基于遞歸神經(jīng)網(wǎng)絡(luò)的人體下肢運動意圖識別方法

摘 要 采集下肢兩通道的表面肌電信號和相應(yīng)的關(guān)節(jié)運動信息，對原始表面肌電信號進行預(yù)處理。建立基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的開環(huán)估計模型，以預(yù)處理后的表面肌電信號為輸入，關(guān)節(jié)運動量為輸出。在此基礎(chǔ)上，歸零神經(jīng)網(wǎng)絡(luò)作為一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)被應(yīng)用到開環(huán)模型中，形成一個混合的閉環(huán)預(yù)測模型。實驗結(jié)果表明，所提出的閉環(huán)模型能夠有效地消除開環(huán)模型的預(yù)測誤差，進而能夠更加準確地識別出人體的主動運動意圖，為后續(xù)康復(fù)機器人的人機交互系統(tǒng)提供有價值的參考。

關(guān)鍵詞 表面肌電信號；主動運動；運動意圖；下肢；歸零神經(jīng)網(wǎng)絡(luò)；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

中圖分類號 TP183 TP391 文獻標識碼 A 文章編號 2096-7721（2024）02-0121-09

A motion intention recognition method of human lower limbs based on recurrent neural network

ZHANG Xin1， LI Wanting1， CHEN Yan2， SUN Zhongbo1

（1. Department of Control Engineering， Changchun University of Technology， Changchun 130012， China; 2. Department of Neurosurgery， the Second Hospital of Jilin University， Changchun 130041， China）

Abstract In order to accurately identify the active motion intention of human lower limbs， the surface electromyography （sEMG） signals of the two channels and the corresponding joint motion information were collected， and the raw sEMG signals were preprocessed. Then an open-loop prediction model based on radial basis function neural network was established， using the preprocessed sEMG signal as the input and the joint motion information as the output. On this basis， as a special recurrent neural network， the zeroing neural network was exploited to the open-loop model to form a hybrid closed-loop prediction model. The experimental results indicated that the proposed closed-loop model can effectively eliminate the prediction error of the open-loop model， and it can more accurately identify the active motion intention of human lower limbs， which lays a reliable foundation for the subsequent human-computer interaction system of the rehabilitation robot.

Key words Surface Electromyography （sEMG）; Active Motion; Motion Intention; Lower Limbs; Zeroing Neural Network; Radial Basis Function Neural Network

近年來，腦卒中引起的運動性功能障礙患者不斷增加[1]。腦卒中可造成永久性中樞神經(jīng)損傷，并且發(fā)病率高、復(fù)發(fā)率高、致殘率高，是目前世界范圍內(nèi)成人致殘的主要原因之一，給患者家庭和社會帶來了沉重的經(jīng)濟和勞動負擔(dān)。隨著機器人技術(shù)的蓬勃發(fā)展，用于輔助患者進行康復(fù)訓(xùn)練的智能假肢和外骨骼機器人成為研究熱點[2-3]。相關(guān)醫(yī)學(xué)研究結(jié)果提示，長期的人體主動運動激勵有助于中樞神經(jīng)系統(tǒng)的功能性康復(fù)，結(jié)合人體主動運動意圖的康復(fù)訓(xùn)練有助于患者恢復(fù)。為使人與機器之間能夠更好地結(jié)合，要求機器人能夠具有自主適應(yīng)能力，進而能夠理解人的運動意圖。因此，準確、實時、有效地識別人體運動意圖，為后續(xù)的人機交互系統(tǒng)搭建奠定基礎(chǔ)，是實現(xiàn)人機交互的關(guān)鍵所在[4]。

生物電信號中蘊含豐富的行為信息，其中表面肌電信號（Surface Electromyography，sEMG）采集技術(shù)較為成熟且是無創(chuàng)采集，因此被眾多研究者選擇用來解碼運動意圖?；趕EMG信號的意圖識別研究內(nèi)容主要分為兩方面：一是對肢體離散動作的分類[5-7]；二是對關(guān)節(jié)連續(xù)運動量的估計[8-10]。相對于動作分類，關(guān)節(jié)連續(xù)運動估計更有助于患者康復(fù)，其中連續(xù)運動估計的研究包含兩種途徑：一種是建立關(guān)節(jié)動力學(xué)模型[11]，但模型中存在許多難以被準確測量的生理參數(shù)；另一種是直接建立回歸模型用以描述sEMG信號與關(guān)節(jié)運動量之間的非線性關(guān)系，但模型的結(jié)構(gòu)以及數(shù)據(jù)的分布對于模型的預(yù)測結(jié)果影響較大。

根據(jù)以上描述，本研究提出了一種徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)與歸零神經(jīng)網(wǎng)絡(luò)相結(jié)合的閉環(huán)預(yù)測模型[12-15]，利用閉環(huán)模型能夠有效地消除由徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)開環(huán)模型導(dǎo)致的預(yù)測誤差。通過實驗與分析，驗證了該方法的有效性，進而能夠精準地識別出人體下肢的主動運動意圖，為后續(xù)人機交互系統(tǒng)的研究提供價值參考。

1 實驗方法

1.1 數(shù)據(jù)采集 本次實驗所采用的數(shù)據(jù)來自2名健康受試者，通過采集正常人的數(shù)據(jù)來提供一種有效的意圖識別方法，為進一步的康復(fù)研究奠定基礎(chǔ)。對于中風(fēng)患者而言，伸腿與踏車兩種訓(xùn)練模式對恢復(fù)身體機能具有積極作用，所以本次實驗要求受試者模擬踏車運動。關(guān)節(jié)運動是通過協(xié)調(diào)不同部位肌肉共同完成的，在同一運動模式下，人體表面肌電信號與關(guān)節(jié)運動量之間存在不同的相關(guān)性。因此，經(jīng)過相關(guān)性計算，選取人體下肢的股直肌與股外側(cè)肌來估計髖關(guān)節(jié)與膝關(guān)節(jié)的關(guān)節(jié)角度。

下肢的sEMG信號是利用Biopac系統(tǒng)獲取的，該設(shè)備是美國生產(chǎn)的一種無線生理數(shù)據(jù)采集分析系統(tǒng)。Biopac系統(tǒng)的數(shù)據(jù)采集頻率為2000 Hz，并且可以同時測量10個通道的生理信號。由于信號采集過程容易受到外部環(huán)境干擾，因此應(yīng)提前對所選取肌肉的皮膚表面進行清潔處理，隨后將電極片粘貼在皮膚表面并記錄相應(yīng)肌肉的sEMG信號。此外，關(guān)節(jié)的實際角度是使用采樣頻率為100 Hz的慣性測量單元獲得的，將傳感器分別綁定在下肢髖關(guān)節(jié)與膝關(guān)節(jié)上，利用設(shè)備獲取受試者1的雙通道原始sEMG信號和實際關(guān)節(jié)運動角度（如圖1、圖2），受試者2的實驗數(shù)據(jù)如圖3、圖4所示。由圖1和圖3可得知，原始sEMG信號易受到噪聲干擾，不能直接用作輸入信號，需要進行濾波去噪。

1.2 數(shù)據(jù)處理 原始sEMG信號是一種微弱且不平穩(wěn)的信號，其內(nèi)部包含噪聲干擾，而且與針電極相比，工頻干擾會更加嚴重。因此，需要對原始sEMG信號進行降噪處理。實驗中，對原始sEMG信號采用巴特沃斯數(shù)字濾波器，相應(yīng)的低截止頻率和高截止頻率分別設(shè)置為20 Hz和475 Hz。隨后對信號進行全波整流處理，以更加直觀地反映信號幅值變化。

由于采集肌電信號設(shè)備的采樣頻率為2000 Hz，角度傳感器的采樣頻率為100 Hz，兩者相差20倍，所以還需要利用時間窗的方式對信號進行降采樣處理，具體過程如下：

（1.1）其中Wl=20為時間窗長度，sEMGs（n）是第n個sEMG信號數(shù)據(jù)段的平均值。經(jīng)過降采樣處理使得兩種信號的采樣頻率保持一致，隨后將sEMG信號進行歸一化處理并將其用作關(guān)節(jié)運動估計的輸入。最終經(jīng)過一系列預(yù)處理后，2名受試者的雙通道sEMG信號如圖5、圖6所示。

1.3 建立動力學(xué)模型 根據(jù)解剖學(xué)，人體由骨骼、骨連接和骨骼肌組成。骨骼通過關(guān)節(jié)相互連接，從而形成堅硬的人體骨架。肌肉收縮產(chǎn)生的力使連接的關(guān)節(jié)產(chǎn)生扭矩，進而拉動骨骼產(chǎn)生關(guān)節(jié)運動。因此，建立下肢動力學(xué)方程對研究人體運動過程中關(guān)節(jié)運動信息的變化具有重要意義。本研究僅考慮了髖關(guān)節(jié)和膝關(guān)節(jié)的運動，建立人體下肢骨骼動力學(xué)模型，表示關(guān)節(jié)扭矩與關(guān)節(jié)運動量之間的關(guān)系。

基于拉格朗日-歐拉公式，下肢的骨骼動力學(xué)模型可以表述為：

（1.2）其中M為慣性矩陣，C表示向心-科里奧利矩陣，、和分別代表關(guān)節(jié)的角度、角速度和角加速度，G是重力矩陣，τl是作用在關(guān)節(jié)上的扭矩。當(dāng)作用在關(guān)節(jié)上的扭矩已知，公式（1.2）中的角度和角速度可以重新表述為：

（1.3）其中和表示關(guān)節(jié)角度和關(guān)節(jié)角速度。

2 建立預(yù)測模型

2.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 在本次實驗中，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network，RBFNN）建立sEMG信號與下肢關(guān)節(jié)運動量之間的映射關(guān)系。利用RBFNN模型，預(yù)測出髖關(guān)節(jié)和膝關(guān)節(jié)的運動量，從而識別出人體的運動意圖。然后，估計扭矩可以通過估計出的關(guān)節(jié)角度、關(guān)節(jié)角速度并通過公式1.2來求解。實驗中，假設(shè)實驗設(shè)備采集到的數(shù)據(jù)如下：

2.2 歸零神經(jīng)網(wǎng)絡(luò) 基于RBFNN模型的下肢運動意圖識別方法是一個開環(huán)預(yù)測系統(tǒng)。通常，模型的預(yù)測值都會與實際測量值存在誤差，而模型的簡化、傳感器之間的噪聲等會使預(yù)測誤差增大。由于開環(huán)模型沒有自主校正能力，進而會導(dǎo)致估計的下肢運動意圖不準確，無法將預(yù)測結(jié)果應(yīng)用于后續(xù)的人機交互系統(tǒng)。因此，可以利用閉環(huán)估計方法來有效地消除累積誤差。在閉環(huán)系統(tǒng)中，如果檢測到預(yù)測值與實際測量值存在偏差，就會產(chǎn)生相應(yīng)的控制函數(shù)來消除誤差。

歸零神經(jīng)網(wǎng)絡(luò)（Zeroing Neural Network，ZNN）是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)，具有指數(shù)收斂性。ZNN的主要目的是構(gòu)造一個誤差函數(shù)，例如使RBFNN模型的預(yù)測誤差接近于0。尋零問題定義如下：

2.3 RBFNN-ZNN模型 在神經(jīng)網(wǎng)絡(luò)預(yù)測模型中引入ZNN的閉環(huán)控制，可極大程度上消除誤差影響，從而提高意圖識別的準確率。RBFNN-ZNN閉環(huán)系統(tǒng)具有減少干擾、增強模型預(yù)測性能等特點?；诠剑?.2），通過RBFNN估計出的總扭矩τM， i可以表示如下：

3 實驗結(jié)果

為證明上述方法的可行性，搭建圖8所示的實驗框圖。實驗中，要求2名受試者做模擬踏車運動并持續(xù)37 s，利用2名受試者的數(shù)據(jù)驗證該方法的可靠性。根據(jù)實驗處理部分可知，sEMG信號系統(tǒng)與角度傳感器的采樣頻率變?yōu)橥?，均?00 Hz。因此，當(dāng)受試者完成指定動作時，分別得到3700組關(guān)于sEMG信號與關(guān)節(jié)運動量之間的數(shù)據(jù)，將收集到的前一半數(shù)據(jù)用作預(yù)測網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，其余的一半用作測試數(shù)據(jù)來觀測網(wǎng)絡(luò)性能。基于所構(gòu)建的實驗框圖，利用RBFNN模型進行下肢運動意圖識別實驗，并探索RBFNN-ZNN模型的優(yōu)越性。

由圖8可知，實驗流程分為以下幾個步驟：首先，利用實驗設(shè)備測量所需運動數(shù)據(jù)，然后對sEMG信號進行預(yù)處理，并將其作為輸入信號。其次，根據(jù)RBFNN開環(huán)模型估計出的關(guān)節(jié)運動量計算出相應(yīng)扭矩，接著利用RBFNN-ZNN閉環(huán)模型來消除開環(huán)模型的預(yù)測誤差。最后，根據(jù)預(yù)測扭矩得到關(guān)節(jié)角度，并與實際測量值做對比，識別出人體下肢關(guān)節(jié)角度?；谝陨厦枋?，圖9和圖10分別代表了受試者1的髖關(guān)節(jié)與膝關(guān)節(jié)的角度預(yù)測值，受試者2的角度估計值分別如圖11和圖12所示。

由2名受試者的關(guān)節(jié)角度預(yù)測值可見，藍色曲線代表實際關(guān)節(jié)角度，綠色曲線代表RBFNN模型的角度預(yù)測結(jié)果，紅色曲線代表RBFNN-ZNN模型的角度預(yù)測結(jié)果。實驗中，將RBFNN開環(huán)模型的模型階數(shù)設(shè)置為10。從角度預(yù)測結(jié)果中可以發(fā)現(xiàn)，RBFNN模型預(yù)測出的關(guān)節(jié)角度與實際角度的軌跡趨勢大致相同，但總體的預(yù)測效果并不理想。由于RBFNN模型精度受到模型階數(shù)隱藏層神經(jīng)元個數(shù)影響，這種不確定性會導(dǎo)致開環(huán)模型存在預(yù)測誤差。因此，在關(guān)節(jié)運動的臨界處會出現(xiàn)抖振現(xiàn)象，預(yù)測曲線明顯偏離實際曲線。作為對比實驗，RBFNN-ZNN閉環(huán)模型的預(yù)測值與實際值更加吻合，這是由于ZNN模型（2.9）對于非線性時變問題的求解具有較高的精度和較強的魯棒性。因此，閉環(huán)模型對于關(guān)節(jié)角度的預(yù)測效果明顯優(yōu)于開環(huán)模型。閉環(huán)模型極大程度上消除了預(yù)測誤差，從而有效地提高了預(yù)測精度，并證明了RBFNN-ZNN模型的先進性。

圖13和圖14代表了受試者1的髖關(guān)節(jié)與膝關(guān)節(jié)的預(yù)測誤差，受試者2的角度預(yù)測誤差分別如圖15和圖16所示，其中藍色曲線代表開環(huán)模型的預(yù)測值與真實測量值的誤差，紅線為閉環(huán)模型的估計值與真實值的誤差，可更加直觀地反映該模型的角度預(yù)測性能。

從2名受試者的誤差結(jié)果中可清楚發(fā)現(xiàn)，閉環(huán)模型的誤差曲線在0附近以極小幅度擺動且變化穩(wěn)定，而開環(huán)模型的誤差曲線波動較大且變化雜亂。因此，閉環(huán)模型具有更好的預(yù)測精度和魯棒性。根據(jù)2名受試者的實驗數(shù)據(jù)，驗證了本研究中的預(yù)測方法是有效的，能夠準確識別下肢運動意圖。

4 總結(jié)與展望

本研究提出了一種RBFNN與ZNN相結(jié)合的新穎預(yù)測方法，用于估計和識別人體下肢主動運動意圖。通過實驗分析及結(jié)果，所提出的RBFNN-ZNN閉環(huán)模型能夠有效地消除由于RBFNN開環(huán)模型所導(dǎo)致的預(yù)測誤差。RBFNN- ZNN模型的整體性能明顯優(yōu)于RBFNN模型，并對于不確定因素具有較強的魯棒性，進而能夠更加準確地估計出人體的主動運動意圖。未來的工作重點是收集實際患者的臨床數(shù)據(jù)，提高預(yù)測模型性能，為后續(xù)的人機交互系統(tǒng)的研究提供可靠的、有價值的參考。

利益沖突聲明：本文不存在任何利益沖突。

作者貢獻聲明：①張鑫負責(zé)論文初稿寫作，數(shù)據(jù)采集與整理分析；②李婉婷、陳巖負責(zé)數(shù)據(jù)采集與整理分析；③孫中波負責(zé)論文撰寫，方法指導(dǎo)和方案確定。

參考文獻

[1] NIU C M， BAO Y， ZHUANG C， et al. Synergy-based FES for post-stroke rehabilitation of upper-limb motor functions [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2019， 27（2）： 256-264.

[2] WEN Y， LI M H， SI J， et al. Wearer-Prosthesis interaction for symmetrical gait： a study enabled by reinforcement learning prosthesis control [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2020， 28（4）： 904-913.

[3] WEI D， LI Z J， WEI Q， et al. Human-in-the-loop control strategy of unilateral exoskeleton robots for gait rehabilitation [J]. IEEE Transactions on Cognitive and Developmental Systems， 2019， 13（1）： 57-66.

[4] YU X B， HE W， LI Y A， et al. Bayesian estimation of human impedance and motion intention for human-robot collaboration [J]. IEEE Transactions on Cybernetics， 2019， 51（4）： 1822-1834.

[5] LIN M W， RUAN S J， TU Y W. A 3DCNN-LSTM hybrid framework for sEMG-based noises recognition in exercise [J]. IEEE Access， 2020. DOI： 10.1109/ACCESS.2020.3021344.

[6] Park S， Wan K C， Kim K. Training-Free Bayesian self-adaptive classification for sEMG pattern recognition including motion transition [J]. IEEE Transactions on Biomedical Engineering， 2019， 67（6）： 1775-1786.

[7] HU X H， ZENG H， SONG A G， et al. Robust continuous hand motion recognition using wearable array myoelectric sensor [J]. IEEE Sensors Journal， 2021， 21（18）： 20596-20605.

[8] XI X G， JIANG W J， HUA X， et al. Simultaneous and continuous estimation of joint angles based on surface electromyography state-space model [J]. IEEE Sensors Journal， 2021， 21（6）： 8089-8099.

[9] LI Z Y， ZHANG D H， ZHAO X G， et al. A temporally smoothed MLP regression scheme for continuous knee/ankle angles estimation by using multi-channel sEMG[J]. IEEE Access， 2020. DOI： 10.1109/ACCESS.2020.2979008.

[10] MA C F， GUO W Y， ZHANG H， et al. A novel and efficient feature extraction method for deep learning based continuous estimation [J]. IEEE Robotics and Automation Letters， 2021， 6（4）： 7341-7348.

[11] WANG W Q， HOU Z G， CHENG L， et al. Toward patients’ motion intention recognition： dynamics modeling and identification of iLeg—an llrr under motion constraints [J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2017， 46（7）： 980-992.

[12] WANG G， LIU Y B， SHI T， et al. A novel estimation approach of sEMG-based joint movements via RBF neural network [C]. 2019 Chinese Automation Congress （CAC）， 2019.

[13] CHAI Y Y， LIU K P， LI C X， et al. A novel method based on long short term memory network and discrete-time zeroing neural algorithm for upper-limb continuous estimation using sEMG signals [J]. Biomedical Signal Processing and Control， 2021. DOI： 10.1016/j.bspc.2021.102416.

[14] JIN L， LI S， HU B. RNN models for dynamic matrix inversion： a control-theoretical perspective [J]. IEEE Transactions on Industrial Informatics， 2017， 14（1）： 189-199.

[15] JIN L， YAN J K， DU X J， et al. RNN for solving time-variant generalized Sylvester equation with applications to robots and acoustic source localization [J]. IEEE Transactions on Industrial Informatics， 2020， 16（10）： 6359-6369.

編輯：劉靜凱