基于实时意图识别的外骨骼机器人步态切换

时间：2024-05-04

宋春宁，郭子铭，，王灿

(1.广西大学电气工程学院，广西南宁 530004；2.中国科学院深圳先进技术研究院，广东深圳 518055)

1 引言

下肢外骨骼机器人依据仿生学的原理，在人体外部构建外骨骼的框架和驱动，对穿戴者提供支撑和助力功能。然而随着科技的发展以及康复需求的增加，人们对康复外骨骼的人机交互控制要求越来越高，使用物理信号(足底压力信号、关节角度信号)实现人机交互实时，因采集信号滞后性，造成实时控制外骨骼机器人不够稳定。人体表面肌电信号(Surface electromyography，sEMG)响应速度快，易于人机交互实现实时控制，成为当前研究的热点。

在sEMG信号识别方面，中国科学院研发了基于sEMG信号手势识别的外骨骼机器人[1]。西北工业大学研发了基于sEMG的多类adaboost算法来对手势进行识别[2]。加拿大拉瓦尔大学研究团队捕获sEMG信号活动来检测手势，完成对机械臂的引导工作[3]。为了解决意图识别问题，电子科技大学研发了通过模糊算法进行控制的下肢外骨骼机器人[4]；中国科学院深圳先进技术研究院研究的第四代康复外骨骼机器人，采用脑电与sEMG结合的方式控制外骨骼站立和行走[5]；浙江大学研究团队采用了卷积神经网络将sEMG信号分解为多个流，模拟肌肉和手势之间的相关性完成对意图的识别[6]；上海交通大学通过预编程控制方式，使用惯性测量传感器在线监测使用者的姿态，研发了基于肌电的BP神经网络手写识别系统[7]。

综上所述，目前对于康复外骨骼机器人的人机交互控制的研究还不够完善，只有少数是通过sEMG实现人机交互完成对手势意图的识别，绝大多数都是通过物理信号采用预编程被动式的控制方式规划行走步态，并没有将意图与控制步态联系起来。因此，本文采用基于手臂sEMG信号实现人体运动意图识别；利用运动过程中关节在空间位移曲线函数规划与运动意图相对应的步态；构建运动意图与步态控制的联系，完成运动意图控制步态实时切换，改善外骨骼与穿戴者的人机交互体验。

2 实验设备系统描述

SIAT康复外骨骼机器人重15千克，共有4个主动驱动关节和2个被动的弹性关节。主动驱动关节与人体的左右膝、髋四个关节耦合，采用盘式伺服电机加谐波减速器的驱动方式，为外骨骼穿戴者在矢状面上助力；被动弹性关节与左右踝关节耦合，装配有弹簧，可以有效地增加运动时的缓冲。为适应不同体型的外骨骼穿戴者，外骨骼机械结构部分的大腿和小腿连杆可在一定范围内调节长度，腰部在可在一定范围内调节宽度。通过调整连杆长度和腰部宽度，可适用身高在165cm-185cm之间的残疾人进行穿戴，图1所示。

图1 实验设备

本文使用了Biometrics PS850便携式sEMG信号采集系统，该系统包括专门用于sEMG测量的传感器和仪器。图1中显示了8通道无线sEMG信号采集设备，本文使用了3个通道，其中每个通道对应一块肌肉的sEMG数据。

Vicon-nexus(VN)动作捕捉系统可用于实时在线或离线运动捕捉和分析。工作原理基于反射式捕获系统，该系统需要佩戴反射球，当VN摄像机向反射球发射红光时，反射球会将相同波长的红光反射到摄像机确定每个反射球的二维坐标，通过VN软件处理获得每个反射球的3D坐标和轨迹。在这项研究中，使用了六个摄像机捕捉运动状态并对步态进行分析如图1所示。

3 运动意图识别与步态设计分析

针对不同的运动意图设定不同的运动步态，是人机交互的一项重要环节。BP神经网络可以有效地帮助外骨骼机器人在实际中获得自主学习的能力，通过辨识sEMG识别运动意图，达到实时控制外骨骼机器人的目标。

3.1 运动意图识别

BP神经网络是一种通用函数逼近，可将输入信号投影到具有一组特定权重值的线性可分离空间中[8]。对于基于sEMG信号的运动意图识别，输入的是从特征提取阶段处理的手臂sEMG信号。三角肌、肱二头肌和指伸肌信号从输入层经过隐藏层传递到输出层。使用多层感知机(MLP)的输出用于帮助分析步行，如图2所示。

图2 BP神经网络

由图所示输入层中的节点数为3，代表sEMG信号的通道数。输入向量是与每个通道相对应的sEMG特征向量的序列。输出向量是运动意图。从输入层到隐藏层的传递函数是双曲正切S型传输函数(tansig)，从隐藏层到输出层的传递函数是逻辑回归中的sigmoid函数。选择动量批梯度下降函数(traingdm)作为BPNN的训练函数，学习率设置为0.01。

(1)

(2)

n1=log2n

(3)

3.2 步态分析

外骨骼的运动步态通常是基于正常人的运动步态规划的，如图3所示。

图3 行走相位

康复式外骨骼一般会结合拐杖帮助穿戴者维持身体平衡，在这种状态下一个完整的步态周期可以按照图4所示的方式进行划分。

图4 外骨骼运动相位

根据不同的运动意图，建立相对应的运动模型，通过运动模型规划适用于特定运动意图的步态。将踝关节作为坐标原点，大腿和小腿看作是两个相连的连杆。

在本文中，驱动关节的运动被约束在矢状面内。使用连杆模型近似表示人体的躯干和大小腿，膝关节和髋关节为连杆的转轴。在水平地面上行走的过程中，髋关节、膝关节及踝关节在矢状面内其运动轨迹是周期性的曲线。在进行外骨骼步态轨迹规划时，可以采用正弦波、三角波的方式来近似关节的运动轨迹。当关节点的运动轨迹确定后，可使用连杆约束反解出关节角度。最终达到髋关节与膝关节协同控制，如图5所示。采用正弦波y=Asin(ωx+φ)+k对步态轨迹进行规划。

图5 连杆结构模型

同理可求出左脚水平坐标xlf(i)=2sl/T*t(i)，左脚纵坐标ylf(i)其中振幅A=sh/2，常数k=sh/2，角频率ω=2π/sl，初相位φ=π/2。左膝xlk与ylk计算如下所示

(4)

(5)

运动方向为x轴正方向，左膝值取xlk的最大值与其对应的ylk。

当xlf(i)=xh(i)，同时满足ylk=0.5yh(i)时，xlk(i)=(xh(i)+xlf(i))/2。当xlf(i)=xh(i)，同时满足ylk≠0.5yh(i)时，xlk(i)=xlk(i-1)。

同理，右膝位置值取xrk的最大值与其对应的yrk。

当xrf(i)=xh(i)，同时满足yrk(i)=0.5yh(i)时，xrk(i)=(xh(i)+xrf(i))/2。当xrf(i)=xh(i)，同时满足yrk(i)≠0.5yh(i)时，xrk(i)=xrk(i-1)。

关节角度为

左髋角度：

(6)

右髋角度：

(7)

右膝角度：

(8)

左膝角度：

(9)

为了确保实验的稳定性，测取了10名身高在165～185cm的正常被试者行走时抬腿的高度，见表1。

表1 行走过程抬脚高度

取中间值11.5cm为抬脚高度，四自由度膝关节和髋关节角度如图6所示。

图6 下肢关节角度

根据运动模型规划出运动轨迹，如图7所示。

图7 规划步态轨迹

4 意图识别与步态稳定性验证实验

运动意图识别需要对原始sEMG信号进行解码。利用特定运动动作可以有效的帮助sEMG信号规律化，降低解码的难度。步态的稳定性需要对当前的运动状态进行分析，利用关节角度与足底压力的相关性以及判断重心位置都可以有效判断当前运动状态的稳定性。

4.1 运动意图

本文对小步行走，大步行走和停止行走三种运动意图进行识别。在外骨骼穿戴训练过程中，训练穿戴者通过特定手部动作产生相应的运动意图sEMG信号。三种运动意图与特定手部动作对应关系(见表2)为：

表2 意图识别动作

sEMG采集传感器在信号采集过程中，需要一直紧贴受试者的皮肤表面；需要考虑到sEMG信号稳定可复现；同时还需兼顾到信号采集传感器不能干涉外骨骼穿戴者的其它运动。在本文中，采集手臂特定肌肉(三角肌、肱二头肌和指伸肌)的sEMG信号进行特征编码，如图8所示。根据国际电生理学和运动机能学学会(ISEK)的标准以及sEMG的指南对电极进行定位，对每块肌肉进行无创评估。为了获得准确的实验数据，本实验采用了五名年龄在20～30岁之间的健康志愿者。

图8 sEMG信号采集位置

本文中sEMG信号采集频率为1000Hz。受试者在每种运动意图下，连续的做相应的手部动作10次；总共采集45000个数据点。sEMG信号的电压范围在0～1mV，如图9所示。信号预处理阶段，sEMG信号首先需要使用50Hz的陷波处理消除工频干扰；接着需要使用无限长单位脉冲响应数字滤波器(IIR)进行带宽为10～500Hz带通滤波[9]；最后经过信号预处理后，进行特征提取。

图9 采集sEMG信号

常用的特征提取方法可以分为三类：时域分析，频域分析和时频域分析。时域分析中的均方根(Root Mean Square，RMS)特征可以反映sEMG信号幅度随时间变化的特性，与信号的电功率直接相关，延迟小因而具有较好的实时性。

本文使用RMS对sEMG信号的特征进行提取。RMS的滑动窗口尺度设定为20，窗口的移动步长设定为10。sEMG信号通过RMS提取的特征向量会产生毛刺，需要使用截止频率为1Hz巴特沃斯滤波器(Butterworth filter)进行低通滤波，结果如图10所示。

图10 sEMG信号

同一时刻的三个肌肉的RMS特征即可构成一个三维的特征向量，特征向量的类别标签通过相应时刻所对应的手部动作给定。

经过上述的特征提取后，总共得到4500组带类别标签的特征向量，每个动作包含1500个数据样本。将整个数据集按照随机抽取的方式，训练集与测试集的方式分配为80%：20%，通过间隔0.5的交叉验证在[-10，10]的区间中寻找最佳的惩罚系数c和幅宽参数g，最后使用反归一化得出测试集预测结果。为减少错误预测结果的数量，将预测值在区间[-0.5，0.5]的特征向量判定为类别0，预测值大于0.5的特征向量判定为类别1，预测值小于-0.5的特征向量判定为类别-1。通过上述处理，测试集测试结果如图11所示。

图11 测试集预测结果

其中1，0，-1分别代表小步行走、停止行走及大步行走三种运动意图的类别标签，○代表真实类别标签，*代表预测结果。训练集识别结果，如图12所示。

图12 训练集预测结果

通过交叉验证，采用不同的折数测试最优意图识别率。调节折数后对比预测结果可知，当折数达到9折的时候，意图识别准确率达到最高，混淆矩阵对比结果如图13所示。意图识别率见表3。

图13 混淆矩阵对比结果(BPNN)

表3 意图识别率

建立的意图识别模型针对同一被试者在不同的时间点均可以有效的识别运动意图。

4.2 步态稳定性验证

通过地面上标记路线和拐杖支撑点位置。外骨骼穿戴者需要将手杖支撑点放在地面上的标记附近，在行走过程所构成的支撑结构如图14所示。

图14 三角形支撑面重心

其中α为COP点到每条边的最短距离。P代表支撑点，G代表重心位置，f代表地面压力。

αca=dc⊥p1p2

(10)

(11)

支撑点的位置会影响支撑结构的稳定性。当支撑结构为锐角三角形时，重心会落在三角形内部，构成稳定状态；当支撑结构为直角三角形时，重心会落在三角形斜边上，构成临界稳定状态；当支撑结构为钝角三角形时，重心会落在三角形之外，构成不稳定状态[10]。

外骨骼运动过程中采集不同步长与步态下的足底压力数据(取最大支撑压力的平均值)如表4所示。支撑点压力数据使用VN动态捕捉系统配合三维测力跑台采集。

表4 不同步长与步态下的足底压力

足底压力数据产生在足部的支撑阶段，但整体的运动过程中包含足部的摇摆相阶段，所以只分析足部支撑阶段足底压力与关节角度的相关系数。

(12)

表5 关节角度与足底压力相关系数

相关系数越高步态就越稳定[11][12]。从表5中发现r>0.7说明相关性比较强，规划的步态趋于稳定。

画出步长为55厘米滤波后的步态重心轨迹图，如图15所示。

图15 运动重心变化轨迹

图15表明了运动重心变化的步态标准值(通过VN动态捕捉采集)，规划步态(按照规划步态行走)，未规划步态(未按照规划步态行走)。对比每组步态中两种步态和标准值的差异，发现规划的步态和标准值更为相近，在稳定行走时重心轨迹的波峰波谷更为非常相近，由此得出规划步态更为稳定。

5 实时意图控制

为了能够实时获取运动意图，通过不同的运动意图改变外骨骼机器人的步态。使用Visual-Stutio建立外骨骼Windows presentation foundation (WPF)控制界面；建立基于BPNN的Matlab意图识别程序；使用IP地址和端口建立Matlab与外骨骼WPF控制界面实时通信连接，搭建sEMG信号实时采集系统与Matlab实时通信连接，使其同时运行。实时意图控制框图如图16所示。

图16 实时意图控制框图

sEMG信号实时采集系统将采集的sEMG信号连续发送到Matlab建立的BPNN模型中，通过对sEMG信号解码，识别人体运动意图。不同的运动意图设定不同的编码，当识别到小步行走的意图，系统向后台发送编码信号1；识别到停止运动意图，系统向后台发送编码信号0；识别到大步行走的意图，系统向后台发送编码信号-1。外骨骼控制界面实时侦听已识别的意图信号编码，并在控制界面运行与编码意图相对应的控制程序，完成步态切换。最终实现外骨骼机器人通过不同的意图切换与意图相对应的步态。

为了确保安全性，触发方式设定为需要侦听到连续三组相同意图信号的触发方式，并设定在每组步态运行时侦听的编码信号无效。当外骨骼机器人在每组步态运行完毕时，下一组意图侦听开始，侦听结果会有一定程度的延迟。