一种智能下肢助力装置的在线步态规划系统及方法与流程

本发明涉及智能穿戴式下肢助力装置步态规划及人机交互技术领域，具体涉及一种智能下肢助力装置的在线步态规划系统及方法。

背景技术：

随着现代社会老龄化问题的日益加重，老年人的健康问题得到了全社会的广泛关注，其中腿脚不灵便是老年人生活中非常头疼的问题，应运而生的智能下肢助力装置可以辅助老年人或行走不便者行走，达到机器人与人体的协调运动并提供助力，帮助其保持适当的运动，对于提高老年人生活质量以及进行辅助康复医疗都具有重要意义。

人体在进行相应的动作时，大脑会通过神经系统给相应的肌肉指令，即使失去肢体，相应的神经通路也会有电信号传输，而肌电信号是产生肌肉力的电信号根源，发生在大脑产生动作意愿之后，肌肉收缩之前，通过肌电信号可以在未做出动作前获取主动运动意图，因此肌电信号在智能穿戴式下肢助力装置的控制领域具有十分重要的作用。当系统通过肌电信号识别出不同步态模式(路况)后，如何根据当前步态模式自适应调整做出合理的动作规划就显得十分必要，即对助力装置的步态进行在线规划。

现有的步态规划方法主要有：1、基于仿生模拟的步态规划方法，即利用传感器记录人类行走过程中关节轨迹或利用视频信息，在人的行走过程中进行录像，分析这些视频信息，获取人在行走过程中各个关节的角度变化与时间的函数，利用力学相似原理将这些函数推广到下肢助力装置的关节驱动上，这样助力装置就能模仿生物系统运动。2、基于模型分析的步态规划方法，主要利用动力学知识，求解动力学模型如倒立摆模型等，根据助力装置行走过程中应满足的约束条件，规划步态(包括运动学和动力学数据)。由于动力学模型具有高度非线性，所以对动力学模型的分析是比较困难的。同时由于肌电信号不足以完全反映出复杂的运动状态，使得肌电信号和助力装置动作之间的关系不易获得，同时单一的控制信号可能会造成识别以及规划结果的误差。

技术实现要素：

针对以上问题，本发明提出一种智能下肢助力装置的在线步态规划系统及方法。

本发明的技术方案是：

一种智能下肢助力装置的在线步态规划系统包括肌电采集单元、惯性采集单元、工控机、处理器单元；

肌电采集单元采集受试者下肢肌肉的肌电信号，它包含3个肌电采集端子，分别安装在下肢股外侧肌、胫骨前肌、腓肠肌处；3个采集端子的输出端连接处理器单元和工控机的输入端；

惯性采集单元用于采集受试者下肢的加速度信号和角速度信号，其惯性传感器安装在受试者下肢小腿处；惯性传感器的输出端连接处理器单元和工控机的输入端；

工控机输出端连接至处理器单元的输入端；

处理器单元，佩戴在受试者的腰部，其输出端连接至下肢助力装置的输入端。

所述的系统进行智能下肢助力装置在线步态规划的方法，包括以下步骤：

步骤1：肌电采集单元采集受试者不同步态模式下的肌电信号，惯性采集单元采集受试者下肢不同步态模式下的加速度信号和角速度信号；

步骤2：离线训练模式下，工控机通过无线通信获取肌电信号、加速度信号和角速度信号，建立不同步态模式下的步态模型匹配库，并将其输出至处理器单元；

步骤2.1：工控机对肌电信号和加速度信号进行预处理，提取肌电信号和加速度信号的特征，得到融合特征；

步骤2.2：工控机通过加速度信号和角速度信号计算得到期望关节角度；

步骤2.3：工控机将肌电信号和加速度信号的融合特征、期望关节角度进行归一化处理并组成样本集；

步骤2.4：将样本集输入广义回归神经网络(Generalized Regression NN，GRNN)进行离线训练，得到不同步态模式下的步态模型匹配库；

步骤2.5：使用遗传算法(Genetic Algorithm，GA)优化广义回归神经网络，得到最优的步态模型匹配库；

步骤2.6：工控机将离线训练的步态模型匹配库输出至处理器单元；

步骤3：在线模式下，处理器单元实时采集肌电信号和加速度信号，对其进行预处理，提取肌电信号和加速度信号的特征，得到融合特征，与步态模型匹配库匹配，得到预测关节角度信号，即完成智能下肢助力装置的步态规划以在线控制智能下肢助力装置的步态。

所述步骤2.1中的预处理过程具体包括：利用巴特沃斯滤波器滤波、单门限多阈值活动段检测。

所述步骤2.1中提取肌电信号和加速度信号的特征包括：

(1)肌电信号的特征提取包括肌电信号的均方根和肌电信号的短时傅里叶变换特征；

(2)加速度信号的特征提取包括加速度信号的均方根和加速度信号的短时傅里叶变换特征。

本发明的有益效果：

本发明所述方法通过离线训练方式提取肌电信号和惯性信号的特征，利用GRNN建立融合特征与下肢关节角度之间的非线性映射关系，得到步态模型匹配库，使用时脱离工控机，便于扩展成便携式智能下肢助力装置在线步态规划系统。

在线规划时，处理器单元通过实时获取的肌电信号特征和惯性信号特征与步态模型匹配库进行匹配，自适应输出相应路况的预测关节角度控制智能下肢助力装置的动作，使在线步态规划更加智能化，为用户提供更好的服务。

本发明中通过肌电信号和加速度信号的融合特征获得预测关节角度作为智能下肢助力装置的控制信号，能够更加准确及时地获取人体的运动意图及路况信息，弥补了单一控制信号易造成控制偏差的不足，同时，采用遗传算法优化广义回归神经网络模型的因子参数，进一步提高了预测关节角度的准确性。

附图说明

图1为本发明具体实施方式中智能下肢助力装置在线步态规划方法系统结构图；

图2为本发明具体实施方式中受试者的肌电信号，(a)股外侧肌肌电信号，(b)胫骨前肌肌电信号，(c)腓肠肌肌电信号；

图3为本发明具体实施方式中采集信号的下肢肌肉分布图，1-股外侧肌，2-胫骨前肌，3-腓肠肌；

图4为本发明具体实施方式中采集平路行走的加速度信号和角速度信号，(a)x轴的加速度信号，(b)y轴的加速度信号；(c)z轴的加速度信号，(d)角速度信号；

图5为本发明具体实施方式中智能下肢助力装置在线步态规划方法流程图；

图6为本发明具体实施方式中肌电和加速度融合后的特征分布图；

图7为本发明具体实施方式中广义回归神经网络结构图；

图8为本发明具体实施方式中参数优化以及网络训练的具体流程图；

图9为本发明具体实施方式中预测关节角度与期望关节角度对比图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一种智能下肢助力装置的在线步态规划系统及方法，其系统结构如图1所示，包括肌电采集单元、惯性采集单元、工控机、处理器单元。

肌电采集单元和惯性采集单元均是通过蓝牙方式与工控机和处理器单元进行通讯，工控机与处理器单元通过RS232串口进行通信。

肌电采集单元，是通过贴附于下肢的肌电采集端子，即电极片实时采集受试者下肢肌肉的肌电信号，包括股外侧肌肌电信号、胫骨前肌肌电信号和腓肠肌肌电信号。

本实施方式中，肌电采集单元采用的是津发科技有限公司的Ergolab生理信号采集平台。肌电采集端子通过贴附于受试者皮肤表面的电极片获取电位变化，经过内部放大电路放大，以无线传输方式实时发送给接收端，该系统可以同时采集16路肌电等生理信号，采样频率可以达到4096Hz，肌电信号量程为正负1500uv，共模抑制比达到110DB，干扰噪声最大小于1.7uv，每个接收端充满电后可以连续使用4～6小时，接收端与采集端最远距离可达500m，具有极强的跟踪范围，使用方便快捷。

以平路行走为例，本实施方式中，采集的受试者股外侧肌肌电信号、胫骨前肌肌电信号和腓肠肌肌电信号分别如图2(a)～(c)所示。信号采集点如图3所示，分别位于受试者下肢的股外侧肌1、胫骨前肌2、腓肠肌3。

惯性采集单元，通过设置在下肢小腿处的惯性传感器实时采集人行走时的三轴加速度信号和角速度信号。

本实施方式中，惯性传感器采用Freescale的微型电容式三轴加速度传感器MMA7260QT和Silicon Sensing System的角速度传感器CRS03-04。MMA7260QT是美国Freescale公司推出的一款低成本的采用MEMS技术的单芯片三轴加速度传感器，该微型电容式加速传感器融合了信号调理、单极低通滤波器和温度补偿技术，并提供了四种加速度测量范围：±1.5g，±2g，±4g，±6g。MMA7260QT灵敏度高，当选择±1.5g的测量范围时，灵敏度达到800mV/g。它采用6mm×6mm×1.45mmQFN的封装，体积超小，只需很小的板卡空间。它具有三轴向检测功能，使便携式设备能够智能地回应位置、方位和移动的变化。CRS03-04是一个集成的高精度测量运动物体角速度的微型惯性器件，它使用硅性MEMS技术，在剧烈的冲击和振动条件下，仍能保持卓越的性能，它的成本很低，体积小，零位偏差只有±50mv；启动时间很短，不超过0.5s；正常工作时电流很小，小于0.5mA，横轴的灵敏度小于1％。

以平路行走为例，本实施方式中，惯性传感器采集受试者下肢小腿的三轴加速度信号和角速度信号分别如图4(a)～(d)所示。

本实施方式中，工控机的输出端连接至处理器单元的输入端，通过RS232串口与处理器单元进行通信。

本实施方式中，处理器单元采用英伟达公司生产的NVIDIA Jetson TK1开发主板，该组件能够为嵌入式应用释放GPU的强大能力，Jetson接口包含192个CUDA核心的NVIDIA Kepler GPU，NVIDIA四核ARM Cortex-A15CPU，RS232串行端口，2GB运行内存，16GB eMMC存储空间，1个USB 2.0端口、Micro AB Jetson接口，1个带Mic In和Line Out的ALC5639Realtek音频编解码器，1个RTL8111GS Realtek千兆位以太网局域网，SPI 4兆字节引导闪存，1个SATA数据端口，1个完整尺寸SD/MMC连接器，1个完整尺寸HDMI端口。其丰富的功能单元为系统功能的实现及以后的升级拓展提供了保障。

所述的系统进行智能下肢助力装置在线步态规划的方法流程如图5所示，具体过程如下：

步骤1：肌电采集单元采集受试者不同步态模式下的肌电信号，惯性采集单元采集受试者下肢不同步态模式下的加速度信号和角速度信号；

步骤2：离线训练模式下，工控机通过无线蓝牙获取肌电信号、加速度信号和角速度信号，建立不同步态模式下的步态模型匹配库，并将其输出至处理器单元；

步骤2.1：工控机对肌电信号和加速度信号进行预处理，提取肌电信号和加速度信号的特征，得到融合特征：

本实施方式中，提取肌电信号的特征值包括肌电信号的均方根和肌电信号的短时傅里叶变换特征，提取加速度信号的特征包括加速度信号的均方根和加速度信号的短时傅里叶变换特征。

均方根是最常用的时域特征，它可以很好的表征肌电信号和加速度信号的能量和时域变化，提取肌电信号或加速度信号均方根计算公式如式(1)所示：

$RMS=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{X_i}^2}---\left(1\right)$

其中，RMS为肌电信号的均方根或加速度信号的均方根，X_i为预处理后的肌电信号或预处理后的加速度信号在第i个采样点的幅值，N指一段时间内信号样本的个数。

短时傅里叶变换把信号划分成许多小的时间间隔，用傅里叶变换分析每一个时间间隔，可以确定在那个时间间隔存在的频率，计算公式如式(2)所示：

$P_{SP}(\mathrm{\τ},\mathrm{\ω})={\left|S_{\mathrm{\τ}}\left(\mathrm{\ω}\right)\right|}^2={|\frac{1}{\sqrt{2\mathrm{\π}}}\∫e^{-j\mathrm{\ω}\mathrm{\τ}}s\left(\mathrm{\τ}\right)h(\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ})d\mathrm{\τ}|}^2---\left(2\right)$

其中，P_SP(τ,ω)为肌电信号的短时傅里叶变换特征或加速度信号的短时傅里叶变换特征，s(τ)为预处理后的肌电信号或预处理后的加速度信号，e^-jωτ是时域到复频域变换要乘以的因子，S_τ(ω)为肌电信号的短时傅里叶变换或加速度信号的短时傅里叶变换得到的值，具体的参考公式如式(3)所示：

$S_{\mathrm{\τ}}\left(\mathrm{\ω}\right)=\frac{1}{\sqrt{2\mathrm{\π}}}\∫e^{-j\mathrm{\ω}\mathrm{\τ}}s\left(\mathrm{\τ}\right)h(\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ})d\mathrm{\τ}---\left(3\right)$

其中，h(τ-Δτ)为以τ为中心的特征窗，τ代表时间，Δτ代表时间的变化。

提取肌电信号和加速度信号的特征后，存在特征维度增加，特征出现冗余的问题，本实施方式中采用相关性和冗余性特征筛选方法对提取的特征进行选择，得到融合特征。

以平路行走为例，本发明中肌电信号特征和加速度信号特征融合后的特征分布如图6所示，由图可以看出肌电信号特征和加速度信号特征的分布相对来说比较集中，相关性比较大，从而说明特征筛选的相对较好。

步骤2.2：工控机通过加速度信号和Z方向的角速度信号计算得到期望关节角度，本发明中规定Z方向为所求期望关节角度的方向。期望关节角度具体计算方法如下：

利用加速度信号计算期望关节角度：先求出三个方向加速度信号的矢量和R：

$R=\sqrt{a_x^2+a_y^2+a_z^2}---\left(6\right)$

其中，a_x、a_y、a_z分别为三个方向的加速度信号，然后可以求出Z方向的角度即为期望关节角度angle_z：

${\mathrm{angle}}_z=\frac{180}{\mathrm{\π}}arccos\left(\frac{a_z}{R}\right)---\left(7\right)$

利用角速度信号计算期望关节角度：

angle_t＝angle_t-1+w_z·Δt (8)

其中，angle_t为当前时刻t的关节角度，angle_t-1为前一时刻t-1的关节角度值，w_z为采集的Z方向的角速度，Δt为角速度传感器采集数据的时间变化率。

利用加速度信号对静态和低速状态的角度计算准确，但是对速度突变的情况有大幅偏差；利用角速度信号计算对旋转运动下的角度计算准确，但是静态下有零点偏移和轻微跳变。

定义旋转幅度p为T个采样时刻的角速度绝对值的和：

$p=\underset{t=1}{\overset{T}{\Σ}}abs\left(w_z^t\right)---\left(9\right)$

其中，abs()为求绝对值运算，为第t个采样时刻Z轴方向的角速度，t＝1,...,T。

本发明中，当旋转幅度p＜p₁时，规定为静态或低速，利用加速度信号计算期望关节角度，即使用式(6)和式(7)；当p＞p₂时，规定为速度较快，利用角速度信号计算期望关节角度，即使用式(8)；当p₁≤p≤p₂时，规定速度适中，使用两种方法的加权和求得期望关节角度，加权计算的公式如下所示：

angle_norm＝β·angle_z+(1-β)angle_t (10)

式中，angle_norm为加权计算后得到的期望关节角度，β为加权系数，取值范围为0到1之间。

其中，p₁、p₂和p₃分别为规定的依次增大的三个旋转幅度值。

步骤2.3：工控机将肌电信号和加速度信号的融合特征、期望关节角度进行归一化处理并组成样本集；

步骤2.4：将样本集输入GRNN进行离线训练，得到不同步态模式下的步态模型匹配库。

所述的样本集分成三部分，第一部分随机选取70％训练样本输入GRNN进行离线训练，第二部分随机选取20％交叉验证样本对GRNN进行参数寻优，第三部分10％为测试样本；

步骤2.5：使用GA优化GRNN，得到GA-GRNN以评价步态模型匹配库的优劣，得到最优的步态模型匹配库；

所述的GRNN由输入层、模式层、求和层和输出层构成，其结构如图7所示，x₁x₂…x_n为n个输入向量，Y₁至Y_k为k个输出值。GRNN采用高斯核函数作为传递函数，对应输入为肌电信号特征和加速度信号特征组成的融合特征序列。运用时仅需要优化光滑因子σ的值，即可以使GRNN的预测误差最小。

本发明采用GA对GRNN中的光滑因子σ进行优化，让GRNN输出值与实际值的均方差最小，以达到最优的GRNN，如图8所示，具体的过程如下：

以GRNN的输出值与实际值的误差来表示遗传算法中个体的适应度值，将GRNN的光滑因子σ作为GA中的个体，并设置起始最大迭代次数；

随着迭代次数的增加，个体的适应度值不断更新，GRNN的输出值与实际值的误差越来越小，不断优化光滑因子和改进GRNN的网络拓扑结构，当达到最大迭代次数时，此时GRNN得到最优的光滑因子，此时得到经过遗传算法参数寻优后的GRNN，简称GA-GRNN。

所述的GA-GRNN评价步态模型匹配库的优劣，即对GA-GRNN进行离线测试，将10％的测试样本输入GA-GRNN得到预测关节角度，然后将预测关节角度与期望关节角度进行对比，以评价步态模型的优劣，得到最优的步态模型匹配库。

步骤2.6：工控机将离线训练的步态模型匹配库通过RS232串口输出至处理器单元；

步骤3：在线模式下，处理器单元实时采集肌电信号和加速度信号，对其进行预处理，提取肌电信号和加速度信号的特征，得到融合特征，与步态模型匹配库实时匹配，得到预测关节角度信号以在线控制智能下肢助力装置的步态。

本实施方式中，对上述步骤2和步骤3中采集的受试者的肌电信号和加速度信号进行预处理具体包括：利用巴特沃斯滤波器滤波、单门限多阈值活动段检测。上述步骤3中提到的对肌电信号和加速度信号预处理与步骤2中方法相同。

本实施方式中，预测关节角度信号作为最终的控制信号，可以反应不同步态信息，受试者在行走过程中的不同速度、不同步频，以及位移大小等信息都可以通过关节角度的变化情况反应出来，本发明以平路行走的小腿处的关节角度也就是踝关节角度为例，图9给出了预测关节角度与期望关节角度的对比图，由图可以看出，预测关节角度与期望关节角度拟合度很高，证明本发明的基于肌电信号和惯性信号的智能下肢助力装置在线步态规划方法的实用性。

本发明的所述的智能下肢助力装置的在线步态规划系统及方法可以应用到下肢外骨骼、智能假肢，使其与穿戴者步调一致，实现在线提供助力的目的。