面向偏瘫患者的5自由度穿戴式上肢康复机器人控制

面向偏瘫患者的5自由度穿戴式上肢康复机器人控制

近年来，脑病已成为中国老年人的主要健康疾病。由于医疗水平的不断提高，患者的死亡率降低，但死亡率仍然很高。75%的患者表现出不同程度的上肢障碍。上肢功能的恢复对患者的日常生活能力有很大影响，也是康复训练中很难解决的问题之一。医学理论和临床医学的证据表明，这些患者不仅能够早期的手术治疗和必要的药物治疗外，而且能够正确、科学地恢复和提高下肢运动功能。康复训练的过程是一项困难的工作。现在，康复医生主要依靠患者的个性化手术和主观临床经验来评估受影响的下肢，这限制了康复水平的提高。康复医学与机器人技术的结合为新的康复训练技术的研究提供了良好的机会。这不仅可以减少医生的工作量，还可以优化患者的康复治疗方法，提高康复效果。1运动装置的发展康复机器人属于医疗机器人范畴,从功能上可分为康复训练机器人和辅助型康复机器人,康复训练机器人的主要功能是帮助患者完成各种运动功能恢复训练,如手臂运动训练、行走训练、脊椎运动训练等.康复机器人技术在欧美等国家得到了普遍重视.1993年,加利福尼亚大学的lum在他的学生时代便开始研究设计了名为手-物体-手(hand-object-hand)的康复装置,该装置从人类日常生活中对双手协调性工作的需要出发,以简单的双手移动和挤压物体的动作以训练双手协调性.两年后,lum又设计出另一套训练双手上举协调性的装置(bimanualliftingrehabilitator),依靠装置为患手提供力辅助而训练上举协调性.2000年,lum与斯坦福大学合作开发了名为MIME的系列康复机器人,该系列机器人分为三代,第一代只能完成两个自由度的单关节运动.第二代和第三代在Puma系列机器人的带动下分别能够实现前臂的平面运动和三维空间运动.芝加哥大学研制了一种ARMGuide训练装置,通过手动调节其偏转和俯仰两个自由度,可使患者固定在夹板上的手臂完成不同直线轨迹的触点动作训练.美国麻省理工1995年研制了MIT-MANUS上肢康复机器人,该机器人是由五连杆组成的平面两自由度并联机构,患者握住机构末端的手柄完成平面内的运动训练,通过阻抗控制实现训练的安全性和平稳性.在国内,许多相关研究机构也研究了类似结构的康复机器人.这些康复机器人所实现的康复训练均在直线或平面范围内进行,大部分的机构对患者患肢运动中的支撑考虑较少.本文提出了一种针对偏瘫患者,能够完成肩、肘、腕部单关节运动、双关节及三关节复合性运动的5自由度的穿戴式上肢康复机器人,并在系统中引入表面肌电信号将患者运动意图与康复训练相结合.表面肌电信号是了解人体运动、肌肉收缩最直接和重要的信息.利用两种方法对表面肌电信号进行特征提取,并将两种特征分别作为BP神经网络的输入,输出为识别的人体上肢康复动作.偏瘫患者多为单侧受损,利用健侧sEMG驱动康复机器人辅助患者的受损上肢执行康复训练有助于患者保持正确运动的感觉,并激发患者的运动积极性,同时提供了一个很好的人机交互接口.2机械臂和人体单关节复合运动如图1所示,用于上肢运动功能训练的康复机器人从解剖学的角度,模仿人体的上肢运动进行结构设计.该机器人为穿戴式并支持恢复机体功能的专业训练治疗及用于日常生活动作的练习.它具有5个自由度:肩部外展、肩部前屈、肘部伸展、腕部旋转和腕部俯仰.虽然人体肩部具有3个自由度,但为康复机械臂所设计的肩部两个自由度可以通过复合运动实现这3个自由度.考虑到粘贴电极的方便,康复机械臂设计为硬铝双边结构.采用这种特殊的结构使得机械臂整体质量减轻并不失刚度.长度可调节功能使得该机械臂应用于身高不同的人群.在研究初期设计了了各关节的单关节运动和一些简单的多关节复合运动,比如:指鼻,提裤动作.在每个关节选用不同的伺服电机来满足不同的驱动力要求.肩部和肘部三个松下交流伺服电机产生足够的力矩来带动机械臂和人体上肢进行运动.腕部两关节由maxon直流伺服电机进行驱动.光电编码器读取装置的位置信息.该系统中利用哈工大博实精密公司开发的MAC-3002SSP4运动控制卡对电机进行控制.所有的控制算法在计算机中利用VC++和Matlab进行开发.3康复动作的检测传统的康复机器人训练治疗是通过既定的程序来实现的.这一功能本康复机器人系统也同样具备,而本系统还引入表面肌电信号(sEMG,surfaceElectromyogram)实现人机交互,根据患者意图来实现康复训练动作.国内外对这一领域的研究不太成熟,仍然需要进行更多的研究工作.首先,从上肢四块肌肉获取的sEMG包含大量的数据而不便于进行识别康复训练动作的应用.因此利用sEMG的绝对值积分和AR模型参数对其进行特征值的提取.并将其特征值作为BPN的输入.利用这些特征值和与之相对应的康复训练动作对基于L-M算法的三层前馈神经网络进行训练,并将其作为6个上肢运动的分类器.六个动作分别为:肩部外展、肩部前屈、肘部伸展、腕部旋转、指鼻和提裤.本文着重研究康复训练运动的分类,因此各个动作的速度由预先设定值决定.3.1个电极的放置情况sEMG的幅值和频率受诸多因素的影响,例如:环境温度、湿度、患者状态等等,特别是电极的放置位置.在不同时间,对同一受试者的同一块肌肉的肌电信号进行采集都会得到不同的结果.经过长期实验发现将电极沿着肌肉纤维走向放置在肌肉收缩时其波幅最高点时,可获取最大幅值的sEMG信号.本实验中4个电极的放置情况如图2所示.sEMG是肌肉运动在皮肤表面的体现.采用德国OttoBock公司开发的型号为12E35的表面电极来获取sEMG信号.该电极具有内置的前处理电路和增益可调节放大.由于sEMG的固有频率为0～500Hz,因此电极的输出由美国NI公司生产的USB6008采集卡以2000Hz的采样率进行采集.当肌肉放松时,电极放置于正确的肌肉位置的输出在0～0.02V之间波动.但在数据采集过程中,运动的采集起始点会受到各种因素的影响.如果将采集起始阈值设置太低,会造成起始点的误判,如果将起始阈值设置得过高会丢失有用的运动信息,因此选择一个合适的起始点是非常重要的.由于上肢运动是多个肌肉共同作用的结果,因此当4个通道的sEMG中有两个均>0.05V是表明运动开始了.而通过实验发现每个单个运动完成的时间大约为1s.因此,考虑到信号分析的便利采样数目设置为2048,同时对4个通道进行采集,并将采集阈值设置为0.05V.3.2基于ar模型的参数分析所采集到的sEMG信号包含大量数据,因此利用表面肌电信号的绝对值积分和AR参数模型法提取不同肌肉的不同运动的特征.由于经过电极内置电路进行前处理后的sEMG信号均为正值,表面肌电信号的IAV通过下面公式计算:ΙAV=1ΝΝ∑i=1|xi|.IAV=1N∑i=1N|xi|.其中:xi是表面肌电信号的第i个采样点.N=2048为采样点数.对于每个运动通过该方法提取4个特征值.这些特征值将作为神经网络的输入来对上肢康复训练运动进行分类,并与由AR模型参数作为输入所得到的结果进行比较.为随机信号建立参数模型是研究随机信号的一种基本方法.其含义是认为随机信号x(n)是由白噪声w(n)激励某一确定系统的响应.只要白噪声的参数确定了,研究随机信号就可以转化成研究产生随机信号的系统.表面肌电信号是一种典型的随机信号,因此利用该方法为其建立自回归模型(AR模型),这是一种线性预测.sEMG是一种典型的非平稳随机过程.但在短时间内可将其看作平稳信号.通过为表面肌电信号建立参数模型的方法可以大大的减少实验数据并使得信号的特征更加确切.AR模型的阶数是正确描述sEMG信号的一个重要因素.根据前人的研究,为表面肌电信号建立一个四阶模型是比较有效的.由AR模型对sEMG信号进行描述的表达式如下:x(n)=w(n)-p∑k=1akx(n-k).x(n)=w(n)−∑k=1pakx(n−k).其中:x(n)为sEMG信号,w(n)为白噪声,p为AR模型的阶数,ak为AR模型的参数.由于该模型阶数为4,那么每个通道的sEMG信号通过分析将获得4个特征值(a1～a4).n从1～2048.每个动作中均使用4个电极采集sEMG信号.3.3采用lm算法的神经网络为了利用计算得到的sEMG的特征值进行康复训练运动的识别,本系统利用具有自学习功能的人工神经网络来实现人机交互.目前大约80%～90%的人工神经网络均采用由D.E.Rumelhart等人于1986年提出的误差反向传播网络模型或它的变化形式.从结构上BP网络是一种分层型网络,有输入层、隐层和输出层组成.层与层之间采用全互连方式,同一层的单元之间则不存在相互连接.隐层可以由一个或多个.输入和输出神经元的个数由输入输出信号的数目决定.当利用sEMG的IAV值作为网络的输入时,BP神经网络结构为包含10个神经元的单隐层,输入层为4个神经元,输出层为6个神经元,即6个康复训练动作.当选择4块肌肉表面肌电信号的AR模型参数作为网络的输入值时,神经网络结构为包含22个神经元的单隐层,输入层为16个神经元,输出层为6个神经元.图3为三层前馈神经网络的结构.常用的反向传播算法是梯度下降法,参数沿着误差梯度相反的方向移动,使误差函数减小,直到取得极小值.这种基于梯度下降方法的固有缺点是收敛速度慢,易陷入局部极小和易引起震荡.本文采用修正的高斯-牛顿法Levenberg-Marquardt算法,它不仅具有梯度法的全局特性又具有高斯-牛顿法的局部收敛特性.由于利用了目标函数的二阶导数信息,LM算法比梯度法快得多.为使神经网络在实际应用中解决问题,首先对其进行训练就是从应用环境中选出一些样本数据对({p(1),p(2)…p(R);a3(6)},…)对网络的权值(w)进行调节直到得到合适的输入输出关系为止.下面对L-M算法进行简要说明.假设x=[w1(1,1)w1(1,2)…w1(s1,R)b1(1)…b1(s1)w2(1,1)…b3(sM)]T,网络权值与阈值的变化可以看成Δx,对于牛顿法则Δx=-[∇2V(x)]-1∇V(x).(1)其中:V(x)=Ν∑i=1e2i(x)表示误差指标函数,∇2V(x)是V(x)的Hessian矩阵,V(x)表示梯度.sM表示第M层的神经元个数(这里M=1,2,3).∇V(x)=JΤ(x)e(x).(2)且∇2V(x)=JT(x)J(x)+S(x).(3)其中:J(x)为雅可比矩阵,S(x)为误差函数,S(x)=Ν∑i=1ei(x)∇2ei(x).因此联立式(1)～(3),对于高斯-牛顿法则有Δx=-[JΤ(x)J(x)]-1J(x)e(x).L-M算法为改进的高斯-牛顿算法,因此Δx=-[JΤ(x)J(x)+μΙ]-1J(x)e(x).(4)这里μ为大于0的常数,I为单位矩阵.从上式中可看出当μ足够大时,LM算法近似于梯度下降法,若μ为0,则是高斯-牛顿法.由于利用二阶导数信息,LM算法比梯度法快得多,而且[JT(x)J(x)+μI]是正定的,所以式(4)的解总是存在的.LM算法优于高斯-牛顿法.算法的每次迭代都对μ进行自适应调整,对给定的μ能使误差函数降低,则被因子β除,μ逐渐减小,可以快速收敛到解;当误差函数增大时,μ乘以因子β,逐渐增大,权值调整类似于梯度下降法,可以进行全局搜索,所以LM算法同时具备了两种方法的优点,但如果网络中权值的数目很大,则计算量和存储量都非常大.4运动识别结果根据神经康复学理论,本文实验中选取了6个上肢运动,如图4所示.包括肩部外展、肩部前屈、肘部伸展、腕部旋转4个单关节的运动,及日常生活活动涉及的指鼻和提裤2个多关节复合运动.对于选定的4块上肢肌肉采集的表面肌电信号,利用IAV和AR参数模型的方法对其进行分析并将一部分数据送入BP神经网络训练其识别康复训练运动的识别能力.所有试验均在常温常压及受试者的正常状态下进行.为了满足试验的需要,受试者在非疲劳状态下对每个动作进行了60组数据的采集,其中30组用于训练神经网络,余下的30组作为对该网络的检验.实验中将6个动作的识别结果描述为简单的布尔值1或0,如表1所示.BP网络具有6个输出值,当每个值大于0.9时,将这个输出设定为1,当该值小于0.1时,将此输出设定为0.分别将IAV作为网络输入和AR模型参数作为网络输入,以比较两种不同输入下的试验结果.6种上肢动