張志堅(jiān)
摘要:肌電圖分析是解釋人體運(yùn)動(dòng)意圖的有效手段。一些研究已經(jīng)成功地利用肌電信號(hào)識(shí)別固定姿勢(shì),并將其應(yīng)用于假肢的操作。本文計(jì)劃研究進(jìn)一步辨識(shí)肌電的連續(xù)動(dòng)態(tài)運(yùn)動(dòng),以建構(gòu)能接受更精細(xì)運(yùn)動(dòng)指令,使截肢者也可以像普通人一樣使用假體來(lái)進(jìn)行平滑的運(yùn)動(dòng)。本研究的目的是在前臂連續(xù)運(yùn)動(dòng)的執(zhí)行過(guò)程中,找出肌電信號(hào)與手臂運(yùn)動(dòng)的關(guān)系,并利用肌電信號(hào)實(shí)時(shí)預(yù)測(cè)使用者預(yù)期的前臂運(yùn)動(dòng)。本文提出了一種動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的非線性自回歸外生輸入模型和矢量量化時(shí)間聯(lián)想記憶學(xué)習(xí)算法,并在3個(gè)實(shí)驗(yàn)對(duì)象和兩個(gè)自由度動(dòng)態(tài)運(yùn)動(dòng)的基礎(chǔ)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,該方法能夠利用肌電信號(hào)在一系列連續(xù)運(yùn)動(dòng)中立即估計(jì)出前臂的位置,可用于精密假肢的控制。
關(guān)鍵詞:肌電;預(yù)測(cè);神經(jīng)網(wǎng)絡(luò);自由度
中圖分類號(hào):TP391 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1001-5922(2021)02-0134-04
近年來(lái),隨著測(cè)量設(shè)備和方法的快速發(fā)展,電機(jī)、信息、生物、醫(yī)學(xué)等領(lǐng)域的學(xué)者開(kāi)始有能力將人體復(fù)雜的工作模式研究成分析和仿生仿真。該領(lǐng)域最熱門、最困難的研究課題是與神經(jīng)系統(tǒng)相關(guān)的信息研究。作為支配身體的控制和感覺(jué)交流,神經(jīng)系統(tǒng)的作用可以簡(jiǎn)化為3個(gè)階段:感覺(jué)受體接受刺激、大腦進(jìn)行性解釋和命運(yùn)、效應(yīng)器運(yùn)動(dòng)。在這3個(gè)階段中,生物負(fù)責(zé)通過(guò)電傳遞信息。目前的研究大多集中在對(duì)這些電生理信號(hào)的采集和應(yīng)用上:例如,通過(guò)分析感覺(jué)感受器產(chǎn)生的電生理刺激,通過(guò)接收眼、耳等外部信號(hào),并將其轉(zhuǎn)換成正確的電生理信號(hào)進(jìn)行刺激神經(jīng)系統(tǒng)的仿生器官;通過(guò)分析感覺(jué)受體產(chǎn)生的電生理刺激。
在本研究中,嘗試分析肢體運(yùn)動(dòng)中前臂運(yùn)動(dòng)所產(chǎn)生的肌電信號(hào)。研究的主要對(duì)象是前臂靠近胸部的垂直運(yùn)動(dòng),上臂肌肉和胸背肌控制運(yùn)動(dòng)的肌電信號(hào)。對(duì)于動(dòng)態(tài)運(yùn)動(dòng)的肌電識(shí)別方法,考慮到多肌肉的收縮和多肌肉與骨骼的耦合問(wèn)題,將生物醫(yī)學(xué)模型用于前臂運(yùn)動(dòng)分析將使模型設(shè)計(jì)難度加倍。因此,在本文中,提出一個(gè)遞歸模型,稱為動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的非線性自回歸外生輸入模型和矢量量化時(shí)間聯(lián)想記憶學(xué)習(xí)算法。
1模型架構(gòu)與方法設(shè)計(jì)
圖1是模型控制系統(tǒng),使用肌電圖動(dòng)作預(yù)測(cè)機(jī)制作為人機(jī)輸入接口,該結(jié)構(gòu)顯示了預(yù)測(cè)機(jī)制在控制系統(tǒng)中的位置和功能。該控制系統(tǒng)結(jié)構(gòu)靈活,大致可分為3個(gè)部分:信號(hào)采集部分、運(yùn)動(dòng)預(yù)測(cè)接口和終端控制系統(tǒng)。在信號(hào)采集單元中,包括信號(hào)放大器、比位轉(zhuǎn)換卡、運(yùn)動(dòng)跟蹤系統(tǒng)等硬件測(cè)量?jī)x器,等,用于捕捉用戶當(dāng)前前臂運(yùn)動(dòng),并輸出進(jìn)行采樣和記錄,以刺激肌肉收縮,并由收縮肌電信號(hào)和肌肉收縮驅(qū)動(dòng)的運(yùn)動(dòng)軌跡位置。第二部分對(duì)肌電信號(hào)進(jìn)行分析,基于循環(huán)運(yùn)行網(wǎng)絡(luò)模型的動(dòng)態(tài)估計(jì)接口和前一節(jié)記錄的肌電信息,將組合軌跡和對(duì)應(yīng)軌跡的訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò),進(jìn)行網(wǎng)關(guān)分析和映射學(xué)習(xí)。第3部分為位置控制,為控制器和被控制體提供一個(gè)合適的控制系統(tǒng),以避免用戶從接收運(yùn)動(dòng)估計(jì)界面輸出的動(dòng)作意圖。
2運(yùn)動(dòng)預(yù)估機(jī)制設(shè)計(jì)
為了獲取前臂的空間運(yùn)動(dòng)信息,在前臂的肘部和腕部設(shè)計(jì)了三維跟蹤系統(tǒng)傳感器,使肘部和腕部的運(yùn)動(dòng)坐標(biāo)同步。此外,為了更有效地描述前臂的運(yùn)動(dòng),引入球坐標(biāo)系來(lái)描述前臂的運(yùn)動(dòng)軌跡。圖3顯示了前臂上定義的球面坐標(biāo)系。將軌跡轉(zhuǎn)化為球坐標(biāo),從肘部傳感器的空間坐標(biāo)值中減去腕部傳感器的空間坐標(biāo)值,得到以肘部為原點(diǎn)的腕部位置對(duì)應(yīng)的一組空間方向(x,y,x),描述手臂的當(dāng)前狀態(tài)。然后將(x,y,z)代入球面坐標(biāo)變換公式:
最后,得到了彈道的球坐標(biāo)P=(p,θ,φ)。φ應(yīng)于由胸背肌的收縮和放松引起的前臂內(nèi)旋和外旋的運(yùn)動(dòng),對(duì)應(yīng)于上臂肌肉的收縮和放松。這樣,球坐標(biāo)自然會(huì)與控制前臂運(yùn)動(dòng)的肌肉收縮方向相對(duì)應(yīng),從而進(jìn)一步增強(qiáng)前臂運(yùn)動(dòng)狀態(tài)與肌電信號(hào)變化的關(guān)系。因此,在前臂運(yùn)動(dòng)過(guò)程中,球坐標(biāo)系只需要兩個(gè)變量來(lái)描述運(yùn)動(dòng)軌跡。模型的輸出和估計(jì)值需要從原始坐標(biāo)系中的3個(gè)元素轉(zhuǎn)換為球面坐標(biāo)系。
3深度學(xué)習(xí)學(xué)習(xí)策略
本研究使用了Narendram和Parthasarathy提出的串并聯(lián)結(jié)構(gòu)。其結(jié)構(gòu)特點(diǎn)是在訓(xùn)練過(guò)程中使用目標(biāo)系統(tǒng)的實(shí)際輸出,而不是原來(lái)由網(wǎng)絡(luò)構(gòu)建的輸出。在學(xué)習(xí)算法設(shè)計(jì)方面,各系統(tǒng)的實(shí)際輸入輸出訓(xùn)練數(shù)據(jù)集可以作為事件機(jī)樣本,通過(guò)并行結(jié)構(gòu)作為規(guī)范化網(wǎng)絡(luò)模型的要點(diǎn)。但是,為了保證機(jī)器值的穩(wěn)定性,使用屬于內(nèi)存基結(jié)構(gòu)的網(wǎng)絡(luò)模型來(lái)采集大數(shù)據(jù)點(diǎn)時(shí),可能會(huì)出現(xiàn)計(jì)算結(jié)果耗時(shí)的問(wèn)題。因此,有時(shí)會(huì)引入原型方法來(lái)集中相似的子群數(shù)據(jù)。然而,常用的無(wú)監(jiān)督聚類算法,如k-means算法,只能在一個(gè)空間域內(nèi)進(jìn)行聚類。本文提出一種特殊的非定向聚類算法:基于自組織特征映射算法的矢量量化時(shí)間聯(lián)想記憶模型。
基于自組織特征映射算法的矢量量化時(shí)間聯(lián)想記憶模型從獲得的訓(xùn)練數(shù)據(jù)中提取并建立靜態(tài)導(dǎo)線網(wǎng)。以下是算法過(guò)程:
4實(shí)驗(yàn)與數(shù)據(jù)分析
4.1實(shí)驗(yàn)設(shè)計(jì)
通過(guò)采集數(shù)據(jù)建立學(xué)習(xí)模型的目的不僅僅是映射內(nèi)存給定的數(shù)據(jù),徹底減少輸出誤差,而是提取數(shù)據(jù)的特征,從而建立一個(gè)能夠表示數(shù)據(jù)的統(tǒng)計(jì)模型。因此,模型訓(xùn)練的目標(biāo)應(yīng)該是為尚未獲得的新數(shù)據(jù)建立模型。在模型結(jié)構(gòu)和學(xué)習(xí)算法確定的基礎(chǔ)上,通過(guò)改變模型的復(fù)雜度來(lái)調(diào)整模型,實(shí)現(xiàn)類型的提升。模型的復(fù)雜性主要由兩個(gè)因素控制:一個(gè)是模型的輸入維數(shù),另一個(gè)是模型的可調(diào)維數(shù)。輸入維數(shù)越大,可調(diào)維數(shù)越高,模型的復(fù)雜度越高,在模型中,這兩個(gè)因素分別用延遲長(zhǎng)度和歸一化網(wǎng)絡(luò)元素表示,在選擇了最佳長(zhǎng)度后,進(jìn)行測(cè)試,最終完成網(wǎng)絡(luò)學(xué)習(xí)。用均方誤差(MSE)和相關(guān)系數(shù)(r)假設(shè)在上述驗(yàn)證過(guò)程中用于構(gòu)造誤差值的成本函數(shù)。公式如下:
由于肌肉大小和運(yùn)動(dòng)習(xí)慣等生理差異,每個(gè)人對(duì)同一動(dòng)作產(chǎn)生的肌電信號(hào)幾乎相同。因此,有必要研究該系統(tǒng)對(duì)多個(gè)實(shí)驗(yàn)個(gè)體的適用性。3名受試者被邀請(qǐng)參加這項(xiàng)研究。受試者以男性為主,身體素質(zhì)存在顯著差異。其中一人還經(jīng)常鍛煉肌肉,進(jìn)行研究。
4.2實(shí)驗(yàn)數(shù)據(jù)分析
以下結(jié)果將在實(shí)驗(yàn)設(shè)計(jì)的第二部分中給出,其中1作為測(cè)試。首先,調(diào)整模型的復(fù)雜性。第一部分是調(diào)整測(cè)試。在調(diào)整中,為了避免系統(tǒng)預(yù)測(cè)誤差,通過(guò)對(duì)誤差信息進(jìn)行放大,使輸入延遲大于反饋延遲,以保證輸入項(xiàng)有足夠的能力調(diào)整系統(tǒng)誤差。
測(cè)試結(jié)果如圖2(a)所示。當(dāng)輸入延遲約為12時(shí),誤差MSE最小,相關(guān)系數(shù)r最大。然而,當(dāng)長(zhǎng)度增加導(dǎo)致模型復(fù)雜度增加時(shí),廣義誤差也開(kāi)始增大,因此選擇輸入延遲12個(gè)單位最佳延遲長(zhǎng)度。圖2(b)所示,當(dāng)子午線元數(shù)在200左右時(shí),誤差MSE最低,相關(guān)系數(shù)r最高,當(dāng)子午線元數(shù)繼續(xù)增加時(shí),泛化誤差也開(kāi)始增加。從圖2(b)可以看出,預(yù)測(cè)的軌跡與實(shí)際軌跡幾乎一致。
5結(jié)語(yǔ)
為了有效地識(shí)別前臂在多自由度、多肌肉連續(xù)運(yùn)動(dòng)中產(chǎn)生的肌電信號(hào),建立肌電信號(hào)與運(yùn)動(dòng)學(xué)信息的映射關(guān)系,文章提出了一種通過(guò)學(xué)習(xí)逼近動(dòng)態(tài)系統(tǒng)的遞歸遍歷網(wǎng)絡(luò)自動(dòng)建模和分析。本研究所使用的遞歸網(wǎng)絡(luò)模型,利用一種快速、無(wú)方向的學(xué)習(xí)算法將學(xué)習(xí)框架與訓(xùn)練相匹配,以縮短建模時(shí)間。實(shí)驗(yàn)結(jié)果表明,所提出模型和學(xué)習(xí)策略在經(jīng)過(guò)設(shè)計(jì)的二自由度連續(xù)運(yùn)動(dòng)試驗(yàn)后,能夠快速、完美地再現(xiàn)映射關(guān)系,表明所提出的模型和學(xué)習(xí)策略能夠分析肌電與運(yùn)動(dòng)學(xué)的動(dòng)態(tài)關(guān)系。