基于表面肌电信号的人体膝关节角度连续预测及实验验证

张兴; 王宁; 杨明星; 李杰; 叶晔

doi:10.12404/j.issn.1671-1815.2507077

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (26) :11367-11376 DOI: 10.12404/j.issn.1671-1815.2507077

自动化技术、计算机技术

基于表面肌电信号的人体膝关节角度连续预测及实验验证

张兴 ¹^,² ,
王宁 ¹^,² ,
杨明星 ¹^,²^,^* ,
李杰 ¹^,³ ,
叶晔 ¹^,²

作者信息 +

Continuous Prediction of Human Knee Joint Angles Based on Surface Electromyography Signals and Experimental Validation

ZHANG Xing ¹^,² ,
WANG Ning ¹^,² ,
YANG Ming-xing ¹^,²^,^* ,
LI Jie ¹^,³ ,
YE Ye ¹^,²

Author information +

文章历史 +

摘要

针对人机交互康复助力任务中下肢外骨骼难以感知人体运动意图导致无法适应个体化运动需求的问题,提出了一种基于表面肌电信号(surface electromyography,sEMG)的人体膝关节角度连续预测方法并开展相关实验研究。首先,将采集的sEMG通过滤波器进行预处理并采用滑动时间窗的方法进行特征提取;其次,提出一种融合遗传算法(genetic algorithm,GA)与粒子群优化算法(particle swarm optimization,PSO)优化反向传播神经网络(back propagation,BP),构建了GAPSO-BP预测模型,将模型预测角度与实际角度作比较;最后,基于“镜像”实验控制方案搭建膝关节外骨骼人机交互实验平台,从运动跟随与助力效果两个维度进行系统验证。实验表明:GAPSO-BP模型的预测精度相较于传统BP、径向基(radial basis function,RBF)和极限学习机(extreme learning machine,ELM)分别提升了4%、6%和7%;运动跟随效果评估中的决定系数、均方根误差和标准化均方根误差的平均计算结果分别为91.61%、2.029°、7.328%;助力效果评估中平均辅助效率为37.27%。所提出的GAPSO-BP算法有效提升了预测精度,为下肢外骨骼系统提供了可靠的人机交互方案。

Abstract

To address the limitation that lower-limb exoskeletons cannot adapt to personalized motion demands, a continuous knee joint angle prediction method based on sEMG (surface electromyography) was proposed and evaluated. The limitation arises from the difficulty of accurately perceiving human movement intention during human-robot interaction rehabilitation tasks. Firstly, the collected sEMG signals were filtered, and features were extracted using a sliding time-window method. Secondly, a prediction model named GAPSO-BP was developed by combining GA (genetic algorithm) and PSO (particle swarm optimization) to optimize BP (back propagation) neural network. The predicted angles were then compared with the actual angles. Finally, a knee exoskeleton human-robot interaction platform was also built using a mirror-control experimental scheme, and system validation was conducted through motion-tracking and assistance-effectiveness tests. Results show that the prediction accuracy of the GAPSO-BP model increases by 4%, 6%, and 7% compared with BP, RBF (radial basis function), and ELM (extreme learning machine) models. In motion-tracking evaluation, the average coefficient of R-Squared, root mean square error, and normalized root mean square error are 91.61%, 2.029°, and 7.328%. In assistance-effectiveness evaluation, the average assistance efficiency is 37.27%. The proposed GAPSO-BP algorithm improves prediction accuracy and provides a reliable human-robot interaction approach for lower-limb exoskeleton systems.

Graphical abstract

关键词

表面肌电信号 / 人机交互 / GAPSO-BP预测模型 / 下肢外骨骼

Key words

surface electromyography / human-robot interaction / GAPSO-BP prediction model / lower-limb exoskeleton

引用本文

引用格式 ▾

张兴, 王宁, 杨明星, 李杰, 叶晔. 基于表面肌电信号的人体膝关节角度连续预测及实验验证[J]. 科学技术与工程, 2026, 26(26): 11367-11376 DOI:10.12404/j.issn.1671-1815.2507077

ZHANG Xing, WANG Ning, YANG Ming-xing, LI Jie, YE Ye. Continuous Prediction of Human Knee Joint Angles Based on Surface Electromyography Signals and Experimental Validation[J]. Science Technology and Engineering, 2026, 26(26): 11367-11376 DOI:10.12404/j.issn.1671-1815.2507077

登录浏览全文

4963

注册一个新账户忘记密码

近年来,下肢外骨骼在军事增强与康复医疗等领域取得了显著进展^[1-3],根据功能定位可将其划分为神经康复外骨骼和助力增强外骨骼^[4-5]。传统控制方法难以实现人体运动意图的实时解析与传输,因此提升人机交互性能成为克服其应用瓶颈的关键^[6]。下肢外骨骼需要具备环境感知与实时响应能力,动态调整运动控制策略以实现安全、准确的人体运动意图识别^[7-8]。随着脑机接口(brain-computer interface,BCI)技术突破,外骨骼控制范式正逐步从预编程轨迹控制向基于神经信号驱动的控制方式转变^[9-10]。协和医院最新研究表明,无创脑电(electroencephalogram,EEG)控制的下肢外骨骼能够帮助截瘫患者恢复基本行走能力,但由于EEG空间分辨率低、抗干扰性差等局限性,其临床应用仍面临一定挑战。相比之下,表面肌电信号(surface electromyography,sEMG)凭借较高的信噪比和运动意图超前表征能力,成为实现自然、高效人机交互的更优选择^[11]。因此,基于sEMG及其融合多模态信号的下肢外骨骼控制已经成为当前研究热点^[12-14]。

在人机交互领域,基于sEMG的运动意图解码主要包括离散动作分类与连续运动预测两种方式^[15-16]。其中离散动作分类仅能识别运动模式,而连续运动预测能够对运动量的具体数值进行实时输出,更符合高精度人机交互的需求。Wu等^[17]提出了一种结合Hill型肌肉模型与高斯径向基网络的方法,基于肱三头肌的sEMG估计肘关节力矩,通过与实际测量值对比验证了其有效性。Zhang等^[18]基于肌肉模型融合踝关节sEMG和超声回声信号估计肌肉激活水平,改善外骨骼的控制性能。Zhu等^[19]开发了一种基于sEMG和Hill肌肉模型的关节力矩估计方案,实现了外骨骼的随需助力功能。尽管上述基于肌肉骨骼模型驱动过程可以对外骨骼进行直观控制,但其因理想化假设或过度简化可能引起输出数据不够精确。相比之下,基于神经网络构建sEMG与连续运动之间映射联系的数据驱动方法更符合人体运动意图输出。刘克平等^[20]通过广义回归神经网络(general regression neural network,GRNN)建立上肢sEMG与上肢关节角度的非线性关系,验证了GRNN模型预测上肢关节角度的可行性,实现了人体上肢运动意图识别。汤璐等^[21]提出基于注意力机制的卷积神经网络(convolutional neural network,CNN)与长短期记忆(long short-term memory,LSTM)模块结合的sEMG特征输入CNN-LSTM模型来预测膝关节角度,有助于实现下肢外骨骼机器人穿戴舒适性控制。王海等^[22]将sEMG与深度回归森林及人工神经网络相结合,用于手指关节角度连续精确感知,轨迹跟踪精度比传统高斯过程回归器有较大的提升。Wang等^[23]采用多源生物信号预测被试对侧下肢关节角度模型,结合了来自患腿的VAG信号和来自健侧腿的sEMG信号以处理不同程度的偏瘫。

sEMG作为人机交互中的信号输入,需要满足实时性、准确性和舒适性等要求以保障人体运动安全。当前基于sEMG数据驱动的模型算法在理论预测中取得了一定的效果,但其因缺乏人机交互实时在线控制实验,从而难以保证实际应用效果。

针对上述问题,现基于sEMG提出一种GAPSO优化反向传播(back propagation,BP)神经网络下肢膝关节角度预测方法,并结合下肢外骨骼搭建控制系统对人机交互进行实验验证。首先,将采集到的sEMG使用滤波器和滑动时间窗的方法进行预处理和特征提取;其次,利用遗传算法(genetic algorithm,GA)进行全局搜索生成高多样性初始权值种群,后引入粒子群优化(particle swarm optimization,PSO)的社会认知机制对个体历史最优与群体最优引导权值更新,将优化参数传递至BP进行训练与预测;最后,基于“镜像”控制策略,利用健肢sEMG映射患肢运动轨迹方案搭建膝关节外骨骼控制平台,分别在1.0、1.3、1.5 km/h行走速度下通过运动跟随及主动柔顺助力两方面验证下肢外骨骼助力的整体控制策略。聚焦于探索具备实时性与连续性的人体运动意图识别方法,并结合实验室自主研发的膝关节助力外骨骼进行实验验证,为下肢外骨骼系统提供可靠的人机交互方案。

1 模型参数获取与实验方法

1.1 模型参数获取方法

12名健康被试(年龄:24岁±3岁,身高:1.60 m±0.25 m,体重:60 kg±20 kg)参与了本实验的数据采集。在进行数据采集前,为防止人体角质和汗液对实验数据的干扰,使用一次性酒精湿巾清洁目标肌肉表面皮肤。实验使用图1(a)所示的sEMG采集设备为交浦科技公司生产的四通道全无线肌电信号系统及AgCl电极,其采样频率为 1 000 Hz。每个通道的电极间隔20 mm,沿被试大腿的股直肌、股二头肌和股外侧肌的肌腹处粘贴肌电电极片用来采集sEMG。同时,在被试的小腿上穿戴维特智能HWT901B型惯性测量单元(inertial measurement unit,IMU)采集膝关节失状面角度变化,采样频率为200 Hz,sEMG传感器和IMU传感器穿戴位置如图1(b)所示。

1.2 实验方案

图2所示为采用dSPACE系统作为中央控制单元的数据采集系统,其中IMU采集模块通过CAN通信传输角度信号,sEMG采集模块通过Wi-Fi通信传输肌电信号,采集结果实时显示于上位机界面。

传感器布置完成后,要求被试静止站立15 s进行初始化关节角度计算。实验开始时,计算机发出数据采集指令,被试以1.3 km/h的速度在跑步机上行走,各传感器同步启动数据采集。设置采集时间为每次步行3 min,随后休息5 min以避免肌肉疲劳的影响,重复进行10组实验。

1.3 数据预处理

数据采集过程中因存在50 Hz工频和运动伪迹等噪声干扰,导致原始采集的sEMG信噪比较低,需要对信号进行滤波和伪迹消除等预处理。sEMG的有效频率成分主要集中在5~200 Hz,为尽可能保留有价值的信息,首先采用20~450 Hz的2阶巴特沃斯带通滤波器进行滤波,随后用50 Hz陷波滤波器来消除电力线干扰。在此基础上,对sEMG进行全波整流,并利用截止频率为1 Hz的五阶低通巴特沃斯滤波器取包络。图3所示为经数据预处理后的一条较为平滑的幅值包络线,该包络线振幅变化率和原始sEMG保持一致性,能够清晰反映sEMG的变化特征,便于后续膝关节角度估计模型的训练。

1.4 特征提取

为了从采集的sEMG中提取出具有代表性的信息,采用滑动时间窗的方法对降噪处理后的表面肌电信号进行不同种类的特征值提取。图4所示为sEMG特征提取过程中的滑动时间窗示意图,其滑动窗口长度与步长的选取会直接影响特征提取的有效性与控制系统实时性等要求。根据文献[24],设置滑动窗口的时间大小为20 ms,步长设置为 20 ms。对sEMG与IMU数据同步进行数据分割,以确保在提取特征数量上保持一致。

为满足后续在线实验与人机交互对实时性的要求,选取的特征值均采用sEMG分析中常用的4种时域特征,即平均绝对值(mean absolute value,MAV)、均方根(root mean square,RMS)、肌电积分值(integral electromyographic,iEMG)和波形长度(waveform length,WL)来进行sEMG的特征提取。相应的特征计算公式为

(1)

${\mathit{T}}_{\mathit{M}\mathit{A}\mathit{V}}=\frac{1}{\mathit{N}}\sum _{\mathit{i}=1}^{\mathit{N}}|{\mathit{x}}_{\mathit{i}}|$

式(1)中:T_MAV为平均绝对值;N为采样点数;x_i为运动信息数据值。

(2)

${\mathit{T}}_{\mathit{R}\mathit{M}\mathit{S}}=\sqrt{\frac{1}{\mathit{N}}\sum _{\mathit{i}=1}^{\mathit{N}}{\mathit{x}}_{\mathit{i}}^{2}}$

(3)

${\mathit{T}}_{\mathit{i}\mathit{E}\mathit{M}\mathit{G}}=\sum _{\mathit{i}=1}^{\mathit{N}}\left|{\mathit{x}}_{\mathit{i}}\right|$

(4)

${\mathit{T}}_{\mathit{W}\mathit{L}}=\sum _{\mathit{i}=1}^{\mathit{N}-1}\left|{\mathit{x}}_{\mathit{i}+1}-{\mathit{x}}_{\mathit{i}}\right|$

式中:T_RMS为均方根;T_iEMG为积分肌电值;T_WL为波形长度;x_i₊₁为下一个采样点的运动信息数据值。

经过上述特征值计算,可以形成3组4维数据,随后将3通道特征值外加IMU数据共组成13维数据,按照特征各维度的最大值、最小值进行峰值归一化,使其数值处于[-1,1]后输入预测模型进行训练。

2 膝关节角度连续解码模型

2.1 BP神经网络

BP神经网络作为一种典型的多层前馈神经网络,采用误差反向传播算法进行监督学习,通过梯度下降法动态调整网络权重和偏置,以实现误差的最小化输出^[25]。该网络结构包含输入层、隐藏层与输出层,具有较强的非线性映射能力与泛化性能,在模式识别、函数逼近等领域具有广泛应用。

其数学模型及推导过程如下。

假设输入向量为X=[x₁,x₂,…,x_i],经权重与偏置加权求和后传入隐含层,再通过激活函数(本文使用Sigmoid函数f(z)=1/(1+e^-z)进行非线性变换,其隐含层输出表示为

(5)

${\mathit{h}}_{\mathit{j}}=\mathit{f}\left(\sum _{\mathit{i}=1}^{\mathit{p}}{\mathit{w}}_{\mathit{i}\mathit{j}}{\mathit{x}}_{\mathit{i}}+{\mathit{a}}_{\mathit{j}}\right)$

式(5)中:p为隐含层节点;j为隐含层序数;w_ij为第i个输入层单元到第j个隐含层单元的连接权重;a_j为第j个隐含层单元的偏置;h_j为第j个隐含层单元的输出。

将隐含层输出向量H=[h₁,h₂,…,h_m]传递到输出层,经权重与偏置加权后得到最终输出为

(6)

$\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{k}}=\sum _{\mathit{j}=1}^{\mathit{m}}{\mathit{w}}_{\mathit{j}\mathit{k}}{\mathit{h}}_{\mathit{j}}+{\mathit{b}}_{\mathit{k}}$

式(6)中:k为输出层序数;w_ij为第j个隐含层单元到第k个输出层单元的连接权重;b_k为第k个输出层单元的偏置;y'_k为第k个输出节点的实际输出。

输出结果与目标值的误差可以表示为

(7)

$\mathit{E}=\frac{1}{\mathit{N}}\sum _{\mathit{k}=1}^{\mathit{N}}({\mathit{y}}_{\mathit{k}}-\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{k}}{)}^{2}$

式(7)中:E为关节角度误差;N为输出层节点数;y_k为第k个输出节点的理想关节角度。

通过误差反向传播机制,权重与偏置按梯度下降原则进行更新,权重更新表达式为

(8)

$\left\{\begin{array}{l}{\mathit{W}}_{\mathit{i}\mathit{j}}={\mathit{w}}_{\mathit{i}\mathit{j}}+\mathit{\eta }{\mathit{h}}_{\mathit{j}}(1-{\mathit{h}}_{\mathit{j}}){\mathit{x}}_{\mathit{i}}\sum _{\mathit{k}=1}^{\mathit{m}}{\mathit{w}}_{\mathit{i}\mathit{j}}{\mathit{e}}_{\mathit{k}}\\ {\mathit{W}}_{\mathit{j}\mathit{k}}={\mathit{w}}_{\mathit{j}\mathit{k}}+\mathit{\eta }{\mathit{h}}_{\mathit{j}}{\mathit{e}}_{\mathit{k}}\\ {\mathit{e}}_{\mathit{k}}={\mathit{y}}_{\mathit{k}}-\mathit{y}\mathit{\text{'}}{\mathit{ }}_{\mathit{k}}\end{array}\right.$

式(8)中:W_ij为更新的第i个输入层单元到第j个隐含层单元的连接权重;W_jk为更新的第j个隐含层单元到第k个输出层单元的连接权重;η为学习率;e_k为第k个输出节点期望输出与真实输出的差值。

偏置更新表达式为

(9)

$\left\{\begin{array}{l}{\mathit{A}}_{\mathit{j}}={\mathit{a}}_{\mathit{j}}+\mathit{\eta }{\mathit{h}}_{\mathit{j}}(1-{\mathit{h}}_{\mathit{j}})\sum _{\mathit{k}=1}^{\mathit{m}}{\mathit{w}}_{\mathit{i}\mathit{j}}{\mathit{e}}_{\mathit{k}}\\ {\mathit{B}}_{\mathit{k}}={\mathit{b}}_{\mathit{k}}+\mathit{\eta }{\mathit{e}}_{\mathit{k}}\end{array}\right.$

式(9)中:A_j为更新的第j个隐含层单元偏置;B_k为更新的第k个输出层单元偏置。

2.2 GAPSO算法

BP神经网络结构清晰、容易实现,但其在训练过程中收敛速度受初始参数设置影响,容易陷入局部极小值,限制了其在实时控制系统中的应用效果。为克服以上缺陷,引入一种融合GA与PSO的混合优化策略,以增强BP神经网络全局搜索能力并提高收敛效率。其中GA模拟自然选择与遗传机制,通过选择、交叉、变异等操作在解空间中搜索最优解;PSO模拟鸟群社会行为启发,粒子通过跟踪个体最优和群体最优动态调整搜索方向。GAPSO综合二者优势,在维持种群多样性的同时提高了收敛精度与速度。

设粒子种群为Z=[Z₁,Z₂,…,Z_m],其中每个粒子位置Z_i=[z_i1,z_i2,…,z_in]代表一个候选解,根据式(10)更新其速度与位置。

(10)v_id(t+1)=ωv_id(t)+η₁rand[p_id-z_id(t)]+η₂rand[p_g_d-z_id(t)]

式(10)中:p_id为第i个粒子的第d维个体最优;p_g_d为全局的第d维群体最优;ω为惯性权重;v_id为第i个粒子的第d维粒子速度;z_id为第i个粒子的第d维粒子位置;t为迭代次数;η₁、η₂为学习因子;randÎ[0,1]为随机数。

(11)z_id(t+1)=z_id(t)+v_id(t+1)

为避免震荡或发散,可设置速度上限V_max。每轮迭代后,选取种群中性能最优的一半粒子替换较差的一半,从而维持种群活力与收敛效率。

2.3 BP神经网络优化策略

结合上述提出的GAPSO算法与BP神经网络,构建了如图5所示的膝关节角度预测模型。将上文所构建的13维输入向量送入GAPSO-BP模型中进行训练与预测,最终输出预测的膝关节角度值。为提升GAPSO-BP模型的泛化能力与预测稳定性,通过10折交叉验证方法优化超参数配置。经交叉验证筛选,模型最终超参数设置如下:最大迭代次数为1 500次,学习率为0.001,隐藏层节点为5个,目标训练误差为0.001,输入向量维度为13,输出向量维度为1。该策略不仅提高了模型对运动意图的响应速度和预测精度,也为下肢外骨骼机器人的人机交互控制提供了更可靠的信号解码方案。

2.4 评价指标

选取皮尔逊相关系数作为评估模型算法的核心指标,该指标能够反映角度跟踪的整体一致性,适用于评价外骨骼控制中的连续运动,表达式为

(12)ρ_X_,_Y=$\frac{\mathit{c}\mathit{o}\mathit{v}(\mathit{X},\mathit{Y})}{{\mathit{\sigma }}_{\mathit{X}}{\mathit{\sigma }}_{\mathit{Y}}}$=$\frac{\mathit{E}(\mathit{X}-{\mathit{\mu }}_{\mathit{X}})(\mathit{X}-{\mathit{\mu }}_{\mathit{Y}})}{{\mathit{\sigma }}_{\mathit{X}}{\mathit{\sigma }}_{\mathit{Y}}}$
=$\frac{\mathit{E}\left(\mathit{X}\mathit{Y}\right)-\mathit{E}\left(\mathit{X}\right)\mathit{E}\left(\mathit{Y}\right)}{\sqrt{\mathit{E}\left({\mathit{X}}^{2}\right)-{\mathit{E}}^{2}\left(\mathit{X}\right)}\sqrt{\mathit{E}\left({\mathit{Y}}^{2}\right)-{\mathit{E}}^{2}\left(\mathit{Y}\right)}}$

式(12)中:X为模型预测角度值;Y为真实角度值;cov为协方差;E为期望;σ为标准差;ρ为线性相关程度。

一般认为,ρ>0.7时模型已具备较好的回归性能,ρ=1表示预测值与真实值完全正相关,解码结果具有极高可靠性。

2.5 对膝关节角度的连续估计和分析

将上文采集处理后的数据进行数据划分,设定训练集为连续行走80 s的步态数据,测试集为连续行走20 s的步态数据。分别输入BP、RBF、ELM、GAPSO-BP 4种模型中,将模型输出的预测关节角度与实际关节角度相比较,通过计算各模型皮尔逊相关系数,对预测值进行相关性分析,以评判模型的预测效果。

图6所示为12名被试中的4名被试在4种回归模型中的膝关节角度连续解码实际效果。通过图形对比可以清晰表明,各模型的解码效果各不相同,虽然在行走过程中的膝关节屈伸转换处有一些差异,但整体上与真实关节角度运动方向保持一致。相比较于BP、径向基(radial basis function,RBF)、极限学习机(extreme learning machine,ELM)3种模型,所提出的GAPSO-BP模型预测轨迹与实际关节运动角度曲线吻合度最高,对人体膝关节运动角度的解码效果更精确。

图7所示为不同被试在4种模型下计算的皮尔逊相关系数,在总共12名被试中,所提出的 GAPSO_BP 模型在所有被试中均取得了最高的皮尔逊相关系数,平均相关系数可达0.909 2,不同被试之间的效果方差仅为0.001 9,显示出良好的泛化性与鲁棒性。进一步证明了GAPSO-BP算法在技术实现层面的理论与应用价值,为下肢外骨骼系统的人机交互提供了可靠的算法支持。

3 实际在线实验

3.1 膝关节外骨骼系统设计

为了验证本文方法的实际应用效果,基于实验室自主研发的膝关节助力外骨骼开展了人机交互辅助实验。在进行实验方案之前,所有参与者都收到了关于实验潜在风险的详细解释,并签署了知情同意书授权使用他们的个人信息和实验结果,该实验方案已获得了安徽工业大学机构审查委员会实验研究的批准。

膝关节助力外骨骼控制系统如图8所示,主要包括人机交互系统、传感检测系统、数据处理和控制系统三部分框架结构。结构组件包括膝关节助力外骨骼本体、上位机、dSPACE实时控制机、数据采集板卡、模拟量输出板卡、传感检测模块、伺服驱动单元、电机及减速机构等。系统采用“双机协同”控制架构:上位机负责将Simulink中编写设计的控制算法编译为可执行代码,并通过以太网将指令传输至dSPACE。sEMG、IMU、角度以及交互力传感器以1 000 Hz采样频率实时采集人体运动数据,经DS1007和DS2003数据采集板卡输入dSPACE,并在上位机中进行实时显示。dSPACE内置CAN通讯板卡,将数字控制信号转化为模拟电压信号,经DS4302数据采集板卡发送至伺服电机从而控制膝关节助力外骨骼执行预期的膝关节助力康复训练。

研究对象为脑卒中等偏瘫患者,该类人群的患侧肢体运动功能障碍且sEMG异常。为协助此类人群进行助力行走,采用“镜像”控制策略,采集健肢运动学信息同步生成患肢运动的参考轨迹,从而带动患肢进行辅助运动^[26]。具体人机协同控制框架如图9所示:首先采集被试左腿健肢行走过程中的sEMG,利用已经训练完成的GAPSO-BP模型预测膝关节角度,生成期望运动轨迹;对运动轨迹进行平滑处理后,结合人机交互力信息进行导纳控制调节;最终通过滑模控制器驱动膝关节外骨骼实现精确轨迹跟踪,从而带动右腿患肢运动。sEMG具有运动超前表征特性,可用于预测肢体运动行为,而多通道sEMG协同处理有助于减小数据漂移,提高系统的鲁棒性与响应适应性。相较于传统方法设定固定关节角度运动轨迹,所提出的策略能够依据人体运动意图实时调节患肢运动轨迹。

3.2 实验方案

被试在实验开始前应该保证充足的休息,以避免肌肉疲劳对实验结果产生影响。将已经训练完成的GAPSO-BP神经网络、特征归一化和反归一化参数导入控制系统,并设置被试健肢与患肢之间的步态相位差与时滞补偿,在进行助力实验前对急停电路与限位保护电路进行了全面测试以保障实验安全。在主动人机交互膝关节外骨骼助力实验中,膝关节外骨骼自锁夹头处于锁紧状态,控制系统实时感知被试运动状态,结合主动柔顺助力策略进行舒适化助力辅助,人机交互实验场景如图10所示。表1所示为膝关节外骨骼导纳控制器的具体参数设置,通过调节导纳控制器参数以实现更稳定的人机交互实验。

3.3 结果与评估

3.3.1 人机交互实验

选取4名健康被试参与人机交互在线实验,在左腿的股直肌、股二头肌和股外侧肌处布置sEMG传感器作为数据采集点,右腿穿戴膝关节助力外骨骼进行人体助力辅助,4名被试的人机交互实验如图11所示。实验分别在1.0、1.3、1.5 km/h 3种速度下进行,全程采集被试穿戴外骨骼进行助力运动过程中的sEMG、关节角度和跟踪误差等运动数据。

3.3.2 运动跟随效果

采用决定系数(R²)、均方根误差(root mean square error,RMSE)及标准化均方根误差(normali-zed root mean square error,NRMSE)作为在线人机交互实验中运动跟随效果的定量评估统计指标。当R²越接近1且RMSE、NRMSE越小时,表明运动跟随效果越好,相关表达式为

(13)

${\mathit{R}}^{2}=1-\frac{\sum _{\mathit{t}=1}^{\mathit{N}}({\mathit{\theta }}_{\mathit{a}\mathit{t}}-{\mathit{\theta }}_{\mathit{e}\mathit{t}}{)}^{2}}{\sum _{\mathit{t}=1}^{\mathit{N}}({\mathit{\theta }}_{\mathit{e}\mathit{t}}-\mathit{\theta }\mathit{\text{'}}{\mathit{ }}_{\mathit{e}\mathit{t}}{)}^{2}}$

式(13)中:N为关节角度数据长度;θ_at为实际关节角度;θ_et为估计关节角度;θ'_et为估计关节角度的平均值。

(14)

$\mathit{R}\mathit{M}\mathit{S}\mathit{E}=\sqrt{\frac{\sum _{\mathit{t}=1}^{\mathit{N}}({\mathit{\theta }}_{\mathit{a}\mathit{t}}-{\mathit{\theta }}_{\mathit{e}\mathit{t}}{)}^{2}}{\mathit{N}}}$

(15)

$\mathit{N}\mathit{R}\mathit{M}\mathit{S}\mathit{E}=\frac{\mathit{R}\mathit{M}\mathit{S}\mathit{E}}{{\mathit{\theta }}_{\mathit{e}\mathit{t},\mathit{m}\mathit{a}\mathit{x}}-{\mathit{\theta }}_{\mathit{e}\mathit{t},\mathit{m}\mathit{i}\mathit{n}}}$

式(15)中:θ_et,max为估计关节角度最大值;θ_et,min为估计关节角度最小值。

图12所示为被试1在1、1.3、1.5 km/h速度下的人机交互在线助力实验中膝关节外骨骼角度曲线跟随结果。由跟随结果可知,所提出的控制策略可以使膝关节外骨骼助力运动轨迹与基于人体sEMG运动意图识别所生成的参考轨迹在运动趋势上高度一致,运动跟随误差曲线始终以0°为基准线上下波动,最大角度误差不超过5°,证明了该控制策略能够满足轨迹跟踪的准确性要求。

表2所示为4名被试在1.0、1.3、1.5 km/h速度下的膝关节角度跟随定量评估统计指标结果,由于sEMG具有较强的个体差异性以及每名被试的习惯行走速度不同,不同被试在各速度下的表现存在一定差异,随着行走助力速度提高,人机交互跟随性能呈下降趋势。整体上R²的计算平均值分别为93.03%、91.04%和90.77%;RMSE的计算平均值分别为1.944°、2.017°和2.127°;NRMSE的计算平均值分别为7.033%、7.337%和7.613%。实验结果充分表明了所构建的控制策略可以使人机交互膝关节外骨骼达到准确的跟随效果。

3.3.3 主动柔顺助力效果

在进行主动柔顺助力效果评估中,实验分为两组:未穿戴外骨骼自然行走实验以及穿戴外骨骼助力行走实验。以被试患肢股二头肌的活动水平作为评价指标,辅助助力效果计算公式为

(16)E=$\frac{\mathit{s}\mathit{E}\mathit{M}{\mathit{G}}_{\mathit{b}\mathit{a}\mathit{s}\mathit{e}\mathit{l}\mathit{i}\mathit{n}\mathit{e}}-\mathit{s}\mathit{E}\mathit{M}{\mathit{G}}_{\mathit{c}\mathit{u}\mathit{r}\mathit{r}\mathit{e}\mathit{n}\mathit{t}}}{\mathit{s}\mathit{E}\mathit{M}{\mathit{G}}_{\mathit{b}\mathit{a}\mathit{s}\mathit{e}\mathit{l}\mathit{i}\mathit{n}\mathit{e}}}$×100%

式(16)中:sEMG_baseline为未穿戴外骨骼时一个周期内的积分值;sEMG_curent为穿戴外骨骼时一个周期内肌电信号的积分值;E为辅助助力效果。

以20 s为一个计算周期,图13显示了人体行走过程中无助力正常行走下sEMG和通过外骨骼助力行走下sEMG肌肉强度幅值变化结果。与未穿戴外骨骼相比,人体穿戴外骨骼助力行走时摆动相肌肉活动强度显著下降,而站立相肌肉活动强度会略微升高。这一现象可能与外骨骼自重相关,站立相需额外负重导致肌肉负重轻微增加,变化规律符合正常情况。图14所示为4名被试的外骨骼辅助实验助力效果,相较于无助力条件,外骨骼助力下被试大腿肌肉活动水平分别下降了39.59%、29.38%、45.67%和34.44%,平均助力效果为37.27%。结果表明,外骨骼辅助在不同个体间存在一定差异,但整体上均表现出显著的sEMG活动减弱,验证了控制策略主动柔顺助力的有效性。

4 结论

针对人机交互康复助力任务中下肢外骨骼难以感知人体运动意图导致无法适应个体化运动需求问题,提出了基于sEMG的人体膝关节角度连续预测模型,结合膝关节外骨骼进行人体行走助力实验,得到以下结论。

(1)通过GAPSO算法对BP神经网络的权重和偏置进行优化以提高收敛精度与速度,构建了GAPSO-BP膝关节角度预测模型。结合实验自采集数据,将GAPSO-BP模型预测结果与其他3种模型预测结果进行对比,结果表明,GAPSO-BP模型预测结果对人体膝关节运动角度的解码效果最优,其皮尔逊相关系数达到0.909,不同被试间的效果方差仅为0.001 9。

(2)基于实验室自主研发的膝关节助力外骨骼,采用“镜像”控制策略搭建人机交互外骨骼实时控制系统,通过R²、RMSE及NRMSE评价运动跟随效果,通过E评价主动柔顺助力效果,结果表明该控制策略能够根据被试运动意图主动生成运动轨迹,有效提升了人机交互质量与助力适应性。

验证了所提控制策略在康复训练中的可行性与有效性,为下肢外骨骼系统提供了可靠的意图驱动控制方案。未来工作将扩展至髋、踝关节外骨骼系统开发,构建完整下肢康复解决方案,进一步优化算法精度并开展临床有效性验证。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Ma X, Lü L, Liu W, et al. Exoskeletons in the context of soldiers: current status and future research trends[J]. Biomimetic Intelligence and Robotics, 2025, 5(3): 100254.

[2]	刘瑞平, 欧阳钧. 下肢外骨骼康复机器人的发展和应用[J]. 中山大学学报(医学科学版), 2023, 44(2): 354-360.

[3]	Liu Ruiping, Ouyang Jun. Development andapplication of lower limb exoskeleton rehabilitation robot[J]. Journal of Sun Yat-sen University(Medical Sciences Edition), 2023, 44(2): 354-360.

[4]	Sczesny-Kaiser M, Trost R, Aach M, et al. A randomized and controlled crossover study investigating the improvement of walking and posture functions in chronic stroke patients using HAL exoskeleton: the HALESTRO study (HAL-Exoskeleton STROke Study)[J]. Frontiers in Neuroscience, 2019, 13: 259.

[5]	张明路, 钟道方, 田颖, 等. 穿戴式下肢外骨骼机器人研究现状[J]. 科学技术与工程, 2021, 21(19): 7856-7862.

[6]	Zhang Minglu, Zhong Daofang, Tian Ying, et al. Research status of wearable lower extremity exoskeleton robots[J]. Science Technology and Engineering, 2021, 21(19): 7856-7862.

[7]	Song T, Yan Z, Guo S, et al. Review of sEMG for robot control: techniques and applications[J]. Applied Sciences, 2023, 13(17): 9546.

[8]	黄海丰, 刘培森, 李擎, 等. 协作机器人智能控制与人机交互研究综述[J]. 工程科学学报, 2022, 44(4): 780-791.

[9]	Huang Haifeng, Liu Peisen, Li Qing, et al. Review: intelligent control and human-robot interaction for collaborative robots[J]. Chinese Journal of Engineering, 2022, 44(4): 780-791.

[10]	Handelman D A, Osborn L E, Thomas T M, et al. Shared control of bimanual robotic limbs with a brain-machine interface for self-feeding[J]. Frontiers in Neurorobotics, 2022, 16: 918001.

[11]	Li Z, Yuan Y, Luo L, et al. Hybrid brain/muscle signals powered wearable walking exoskeleton enhancing motor ability in climbing stairs activity[J]. IEEE Transactions on Medical Robotics and Bionics, 2019, 1(4): 218-227.

[12]	尤波, 刘嘉琦, 程晨晨, 等. 基于sEMG的人机交互随动控制研究[J]. 仪器仪表学报, 2025, 46(3): 123-142.

[13]	You Bo, Liu Jiaqi, Cheng Chenchen, et al. Human-computer interaction follow-up control based on sEMG[J]. Chinese Journal of Scientific Instrument, 2025, 46(3): 123-142.

[14]	宋永献, 王祥祥, 李媛媛, 等. 基于核极限学习机的下肢关节力矩预测方法[J]. 科学技术与工程, 2024, 24(11): 4599-4606.

[15]	Song Yongxian, Wang Xiangxiang, Li Yuanyuan, et al. Lowerlimb joint moment prediction method based on kernel limit learning machine[J]. Science Technology and Engineering, 2024, 24(11): 4599-4606.

[16]	Ding Q C, Xiong A B, Zhao X G, et al. A review on researches and applications of sEMG-based motion intent recognition methods[J]. Acta Automatica Sinica, 2016, 42(1): 13-25.

[17]	Foroutannia A, Akbarzadeh A. A deep learning strategy for EMG-based joint position prediction in hip exoske-leton assistive robots[J]. Biomedical Signal Processing and Control, 2022, 75: 103557.

[18]	李文举. 基于EEG和sEMG的下肢外骨骼人机交互策略与方法研究[D]. 大庆: 东北石油大学, 2024.

[19]	Li Wenju. Research on human-computer interaction strategies and methods for lower limb exoskeleton based on EEG and sEMG[D]. Daqing: Northeast Petroleum University, 2024.

[20]	Lu C, Qi Q, Liu Y, et al. Exoskeleton recognition of human movement intent based on surface electromyographic signals[J]. IEEE Access, 2024, 12: 53986-54004.

[21]	Li Z Y, Zhao X G, Zhang B, et al. Review of sEMG-based motion intent recognition methods in non-ideal conditions[J]. Acta Automatica Sinica, 2021, 47(5): 955-969.

[22]	Xiong D, Zhang D, Zhao X, et al. Deep learning for EMG-based human-machine interaction: a review[J]. IEEE/CAA Journal of Automatica Sinica, 2021, 8(3): 512-533.

[23]	Wu Q, Chen Y. Adaptive cooperative control of a soft elbow rehabilitation exoskeleton based on improved joint torque estimation[J]. Mechanical Systems and Signal Processing, 2023, 184: 109748.

[24]	Zhang Q, Lambeth K, Sun Z, et al. Evaluation of a fused sono-myography and electromyography-based control on a cable-drive Anankle exoskeleton[J]. IEEE Transactions on Robotics, 2023, 39(3): 2183-2202.

[25]	Zhu Y, Wu Q, Chen B, et al. Physical human-robot interaction control of variable stiffness exoskeleton with sEMG-based torque estimation[J]. IEEE Transactions on Industrial Informatics, 2023, 19(10): 10601-10612.

[26]	刘克平, 孙瑞玲, 柴媛媛, 等. 基于广义回归神经网络的上肢关节角度预测[J]. 科学技术与工程, 2021, 21(17): 7187-7192.

[27]	Liu Keping, Sun Ruiling, Chai Yuanyuan, et al. Upper limb joint angles estimation based on general regression neural network[J]. Science Technology and Engineering, 2021, 21(17): 7187-7192.

[28]	汤璐, 杨玺霖, 王祥瑞, 等. 基于注意力机制的CNN-LSTM网络下肢膝关节角度预测[J]. 数据采集与处理, 2024, 39(4): 996-1008.

[29]	Tang Lu, Yang Xilin, Wang Xiangrui, et al. An attention mechanism-based CNN-LSTM framework for lower limb knee joint angle prediction[J]. Journal of Data Acquisition and Processing, 2024, 39(4): 996-1008.

[30]	王海, 陶庆, 苏娜, 等. 采用表面肌电信号的手指关节角度精确感知方法[J]. 西安交通大学学报, 2022, 56(8): 160-167.

[31]	Wang Hai, Tao Qing, Su Na, et al. Method for accurate sensing of finger joint angles using surface electromyography signals[J]. Journal of Xi’an Jiaotong University, 2022, 56(8): 160-167.

[32]	Wang C, He B, Wei W, et al. Prediction of contralateral lower-limb joint angles using vibroar thrography and surface electromyography signals in time-series network[J]. IEEE Transactions on Automation Science and Engineering, 2022, 20(2): 901-908.

[33]	Zheng K, Liu S, Yang J, et al. SEMG-based continuous hand action prediction by using key state transition and model pruning[J]. Sensors, 2022, 22(24): 9949.

[34]	王仁志, 张伟国, 寇苗苗, 等. 基于改进NNA和BP神经网络模型的深基坑沉降预测[J]. 科学技术与工程, 2025, 25(24): 10416-10425.

[35]	Wang Renzhi, Zhang Weiguo, Kou Miaomiao, et al. Prediction of deep excavation settlement based on improved NNA and BP neural network model[J]. Science Technology and Engineering, 2025, 25(24): 10416-10425.

[36]	Wei Q, Li Z, Zhao K, et al. Synergy-based control of assistive lower-limb exoskeletons by skill transfer[J]. IEEE/ASME Transactions on Mechatronics, 2019, 25(2): 705-715.

基金资助

国家自然科学基金(52005006)

安徽省高校自然科学研究重点项目(2024AH050160)

特种重载机器人安徽省重点实验室开放基金(TZJQR002-2024)

PDF (15836KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-09	2026-09-18	2026-02-06
Online Date
2026-10-09

摘要