一种基于表面肌电信号的人体膝关节力矩测试系统方法及应用与流程

本发明涉及下肢助力外骨骼与生机电一体化技术领域，特别涉及一种基于表面肌电信号的人体膝关节力矩测试系统及方法及应用。

背景技术：

目前，在军事领域，由于士兵急速行军，作战救援、弹药运输等不同应用场景需求越来越强烈，下肢主动助力外骨骼成为了增强士兵力量、耐力，提高运动速度及范围，降低士兵自身的体能消耗，减少负重运输损伤，从而增加作战能力的一个重要装备。人体关节力矩测试技术作为下肢主动助力外骨骼力矩控制和下肢主动助力外骨骼助力效率评估的关键基础技术，不仅能够为实现柔顺化的力矩控制提供数据支持，而且能直接衡量人体运动状态及费力程度。等速力矩测试方法是传统的人体关节力矩测试方法，主要测试人体在等速肌力测试系统的辅助下进行单关节或多关节组合的恒定角速度的运动，仅仅适用于人体在等速运动的情况，无法适用于人体在任意速度运动的情况。逆动力学求解人体关节力矩需要采集人体运动过程中的足底三维压力，该数据的采集需要在实验室环境中的三维测力跑台中采集，该方法难以泛化到任意场景。

技术实现要素：

为了克服上述现有技术的不足，本发明的目的在于提供一种基于表面肌电信号的人体膝关节力矩测试系统及方法及应用，具有应用范围广、测试精度高的特点。

为了实现上述目的，本发明采用的技术方案是：

一种基于表面肌电信号的人体膝关节力矩测试系统，包括8通道表面肌电信号采集仪、三维运动捕捉系统和三维测力跑台以及时间同步器，8通道表面肌电信号采集仪可以进行测试者下肢表面肌电信号的采集，三维运动捕捉系统可以捕捉测试者下肢膝关节的运动数据，三维测力跑台可以采集测试者在行走过程中足底和跑台之间的三维作用力，时间同步器可以保证8通道表面肌电信号采集仪、三维运动捕捉系统和三维测力跑台三种设备在数据采集中的同步性。

一种基于表面肌电信号的人体膝关节力矩测试方法，包括以下步骤；

步骤1：用户下肢股外侧肌、半腱肌、股二头肌长头、腓肠肌内侧头四块肌肉的肌电信号采集及特征提取；

步骤2：在步骤1的过程中，利用三维运动捕捉系统同步采集用户在行走过程中腿部运动学数据，解算用户膝关节角度，同时利用测力跑台同步采集用户在行走过程中足部的足底压力，构建用户腿部简化动力学模型，进行逆动力学求解，得到用户膝关节计算力矩；

步骤3：构建膝关节力矩测试长短期记忆(lstm)神经网络的训练数据集和测试数据集，利用步骤1和步骤2获得的数据完成膝关节力矩测试神经网络模型的训练。

所述的步骤1具体包括：

(1)肌电信号的采集与预处理：

选取受试者右腿膝关节为测试对象，在测试前使受试者做适当放松活动，并用酒精擦拭右腿股外侧肌、半腱肌、股二头肌长头、腓肠肌内侧头位置处的皮肤，作为肌电信号的采集点，利用四通道表面肌电仪以1500hz的速度同步采集受试者以2m/s的速度行走1min时的右腿四块肌肉的肌电信号，并用零滞后4阶巴特沃兹滤波器(30hz)和50hz的陷波器，对原始肌电信号分别进行高通滤波消除运动伪影和滤除50hz工频干扰，之后进行全波整流；

(2)肌电信号特征提取

肌电信号为离散信号，将预处理后的肌电信号以30个采样点为窗口进行平均肌电值(aemg)、肌电均方根值(rms)的提取，aemg和rms的计算公式分别如下：

其中，data[i]为肌电信号；n为窗口大小；

再对预处理后的肌电信号进行平均功率频率(mpf)，中位频率(mf)特征提取，mpf和mf的计算公式分别如下：

其中fs为采样频率，s(f)是肌电信号的功率谱密度函数，最后再利用最近邻值方法将特征信号降采样到100hz。

所述的步骤2包括：

利用步骤1中三维运动捕捉系统同步采集用户在行走1min过程中右腿的运动学数据，解算用户膝关节角度，同时利用测力跑台同步采集用户在行走过程中右足的足底压力，构建用户右腿简化动力学模型，进行逆动力学求解，得到用户膝关节计算力矩；

(1)设计用户右腿运动学数据采集实验，在用户右腿的髋关节、膝关节、踝关节和脚尖上分别粘贴四个标记点，利用三维运动捕捉系统来获得四个标记点在三维空间中的坐标变化；

由于用户右腿和三维运动捕捉系统的xoy平面平行，因此只需要标记点x和y坐标即可解算出膝关节旋转角度，髋关节、膝关节、踝关节和足部外侧中心的标记点坐标可以表示为(xhip,yhip)，(xknee,yknee)，(xankle,yankle)和(xtoe,ytoe)；

利用插值法求解各肢体节段的质心坐标如下：

其中(x1,y1)，(x2,y2)和(x3,y3)分别为大腿、小腿和足的质心坐标，l1、l2和l3分别为大腿、小腿和足的长度，即髋关节到膝关节、膝关节到踝关节和踝关节到足尖的长度，l1a、l2a和l3a分别髋关节到大腿质心、膝关节到小腿质心和踝关节到足的质心的距离；

为求得质心运动的速度和加速度，对运动轨迹进行一阶微分和二阶微分：

选取了各段肢体质心-关节连线与水平地面的夹角θn作为特征角，计算θn时可使用直线的斜率，并需要判断θn是否大于90°；

如果θ<90°，则：

如果θ>90°，则：

为求得各肢体节段特征角的角速度和加速度，对角度进行一阶微分和二阶微分：

膝关节角度为小腿与大腿的夹角，可用下式计算：

θk＝θ1-θ2

(2)构建人体下肢简化动力学模型，根据人体下肢运动学信息及足底压力计算人体在行走过程中的膝关节力矩；可以将人体下肢简化为刚性三连杆模型，人体行走过程中根据脚是否接触地面将步态分为支撑相和摆动相，摆动相的下肢简化模型可以看成是s固定的三连杆模型，支撑相的下肢简化模型可以看成是足底固定的三连杆模型；

首先单独对足部进行研究，将其视为刚体，根据牛顿欧拉方程得足部的动力学方程可以表示为：

其中，f2,3为小腿作用在足部上的力；fy为地面对足部的垂直地面分力；fx为地面对足部的平行地面分力；g3为足部的重力；m2,3为小腿作用在足部的力矩；m3为足部驱动力矩；i3为小腿对足部质心的力臂；iy为fy对足部质心的力臂；ix为fx对足部质心的力臂；

根据足部动力学方程可以解算得到踝关节力矩，其包含足底压力，也为支撑相的踝关节力矩：

将上式的足底压力项去除，即为摆动相的踝关节力矩，上式可适用于整个步态周期，摆动相计算时只需把足底压力置为0；

对小腿进行研究，将其视为刚体，根据牛顿欧拉方程得小腿的动力学方程可以表示为：

其中，f1,2为大腿作用在小腿上的力；g2为小腿的重力；m1,2为大腿作用在小腿的力矩；m2为小腿驱动力矩；i2为小腿的力臂；i2a为大腿对小腿作用点小腿质心的力臂；

根据小腿动力学方程可以解算得到膝关节力矩，解算得到膝关节力矩：

所述的步骤3构建膝关节力矩测试lstm神经网络的训练数据集和测试数据集，并根据步骤1和步骤2获得的数据进行神经网络的训练。

将步骤1和步骤2获取的四块肌肉的四个特征值、膝关节角度和膝关节力矩在1min的数据集根据时间划分为前40s的数据集和后20s的数据集，前40s的数据集作为神经网络的训练集，后20s的数据集作为神经网络的测试集，分别捕获训练集中四块肌肉的四个特征值和膝关节角度数据以第t个数据点为起点的30个数据点x^＜t＞作为lstm神经网络的输入，捕获训练集中膝关节力矩数据以第t个数据点为起点的30个数据点y^＜t＞作为lstm神经网络的输出；

lstm神经网络隐藏层的输入包括网络的当前输入x^＜t＞和上一时刻的隐藏层输出向量a^＜t-1＞，以及隐藏层状态c^＜t-1＞，隐藏层加入了遗忘门f^＜t＞、输入门i^＜t＞以及输出门o^＜t＞。遗忘门f^＜t＞决定丢弃状态c^＜t＞中的哪些信息，x^＜t＞和a^＜t-1＞是否能够用于状态c^＜t＞的更新由输入门i^＜t＞决定，经过遗忘门和输入门，状态c^＜t＞的更新完成，输出门o^＜t＞用于决定状态c^＜t＞中如何作用到a^＜t＞的计算中，遗忘门、输入门和输出门以及隐藏层输出a^＜t＞和状态更新c^＜t＞的计算表达式如下式所示:

f^＜t＞＝σ(wf·[a^＜t-1＞,x^＜t＞]+bf)

i^＜t＞＝σ(wi·[a^＜t-1＞,x^＜t＞]+bi)

o^＜t＞＝σ(wo·[a^＜t-1＞,x^＜t＞]+bo)

c^＜t＞＝f^＜t＞·a^＜t-1＞+x^＜t＞·tanh(wc·[a^＜t-1＞,x^＜t＞]+bc)

a^＜t＞＝o^＜t＞·tanh(c^＜t＞)

其中，σ为sigmod函数，tanh为双曲正切函数，wf，wi，wc，wo和bf，bi，bc，bo分别为遗忘门、输入门和输出门中需要训练的权重参数和偏置参数；

输出层损失函数使用平方损失函数，评估实际输出与期望输出的误差，将误差作为反向传播优化的依据，最终使得误差最小，损失函数如下式：

其中，y为膝关节计算力矩值；f(x)为膝关节估计力矩值；l(y,f(x))为损失函数。

利用均方根误差(rmse)和互相关系数(corr)来评估人体膝关节力矩预测模型的优劣,rmse用来衡量模型估计值与真实值之间的误差程度，corr用于描述两个变量之间的相关关系，rmse值越接近于0则相应的神经网络模型估计值越准确，与之相反，corr的值越接近于1则模型拟合效果越好。rmse和corr的计算公式如下：

其中，yact是通过逆动力学计算的膝关节计算力矩，是计算力矩的平均值，ypre是神经网络模型的估计力矩，是模型的估计力矩的平均值，n为测试样本序列数据长度。

通过测试方法得到的参数应用于控制下肢助力的外骨骼机器人。

本发明的有益效果：

本发明易于操作且能保持测试精度。三维运动捕捉系统可以精确测量用户运动学数据，用于计算用户膝关节角度，由此得到的用户膝关节角度数据精度高。测力跑台可以精准的采集用户足底压力，用于逆动力学求解用户膝关节力矩，由此可以得到精准的用户膝关节力矩。表面肌电仪具有高采样率，可以实时监测用户肌肉活性，反映肌力大小。三种设备均具备时间同步接口，可以进行同步数据采集。

建立的人体膝关节力矩测试神经网络模型相比于传统人体力矩测试方法具有更高的实用性，该方法不仅不依赖实验室环境，而且还可以适用于人体在任意速度运动的情况下。本发明利用lstm神经网络的非线性拟合及长期记忆能力，引入反映人体肌肉力大小的表面肌电信号，建立了表面肌电信号与人体膝关节力矩的映射关系。

附图说明

图1是利用人体下肢肌电信号及膝关节角度信号对人体膝关节力矩进行估计的整体方法框图。

图2是股外侧肌、半健肌、股二头肌长头和腓肠肌内侧头在人体下肢位置示意图。

图3是人体单下肢运动学模型示意图。

图4是人体单下肢支撑相(右)和摆动相(左)的动力学模型简图。

图5是膝关节力矩测试lstm神经网络隐藏层节点示意图。

图6是膝关节力矩测试实施例示意图。

图7是lstm神经网络估计力矩和逆动力学计算力矩对比图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

参见图1，本发明构建了膝关节力矩测试lstm神经网络模型，实现输入表面肌电信号及膝关节角度输出估计的膝关节力矩。一方面采集用户的行走过程中下肢股外侧肌、半腱肌、股二头肌长头、腓肠肌内侧头位置处的表面肌电信号以及用户的行走过程中膝关节角度信号，计算肌电信号的时域特征和频域特征，作为神经网络模型的输入，基于神经网络模型的初始权值，输出膝关节力矩的估计力矩。另一方面，采集用户下肢运动学信息以及足底压力信息，利用牛顿-欧拉法进行逆动力学解算，得到膝关节计算力矩。将计算力矩和估计力矩的误差的平方作为lstm神经网络训练的目标函数，利用adam算法进行lstm神经网络的离线迭代训练，实现神经网络的权值更新，最终得到输入下肢表面肌电信号和膝关节角度，输出对应的膝关节力矩的稳定膝关节力矩测试模型。具体实施方案如下：

第一步：人体下肢股外侧肌、半腱肌、股二头肌长头、腓肠肌内侧头肌电信号的采集及特征提取，具体方法如下：

(1)肌电信号的采集与预处理：

参见图2，选取受试者右腿膝关节为测试对象，在测试前使受试者做适当放松活动，并用酒精擦拭右腿股外侧肌、半腱肌、股二头肌长头、腓肠肌内侧头位置处的皮肤，作为肌电信号的采集点，利用四通道表面肌电仪以1500hz的速度同步采集受试者以2m/s的速度行走1min时的右腿四块肌肉的肌电信号，并用零滞后4阶巴特沃兹滤波器(30hz)和50hz的陷波器，对原始肌电信号分别进行高通滤波消除运动伪影和滤除50hz工频干扰，之后进行全波整流。

(2)肌电信号特征提取

肌电信号为离散信号，将预处理后的肌电信号以30个采样点为窗口进行平均肌电值(aemg)、肌电均方根值(rms)的提取。aemg和rms的计算公式分别如下：

其中，data[i]为肌电信号；n为窗口大小。

再对预处理后的肌电信号进行平均功率频率(mpf)，中位频率(mf)特征提取。mpf和mf的计算公式分别如下：

其中fs为采样频率，s(f)是肌电信号的功率谱密度函数，最后再利用最近邻值方法将特征信号降采样到100hz。

第二步：在步骤一的过程中，利用三维运动捕捉系统同步采集用户在行走1min过程中右腿的运动学数据，解算用户膝关节角度，同时利用测力跑台同步采集用户在行走过程中右足的足底压力，构建用户右腿简化动力学模型，进行逆动力学求解，得到用户膝关节计算力矩。

(1)设计用户右腿运动学数据采集实验。参见图3，在用户右腿的髋关节、膝关节、踝关节和脚尖上分别粘贴四个标记点，利用三维运动捕捉系统来获得四个标记点在三维空间中的坐标变化。

由于用户右腿和三维运动捕捉系统的xoy平面平行，因此只需要标记点x和y坐标即可解算出膝关节旋转角度。髋关节、膝关节、踝关节和足部外侧中心的标记点坐标可以表示为(xhip,yhip)，(xknee,yknee)，(xankle,yankle)和(xtoe,ytoe)。

利用插值法求解各肢体节段的质心坐标如下：

其中(x1,y1)，(x2,y2)和(x3,y3)分别为大腿、小腿和足的质心坐标，l1、l2和l3分别为大腿、小腿和足的长度，即髋关节到膝关节、膝关节到踝关节和踝关节到足尖的长度，l1a、l2a和l3a分别髋关节到大腿质心、膝关节到小腿质心和踝关节到足的质心的距离。

为求得质心运动的速度和加速度，对运动轨迹进行一阶微分和二阶微分：

为便于后面动力学解算，选取了各段肢体质心-关节连线与水平地面的夹角θn作为特征角。计算θn时可使用直线的斜率，并需要判断θn是否大于90°

如果θ<90°，则：

如果θ>90°，则：

为求得各肢体节段特征角的角速度和加速度，对角度进行一阶微分和二阶微分：

膝关节角度为小腿与大腿的夹角，可用下式计算：

θk＝θ1-θ2

(2)构建人体下肢简化动力学模型，根据人体下肢运动学信息及足底压力计算人体在行走过程中的膝关节力矩；参见图4，可以将人体下肢简化为刚性三连杆模型，人体行走过程中根据脚是否接触地面将步态分为支撑相和摆动相，摆动相的下肢简化模型可以看成是s固定的三连杆模型，支撑相的下肢简化模型可以看成是足底固定的三连杆模型。

首先单独对足部进行研究，将其视为刚体，根据牛顿欧拉方程得足部的动力学方程可以表示为：

其中，f2,3为小腿作用在足部上的力；fy为地面对足部的垂直地面分力；fx为地面对足部的平行地面分力；g3为足部的重力；m2,3为小腿作用在足部的力矩；m3为足部驱动力矩；i3为小腿对足部质心的力臂；iy为fy对足部质心的力臂；ix为fx对足部质心的力臂。

根据足部动力学方程可以解算得到踝关节力矩，其包含足底压力，故也为支撑相的踝关节力矩：

将上式的足底压力项去除，即为摆动相的踝关节力矩，上式可适用于整个步态周期，摆动相计算时只需把足底压力置为0。

对小腿进行研究，将其视为刚体，根据牛顿欧拉方程得小腿的动力学方程可以表示为：

其中，f1,2为大腿作用在小腿上的力；g2为小腿的重力；m1,2为大腿作用在小腿的力矩；m2为小腿驱动力矩；i2为小腿的力臂；i2a为大腿对小腿作用点小腿质心的力臂。

根据小腿动力学方程可以解算得到膝关节力矩，解算得到膝关节力矩：

第三步：构建膝关节力矩测试lstm神经网络的训练数据集和测试数据集，并根据步骤一和步骤二获得的数据进行神经网络的训练。

将步骤一和步骤二获取的四块肌肉的四个特征值、膝关节角度和膝关节力矩在1min的数据集根据时间划分为前40s的数据集和后20s的数据集，前40s的数据集作为神经网络的训练集，后20s的数据集作为神经网络的测试集。分别捕获训练集中四块肌肉的四个特征值和膝关节角度数据以第t个数据点为起点的30个数据点x^＜t＞作为lstm神经网络的输入，捕获训练集中膝关节力矩数据以第t个数据点为起点的30个数据点y^＜t＞作为lstm神经网络的输出。

lstm神经网络的隐藏层节点设计参见图5，lstm神经网络隐藏层的输入包括网络的当前输入x^＜t＞和上一时刻的隐藏层输出向量a^＜t-1＞，以及隐藏层状态c^＜t-1＞。隐藏层加入了遗忘门f^＜t＞、输入门i^＜t＞以及输出门o^＜t＞。遗忘门f^＜t＞决定丢弃状态c^＜t＞中的哪些信息，x^＜t＞和a^＜t-1＞是否能够用于状态c^＜t＞的更新由输入门i^＜t＞决定。经过遗忘门和输入门，状态c^＜t＞的更新完成。输出门o^＜t＞用于决定状态c^＜t＞中如何作用到a^＜t＞的计算中。遗忘门、输入门和输出门以及隐藏层输出a^＜t＞和状态更新c^＜t＞的计算表达式如下式所示:

f^＜t＞＝σ(wf·[a^＜t-1＞,x^＜t＞]+bf)

i^＜t＞＝σ(wi·[a^＜t-1＞,x^＜t＞]+bi)

o^＜t＞＝σ(wo·[a^＜t-1＞,x^＜t＞]+bo)

c^＜t＞＝f^＜t＞·a^＜t-1＞+x^＜t＞·tanh(wc·[a^＜t-1＞,x^＜t＞]+bc)

a^＜t＞＝o^＜t＞·tanh(c^＜t＞)

其中，σ为sigmod函数，tanh为双曲正切函数。wf，wi，wc，wo和bf，bi，bc，bo分别为遗忘门、输入门和输出门中需要训练的权重参数和偏置参数。

输出层损失函数使用平方损失函数，评估实际输出与期望输出的误差，将误差作为反向传播优化的依据，最终使得误差最小，损失函数如下式：

其中，y为膝关节计算力矩值；f(x)为膝关节估计力矩值；l(y,f(x))为损失函数。

利用均方根误差(rmse)和互相关系数(corr)来评估人体膝关节力矩预测模型的优劣,rmse用来衡量模型估计值与真实值之间的误差程度，corr用于描述两个变量之间的相关关系。rmse值越接近于0则相应的神经网络模型估计值越准确，与之相反，corr的值越接近于1则模型拟合效果越好。rmse和corr的计算公式如下：

其中，yact是通过逆动力学计算的膝关节计算力矩，是计算力矩的平均值，ypre是神经网络模型的估计力矩，是模型的估计力矩的平均值，n为测试样本序列数据长度。

实施例：选取1名健康男性作为受试者，身高为171cm，体重为55.2kg，无重大疾病，要求受试者进行行走实验，具体场景参见图6。受试者在三维测力跑台上以1.2m/s的速度行走1min，同步采集受试者的下肢右腿股外侧肌、半腱肌、股二头肌长头、腓肠肌内侧头位置处的表面肌电信号，同时采集受试者右腿髋关节、膝关节、踝关节和足部外侧中心的标记点三维坐标信息，以及受试者右脚与测力跑台之间的三维相互作用力。利用这些数据进行本发明膝关节力矩测试方法的验证，测试结果参见图7。