利用多源運動信息的下肢假肢多模式多步態識別研究*

高云園，孟 明，羅志增，佘青山

(杭州電子科技大學自動化學院智能控制與機器人研究所，杭州 310018)

佩戴假肢是截肢者康復的重要方式，膝上下肢假肢適用于缺失膝關節的大腿截肢者，相比于傳統機械式假肢，智能膝上假肢由于可以利用患者下肢動作時的信息實時控制假肢，目前越來越受到重視。人體下肢運動過程變化復雜，除了行走這一基本運動模式外，常見的下肢運動還包括上下臺階、起坐等多種模式。要使智能假肢具有對各種運動模式的適應能力，多模式識別算法是非常關鍵的。另一方面，下肢在進行多模式運動時，伴隨著髖關節、膝關節和踝關節的協調運動，可以表示為一系列的狀態變化，因此，為了更好的對智能假肢進行分析和控制，多模式下的步態識別也是必要的。有效的下肢假肢多模式多步態識別不僅可以為開發智能假肢解決關鍵的技術難題，對下肢受損患者的康復評價也有很好的參考價值。

在現有的智能膝上假肢中，主要通過采集假肢腿部與膝關節的角度和角速度［1－2］、足底壓力［3］、踝關節處力［4］等這些運動力學信息來獲取下肢姿態、狀態等運動參數，再采用有限狀態自動機［5］、匹配預設曲線［6］等方法進行運動模式識別和控制。除了以上運動學信息外，肌電信號在運動醫學、康復醫療等研究領域也經常作為一種重要的運動生物力學信息源［7］。利用肌電信號可以在殘疾人意圖進行動作或無法完整動作時，獲取動作意愿，這是傳統方法中僅采集姿態、速度等運動學信息無法達到的。目前，肌電假肢的研究主要集中在肌電假手上，利用肌電信號對上肢的多運動模式進行識別和控制［8－9］。而下肢的運動模式涉及的肌肉更多，增加了下肢假肢肌電信號獲取和處理的難度。有些學者利用肌電信號實現對下肢殘肢動作的分析和識別［10－11］。Jin等利用多組下肢肌電信號對快慢速、上下樓梯等路況進行辨識［12］。研究表明肌電信號體現了患者自主下肢運動控制的預測性［13］，下肢姿態、地面接觸狀態和運動速度等運動信息是對下肢假肢動作狀態的確認，兩類信號從不同角度體現了下肢運動狀態，為下肢假肢的智能控制提供了重要信息。

本文針對人體下肢的行走、上下臺階、起坐等多種日常運動模式，通過對肌電信號、肢體姿態與足底壓力等多源運動信息的獲取和處理，分析不同運動狀態與各運動力學量之間的關系，實現下肢假肢的多模式多步態識別。

1 多源運動信息獲取系統

人體下肢運動是兩側腿共同協調進行的，從多種運動模式和步態識別的角度出發，本文拾取大腿上的多路肌電信號、大小腿姿態信號和足底壓力信號，綜合地獲取下肢的多源運動信息，構建下肢運動信息獲取系統。

1.1 表面肌電信號

肌電信號(EMG)是一種伴隨肌肉活動的生物電信號，蘊涵了肌肉活動的各種信息。為了獲取有效肢體運動信息，首先要選擇適當的肌肉，作為肌電拾取電極的粘貼位置。通過大量實驗，選用了股內側肌、半腱肌、闊筋膜張肌與長收肌這四塊肌肉。這些肌肉分布在大腿的不同區域，在位置和信號區分度上都具有典型性。課題組采用安全、非侵入肌肉的皮膚表面電極來拾取表面肌電信號，選用由Noraxon公司研制的MyoTrace 400肌電信號采集儀來拾取信號，該儀器可以同時采集四路表面肌電信號。

1.2 足底壓力傳感器

足底與地面的接觸狀態以及其相互作用力是描述下肢運動狀態的重要信息。課題組選擇柔軟的壓阻敏感材料制作足底壓力傳感器，如圖1所示。為了進行運動狀態的有效分析，我們在足跟和足趾區域分別布置了三個力傳感器，自行研發的壓力鞋如圖2所示，能測出人體運動時足跟和足趾區域的壓力變化。

圖1 壓阻薄膜傳感器的外形

圖2 安裝薄膜壓力傳感器的壓力鞋

1.3 下肢姿態測量

課題組選擇大腿、小腿的傾角以及膝關節屈伸角度，作為下肢運動狀態的重要參數。選用瑞士XSens公司生產的Mtx姿態跟蹤儀作為傾角傳感器，通過在大腿和小腿上分別放置Mtx姿態跟蹤儀來實現對大腿、小腿與地面的傾斜度的測量，進而推算膝關節角度信息。安裝位置如圖3所示。

圖3 下肢姿態和膝關節角度測量

2 下肢假肢多模式多步態識別方法

由于下肢表面肌電信號在識別下肢運動模式時有優勢，并對模式間的變化帶有一定的預測性，足底壓力和腿部角度信息及其變化可以方便的識別運動模式下的具體步態，考慮到同步識別多模式多步態的難度較大、準確性不高，本文針對常見的幾種運動模式，利用多源運動信息的不同特點，先利用下肢表面肌電信號識別下肢假肢的運動模式，再根據足底壓力和腿部角度信息對運動模式中的不同步態進行分析，從而實現下肢假肢的多模式多步態識別。

2.1 多模式識別

隱馬爾可夫模型HMM(Hidden Markov Model，HMM)是一種廣泛應用的時序變化性信號統計模型，可以很好地描述動態過程和適應動態過程中的變化。由于肌電信號與運動狀態具有HMM中觀察值和隱含狀態的特性，因此本文利用HMM對下肢肌電信號進行多模式識別。

(1)HMM基本理論

HMM是一個二重隨機過程模型，其中一個是Markov鏈，它描述了狀態間的統計對應關系;另一個則描述了狀態和觀察值間的統計對應關系。其中狀態間轉移的隨機過程是隱含的，可觀察到的是各狀態產生的觀察值，因此稱為“隱”馬爾可夫模型。圖4體現了Markov鏈的狀態轉移和狀態與觀察值之間的關系。

圖4 HMM Markov鏈與觀察值序列

(2)特征提取

小波包分解利用小波分解濾波器在各個尺度上對每個子帶進行再分解，以二叉樹方式將信號分解為等頻寬帶的子空間。小波包變換在信號處理中得到了廣泛的應用。

設s(t)是一個有限能量信號，對信號s(t)進行w層分解后，得到2w個子空間，其中第n(n=1，2，…，2w)個子空間的信號可由以下公式重構

其中ψj，k(t)是尺度因子為j，平移因子為k的小波函數，Dj，nk是小波系數。由于小波函數是相互正交的，所以，該子空間重構信號的能量表示為:

將信號進行歸一化處理，可以得到第n個子頻帶空間信號能量在整個信號能量中的概率分布為:

該能量分布概率也稱為相對小波包能量，它反映了信號在各頻帶中的能量分布情況。本文以此作為下肢肌電信號的特征。

(3)多模式HMM建立與識別

人體下肢運動是一個周期重復的運動，可細分為多個狀態;同時，肌電信號具有人體神經肌肉運動所固有的隨機性，一個動作不同人或不同時刻做產生的信號都會變化。因此，HMM這種時序變化性信號處理概率模型，非常適合于對下肢運動信號的描述。針對不同的運動模式，我們建立了多個運動模式HMM，在每個HMM中設定不同的狀態過程來描述一個運動周期，其結構為無跳轉左至右型，如圖5所示，用5個狀態構成行走模式HMM結構。

圖5 5狀態行走模式HMM結構

針對下肢運動中，每種模式的各個狀態時間所占比例變化比較小的特點，本論文采用一種簡化改進的Baum-Welch算法來估計HMM參數。由于各狀態時間比例變化小，表示HMM中各狀態間的轉移概率基本不變，于是采用各個狀態的特征個數來計算轉移概率

其中Xij為觀察序列中狀態i轉移到狀態j的次數。

觀察概率密度函數的參數采用迭代EM算法來重估。在利用HMM進行識別時，對當前的數據段提取特征，輸入到每個運動模式對應的已訓練好的HMM中，結合前一時刻各HMM的輸出概率，由Viterbi算法計算當前的HMM輸出概率，輸出概率值最大的模型所對應的運動模式就是運動模式識別結果。

2.2 步態識別

人體下肢的動作包含多種運動模式，運動模式還可以細分為一系列的狀態變化，如支撐、擺動，因此，為便于智能下肢假肢的分析和控制，在模式分類的基礎上，還需要對每個運動模式下的步態進行分析。

以行走為例，一個完整的循環周期稱為一個跨步。如圖6所示，以右腿作為參考，本文將行走模式細分為支撐前期、支撐中期、支撐后期、擺動前期和擺動后期這5個步態。類似的，人體上、下臺階模式劃分為抬腿和著地兩個狀態，站起和坐下則劃分為開始、中期和完成三個狀態。

圖6 行走時一個步態周期內的步相變化過程

(1)特征提取

對人體行走時大小腿和膝關節的角度信息進行分析。如圖7所示，角度的變化有很好的區分性和規律性，可以作為步態識別的重要信息。因此選擇大腿、小腿和膝關節的角度作為腿部姿態特征。

圖7 腿部角度信號與步態狀態劃分

圖8為行走時連續四個步態周期內所采集的足底壓力，其中由于穿戴假肢導致的重心偏移，足底前內側與地面接觸減少，其壓力信號出現時間變短，但內側足底壓力正常，不影響狀態的識別。

圖8 行走時足底壓力信號

針對足底壓力信號的特點，利用閾值方法對信號進行分析，通過實驗和數據分析，設閾值Up為0.8 V。令當前足底壓力信號為U(i)，則經閾值處理后該信號的特征值U'(i)為:

(2)步態識別

大小腿、膝關節角度和足底壓力信息在運動周期中體現出很好的確定性和規律性，因此在步態識別中采用模糊分類對不同步態進行劃分。先對下肢運動信息在不同運動模式不同步態下的模糊規則進行研究，根據經驗和實驗結果我們得到如下結論，如表1所示是下肢在行走、上下樓梯、起坐模式下大小腿、膝關節角度和足底壓力信號的變化規則?；诒?的模糊規則，實現下肢運動步態的識別。

表1 下肢運動信息的變化規則

起坐模式下運動信息變化規則起坐模式 大、小腿角度信息 大、小腿角度信息下的步態(站起模式)(坐下模式)開始 大腿角度下降 大腿角度增大到一定閾值 到一定閾值中期 大、小腿加速度 大、小腿加速度信號交叉 信號交叉完成 大腿角度下降 大腿角度增大到一定閾值 到一定閾值

3 實驗與分析

為了驗證方法的有效性，本文采用健康測試者佩戴智能假肢樣機的方式，進行了行走、上下階梯、起立、坐下等多種下肢假肢運動實驗。如圖9所示，假肢運動實驗分別在專門的步行平臺和階梯平臺上進行。

圖9 智能假肢樣機與佩戴實驗

肌電信號采集頻率是1 kHz，由于從肌肉收縮到假肢執行相應動作之間的延遲時間一般為200 ms～300 ms［14］，肌電信號數據的分割長度取為 256，采用滑動窗口的方式，每次滑動128個數據。腿部角度信號和足底壓力信號采樣頻率是50 Hz。

行走模式中，步速約為3 km/h，上、下階梯模式分別采用健側腿先上帶動假肢跟隨和假肢先下健側腿跟隨的方式連續上、下三級階梯，站起和坐下模式是由站立開始坐在凳子上，然后再站起來。實驗結果如表2所示，其中多模式分類準確率實現100%，步態識別的準確率均達到95%以上。由實驗結果可見，步行模式的步態識別率還不能達到100%。主要是由于行走模式的步態劃分比較復雜，識別錯誤主要發生在步態轉移的時刻。圖10是在行走、下上樓梯和起坐模式下的步態識別結果，表明本文的方法可以準確的對下肢假肢多模式運動進行步態狀態識別。

表2 下肢多種運動模式下的步態識別結果

將本文多種運動信息融合的識別結果與直接利用肌電信號的識別結果［15］進行比較，肌電信號的多模式多步態的平均識別率是91.85%，本文基于多源運動信息的多模式多步態識別結果與之相比有更高的準確性和可靠性。

4 結論

本文利用下肢多源運動信息，根據信號不同的特點，采用了先分模式后分步態的策略，實現了下肢假肢不同模式不同步態的識別。下肢多模式識別準確率達100%，上下樓梯和起坐模式下的步態識別率能達到100%，步行模式的步態識別率也在95%以上。有效的多模式多步態識別方法可以為智能膝上假肢的開發和應用提供重要的支持。

［1］Milica Djuric.Automatic Recognition of Gait Phases from Accelerations of Leg Segments［C］//9th Symposium on Neural Network Applications in Electrical Engineering，25 － 27 Sept.2008:121－124.

［2］Jasiewicz J M，Allum J H J，Middleton J W，et al.Gait Event Detection Using Linear Accelerometers or Angular Velocity Transducers in Able-Bodied and Spinal-Cord Injured Individuals［J］.Gait＆ Posture，2006，24(4):502－509.

［3］王嵐，張今瑜，王勁松.人體步態相位檢測實驗研究［J］.傳感器與微系統，2006，25(5):42－44.

［4］金德聞，王人成.人工智能假肢［J］.中國臨床康復，2002，20(6):2994－2995.

［5］Zlatnik D，Steiner B，Schweitzer G.Finite-State Control of a Trans-Femoral(TF)Prosthesis［J］.IEEE Transactions on Control Systems Technology，2002，10(3):408－420.

［6］Carlson J D，Matthis W，Toscano J R.Smart Prosthetics Based on Magnetorheological Fluids［C］//Proceedings of SPIE，2001，4332:308－316.

［7］Scott R N，Parker P A.Myoelectric Prostheses:State of the Art［J］.Journal of Medical Engineering ＆ Technology，1988，12(4):143－151.

［8］羅志增，趙鵬飛.非線性PCA在表面肌電信號特征提取中的應用［J］.傳感技術學報，2007，20(10):2164－2168.

［9］高劍，羅志增.支持向量機在肌電信號模式識別中的應用［J］.傳感技術學報，2007，20(2):336－369.

［10］王喜太，王強，張曉玉，等.基于肌電傳感器的下肢殘肢康復訓練模式識別的研究［J］.中國康復理論與實踐，2009，15(1):90－92.

［11］He Huang，Todd A Kuiken，Robert D Lipschutz.A Strategy for Identifying Locomotion Modes Using Surface Electromyography［J］.IEEE Transactions on Biomedical Engineering，2009，56(1):1.

［12］Jin D，Yang J，Zhang R，et al.Terrain Identification for Prosthetic Knees Based on Electromyographic Signal Features［J］.Tsinghua Science and Technology，2006，11(1):74－79.

［13］郭欣，楊鵬，王志宇.肌電信號控制下肢假肢的機理［J］.中南工業大學學報(自然科學版)，2003，34(s2):31－33.

［14］OSKOEI M A，HU H S.Support Vector Machine-Based Classification Scheme for Myoelectric Control Applied to Upper Limb［J］.IEEE Transactions on Biomedical Engineering，2008，55(8):1956－1965.

［15］Meng M，She Q S，Gao Y Y，et al.EMG Signals Based Gait Phases Recognition Using Hidden Markov Models［C］//Proceeding of the 2010 IEEE International Conference on Information and Automation，2010:852－856.