【《基于肌肉骨骼模型的上肢运动学参数估计分析案例》8900字】

[13]。（1）SVM对于SVM方法，我们在回归任务中使用了在基于肌肉骨骼模型中选择的最优EIT区域，以此来构造映射函数。预测函数为：y=ωϕx+其中，ϕx是基于核函数的输入数据，y是估计角度值，ω是权重，b是截距。输入数据x∈我们使用的SVM核函数是径向基核函数（RadialBasisFunction，RBF），表达式为kx在回归中使用SVM是为了解决最优化问题：minω,bs.t.：ξyωϕ其中，ϵ是估计角度和实际角度之间的偏差。ξi+ξi∗（2）LassoLasso的预测函数是：y=其中y是估计的腕关节角度，β'是权重，β0'是截距。x是预测的输入数据。βminβ，β0其中，K是训练集中观测数据量，yi是第i次观测值，λ是用来调整惩罚项j=0K|β1.4.2实验结果（1）最优区域选择在本研究中，EIT信号反映的是肌肉横截面的信息。EIT图像随腕关节活动的而实时的变化能够在一定程度上显示出肌肉轮廓。我们通过将EIT信号各区域值分别与腕关节角度值用二次函数拟合后结果中的决定系数（R²）来确定出适用于模型的最优区域，R²越高说明这个区域的EIT数值与腕关节屈伸角度变化的对应关系越好。如图3-7所示，每张图像的左侧为伸肌区域，主要分布腕关节伸展所需的肌肉，而右侧为屈肌区域，主要分布腕关节屈曲所需肌肉。左图显示的是屈曲阶段最优区域，而右侧显示的是伸展阶段最优区域。屈曲和伸展的最优区域分别集中在尺骨的腹侧和桡骨的背侧。图3-7最优区域（2）交叉检验结果实验结果主要分为3部分。对于第一部分实验中被试内的交叉检验，我们将每个被试1/k（k=2，3，……，10）的数据作为训练组，其余为测试组，直到所有数据都作为测试组和训练组。然后对每种训练测试比例的数据取所有被试结果的平均值为最终结果（如图3-8所示）。整体上来说，对于所有方法，平均R²变化趋势基本上是随训练数据的减小而单调减小，平均RMSE随训练数据的减小而单调增大。SVM的结果是所有方法中最差的。在k=2时，Lasso产生了最高的结果，即R²值为0.98±0.02，RMSE的值为5.20±1.47°。但是，在k=10时，也就是1/10的数据用来训练，基于模型的方法结果要比Lasso的方法好，平均R²值为0.96±0.03，平均RMSE为7.33±2.56°。图3-8被试内检验结果对于第一部分实验中，被试间的交叉检验，我们使用n（n=1，2，3，……，13）个被试的数据作为训练组进行训练，然后使用其余被试的数据进行检验。重复训练测试的过程，知道所有被试的数据都被用于训练和测试，最后对不同训练测试比例的结果分别取平均值作为最终结果。如图3-10所示，所有模型的R²值整体变化趋势是随着数据训练量的增加而逐渐增加，RMSE的值整体变化趋势随训练量的增加逐渐减小。从整体结果来看，当训练组的数据超过6个被试时，Lasso的R²最高，且误差最小，本研究提出的方法结果与Lasso的结果相差不大，而SVM的结果最差。但是与Lasso和SVM方法相比，本研究提出的基于肌肉骨骼的回归方法对个体差异性具有更强的鲁棒性，即使只有两个被试的数据作为训练，其平均R²值依然有0.91±0.05。图3-9三种方法的伪实时图像图3-10被试间检测结果 第二部分实验的实验结果如表3-1所示，“姿态1”和“姿态2”是两种姿态内交叉验证的结果。“姿态转换1”是两种姿态之间的直接交叉验证，可以看出结果并不好。这主要是因为姿态转换后肌肉的位置发生了改变，而我们选择的最优区域不适用于姿态转换后的肌肉模型。因此，我们进行了最优区域的更新。“姿态转换2”是两种姿势之间带有最优区域更新的交叉验证。所谓的“最优区域更新”就是我们取姿态转换后的EIT数据和腕关节角度数据取约一个周期进行二次拟合，通过拟合后的R²的最大值区域重新选取最优区域，然后用新区域的数据加入模型中进行计算，获取新的结果。从表中可以得出，经过短时间的更新，姿态间的估计结果与姿态内的估计结果几乎处于同一水平。表3-SEQ表格\*ARABIC1姿态内交叉验证平均结果被试评价标准姿态1姿态2姿态转换1姿态转换2被试1R²0.960.960.800.95RMSE6.636.4515.187.73被试2R²0.950.940.850.93RMSE8.178.1914.069.43被试3R²0.940.940.930.94RMSE6.356.747.456.811.4.3实验结论本研究提出的基于肌肉骨骼的运动学模型是一个带有二次多项式的几何模型。首先选取的作为自变量的数据区域对于结果来说至关重要。在变换姿态的交叉检验，最优区域的更新显著降低了姿态变换的影响。不同人的肌肉大小、分布都有所差异，所以每个人的最优区域都不一样。但是对于被试内和被试间的交叉检验，我们为了使模型对个体间的差异性更具有鲁棒性，而选取了相同的区域，这个区域在整体上来说是最优的，但对于个体来说，不一定是最优的。而Lasso的训练过程是利用L1范数正则化自动选择最优区域，所以Lasso的结果往往比较高。其次，模型中的肌肉解剖参数对所有被试都是相同的，因为在实际中测量每个被试的参数还具有困难。肌肉解剖参数同样会影响模型的实际结果。在未来的研究中，我们会努力解决这些问题，为每个个体定制不同的模型参数。本研究中设计的基于肌肉骨骼模型的方法与现有的相关研究中的方法具有一定的可比性。手腕角度估计的性能，即R²和RMSE，由许多因素决定，主要包括任务复杂度（活动自由度和被试的数量）、传感器的设置（位置及电极数量）、交叉检验的训练组和测试组比例以及算法的设计。与EIT驱动的Lasso模型相比，本文提出的肌肉骨骼模型在训练数据规模较小(包括被试内和被试间)的情况下产生更高的R2和更低的RMSE。虽然当训练数据量增大时，它不能像Lasso那样快速改善，但最终结果与Lasso相差不大，其中R²相差最大0.02，RMSR相差最大为2。对于未来实际的可