基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的下肢關(guān)節(jié)運(yùn)動(dòng)意圖估計(jì)

1、基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的下肢關(guān)節(jié)運(yùn)動(dòng)意圖估計(jì)摘要：利用神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù)建立了腿部關(guān)節(jié)角度預(yù)估模型！模型輸入為處理后的 人體下肢股直肌（VR）、股外側(cè)?。╒L）和長(zhǎng)伸?。‥P）的表面肌電信號(hào)，輸出為髖、膝、踝三個(gè) 關(guān)節(jié)角度預(yù)測(cè)值。在算法迭代更新過(guò)程中，采用混合策略和誤差反向傳播算法實(shí)現(xiàn)結(jié)構(gòu)參數(shù) 的自適應(yīng)調(diào)整與優(yōu)化！通過(guò)了數(shù)值仿真實(shí)驗(yàn)！關(guān)鍵詞：肢關(guān)節(jié)角度估計(jì)&表面肌電信號(hào)；自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)Motion intention estimation of lower limb joint angles basedon adaptive fuzzy neura l networkAbstract：

2、 With neural networks and fuzzy inference techniques, an est i mat i on model for lower limb joint angles is bullt in which the surface electromyography signals (sEMG) of human vastus rectus muscle (VR), vastus laterals muscle (VL) and extensor pollicis l ongus (EP) are inputs, whlle the outputs are

3、 hip, knee and ankle joint angles estimations. In the iterative update process of the algorithm, both the hybrid strategy and error back propagation algorthm are adopted to adjust the parameters. Simulation is carried out.Key words： lower iimb joint angles estimation； surface electromyography (sEMG)

4、 ； adaptive fuzzy neural network(AFNN).$引言康復(fù)機(jī)器人和人機(jī)交互技術(shù)已受到廣泛關(guān) 注，但其難點(diǎn)在于如何利用患者的實(shí)際意圖實(shí)現(xiàn) 康復(fù)機(jī)器人的運(yùn)動(dòng)控制2*針對(duì)上述問(wèn)題，一種 基于肌電信號(hào)估計(jì)關(guān)節(jié)角度的識(shí)別技術(shù)隨之被提 出!05。肌電信號(hào) ( electromyography, EMG) 是 肌肉收縮過(guò)程產(chǎn)生的電信號(hào)，因其蘊(yùn)含人體運(yùn)動(dòng) 的特征信息，通過(guò)進(jìn)一步解讀即可識(shí)別人體的運(yùn) 動(dòng)意圖，從而開展針對(duì)性的意圖訓(xùn)練頊?，F(xiàn)如今 意圖識(shí)別的主流趨勢(shì)為基于人體表面肌電信號(hào) (sEMG)的意圖識(shí)別所識(shí)別結(jié)果的準(zhǔn)確性直 接影響人體實(shí)際的康復(fù)訓(xùn)練文獻(xiàn)10-11：提 出NMS模

5、型依賴大量的生理參數(shù)，如肌肉質(zhì)量、 肌肉纖維長(zhǎng)度、肌腱長(zhǎng)度等，因此模型預(yù)測(cè)結(jié)果針 對(duì)所測(cè)量實(shí)驗(yàn)對(duì)象具有較好的準(zhǔn)確性?；诖耍闹刑岢鲆环N自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò) 模型。第一部分為信號(hào)采集與處理，首先采集了 人體下肢三關(guān)節(jié)的表面肌電信號(hào)，并測(cè)量實(shí)際運(yùn) 動(dòng)時(shí)的角度信息；再利用濾波技術(shù)進(jìn)一步處理采 樣數(shù)據(jù)得到最終的模型輸入樣本。第二部分為模 型預(yù)估與優(yōu)化，通過(guò)利用神經(jīng)網(wǎng)絡(luò)結(jié)合模糊推理 機(jī)制，實(shí)現(xiàn)對(duì)下肢三關(guān)節(jié)角度的精準(zhǔn)預(yù)測(cè)，通過(guò)仿 真結(jié)果證明，文中所提出的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò) 模型在意圖識(shí)別過(guò)程中具有更加良好的精度。1 sEMG信號(hào)采集實(shí)驗(yàn)通過(guò)記錄人體腿部行走運(yùn)動(dòng)時(shí)股直肌 (VR)、股外側(cè)肌(VL)、長(zhǎng)伸肌(

6、EP)相應(yīng)的肌電 信號(hào)數(shù)據(jù)，同時(shí)對(duì)髖、膝、踝三個(gè)關(guān)節(jié)角度進(jìn)行測(cè) 量及記錄。文中不僅使用美國(guó)BIOPAC公司開 發(fā)的MP160肌電信號(hào)采集裝置獲取人體下肢運(yùn) 動(dòng)時(shí)各肌肉對(duì)應(yīng)的肌電信息，還使用中國(guó)匯通公 司生產(chǎn)的WT901C485角度傳感器采集位置關(guān)節(jié) 角度數(shù)據(jù)。采集一名四肢健全的行走者的數(shù)據(jù)作 為模型的輸入數(shù)據(jù)，如圖1所示。圖1表面肌電信號(hào)的測(cè)量為了盡可能減少外部干擾，對(duì)所采集人員的 皮膚表面進(jìn)行相應(yīng)處理。除此以外，由于sEMG 采集過(guò)程使用的氯化銀電極貼間距離會(huì)對(duì)采樣數(shù) 據(jù)產(chǎn)生一定程度的擾動(dòng)，因此本實(shí)驗(yàn)確保兩個(gè)相 鄰電極貼距離為2 cm,測(cè)量結(jié)果分別如圖2和圖 3所示#圖2 圖2 原始sEMG

7、A驢e蟲昌 A驢e蟲昌 A驢e蟲昌時(shí)間/s(a)髓關(guān)節(jié)時(shí)間(a)髓關(guān)節(jié)時(shí)間/s(。)、r0)表示輸入變 量的第G個(gè)隸屬度函數(shù),模糊規(guī)則層節(jié)點(diǎn)R1 , 22 ,2l對(duì)應(yīng)不同隸屬度函數(shù)的組合,并將這 些組合表示為%條模糊規(guī)則。選取預(yù)測(cè)結(jié)果最 優(yōu)時(shí)的高斯函數(shù)作為隸屬度函數(shù)模型，最終的隸 屬度函數(shù)數(shù)學(xué)式為(6)因此,模糊神經(jīng)網(wǎng)絡(luò)模型可以表示為%nj3 九 )2 j = R = (7)% nj3B7(寸)2(7)% nj3B7(寸)2j=1 R = 1#j隸屬度函數(shù)中心；$隸屬度函數(shù)方差向量；Pj隸屬度函數(shù)(j的權(quán)重。4仿真實(shí)驗(yàn)研究與分析為了驗(yàn)證文中算法具有較好的預(yù)測(cè)性能,采 用MATLAB2016a仿

8、真軟件，基于人體下肢 sEMG和髖、膝、踝三關(guān)節(jié)角度測(cè)試數(shù)據(jù)進(jìn)行了 AFNN預(yù)測(cè)模型算法仿真，如圖5圖7所示。時(shí)間/s圖5所得髖關(guān)節(jié)角度對(duì)比實(shí)際膝關(guān)節(jié)90、預(yù)測(cè)膝關(guān)節(jié) .丁80時(shí)間/s圖5所得髖關(guān)節(jié)角度對(duì)比實(shí)際膝關(guān)節(jié)90、預(yù)測(cè)膝關(guān)節(jié) .丁80：；廣、 亍5 I f60! 1 -J i ?50r； 立?軒 !* 廣 %；：40! ；,皿30；*/ n20: /3 ；IO!- U W0一一,一一一*一“一一010 20 30 40 50 60 70時(shí)間/s圖6所得膝關(guān)節(jié)角度對(duì)比_10010 20 30 40 50 60 70 80 90 100100 S內(nèi)跟蹤膝關(guān)節(jié)過(guò)程中無(wú)明顯波動(dòng)，穩(wěn)定性良 好。通過(guò)圖7可以發(fā)現(xiàn)，文中所提預(yù)測(cè)模型在 100 S內(nèi)所得踝關(guān)節(jié)角度預(yù)測(cè)曲線與真實(shí)測(cè)量曲 線重合效果最佳。5結(jié)語(yǔ)針對(duì)下肢外骨骼意圖識(shí)別預(yù)測(cè)精度問(wèn)題研究 了一種基于模糊理論的神經(jīng)網(wǎng)絡(luò)意圖識(shí)別算法- 詳細(xì)分析了肌電信號(hào)的干擾及抑制問(wèn)題，并通過(guò) 神經(jīng)網(wǎng)絡(luò)機(jī)制結(jié)合模糊理論對(duì)sEMG進(jìn)行測(cè)試 以及訓(xùn)練，實(shí)驗(yàn)結(jié)果驗(yàn)證了文中所提出的基于模 糊理論的神經(jīng)網(wǎng)絡(luò)意圖識(shí)別算法不僅能夠提高