CN115983037B - 肌肉协同约束的肌电和优化耦合的肌肉力计算方法 - Google Patents
肌肉协同约束的肌电和优化耦合的肌肉力计算方法 Download PDFInfo
- Publication number
- CN115983037B CN115983037B CN202310077881.6A CN202310077881A CN115983037B CN 115983037 B CN115983037 B CN 115983037B CN 202310077881 A CN202310077881 A CN 202310077881A CN 115983037 B CN115983037 B CN 115983037B
- Authority
- CN
- China
- Prior art keywords
- muscle
- emg
- moment
- myoelectricity
- parameters
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及生物力学技术领域,且公开了肌肉协同约束的肌电和优化耦合的肌肉力计算方法,包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim。该用于肌肉协同约束的肌电和优化耦合的肌肉力计算方法,通过使用校准良好的肌电驱动模型,以合理的可靠性预测未测量的肌肉兴奋,有助于解决从表面电极无法触及的深层肌肉收集肌电信号的困难,这对于使用肌电驱动的肌肉骨骼模型预测肌肉力时有着重要的作用,当肌电图数据收集有限时,该方法有助于评估康复或手术治疗后的人体神经肌肉控制和生物力学。
Description
技术领域
本发明涉及生物力学技术领域,具体为肌肉协同约束的肌电和优化耦合的肌肉力计算方法。
背景技术
生物力学领域对于肌肉收缩力问题研究的主流方法是通过优化计算,基于优化方法的肌力模型一般假设人体在某项运动中肌力分配方式唯一,且肌肉间以最高效方式运行,例如,可通过优化“能量消耗最小”、“关节面压力最小”等目标函数实现肌肉力分布计算。
然而,关节肌群这种复杂的超静定结构在没有实验测量的肌电信号(EMG)或者已知肌肉贡献比例的前提下,其优化解并不唯一,并且在主动肌和拮抗肌共收缩作用的影响下其结果往往失准,Sartori等人提出使用基于EMG驱动的肌力分布模型来解决以上问题,但是精确地确定肌电-肌力关系十分困难,主要原因有两个:一是很难精确得到单块肌电和肌力,二是很难确定肌电和肌力两种信号的时间差,Lloyd、李翰君提出肌电驱动和优化耦合的肌肉力分布计算模型,在EMG驱动的肌力模型基础上,将优化目标设为逆动力学计算得到的关节力矩与EMG正向动力学推导的关节力矩间误差。
针对部分肌群的肌电信号不能完全测量,一些研究者提出改进EMG和优化耦合模型,Sartori等人设计了EMG参与的优化模型,对于实验测得EMG信号的肌肉,其激活信号在优化过程中只进行微调,而未测量EMG信号的肌肉,其激活信号则完全通过静态优化过程获得。
但是,以上研究未对预测的肌肉激活模式的合理性进行验证,同时由于静态优化过程不考虑时间连续性,因此很可能得出与实际不符的、非连续的肌肉激活及肌力结果;针对这一问题,另外一部分学者通过引入肌肉协同概念,来辅助预测未能通过实验测量的肌肉激活模式,Bianco等人使用交叉验证的方法,利用8组已测肌肉信号预测了8组“未测”肌肉的激活状态,该方法的问题是在使用肌肉协同概念时,“未测”组肌肉在肌肉协同中权重系数均设为已知,这限制了该方法的应用范围。
本发明基于OpenSim肌骨模型,在考虑肌肉协同效应的基础上,将计算肌肉力的EMG驱动方法和优化方法结合,构建考虑肌肉协同约束下的EMG和优化耦合模型,以期得到较为准确的肌肉激活模式并计算得到相应的肌肉力。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了肌肉协同约束的肌电和优化耦合的肌肉力计算方法,具备校准良好的肌电驱动模型,以合理的可靠性预测未测量的肌肉兴奋等优点,解决了现有技术中未对预测的肌肉激活模式的合理性进行验证,同时由于静态优化过程不考虑时间连续性,因此很可能得出与实际不符的、非连续的肌肉激活及肌力结果的问题。
(二)技术方案
为实现上述的目的,本发明提供如下技术方案:肌肉协同约束的肌电和优化耦合的肌肉力计算方法,包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim;
获取当前时刻实验者的运动数据和外力参数,并将其输入OpenSim中进行计算机仿真;
通过逆动力学算法,获取运动过程中的关节力矩参数,作为参考力矩评估肌肉协同约束的肌电和优化耦合的肌肉力计算方法的精度;
接着通过肌肉分析算法获得肌肉的运动学数据,运动学数据将作为EMG驱动模型中的输入参数;
所述输入参数以及实验室测量得到的EMG信号参数输入到EMG驱动模型,优化过程为每个肌肉肌腱致动器校准化参数;
然后通过肌肉协同分析推算未测的肌肉激活,将所有已知和未知肌肉激活数据带入EMG驱动的肌力分配模型中得到关节力矩;
接下来将通过与OpenSim中计算得到的关节力矩对比优化以上参数,最终得到的肌肉激活情况,最后通过OpenSim计算得到的肌肉激活情况与实验室通过测量得到的肌电信号进行对比。
优选的,所述EMG驱动模型包括Surrogate肌肉几何模型和希尔肌肉肌腱模型。
优选的,所述输入参数包括肌肉肌腱长度和肌肉力矩臂。
优选的,所述优化过程目标函数为
优选的,所述关节力矩优化函数为
优选的,所述肌肉肌腱致动器校准化参数,包括肌电延迟、激活时间常数、激活非线性常数、EMG比例因子、最适纤维长度、肌腱松弛长度以及定义肌肉肌腱长度、速度和力矩臂。
(三)有益效果
与现有技术相比,本发明提供了肌肉协同约束的肌电和优化耦合的肌肉力计算方法,具备以下有益效果:
1、通过使用校准良好的肌电驱动模型,以合理的可靠性预测未测量的肌肉兴奋,有助于解决从表面电极无法触及的深层肌肉收集肌电信号的困难,这对于使用肌电驱动的肌肉骨骼模型预测肌肉力时有着重要的作用。
2、当肌电图数据收集有限时,该方法有助于评估康复或手术治疗后的人体神经肌肉控制和生物力学。
附图说明
图1为本发明提出的肌肉协同约束的肌电和优化耦合的肌肉力计算方法的EMG驱动模型与静态优化耦合算法技术路线图;
图2为本发明提出的肌肉协同约束的肌电和优化耦合的肌肉力计算方法的屈肘至90度过程肱二头肌原始肌电图;
图3为本发明提出的肌肉协同约束的肌电和优化耦合的肌肉力计算方法中肌肉激活对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
参照附图1-2,肌肉协同约束的肌电和优化耦合的肌肉力计算方法,包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim;
EMG驱动模型包括Surrogate肌肉几何模型和希尔肌肉肌腱模型;
EMG驱动模型为现有技术;
获取当前时刻实验者的运动数据和外力参数,并将其输入OpenSim中进行计算机仿真;
通过逆动力学算法,获取运动过程中的关节力矩参数,作为参考力矩评估肌肉协同约束的肌电和优化耦合的肌肉力计算方法的精度;
接着通过肌肉分析算法获得肌肉的运动学数据,运动学数据将作为EMG驱动模型中的输入参数;
输入参数包括肌肉肌腱长度和肌肉力矩臂;
将输入参数以及实验室测量得到的EMG信号参数输入到EMG驱动模型,优化过程为每个肌肉肌腱致动器校准化参数;
优化过程目标函数为
EMG驱动校准的函数公式如下:其中Mi是关节i的模型预测力矩,Mexp是使用逆动力学计算的关节i的实验力矩,N是关节总数。
通过EMG模型获得关节力矩的具体步骤;
采用了EMG驱动模型,其中肌肉被视为具有刚性肌腱的Hill型模型,跨越特定关节的肌肉产生的关节力矩可以表示为:
M=r·Fo M·[a·fl(lM(t))·fv(vM(t))+fp(lM(t))]cosɑ
其中M是肌肉围绕关节产生的力矩,r是肌肉围绕同一关节产生的力臂,Fo M是肌肉的最大等轴测力,a是肌肉激活,lM(t)和vM(t)分别是时变标准化肌肉纤维长度和速度,α是肌肉的羽状角,fl(lM(t))和fv(vM(t))定义标准化肌肉主动力长度和主动力速度关系,而fp(lM(t))则是定义了标准化肌肉被动力-长度关系;
肌肉肌腱致动器校准化参数,包括肌电延迟、激活时间常数、激活非线性常数、EMG比例因子、最适纤维长度、肌腱松弛长度以及定义肌肉肌腱长度、速度和力矩臂;
接着通过肌肉协同分析推算未测的肌肉激活,将所有已知和未知肌肉激活数据带入EMG驱动的肌力分配模型中得到关节力矩;
随后通过与OpenSim中计算得到的关节力矩对比优化以上参数,最终得到的肌肉激活情况,最后通过OpenSim计算得到的肌肉激活情况与实验室通过测量得到的肌电信号进行对比。
具体实施如下;
建立EMG驱动的肌力分配模型,包括EMG驱动的肌力分布模型定义和肌肉激活动力学定义;然后根据分析问题建立相应的肌肉骨胳模型;建立肌肉协同分析方法包括基于肌肉协同分析推算带参数的未测肌肉激活信号。
针对此计算方法设计了实验验证,采集一名23岁,体重72KG男性右臂由与躯干平行位置屈肘至90度过程中的动作轨迹和通过表面电极测得的肱二头肌肌电信号,比较两种方法得到的肌肉激活情况,动作原始肌电图如图1所示
第一步:首先将实验室采集得到的运动学数据和外力数据输入OpenSim中进行计算机仿真,通过逆动力学算法,获取运动过程中的关节力矩参数,作为参考力矩评估考虑肌肉协同约束的肌电和优化耦合的肌肉力计算方法的精度,然后通过肌肉分析算法获得肌肉的运动学数据,如肌肉肌腱长度和肌肉力矩臂,这些参数将作为EMG驱动模型中的输入参数;
第二步:将第一步获取的参数以及实验室测量得到的EMG信号参数输入到EMG驱动模型,通过优化过程为每个肌肉肌腱致动器校准化参数,包括肌电延迟、激活时间常数、激活非线性常数、EMG比例因子、最适纤维长度、肌腱松弛长度以及定义肌肉肌腱长度、速度和力矩臂;
第三步:通过肌肉协同分析(非负矩阵分解方法)推算带有参数的未测肌肉激活信号,将所有已知和未知肌肉激活数据带入EMG驱动的肌力分配模型中得到关节力矩。
第四步:将该关节力矩与OpenSim中计算得到的关节力矩对比优化以上参数,最终得到的肌肉激活情况、通过OpenSim计算得到的肌肉激活情况与实验室通过测量得到的肌电信号如图2所示,可以看出与通过OpenSim计算得出的结果相比,考虑肌肉协同约束的肌电和优化耦合的肌肉力计算方法可以得较为符合实际测量数据的结果。
本发明通过使用校准良好的肌电驱动模型,以合理的可靠性预测未测量的肌肉兴奋,有助于解决从表面电极无法触及的深层肌肉收集肌电信号的困难,这在使用肌电驱动的肌肉骨骼模型预测肌肉力时至关重要,当肌电图数据收集有限时,该方法有助于评估康复或手术治疗后的人体神经肌肉控制和生物力学。
需要说明的是,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.肌肉协同约束的肌电和优化耦合的肌肉力计算方法,其特征在于:包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim;
获取当前时刻实验者的运动数据和外力参数,并将其输入OpenSim中进行计算机仿真;
通过逆动力学算法,获取运动过程中的关节力矩参数,作为参考力矩评估肌肉协同约束的肌电和优化耦合的肌肉力计算方法的精度;
接着通过肌肉分析算法获得肌肉的运动学数据,运动学数据将作为EMG驱动模型中的输入参数,所述输入参数包括肌肉肌腱长度和肌肉力矩臂;
所述输入参数以及实验室测量得到的EMG信号参数输入到EMG驱动模型,优化过程为每个肌肉肌腱致动器校准化参数;
优化过程目标函数为
EMG驱动校准的函数公式如下:其中Mi是关节i的模型预测力矩,Mexp是使用逆动力学计算的关节i的实验力矩,N是关节总数;
通过EMG模型获得肌肉协同约束的肌电和优化耦合的肌肉力计算方法的具体步骤;
采用EMG驱动模型,其中肌肉被视为具有刚性肌腱的Hill型模型,跨越特定关节的肌肉产生的关节力矩可以表示为:
M=r·Fo M·[a·fl(lM(t))·fv(vM(t))+fp(lM(t))]cosɑ
其中M是肌肉围绕关节产生的力矩,r是肌肉围绕同一关节产生的力臂,Fo M是肌肉的最大等轴测力,a是肌肉激活,lM(t)和vM(t)分别是时变标准化肌肉纤维长度和速度,α是肌肉的羽状角,fl(lM(t))和fv(vM(t))定义标准化肌肉主动力长度和主动力速度关系,而fp(lM(t))则是定义了标准化肌肉被动力-长度关系;
然后通过肌肉协同分析推算未测的肌肉激活,将所有已知和未知肌肉激活数据带入EMG驱动的肌力分配模型中得到关节力矩;
接下来将通过与OpenSim中计算得到的关节力矩对比优化以上参数,最终得到的肌肉激活情况,最后通过OpenSim计算得到的肌肉激活情况与实验室通过测量得到的肌电信号进行对比。
2.根据权利要求1所述的肌肉协同约束的肌电和优化耦合的肌肉力计算方法,其特征在于:所述EMG驱动模型包括Surrogate肌肉几何模型和希尔肌肉肌腱模型。
3.根据权利要求1所述的肌肉协同约束的肌电和优化耦合的肌肉力计算方法,其特征在于:所述肌肉肌腱致动器校准化参数,包括肌电延迟、激活时间常数、激活非线性常数、EMG比例因子、最适纤维长度、肌腱松弛长度以及定义肌肉肌腱长度、速度和力矩臂。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077881.6A CN115983037B (zh) | 2023-01-17 | 2023-01-17 | 肌肉协同约束的肌电和优化耦合的肌肉力计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077881.6A CN115983037B (zh) | 2023-01-17 | 2023-01-17 | 肌肉协同约束的肌电和优化耦合的肌肉力计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983037A CN115983037A (zh) | 2023-04-18 |
CN115983037B true CN115983037B (zh) | 2023-08-11 |
Family
ID=85964882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310077881.6A Active CN115983037B (zh) | 2023-01-17 | 2023-01-17 | 肌肉协同约束的肌电和优化耦合的肌肉力计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983037B (zh) |
Citations (7)
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 |
WO2010095636A1 (ja) * | 2009-02-20 | 2010-08-26 | 国立大学法人東京大学 | 筋張力推定法及び装置 |
CN109262618A (zh) * | 2018-12-12 | 2019-01-25 | 武汉理工大学 | 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 |
CN109346176A (zh) * | 2018-08-27 | 2019-02-15 | 浙江大学 | 一种基于人体动力学建模和表面肌电信号修正的肌肉协同分析方法 |
CN111326252A (zh) * | 2020-02-18 | 2020-06-23 | 杭州电子科技大学 | 一种基于肌间协同和肌间耦合运动功能分析方法 |
WO2021199042A1 (en) * | 2020-03-30 | 2021-10-07 | X-Trodes Ltd | System and method for mapping muscular activation |
CN114469142A (zh) * | 2022-01-06 | 2022-05-13 | 中南大学 | 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 |
-
2023
- 2023-01-17 CN CN202310077881.6A patent/CN115983037B/zh active Active
Patent Citations (7)
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 |
WO2010095636A1 (ja) * | 2009-02-20 | 2010-08-26 | 国立大学法人東京大学 | 筋張力推定法及び装置 |
CN109346176A (zh) * | 2018-08-27 | 2019-02-15 | 浙江大学 | 一种基于人体动力学建模和表面肌电信号修正的肌肉协同分析方法 |
CN109262618A (zh) * | 2018-12-12 | 2019-01-25 | 武汉理工大学 | 基于肌肉协同的上肢多关节同步比例肌电控制方法与系统 |
CN111326252A (zh) * | 2020-02-18 | 2020-06-23 | 杭州电子科技大学 | 一种基于肌间协同和肌间耦合运动功能分析方法 |
WO2021199042A1 (en) * | 2020-03-30 | 2021-10-07 | X-Trodes Ltd | System and method for mapping muscular activation |
CN114469142A (zh) * | 2022-01-06 | 2022-05-13 | 中南大学 | 一种基于人体肌肉动力学模型和肌电信号的肌力解码方法 |
Non-Patent Citations (1)
Title |
---|
基于OpenSim的坐姿越野滑雪生物力学研究;陈雪等;医用生物力学;第36卷(第S1期);141 * |
Also Published As
Publication number | Publication date |
---|---|
CN115983037A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Crouch et al. | Lumped-parameter electromyogram-driven musculoskeletal hand model: A potential platform for real-time prosthesis control | |
CN108785997B (zh) | 一种基于变导纳的下肢康复机器人柔顺控制方法 | |
Buchanan et al. | Estimation of muscle forces and joint moments using a forward-inverse dynamics model | |
Zhang et al. | Ankle joint torque estimation using an EMG-driven neuromusculoskeletal model and an artificial neural network model | |
Lei | An upper limb movement estimation from electromyography by using BP neural network | |
Lai et al. | In vivo behavior of the human soleus muscle with increasing walking and running speeds | |
Maas et al. | Intermuscular interaction via myofascial force transmission: effects of tibialis anterior and extensor hallucis longus length on force transmission from rat extensor digitorum longus muscle | |
Pick et al. | Measurement of driver steering torque using electromyography | |
CN104997523A (zh) | 一种上肢康复机器人康复训练运动功能评价方法 | |
CN105288933A (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 | |
Khoshdel et al. | An optimized artificial neural network for human-force estimation: consequences for rehabilitation robotics | |
CN110570946A (zh) | 一种下肢康复机器人康复训练运动功能康复评价方法 | |
CN102764167B (zh) | 基于相关系数的肌电假肢控制源导联优化方法 | |
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 | |
Nasr et al. | InverseMuscleNET: alternative machine learning solution to static optimization and inverse muscle modeling | |
CN115983037B (zh) | 肌肉协同约束的肌电和优化耦合的肌肉力计算方法 | |
Caillet et al. | Estimation of the firing behaviour of a complete motoneuron pool by combining electromyography signal decomposition and realistic motoneuron modelling | |
Garcia et al. | Optimal joint positions for manual isometric muscle testing | |
Shi et al. | Prediction of continuous motion for lower limb joints based on semg signal | |
Mo et al. | A simulation-based framework with a proprioceptive musculoskeletal model for evaluating the rehabilitation exoskeleton system | |
Sohane et al. | A single platform for classification and prediction using a hybrid bioinspired and deep neural network (PSO-LSTM) | |
Camilleri et al. | Are the maximum shortening velocity and the shape parameter in a Hill-type model of whole muscle related to activation? | |
Zhang et al. | The design of a hemiplegic upper limb rehabilitation training system based on surface EMG signals | |
Su et al. | Ankle joint torque prediction based on surface Electromyographic and angular velocity signals | |
CN105769186A (zh) | 基于复杂网络的肌电信号采集位置选取方法 |
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 | ||
GR01 | Patent grant |