基于EMG信号驱动的康复机器人动作模型设计

时间:2018-01-31 编辑:Hanix 浏览数:1933



前言

近年来,机器人技术越来越多地在康复过程中被引入,目的是降低人工成本,加快恢复过程。由于大多数设备使用中,患者都是被动的,所以目前的技术挑战就是建立能够理解患者意图并相应调整的交互控制功能,实现患者的主动参与。




机器人和患者之间的交互控制是康复机器人研究中非常重要的一个方面, 由于康复机器人是与运动功能受损的患肢相互作用, 而病人是具备自主运动意识的对象, 因此机器人和患者之间的交互控制不可或缺。首先, 交互控制会为患者创造一个安全、舒适、自然并且具备主动柔顺性的训练环境, 避免患肢由于痉挛、颤抖等异常的肌肉活动而与机器人产生对抗, 保护其不会受到二次损伤。其次, 交互控制会从传感器信号中获取患者的主动运动意图, 鼓励患者积极参与到运动中来, 实现所谓的主动训练, 从而提高康复的效果。 根据获取主动运动意图时所使用的信号不同, 机器人与患者之间的交互控制策略可以基本分为两类: 1) 基于力信号的控制方法; 2) 基于生物医学信号的控制方法。


此文献研究的方法是基于生物医学EMG信号驱动的神经肌肉骨骼模型来计算肌肉动力和关节力矩。虽然这种方法很有前景,但收集EMG数据并不是一项简单的工作,因为放置表面电极的肌肉需要专业的人员来选择,并且EMG数据采集过程中可能会受到电磁干扰的影响。


此研究设计了一个EMG模型,该模型建立在一个普通康复运动的EMG数据的简化实验数据库基础上,以发展预测以任意速度实行的相同运动的EMG值的能力。报告的实验结果比较符合希望,在EMG预测中显示出了良好的准确性,从而使EMG驱动的神经肌肉骨骼模型成为可能。模型即使是通过重复的动作建立的,但也具有较好的适用性,可以简化对活动康复设备的使用,使得病人的使用更加简洁有效。


方法

受试者:5个(3男2女)自愿参与的受试者,年龄26±1.22,体重66±12.83 kg,身高1.7±0.089 m。均没有对实验动作有影响神经或者肌肉的协调问题。


装备:使用Cometa Wave wireless EMG系统来收集EMG信号,采集以下5块肌肉的肌电:腓肠肌外侧肌(GASL)、腓肠肌内侧肌(GASM)、比目鱼肌(SOL),腓骨长肌(PER)、胫前肌(TIB)。采集装置的位置也按照相关研究的推荐位置来确定。


跖屈的动作通过相机记录,3个循环标记点分别放在腓骨上端、外侧踝和第五跖骨,如图所示。




实验步骤: 整个实验步骤在实验室内进行,所有受试者均在开始前接受过相同的动作引导,数据采集前,让所有受试者坐在一个舒适的座椅上,足部不着地。然后,再让受试者进行全范围的踝关节跖屈,一组重复3次,总共进行9组。


开始的3组,要求动作缓慢进行(LC),之后再中速(MC),最后快速(HC)。测试中有使用节拍器,来减少各个组里各个动作的速度差异。收集不同频率的动作旨在获得一个较为全面的EMG模型,使得这个模型能够应用在整个踝关节康复动作中。


额外的跖屈动作收集的数据被用来确认大家的数据模型的有效性。每个不同频率至少进行3个额外组。另外再额外增加一个频率(AC),介于快速和中速之间,同样可增加此EMG模型的有效性。


数据采集:EMG信号的初始数据使用高通滤波进行过滤,矫正,在进行低通滤波过滤。此时EMG的数据就完成了标准化。各个肌肉的EMG信号峰值是由各个受试者的相同肌肉中提取出来的。踝关节角度由另一种仪器获取,用来测出踝关节跖屈的角速度,从而确定跖屈动作的起止范围。


EMG模型:预计的EMG模型是使用跖屈的平均速度的数据来预测踝关节运动的EMG值的。对于每个受试者,都建立了一个个人的包含3种动作频率的EMG模型。每个频率和每块肌肉,EMG的平均曲线被首先计算出来,之后,每个肌肉的3种不同频率的曲线,通过时间点来分离出1000个样本,除去速度参数,来进行单独的平均曲线计算。


这些各个肌肉的曲线可以用在相关的康复训练或治疗中,根据所需的频率。根据时间的要求来完成一个完整的踝关节跖屈,每个平均EMG曲线都被预先计算过,来匹配任务要求的频率,从而生成一个预计的EMG信号。


EMG模型有效性测试:使用皮尔逊相关指数R平方和均方根错误指数RMSE来评判。进行两次检测,第一次旨在评估此模型的准确性,收集同样的频率值下的跖屈肌肉信号值,输入EMG模型中来进行测试。第二次测试旨在评估此模型预估EMG型号的准确性,使用不同的频率下(AC)的运动EMG信号来进行测试。


结果






Tables1 和2都列出了从5个受试者肌肉中获得的标准化EMG信号的R2 和RMSE值,整体的R2值是0.75,表明预测的曲线和实验曲线是相关的。平均的RMSE值是0.088±0.022。第二次测试的结果如Tables3 和 4所示,和第一次的测试结果类似。












上图为预测的EMG信号和测量的信号各个肌肉比较,横坐标为跖屈的收缩百分比,数据均来自于4号受试者的AC频率跖屈收缩,灰色区域为±标准差的参考范围间隔区域,绿线为模型预测值。可以看出绿线基本落在灰色区域内,说明EMG模型预测能力较好。


结论

此研究第一次呈现了以5块主要肌参与的跖屈运动EMG信号模型,并获得了较为理想准确的研究结果。应用在损伤患者身上的相关研究也可以进行了,未来将会把研究中心放在建立矫正机器人的踝关节康复功能并且能够简便易行地应用在真正的病人身上。生物医学信号正被逐渐应用于机器人和患者的交互控制,这种交互控制具有很大的灵活性,为完全瘫痪患者的主动训练提供了潜在的可能方案,但由于生物医学信号的随机性高, 从中获取准确的主动运动意图是一项很大的挑战。


免责声明:部分图片来源于网络,版权不属于大家,如有问题请马上联系大家删除。

XML 地图 | Sitemap 地图