肢体外骨骼康复系统中肌电信号处理的实时评估

摘要

偏瘫上肢康复训练机器人作为医学机器人的一个重要分支，是康复训练的研究热点。基于运动再学习程序，涵盖康复技术、人体解剖学、力学、计算机科学、机器人技术等领域的技术。基于表面肌电实时康复训练系统的外骨骼机器人在这一领域还存在一些需要解决的问题。现有的康复外骨骼机器人系统大多笨重，难以保证表面肌电信号的准确性和实时性。本文设计了一种基于肌电信号的上肢外骨骼机器人实时训练系统。它有四个主要特点:重量轻、携带方便、精度高、时延低。本工作包括康复机器人系统的结构和表面肌电信号的处理方法。对表面肌电信号处理的精度和时延进行了实验研究。实验结果表明，表面肌电信号的识别准确率为94%，平均延迟时间为300 ms，满足了准确性和实时性的要求。

1.介绍

卒中又称脑血管意外(CVA)，是由急性脑血管损伤引起的疾病。其后遗症通常是偏瘫、面瘫、视力障碍和语言障碍的丧失。偏瘫是中风最常见的症状[1］．据卫生部统计，脑血管病是人口死亡的第二大原因，幸存的患者都留下了不同程度的偏瘫后遗症，给家庭和社会带来了沉重的负担。因此，脑血管病偏瘫患者的治疗与康复尤为重要和迫切，相关学科的学者也在研究如何提高康复效果。脑卒中后偏瘫的康复治疗已被证明是一种有效的治疗方法，已成为现代康复医学和康复工程的研究热点。

大脑皮层的功能代偿和重组在偏瘫患者的治疗中具有重要意义。然而，这种功能重组也受到外部环境刺激的影响[2］．临床实践表明，外部功能恢复在神经功能损害的各个阶段都具有重要作用。通过不断的运动和再学习，神经系统的可塑性得到了加强和巩固。运动再学习是偏瘫康复的常用方法[3.］．该方法基于神经生理学、运动科学、生物力学和行为科学。强调患者的主观参与和认知的重要性。将中枢神经系统损伤后运动功能的恢复训练视为运动再学习的过程。因此，脑卒中后偏瘫的康复治疗已被证明是一种有效的方法，成为现代康复医学和康复工程的重点[4］．

上肢康复训练机器人的发展起步较早，在西方国家发展相对成熟。1991年，美国麻省理工学院的研究人员开发出世界上第一个上肢康复训练机器人系统，称为MIT- manus。该机器人采用连杆机构，通过患者手部末端的手柄。它可以在二维平面内完成运动，并与计算机相连。它可以为病人提供实时的视觉反馈。在运动训练过程中，根据参数和评价体系进行参数的采集和评价。2005年，苏黎世大学的研究人员开发了一种名为ARMin的康复机器人，它具有低惯性、低摩擦和定向驱动的特点。它有四种运动模式，主要是针对患者的四种康复训练模式。在训练过程中，它可以记录其运动轨迹的基本信息，然后对整个训练进行评价[5- - - - - -8］．

在表面肌电信号处理领域，研究者也取得了很多成果。A. M. Simon等学者已经鉴定出上肢和腕部的动作类型有十多种。在该方法中，他们选择4个时域特征来构建特征空间，并使用LDA (linear discriminant analysis)方法来识别运动模式，最终达到86%-96%的准确率。此外,鉴于面肌电信号的非平稳信号,科研团队哈萨克斯坦EMG信号的AR模型参数提取构造特征空间,然后利用主成分分析方法(PCA)降低特征空间的维数,最后,他们使用反向传播神经网络(BPNN)作为分类方法[9，10］．

从现有的研究中，我们可以看到上肢外屏机器人的研究趋势是使其便携，轻巧和智能化。在本文中，我们开发了一种具有3个DOF的上肢外骨骼康复机器人的系统，以及机器人运动的控制是基于SEMG的图案识别。在SEMG的信号处理中，我们提取时间和频率信号的特性来构建特征空间，并使用随机林作为模式识别的分类器。在最终系统测试中，我们测试了此分类结果的分类准确性。

本文介绍了国内外关于上肢康复机器人的一些研究。然后，提出了一种上肢外骨骼康复机器人系统，并对其基于表面肌电信号模式识别的准确性进行了实验。然后讨论了结果。

2.系统结构设计

2．1．上肢外骨骼设计

应该考虑三个关键要求。首先，为了让患者佩戴它，它应该是灵活的，重量轻的，并且它应该有很高的准确性。其次，要有足够的能力来运用病人的组合行动。第三，运动空间必须符合生理结构[11］．

为了实现我们设计的目标，该装置应提供足够的扭矩以培训上肢。执行器应具有高功率以驱动设备并移动上肢。该装置的材料应具有高强度，以防止设备在运动中表现不佳。

对于大多数患者来说，上肢的长度或宽度有许多维度，应该仔细考虑。因此，当我们为大多数患者设计灵活、可穿戴和可调节的概念时，可调节设计要好得多。

此外，联合锻炼更有利于患者的康复过程。我们的设备应该可以自由地进行组合运动而不受干扰。设计了一种三自由度康复机器人。与以往的设备相比，该设计克服了一些缺点，使其具有灵活性、便携性、重量轻、精度高、易佩戴等特点[12］．

机器人如图所示1．它具有以下特点:（1)磨损的稳定性。上肢康复机器人在人体的上背部、前臂和上臂上分别有固定的凹槽，并在这些地方用绷带固定。这些固定的地方可以保证3个自由度的正常运动。(2）低重量。普通的外骨骼装置是将电动机放在臂运动的轴上，但是机器人使用绳索驱动方法从外骨骼机器人去除电机，大大降低其重量并减少患者的负担[12］．（3）考虑到每个人上肢的大小和运动范围，机器人增加了许多自适应被动调节装置，以适应其变化。这也提高了病人的舒适度。

这个机器人有三个部分，一个是肘关节，两个是手腕。人体肘关节只有一个自由度，即弯曲和伸展。手腕有三个自由度，但我们只设计了两个自由度，即弯曲和伸展，以及旋前和旋后。每个运动的范围如表所示1［13，14］．

2．2．表面肌电的采集和处理

外骨骼机器人系统具有SEMG信号和信号处理的实时识别;因此，采集设备使用EMG芯片的实时采集。如图所示2．SEMG采集仪器可以基于原始电拍摄信号收集原始电磁信号并整合并集成，该信号在芯片中进行。芯片的输出可以是整流积分SEMG信号，最初的表面EMG信号也可以是输出。当电拍摄工用于收集磁电信号时，电极粘附的位置非常重要。SEMG采集仪具有两个通道，每个通道分别具有2个电极柱，分别在测量的肌肉的中间和末端附着。还有一个肌肉自由零件连接到电极上。

采集到的信号作为输出送至数字万用表，数字万用表作为AD转换装置。然后将数字万用表采集到的信号连接到计算机上，通过USB接口输出到计算机上。然后利用Matlab软件对信号进行处理和模式识别。

3.系统评价

3．1.实验设计和数据收集

在对机器人的评价中，通过对肌电信号的采集和处理来获取信息，进而对机器人的运动进行实时控制。因此，实验设计的目的是评估机器人系统中肌电信号的实时、准确采集和处理。在此过程中，肌电信号特征提取和分类器设计是两个核心问题。

在本实验中，我们设计了BFNND弯头的动作模式，有0度、30度、60度和90度四种动作模式。然后我们收集了这四个角度的肌电信号。采用双通道肌电采集仪采集肱二头肌和肱三头肌的表面肌电信号。收集数据100组，每组持续时间为1秒。肌电采集频率为1000hz，每组有1000个点。这样得到了100组双通道数据点。

数字3.以0的方式示出了1组双通道信号的时域信息。这是从电焦采集仪器收集的原始信号。之后，还将完成信号处理和模式识别。

3.2。信号预处理

根据表面肌电信号低频、微弱、非线性的特点，首先对信号进行带通铝箔处理，带通滤波器的带通带宽为0 ~ 150 Hz。使用巴特沃斯振幅平方函数:

在(1），是过滤器的顺序，和为截止频率;即振幅的频率降至3db。为频带边缘频率[15］．

然后，我们使用EEMD方法进行过滤。EEMD在EMD的基础上，加入了白噪声辅助分析方法。EEMD方法认为真实信号与白噪声叠加形成原始信号。每个原始信号都可以通过EMD方法得到IMF分量。但是，单独用EMD得到的IMF仍然包含白噪声的影响。EMD方法直接得到的IMF分量为真信号。

在(2），原始的1 IMF分量是否有白噪声，和是EMD执行次数。每个IMF的白噪声是不同的，但当执行EMD的次数足够时，即当IMF的次数足够时，将认为所有IMF的平均值接近真实结果。随着越来越多的测试，附加噪声被认为是完全消除的，只有信号是稳定的。

数字4在0度处显示经过滤波的表面肌电信号。我们可以看到经过信号预处理后，表面肌电信号的高频分量明显小于原始信号，信号更加平滑。这是因为信号预处理滤除了高频信号。本实验分别采用四种模式的肌电图，而本文仅以0度信号为例。信号预处理后，需要进行特征提取[16］．

3．3.特征提取

在短时傅里叶变换局部化的基础上，推导出小波变换，改进了变换过程中频率不变、窗口大小始终不变的缺陷。它可以使时间精度随频率变化。它是对信号进行时频分析和处理的理想工具。小波变换可以突出问题的特征，大大提高了频率时间分析的精度。通过小波函数的展开和平移运算，将原始信号逐渐细化;利用高频时间细分和低频频率细分解决了傅里叶变换问题，成为一种新的有用的信号处理方法。因此，在设计中采用小波能量特征作为特征空间的一部分。

小波包可以看作是一组函数，将信号在特征空间中进行更精细的分解，并为分解后的信号选择相应的频带，使每一个分解信号都与原始信号频谱相匹配;即具有较好的时间和频率分析能力。与小波变换相比，小波包变换在高频分解方面表现得更好，而且精度更高，不丢失原始信号的成分。分解图如表所示2：

在这种方法中，最高一级(第0层)包含所有频带信号，第一层有21个节点，将频率段分为21个部分，将第1层分为第2个节点层分为部分，确实有节点，此节点信号带中的每个节点信号都是节点内的一个信号。每一层节点信号的幅值最大，即为同一层中最有效的信号，可以认为表示该信号在该层上的有效性最大[17］．

小波分析方法已经为弱信号检测技术开辟了一种新的方式，但是小波变换中的弱信号的特征提取的关键是确定小波系数的阈值。在软阈值的基础上，反射信号的能量分布特性的小波概念在不同的分解尺度上具有不同的小波熵，并且可以自适应地确定高频系数的阈值。

小波熵可以在强噪声环境下准确定位微弱信号，实现对能量传递信号的有效提取。因此，在特征空间中，选择小波熵作为特征之一。最后得到一个多维特征空间。

最后，特征空间由小波能量特征和小波熵特征组成。

3.4。模式识别

在肌电图的模式识别中，我们对常用的算法进行了分类。最后，通过对结果的分析，随机森林在分类算法中可以得到良好的分类效果。所以在这个实验中，我们使用随机森林分类器进行分类。下面是随机森林分类器的一些介绍。

在RT的方法中，从原始训练样本集中随机抽取样本生成一组新的训练样本，然后生成一个随机森林基于自助样本集的分类树。新数据的分类结果由分类树投出的选票数量决定。其实质是对决策树算法的改进，将多个决策树组合在一起。每棵树的建立都依赖于一个独立的样本。森林里的每棵树都有相同的分布。分类误差取决于每棵树的分类能力以及它们之间的相关性。特征选择采用随机方法分离每个节点，然后比较不同情况下产生的误差。可以检测固有的估计误差、分类能力和相关性，以确定选择特征的数量。单棵决策树的分类能力可能非常小，但在随机产生大量决策树后，测试样本可以通过统计每棵树来选择最可能的分类[18］．

3．5．分类结果

我们完成了所有肌电信号的处理、训练和测试。训练样本与测试样本之比为9:1。将随机森林分类器应用于模式识别。我们总共做了10个实验，结果如图所示5．

实验结果表明，该分类器的分类准确率约为94%。在实验设置中，我们采用9:1的比例，随机收集实验数据进行分类。这个样本包括四种动作的0种模式:30度、30度、60度和90度。通过这些样本训练的模型将用于康复外骨骼机器人的分类。在实际的系统运行中，还应考虑到延时时间。在一些数据中，患者的最大时间延迟为200 ms - 400 ms，机器人系统显示平均延迟约为300 ms，与时间延迟一致[19］．

4.结论

机器人辅助偏瘫患者康复训练是一个新的研究热点，受到越来越多的关注。

首先介绍了机器人的主要结构。外骨骼机器人克服了现有机械设备的沉重特点。然后介绍了机器人系统肌电信号的采集与处理设计。在本实验中，我们使用肘部的四种动作模式来识别模式。在信号处理过程中，我们考虑到信号的弱、高噪声特性，采用EEMD等方法对信号进行预处理。本实验的特征空间由小波能量特征和小波熵特征组成。

最终分类方法基于随机林法。从最终结果中，实验取得了良好的效果。在设计康复机器人领域，一个需要其分类准确性。另一方面，它对算法的时间延迟性能也具有高要求。在实验中，平均时间延迟符合实际要求。基于上述结论，可以得出结论，机器人系统可以达到一般的实际应用要求。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

该研究部分受到国家高科技的支持。中国研究与开发计划（2015AA043202号），中国国家重点研究和发展方案（2017年FB1304401），天津自然科学基金（14JCYBC42700）。

参考文献

1. R. Merletti，“肌电学生理学，工程和侵入性应用”，Tech。代表，2004年John Wiley＆Sons Inc.。视图:谷歌学术
2. H. I. Krebs，B.T.Volpe，M.L. Aisen和N. Hogan，“提高生产力和保健质量：机器人辅助神经康复”中国康复研发杂志，第37卷，第2期6，页639-652,2000。视图:谷歌学术
3. “上肢运动功能康复系统与评估系统的研究”，《中国康复医学杂志》，第1期，第2页。国际机电一体化与自动化学报， vol. 1, no. 11，页19,2011。视图:出版商的网站|谷歌学术
4. M. Hallett，B.T. Shahani和R. R. Young，“人类陈规定型自愿运动的EMG分析”神经病学，神经外科和精神病学杂志第38卷第2期12页，1154-1162,1975。视图:出版商的网站|谷歌学术
5. P. Shenoy, K. J. Miller, B. Crawford，和R. P. N. Rao，“机器人假肢的在线肌电图控制”，生物医学工程学报，第55卷，第55期3，页1128-1135,2008。视图:出版商的网站|谷歌学术
6. S. S. Rautaray和A. Agrawal，“用于人机交互的实时多手势识别系统”，国际智能系统与应用杂志，第4卷，第4期。5, pp. 56-64, 2012。视图:出版商的网站|谷歌学术
7. K. R. Wheeler, M. H. Chang, K. H. Knuth，“基于手势的控制和肌电图分解”，IEEE系统、人与控制论汇刊第36卷第2期4，页503-514,2006。视图:出版商的网站|谷歌学术
8. H. I. Krebs, N. Hogan, B. T. Volpe, M. L. Aisen, L. Edelstein，和C. Diels，“麻省理工- manus的临床试验概述:机器人辅助神经康复设施，”技术和卫生保健，第7卷，第5期6，第419-423页，1999。视图:谷歌学术
9. a . M. Simon, L. J. Hargrove, B. a . Lock, and T. a . Kuiken，“目标成就控制测试:评估多功能上肢假体的实时肌电模式识别控制”，康复研究与发展杂志，第48卷，第48期6, pp. 619-627, 2011。视图:出版商的网站|谷歌学术
10. G. R. Naik, H. Weghorn, D. K. Kumar, V. P. Singh，和M. Palaniswami，“基于表面肌电图ICA的人机交互的实时手势识别”国际会议接口和人机交互，第83-90页，捷克共和国，2007。视图:谷歌学术
11. 陈旭，张旭，张志勇。赵,黄永发。杨，V. Lantz和k - q。Wang，“基于表面肌电传感器和2d加速计的手势识别研究”2007第11届IEEE可穿戴计算机国际研讨会，第11-14页，美国马萨诸塞州波士顿，2007年10月。视图:出版商的网站|谷歌学术
12. 高斌，马辉，郭树清，徐辉，杨树清，“一种三自由度上肢康复外骨骼机器人的设计与评估”，发表于《中国机械工程》2017 IEEE机电一体化与自动化国际会议(ICMA)，第938-942页，高松，日本，2017年8月。视图:出版商的网站|谷歌学术
13. K. Veer和T. Sharma，“一种鲁棒肌电模式识别的新特征提取”，医学工程与技术学报，第40卷，第5期。4, pp. 149-154, 2016。视图:出版商的网站|谷歌学术
14. “基于小波变换的手指运动识别方法”，国家自然科学基金面上项目2005 IEEE医学与生物学工程第27届年会中国，上海，2006年1月。视图:出版商的网站|谷歌学术
15. H. Yu和Y. Choi，“基于表面肌电的人体手臂运动的实时跟踪算法”2007 IEEE/RSJ智能机器人与系统国际会议，第3416-3421页，圣地亚哥，加利福尼亚，美国，2007年11月。视图:出版商的网站|谷歌学术
16. J. Jiang，Z. Zhang，Z. Wang和J.Qian，“使用电拍摄信号实时控制外骨骼膝关节”生命系统建模与智能计算，第63卷，第2期30，第75-83页，施普林格，柏林，海德堡，2012。视图:出版商的网站|谷歌学术
17. D. Moshou和H. Ramon，“金融时间序列分析中的小波和自组织地图”。神经网络世界”,国际神经和大规模并行计算和信息系统杂志，第10卷，第5期。1，页231-238,2000。视图:谷歌学术
18. A. B. Ajiboye和R. F. H. Weir，“用于多功能假肢控制的启发式模糊逻辑肌电模式识别方法”，关于神经系统和康复工程的IEEE交易，卷。13，不。3，pp。280-291,2005。视图:出版商的网站|谷歌学术
19. A.子Subasi，“适应性神经模糊推理系统使用小波特征提取的癫痫癫痫发作检测”，“生物与医学计算机，第37卷，第2期2，页227-244,2007。视图:出版商的网站|谷歌学术

版权

版权所有©2018 Baofeng Gao等。这是分布下的开放式访问文章知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。