动训练中，对关节力矩的阻力矩进行实时预测，当预测阻力矩大于设定阻力矩阈值时肌力训练设备停止。
在本发明一实施例中，将实时采集到的肌电信号经过预处理的方式为：利用肌电信号传感器和力矩传感器采集肱二头肌和肱三头肌屈伸过程中的肌电信号和相应关节的力矩信号，并进行放大、滤波、特征值提取的预处理；滤波过程为肌电信号经过IIR工频限波器滤除50Hz工频干扰；特征值提取过程为对滤波后肌电信号利用滑动窗口的方法计算特征值，其公式为：
Figure BDA0003595813150000021
其中，x(i)表示滤波后的肌电信号，iEMG表示肌电信号积分值，能够反映肌电信号的连续幅值变化。
在本发明一实施例中，所述通过动态循环神经网络进行关节力矩预测具体实现过程如下：
利用控制肘关节运动的一对拮抗肌即肱二头肌和肱三头肌的肌电信号sEMG和力矩信号实际值建立NARX神经网络力矩预测模型，其简化的函数模型如下：
Figure BDA0003595813150000022
Figure BDA0003595813150000023
为关节力矩预测值，Tk表示k时刻检测的力矩信号，k表示k时刻，nu和与ny分别表示力矩预测模型的输入、输出阶次，uk＝[a1,k,a2,k]T表示NARX神经网络力矩预测模型的输入，a1,k和a2,k分别为e1,k和e2,k经特征值处理计算出的特征值，e1,k和e2,k分别为经过放大、滤波处理后的肱二头肌和肱三头肌的肌电信号sEMG；
基于肱二头肌和肱三头肌的肌电信号sEMG和力矩信号训练NARX神经网络力矩预测模型，得到基于NARX模型的动态循环神经网络DRNN，其表达式为：
Figure BDA0003595813150000031
其中，ui表示输入的第i个元素，ωij为输入层第i个神经元映射到隐含层第j个神经元的权值，θi为第i个输入神经元的偏置，δj为隐含层第j个神经元映射到模型输出节点的权重，
Figure BDA0003595813150000032
为输出层的偏置，i＝1,2,...,m，j＝1,2,...,n，m表示输入神经元数，n表示隐含层的节点个数。
在本发明一实施例中，所述肌力训练设备包括伺服驱动器、伺服电机、减速机构、输出动力头和关节配件，控制器通过PWM模块输出脉冲信号作为伺服驱动器的控制指令信号，伺服驱动器驱动伺服电机运动，伺服电机输出速度经过减速机构66:1减速后带动输出动力头转动，输出动力头带动关节配件摆动完成关节训练。
在本发明一实施例中，在等张训练中，以基于肌电信号预测的关节力矩，作为肌力训练设备的运动指令；等张模式开始训练前在设置启动关节力矩阈值，预测关节力矩超过设定启动关节力矩阈值时开始运动，预测关节力矩越大输出动力头运动越快，输出动力头力矩根据信号采样频率出每1ms改变一次，在实际运用过程中为离散输出，Tpredict表示预测关节力矩，Tresist表示设置阻力矩，两者之差Tresultant表示实际输出力矩；
在加速过程中，角加速度β由以下公式得出：
Tresultant＝Jβ
在减速过程中，角加速度β由以下公式得出：
Tresultant-Tmax＝Jβ
其中Tmax表示当前运动过程中的峰值关节力矩，J为转动惯量，计算出角加速度后，转换成脉冲信号运用于肌力训练设备的控制中。
在本发明一实施例中，在等速训练中，以基于肌电信号预测的关节力矩，作为肌力训练设备的运动指令；在等速训练中，设置速度阈值，当受试者转动的速度大于所设定的速度阈值即最大转速时，以最大转速恒速转动，其中Wmax表示速度设定阈值，β表示在加减速的过程中角加速度的大小；通过预测关节力矩计算出加减速过程中的角加速度大小，控制输出动力头转动速度，当到达设定速度阈值时输出恒定角速度，转换成脉冲信号运用于肌力训练设备的控制中。
在本发明一实施例中，在等长训练中，预测的关节力矩作为肌肉发力方向的指令信号；在等长训练开始前设置一个关节力矩阈值
Figure BDA0003595813150000041
，当预测关节力矩大于设置力矩阈值
Figure BDA0003595813150000042
时，蜂鸣器会发出提示音，受试者根据提示音换向发力，向另一个方向发力到达力矩阈值
Figure BDA0003595813150000043
后，发出提示音再换向发力，如此往复运动。
在本发明一实施例中，在被动训练中，设置好输出动力头的向心/离心速度和阻力矩阈值后，由肌力训练设备带动关节运动，开始训练后，对肌电信号实时检测并计算出此时的阻力矩；正常情况下，在被动训练时肌肉自主发力较小，若肌张力突增大于设定阈值时则判定为抽搐性痉挛的发生，控制伺服电机停止转动。
相较于现有技术，本发明具有以下有益效果：
本发明优势在于通过检测用户肌肉的肌电信号，实现关节力矩的超前预测，辅助用户屈伸关节；通过连续预测关节力矩作为控制信号提高了电机变速的柔顺度；且结合采集的力矩信号，提高模型预测精度；在被动训练中加入阻力矩预测进行痉挛检测，在检测到用户发生痉挛时快速停止辅助，达到痉挛保护的目的。本产品主要针对关节训练，可采用多种训练模式，并且通过更换外接件可以针对多个关节进行训练，
附图说明
图1为本发明肌电信号的采集流程；
图2为本发明NARX神经网络力矩预测模型；
图3为本发明肌力训练系统的动力模块；
图4为本发明控制器控制伺服电机过程；
图5为本发明等张训练中输出动力头力矩、角速度、角加速度变化图例；
图6为本发明等速训练中速度变化过程；
图7为本发明等长训练中力矩变化过程；
图8为本发明主动训练流程图；
图9为本发明被动训练流程图；
图10为本发明方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明一种基于肌电信号的肌力训练设备控制方法，将实时采集到的肌电信号经过预处理后通过动态循环神经网络进行关节力矩预测；在等速训练和等张训练中，预测的关节力矩作为控制信号驱动肌力训练设备运动；在等长训练中，预测的关节力矩作为肌肉发力方向的指令信号；在被动训练中，对关节力矩的阻力矩进行实时预测，当预测阻力矩大于设定阻力矩阈值时肌力训练设备停止。
以下为本发明具体实现过程。
如图10所示，本发明一种基于肌电信号的肌力训练设备控制方法，具体实现如下：
第一部分：肌电信号的采集与处理
因每个人的生理特性不同，肌电信号与关节力矩的变化轨迹也不同，所以不同用户在开始训练之前都需要预实验采集相关信号，为后续建模提供基础。以肘关节为例进行分析，肘关节的运动主要由肱二头肌和肱三头肌的协调收缩完成，肱三头肌主要负责肘关节的伸肘动作，肱二头肌主要负责肘关节的屈肘动作，所以要预测肘关节完整屈伸过程的力矩，至少需要肱二头肌和肱三头肌的肌电信号作为基础。
首先采集力矩预测模型训练时所需的肌电信号和力矩信号，该肌电信号的采集流程如图1所示，一组拮抗肌的双通道肌电信号经过滤波和放大，将原来±1.5mV微弱信号放大1000倍，输出的模拟信号通过STM32ADC模块转换成数字信号，保留在DMA(直接存储器)中，设置定时器中断频率为1000Hz，每隔1ms读取一次。在信号检测的过程中，最大的噪声源于50Hz的外界交流电工频干扰，肌电信号经过IIR工频限波器滤除50Hz工频干扰后进行特征值提取。IIR数字滤波器传递函数：
Figure BDA0003595813150000051
考虑到实际运用效果与单片机MCU算力，将M,N设计成二阶，借用Matlab的Fdatool滤波器设计工具直接生成相关系数，再通过IIR滤波器的直接II型实现方式翻译成C语言格式并应用于STM32平台。
滤波完成后，利用滑动窗口的方法计算特征值，滑动窗口的长度设为20个单位，每次平移一个单位，相当于每1ms计算一次特征值。力矩传感器的值通过CAN通信向控制器发送力矩信号，为保证信号同步，将读取频率都设在1000Hz。
特征值选取积分肌电值(iEMG)
Figure BDA0003595813150000061
其中x(i)表示滤波后的肌电信号，iEMG可以反映肌电信号的连续幅值变化，可以进一步表征肌肉收缩情况。
在肘关节训练过程中，将肌电信号积分值和关节力矩同步通过串口发送到上位机，通过串口调试助手将数据输出为Excel文件格式。
第二部分：力矩预测模型的离线训练
NARX是一个动态循环网络，通过利用带时序的输入和输出的非线性函数f来预测系统输出的当前值。OSA(One-step ahead)模型是基于输出的实际测量值的NARX模型，称为基于NARX模型的超前一步预测，OSA预测将前几个时刻输出的实际值纳入模型结构之中，预测的精度很高，适用于输出的实际测量值易采集并且对预测精度要求很高的场景。
本申请利用控制肘关节运动的一对拮抗肌(肱二头肌和肱三头肌)的sEMG信号和力矩实际值建立NARX神经网络力矩预测模型，如图2所示。其中e1,k和e2,k分别为经过预处理后的肱二头肌和肱三头肌的sEMG信号，分别经过特征值处理计算出特征值a1,k和a2,k，得到输入uk＝[a1,k,a2,k]T。NARX动态循环神经网络的输入为uk和传感器检测力矩Tk，输出为关节力矩预测值
Figure BDA0003595813150000062
k表示k时刻，Z-1表示前一单位时间的输入或者输出，nu和与ny分别表示模型的输入、输出阶次。
简化后的函数模型：
Figure BDA0003595813150000063
为防止输入值过大引起的神经元输出饱和现象，加快神经网络收敛。神经网络在训练前，输入数据都会经过归一化处理，再输入模型进行训练，后反归一化处理还原成原来的数量级。
归一化函数：
Figure BDA0003595813150000064
Figure BDA0003595813150000065
表示归一化前输入信号，
Figure BDA0003595813150000066
表示归一化前输入信号最大最小值，ui表示归一化后的输入信号。
反归一化函数：
Figure BDA0003595813150000071
Figure BDA0003595813150000072
表示反归一化前预测值，
Figure BDA0003595813150000073
表示反归一化前预测最大最小值，Tpredict表示反归一化后的预测值。
基于预实验采集到的肌电数据和关节力矩数据，在MATLAB中完成对多层前馈网络与NARX模型的训练，形成基于NARX模型的动态循环神经网络(Dynamic recurrent neuralnetwork,DRNN)，其表达式为：
Figure BDA0003595813150000074
其中ui表示模型输入的第i个元素，ωij为输入层第i个神经元映射到隐含层第j个神经元的权值，θi为第i个输入神经元的偏置(bias)，δj为隐含层第j个神经元映射到模型输出节点的权重，
Figure BDA0003595813150000077
为输出层的偏置，i＝1,2,...,m，j＝1,2,...,n，m表示输入神经元数，n表示隐含层的节点个数。
通过神经网络工具包离线训练单隐含层前馈神经网络，隐含层节点数设置为5，利用Levenberg-Marquardt算法训练优化网络。输入时序阶次Nx＝2，输出时序阶次Ny＝2，完成训练后导出参数模型，写成C语言程序运用于单片机平台。
第三部分：基于预测力矩的肌力训练控制系统实现方案.
肌力训练系统的动力模块如图3所示，包含伺服驱动器，伺服电机，减速机构，输出动力头和关节配件。控制器通过PWM模块输出脉冲信号作为伺服驱动的控制指令信号，伺服驱动器驱动电机运动，电机输出速度经过减速机构66:1减速后带动输出动力头转动，最后动力头带动关节配件摆动完成关节训练。
关节配件的结构如图3所示，关节配件以动力头O点为中心旋转，所以以O点为原点计算关节配件的转动惯量。
Figure BDA0003595813150000075
Figure BDA0003595813150000076
其中J为转动惯量，x表示关节配件上任意一点到O点的距离，λ表示关节配件线密度，m为关节配件质量，L为关节配件长度。
在下位机中利用训练好的参数模型，实时采集肌电信号和关节力矩后就可以实时预测关节力矩，预测出关节力矩之后需要将关节力矩信号转换为脉冲信号后，才能运用于伺服电机的控制之中。
首先根据输出力矩变换成输出角速度：
T＝Jβ
W＝W0+βt
其中β为角加速度，t为加速时间，W为输出动力头角速度。根据输出力矩变化频率，t取1ms，角速度单位为rad/s。
计算出角速度之后，再将角速度转换为对应的脉冲频率。
Figure BDA0003595813150000081
其中i表示减速比，X表示电机步进细分值，T表示步进弧度，f表示脉冲频率。
后通过单片机控制PWM调制脉冲，达到改变角速度的目的。
Figure BDA0003595813150000082
其中arr表示计数器自动重装值，psc表示预分频数，84MHz表示STM32407的时钟频率，通过设置arr，psc两个参数调制脉宽和控制脉冲的个数。
控制器控制伺服电机过程如图4所示，其中Sign表示电平翻转信号，其作用为控制电机旋转方向，Pulse表示为脉冲信号，其作用为控制电机速度和位移量。两路信号通过升压和转换成差分信号后，作为伺服系统的控制信号。在伺服驱动器接收脉冲信号前需要通过串口发送启动指令使伺服驱动器打开数字通道。电机的位置和速度通过A,B序列脉冲反馈给单片机，单片机通过捕获脉冲两列脉冲信号的上升沿来获取位置信息，速度信号和转向信息等。
具体实现方案：
等张训练要求由设备产生阻力矩进行训练，而且在整个训练过程中阻力矩保持不变。当受试者肌肉收缩产生的关节力矩大于设定的阻力矩，受试者关节开始运动。当受试者肌肉收缩产生的关节力矩小于设定的阻力矩，受试者关节停止运动。结合等张训练的特点，本申请通过肌电信号预测的关节力矩，作为肌力训练设备的运动指令。等张模式开始训练前在上位机设置启动阈值，预测力矩超过设定阈值时开始运动，预测力矩越大动力头运动越快，输出动力头力矩根据传感器的采样频率出每1ms改变一次，如图5所示，在实际运用过程中为离散输出，Tpredict表示归一化后的预测力矩，Tresist表示上位机设置阻力矩，两者之差Tresultant表示实际输出力矩。
在加速过程中，角加速度β由以下公式得出：
Tresultant＝Jβ
在减速过程中，角加速度β由以下公式得出：
Tresultant-Tmax＝Jβ
其中Tmax表示当前运动过程中的峰值力矩，计算出角加速度后，转换成脉冲信号运用于伺服系统的控制中。
等速训练要求训练装置允许受试者加速至但不超过每个方向所选择的最大转动速度，当受试者转动的速度大于所设定的最大转速时，以最大转速恒速转动。在等速训练中，不设置阻力矩，而是设置速度阈值，当受试者转动的速度大于所设定的最大转速时，以最大转速恒速转动。其速度变化过程如图6所示，其中Wmax表示上位机速度设定阈值，β表示在角加减速的过程中加速度的大小。本申请通过预测力矩计算出加减速过程中的角加速度大小，控制输出动力头转动角速度，当到达设定角速度阈值时输出恒定角速度。
等长训练要求关节保持静止，但要求肌肉向不同方向发力。所以在等长训练开始前设置一个力矩阈值，当预测力矩大于设置力矩时，蜂鸣器会发出提示音，用户根据提示音换向发力，向另一个方向发力到达阈值后，发出提示音再换向发力。本申请通过在上位机中设置力矩阈值
Figure BDA0003595813150000091
，利用肌肉等长收缩时产生肌电信号预测出关节力矩，当预测力矩到达设置阈值时蜂鸣器会发出提示音，此时用户主动换一个方向发力，如此往复运动，其过程如图7所示。
等速，等张，等长训练都属于主动训练，其流程图如图8所示，先通过预实验训练好神经网络更新模型，上位机设置好参数之后，肌肉主动发力开始运动，传感器采集信号预测出力矩后结合三种主动训练的特性控制伺服系统动作。
被动训练要求由设备带动受试者关节在设定的范围内保持设定的速度运动。当到达设定的次数后，设备自动停止运动。在被动训练中，其流程如图9所示，动力头的向心/离心速度由上位机设置，并根据患者的康复程度和临床症状在训练开始前通过设置阻力矩上限阈值，开始训练后，对肌电信号实时检测并计算出此时的阻力矩。正常情况下，在被动训练时肌肉发力较小，若肌张力突增大于设定阈值时则可以判定为抽搐性痉挛的发生，单片机定时器暂停脉冲输出，电机停止转动。
本发明方法应用产品实现方式如下：
第一步在预实验过程中，利用肌电信号传感器和力矩传感器采集肱二头肌和肱三头肌屈伸过程中的肌电信号和相应关节的力矩信号，并传输到下位机进行滤波和特征值处理。
第二步将下位机处理好的肌电信号和关节力矩通过串口调试助手输出成.xls后缀形式的Excel文件。导入到MATLAB中，完成模型训练。导出模型输入层到隐含层，隐含层到输出层之间的权，阈值矩阵后，替换神经网络函数系数。
第三步上位机设置关节运动的起点和终点，在等张训练中需要设置启动力矩阈值；在等速训练中需要设置速度阈值；在等长训练中需要设置力矩阈值，到阈值时触发换向提示音；在被动训练中需要设置阻力矩阈值和训练速度。设置完成之后按下启动键开始训练。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (7)

1.一种基于肌电信号的肌力训练设备控制方法，其特征在于，将实时采集到的肌电信号经过预处理后通过动态循环神经网络进行关节力矩预测；在等速训练和等张训练中，预测的关节力矩作为控制信号驱动肌力训练设备运动；在等长训练中，预测的关节力矩作为肌肉发力方向的指令信号；在被动训练中，对关节力矩的阻力矩进行实时预测，当预测阻力矩大于设定阻力矩阈值时肌力训练设备停止；
所述通过动态循环神经网络进行关节力矩预测具体实现过程如下：
利用控制肘关节运动的一对拮抗肌即肱二头肌和肱三头肌的肌电信号sEMG和力矩信号实际值建立NARX神经网络力矩预测模型，其简化的函数模型如下：
Figure FDA0003805468340000011
Figure FDA0003805468340000012
为关节力矩预测值，Tk表示k时刻检测的力矩信号，k表示k时刻，nu和与ny分别表示力矩预测模型的输入、输出阶次，uk＝[a1,k,a2,k]T表示NARX神经网络力矩预测模型的输入，a1,k和a2,k分别为e1,k和e2,k经特征值处理计算出的特征值，e1,k和e2,k分别为经过放大、滤波处理后的肱二头肌和肱三头肌的肌电信号sEMG；
基于肱二头肌和肱三头肌的肌电信号sEMG和力矩信号训练NARX神经网络力矩预测模型，得到基于NARX模型的动态循环神经网络DRNN，其表达式为：
Figure FDA0003805468340000013
其中，ui表示输入的第i个元素，ωij为输入层第i个神经元映射到隐含层第j个神经元的权值，θi为第i个输入神经元的偏置，δj为隐含层第j个神经元映射到模型输出节点的权重，
Figure FDA0003805468340000014
为输出层的偏置，i＝1,2,...,m，j＝1,2,...,n，m表示输入神经元数，n表示隐含层的节点个数。
2.根据权利要求1所述的一种基于肌电信号的肌力训练设备控制方法，其特征在于，将实时采集到的肌电信号经过预处理的方式为：利用肌电信号传感器和力矩传感器采集肱二头肌和肱三头肌屈伸过程中的肌电信号和相应关节的力矩信号，并进行放大、滤波、特征值提取的预处理；滤波过程为肌电信号经过IIR工频限波器滤除50Hz工频干扰；特征值提取过程为对滤波后肌电信号利用滑动窗口的方法计算特征值，其公式为：
Figure FDA0003805468340000015
其中，x(i)表示滤波后的肌电信号，iEMG表示肌电信号积分值，能够反映肌电信号的连续幅值变化。
3.根据权利要求1所述的一种基于肌电信号的肌力训练设备控制方法，其特征在于，所述肌力训练设备包括伺服驱动器、伺服电机、减速机构、输出动力头和关节配件，控制器通过PWM模块输出脉冲信号作为伺服驱动器的控制指令信号，伺服驱动器驱动伺服电机运动，伺服电机输出速度经过减速机构66:1减速后带动输出动力头转动，输出动力头带动关节配件摆动完成关节训练。
4.根据权利要求3所述的一种基于肌电信号的肌力训练设备控制方法，其特征在于，在等张训练中，以基于肌电信号预测的关节力矩，作为肌力训练设备的运动指令；等张模式开始训练前在设置启动关节力矩阈值，预测关节力矩超过设定启动关节力矩阈值时开始运动，预测关节力矩越大输出动力头运动越快，输出动力头力矩根据信号采样频率出每1ms改变一次，在实际运用过程中为离散输出，Tpredict表示预测关节力矩，Tresist表示设置阻力矩，两者之差Tresultant表示实际输出力矩；
在加速过程中，角加速度β由以下公式得出：
Tresultant＝Jβ
在减速过程中，角加速度β由以下公式得出：
Tresultant-Tmax＝Jβ
其中Tmax表示当前运动过程中的峰值关节力矩，J为转动惯量，计算出角加速度后，转换成脉冲信号运用于肌力训练设备的控制中。
5.根据权利要求3所述的一种基于肌电信号的肌力训练设备控制方法，其特征在于，在等速训练中，以基于肌电信号预测的关节力矩，作为肌力训练设备的运动指令；在等速训练中，设置速度阈值，当受试者转动的速度大于所设定的速度阈值即最大转速时，以最大转速恒速转动，其中Wmax表示速度设定阈值，β表示在加减速的过程中角加速度的大小；通过预测关节力矩计算出加减速过程中的角加速度大小，控制输出动力头转动速度，当到达设定速度阈值时输出恒定角速度，转换成脉冲信号运用于肌力训练设备的控制中。
6.根据权利要求3所述的一种基于肌电信号的肌力训练设备控制方法，其特征在于，在等长训练中，预测的关节力矩作为肌肉发力方向的指令信号；在等长训练开始前设置一个关节力矩阈值
Figure FDA0003805468340000021
当预测关节力矩大于设置力矩阈值
Figure FDA0003805468340000022
时，蜂鸣器会发出提示音，受试者根据提示音换向发力，向另一个方向发力到达力矩阈值T后，发出提示音再换向发力，如此往复运动。
7.根据权利要求3所述的一种基于肌电信号的肌力训练设备控制方法，其特征在于，在被动训练中，设置好输出动力头的向心/离心速度和阻力矩阈值后，由肌力训练设备带动关节运动，开始训练后，对肌电信号实时检测并计算出此时的阻力矩；正常情况下，在被动训练时肌肉自主发力较小，若肌张力突增大于设定阈值时则判定为抽搐性痉挛的发生，控制伺服电机停止转动。
CN202210392344.6A 2022-04-14 2022-04-14 一种基于肌电信号的肌力训练设备控制方法 Active CN114733160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210392344.6A CN114733160B (zh) 2022-04-14 2022-04-14 一种基于肌电信号的肌力训练设备控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210392344.6A CN114733160B (zh) 2022-04-14 2022-04-14 一种基于肌电信号的肌力训练设备控制方法

Publications (2)

Publication Number Publication Date
CN114733160A CN114733160A (zh) 2022-07-12
CN114733160B true CN114733160B (zh) 2022-10-18

Family

ID=82282425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210392344.6A Active CN114733160B (zh) 2022-04-14 2022-04-14 一种基于肌电信号的肌力训练设备控制方法

Country Status (1)

Country Link
CN (1) CN114733160B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115813710A (zh) * 2022-11-23 2023-03-21 北京社会管理职业学院(民政部培训中心) 一种膝关节助力训练器控制方法和膝关节助力训练器
CN116999773B (zh) * 2023-10-07 2023-12-22 南通鸿图健康科技有限公司 一种健身器材的自适应训练管理方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09276255A (ja) * 1996-04-18 1997-10-28 Mitsuhiko Hasegawa 逆解析手法による多関節筋力特性の測定法
CN101301250A (zh) * 2008-07-08 2008-11-12 哈尔滨工业大学 五自由度外骨骼式上肢康复机器人交互康复训练控制策略
CN101954169A (zh) * 2009-07-14 2011-01-26 常州市钱璟康复器材有限公司 一种肌力训练与测评装置及其方法
CN104337666A (zh) * 2014-11-05 2015-02-11 中山大学 多肌肉协同肌电反馈康复训练系统和方法
CN111259699A (zh) * 2018-12-02 2020-06-09 程昔恩 一种人体动作识别和预测方法及装置
CN111803099A (zh) * 2020-07-21 2020-10-23 上海海事大学 基于径向基神经网络的人体上肢肌肉力预测装置及方法
CN112232161A (zh) * 2020-09-30 2021-01-15 华中科技大学 一种基于肌电映射模型切换的复杂运动连续估计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09276255A (ja) * 1996-04-18 1997-10-28 Mitsuhiko Hasegawa 逆解析手法による多関節筋力特性の測定法
CN101301250A (zh) * 2008-07-08 2008-11-12 哈尔滨工业大学 五自由度外骨骼式上肢康复机器人交互康复训练控制策略
CN101954169A (zh) * 2009-07-14 2011-01-26 常州市钱璟康复器材有限公司 一种肌力训练与测评装置及其方法
CN104337666A (zh) * 2014-11-05 2015-02-11 中山大学 多肌肉协同肌电反馈康复训练系统和方法
CN111259699A (zh) * 2018-12-02 2020-06-09 程昔恩 一种人体动作识别和预测方法及装置
CN111803099A (zh) * 2020-07-21 2020-10-23 上海海事大学 基于径向基神经网络的人体上肢肌肉力预测装置及方法
CN112232161A (zh) * 2020-09-30 2021-01-15 华中科技大学 一种基于肌电映射模型切换的复杂运动连续估计方法

Also Published As

Publication number Publication date
CN114733160A (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114733160B (zh) 一种基于肌电信号的肌力训练设备控制方法
CN110653817A (zh) 一种基于神经网络的外骨骼机器人助力控制系统与方法
Ren et al. Deep learning based motion prediction for exoskeleton robot control in upper limb rehabilitation
CN105288933B (zh) 并联下肢康复机器人自适应训练控制方法及康复机器人
CN110038290B (zh) 一种肌力康复辅助装置
CN106110587B (zh) 基于人机合作的下肢外骨骼康复系统及方法
Ma et al. Design on intelligent perception system for lower limb rehabilitation exoskeleton robot
CN112842824B (zh) 一种用于下肢康复恢复的训练方法
CN106422172A (zh) 基于肌电的下肢康复训练系统跑步机速度自适应控制方法
CN114392137B (zh) 一种穿戴式柔性下肢助力外骨骼控制系统
Meng et al. An EMG-based force prediction and control approach for robot-assisted lower limb rehabilitation
CN114569144B (zh) 一种基于肌电-惯性传感的膝关节腱反射状态评估方法
CN105813011B (zh) 基于手机客户端的机械手装置临场感知信号检测方法
Chen et al. Neural network and fuzzy control in FES-assisted locomotion for the hemiplegic
CN116807457A (zh) 一种基于单肌电传感器的步态事件检测方法及系统
JP2611920B2 (ja) 運動技能学習装置
Tong et al. BP-AR-based human joint angle estimation using multi-channel sEMG
CN113476817B (zh) 一种基于神经网络算法的认知康复训练系统
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
JP3193656B2 (ja) 筋電信号生成装置
Vu et al. Smart mechatronic elbow brace using EMG sensors
Miyake et al. Gait training robot with intermittent force application based on prediction of minimum toe clearance
CN112440267A (zh) 一种基于惯性传感器的步态相识别方法
WO2017187658A1 (ja) 動作補助装置
Anwar et al. Estimation of angle based on EMG using ANFIS

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