基于表面肌电信号的人体步态事件快速识别方法

陈江城　张小栋　尹　贵

西安交通大学，西安，710049



基于表面肌电信号的人体步态事件快速识别方法

陈江城张小栋尹贵

西安交通大学，西安，710049

针对下肢康复训练机器人主动训练阶段患者运动检测实时性、准确性的需求，提出一种基于动态表面肌电信号的人体步态事件快速识别方法。首先，通过表面肌电信号产生过程数学建模及步态过程中肌肉活动规律分析，给出了基于表面肌电信号强度及其变化特征的步态事件感知原理；其次，以双腿股外侧肌动态表面肌电信号强度及其变化为特征，构建了用于识别支撑和摆动两个步态事件的自适应模糊神经网络模型。实验结果表明：该方法识别结果正确率达95.3%，对足跟触地和脚尖离地事件发生时刻进行识别的平均时间误差分别为21.4 ms和24.5 ms，同时证明，该方法对步态之间表面肌电信号的差异具有较强的鲁棒性。

表面肌电信号；步态事件；自适应模糊神经网络；康复机器人

0　引言

下肢康复训练机器人具有比传统人工医疗师辅助训练更多的优点，被康复工作者和下肢偏瘫患者认可与接受[1-2]。随着研究深入，康复训练机器人从被动的位置控制方式向人机协同控制和多种控制混合的方向发展，将最大程度利用患者的主动运动意愿，提高康复效果[3-4]。为实现人机运动协同，外骨骼机器人需要对穿戴者的运动意图进行检测，尤其对于行走步态过程中的摆动与支撑阶段，具有不同的人机动力学特点，往往需要采取混合的协同控制策略，而步态阶段的准确识别是实现控制策略切换和步态安全稳定过渡的重要保障[5-6]。

人体一个步态周期是从足跟着地到同侧腿足跟再次着地所经历的时间，可划分为多个独立事件[7]。测力板和光学运动捕捉系统是最常见的步态检测设备，但设备昂贵，应用条件苛刻，而且康复训练大多是在跑步机上进行的，安装测力板不易。另外，人们也使用一些可移动的、轻便和成本低的检测设备，如嵌入在鞋底的足底压力开关、可穿戴的加速度计及陀螺仪等用于步态事件的检测[8-12]。然而这些基于运动学和动力学数据的步态事件判别方法往往都是基于经验阈值的判别方法实现的，如对于压力开关，理论上零输出量是接触和分开的理想判断阈值，但是往往需要增大阈值掩盖传感器干扰的影响，若阈值过大，又会造成判断上的延迟。更重要的是，康复机器人服务对象特殊，有不少患者存在足下垂问题，基于足底力的方法不再适用。因此，寻找一种适合康复机器人训练过程的步态事件识别方法十分必要。

表面肌电信号是肌肉活动时形成的复杂生物电信号，其变化与肌肉活动水平有关，信号获取具有无创、简单的特点，被广泛用于康复工程中。本文提出一种面向下肢康复训练机器人的人体两个步态事件表面肌电识别方法。首先通过对表面肌电信号产生机理建模和步态行走下动态表面肌电信号的特征分析，说明基于表面肌电信号幅值及其变化的步态事件感知原理，其次针对个体差异和步态之间肌肉激活差异，采用具有自适应能力的自适应模糊神经网络学习算法，对不同对象及不同步速下支撑和摆动两个步态事件进行识别，与此同时，将该方法与基于测力板检测结果进行比较，验证其准确性。

1　基于表面肌电信号的人体步态事件感知原理

1.1表面肌电信号的产生机理模型

人体躯体运动系统由神经、骨骼肌和骨骼关节组成，其中骨骼肌是动力源，在神经冲动调控下收缩带动关节运动。骨骼肌由大量肌纤维组成，肌纤维的活动受到神经系统的控制，一个α神经元和受其支配的所有肌纤维构成一个运动单位，是神经肌肉系统的最小控制单元，包括了神经元、轴突、神经肌肉接头(终板)和肌纤维四个部分。在神经冲动激励下，肌纤维终板区产生终板电位，终板电位又相继引起肌纤维膜上全或无的单根纤维动作电位，而运动单元内所有肌纤维产生的动作电位聚集形成运动单元动作电位，运动单元动作电位连续发放形成动作电位序列。另外，表面肌电信号强度还受到肌纤维分布、运动单元的形式、电极位置、皮肤脂肪层厚度和体温等因素影响，是一种复杂的随机信号。根据表面肌电信号产生的生理过程及其生理基础结构模型，如图1所示(hs为皮肤层厚，hf为脂肪层厚，Rm为肌肉半径，z0为终板到电极的z向距离)，建立观测点处的表面肌电信号模型。

图1　骨骼肌容积导体多层结构模型[13]

首先,单根肌纤维在观测点处的单个动作电位可以描述为[13]

(1)

ei(z)=96z3e-z-90(mV)

(2)

ei(t)=96(v t)3e-v t-90(mV)

(3)

其次，运动单元内所有纤维动作电位在时间域内的线性叠加得到运动单元动作电位，即

(4)其中，Vfi表示每根纤维产生的动作电位，Nf表示运动单元内的纤维数目。运动单元形成动作电位后以频率fr发放并形成运动单元动作电位序列Vmut。

最后，不同运动单元形成的动作电位序列在皮肤表面时空叠加形成表面肌电信号。那么对于给定骨骼肌的随意活动，其表面肌电信号可以表示为

(5)

其中，Vmui(i=1,2,…,N)由式(4)求得，N表示募集的运动单元数目，fri在8～50 Hz之间遵循泊松分布，平均值为12 Hz，tsti=i(1/fra)/N，表示动作电位的爆发时刻，且fra=12 Hz。

式(1)～式(5)构成了任意骨骼肌随意收缩下皮肤表面观测点的表面肌电信号数学模型。从模型可知，观测点处的表面肌电信号输出大小由运动单元的募集数量以及运动单元动作电位发放率两个因素共同决定，随着肌肉收缩活动的增强，运动单元动作电位发放率和募集的运动单元数目都增加，通过时空叠加形成更强的表面肌电信号，从而输出更大骨骼肌肉力。

1.2人体步态事件的表面肌电感知方法

图2　步态周期中典型骨骼肌表面肌电信号与步态事件

从图2可以看出：①步行过程中，骨骼肌的活动存在周期性特点，且活动持续时间确定，如股二头肌在步态周期的0～40%以及65%～100%之间被激活，股外侧肌在0～55%及90%～100%之间被激活，即骨骼肌的激活与否与步态事件一样，在步态周期中占有确定位置；②不同肌肉之间有着确定的激活时序关系；③骨骼肌表面肌电信号的强度随着步态事件改变而改变，如股二头肌、股外侧肌、比目鱼肌的表面肌电信号在支撑期较强，在摆动阶段较弱，而胫骨前肌则刚好相反，这是由于在步态周期的不同阶段，下肢动力学发生改变，神经系统调节运动单元的募集数目N与释放及运动单元动作电位发放率fr，改变了肌肉活动强度。

综上所述，骨骼肌的活动阶段与步态周期之间存在确定的关系，而活动强度变化与不同步态事件下的动力学过程相关，另外，根据1.1节可知，骨骼肌活动及其变化信息最终反映在肌电信号的强度变化中，可以通过表面肌电信号的幅值和幅值变化描述。因此，通过提取表面肌电信号的活动强度(幅值)及变化的特征信息，建立其与步态事件的关系，实现基于动态表面肌电信号的步态事件实时识别是一种有效的途径。

2　基于ANFIS的步态事件识别

通过表面肌电信号特征识别步态事件结果并作为康复机器人的控制输入需要满足以下几点：①输入少量信息，就能够识别出步态事件，减少硬件投入；②识别过程自动完成；③表面肌电信号存在较大随机性和个体差异，识别算法应具有很强的鲁棒性和个体适应性。自适应模糊神经网络(adaptive neuro fuzzy inference system，ANFIS)汇集了神经网络和模糊系统的优点，具有很强的自学习和非线性处理能力，同时集成了模糊推理能力，能很好满足以上3点要求[15]。其中网络的输入是骨骼肌表面肌电信号的幅值和幅值变化实时信息，输出为对应的步态事件。

2.1ANFIS网络结构

根据输入输出特点，本节构建如图3所示的自适应模糊神经网络拓扑结构。网络的输入向量表示为X=(x1,x2,…,xm),该网络采用了T-S模糊规则。

图3　ANFIS网络拓扑结构

第一层,模糊层，所有节点是高斯隶属函数，对于输入信号x，其隶属度表达式为

(6)

其中，ci和σi表示函数中心和速度，属于网络可调参数，初始值网络自动自适应生成，同时在训练算法指导下调整，n表示模糊规则数目。

第二层，将上一层的输出连乘，输出权重，输出表达式为

wi=uAi(x1)uBi(x2)…uMi(xm) i=1,2,…,n

(7)

第三层，对权值进行标准化处理，计算如下:

(8)

第四层，每个节点是自适应节点，其作用是将上一层输出的标准化权值与一次多项式相乘，其输出表达式为

wifi=pix1+qix2+…+sixm+tii=1,2,…,n

(9)

其中，{pi,qi,…,si,ti}为结论参数，其具体大小通过网络训练确定。

最后层为单节点，输出为

(10)

从图3可以看出，该网络拓扑结构具有两个自适应层，第一层可调参数为{σi,ci}，调整输入的隶属函数的相关特性，第四层可调参数为{pi,qi,…,si,ti}，确定了一次多项式形式。

2.2网络的自适应学习训练

以上网络训练的目的是通过一定的学习算法调整第一层和第四层中的可调参数，使网络的输出与训练目标匹配。

第一步，采用减法聚类算法自适应地确定模糊系统的初始结构和参数，即隶属度函数，避免了盲目性和随机性。减法聚类算法能够根据训练样本的输入值在无指导的情况下自动快速生成最少的聚类，而这些聚类决定了初始的隶属函数形式。

首先，将网络输入的样本值都看成是可能的聚类中心，计算每个数据点(uk)的密度：

Mk=∑e-α‖uk-uj‖j=1,2,…,N

(11)

然后，将最大值点作为第一类聚类中心，除去该点，重新计算剩余点的密度:

(12)

最后，再找到最大值作为聚类中心，依次循环，直到

(13)

第二步，在确定隶属函数之后，采用混合的学习算法进行参数优化。首先在输入信号前向传输过程中利用最小二乘法对第四层结论参数进行调整，使输出接近理想输出；其次，通过误差逆向传输结合梯度下降法对第一层参数进行调整。训练结束控制通过设定训练次数或者优化目标实现。

2.3输出层控制

对于ANFIS系统输出，本文采用整数值表示步态事件，1表示支撑阶段，2表示摆动阶段。然而网络输出不可能刚好为整数，即使训练结果也不可能达到零误差，因此首先需要对自适应模糊神经网络输出进行规整处理。

另外，由于ANFIS系统没有记忆能力，可能输出与步态事件不相关的结果，如从支撑事件到摆动事件过渡瞬间，网络输出可能出现震荡，导致输出大于2的错误结果。因此，输出结果控制是非常必要的，这里采用简单判断语句实现。

若用E表示当前步态事件，那么控制规则为

规则1：如果E>2，那么E=2。

规则2：如果E<1,那么E=1。

其中，规则1保证步态事件从支撑阶段向摆动阶段的过渡，规则2保证步态事件从摆动阶段向支撑阶段过渡。

3　实验验证与分析

利用本文提出的方法对12名实验对象不同步速下行走时的支撑阶段和摆动阶段两个步态事件进行识别，包括步态事件的识别和发生时刻的检测，被测对象包括男性、女性，年龄在18～45岁之间，平均身高172 cm。本文选取12名对象行走过程中双腿股外侧肌表面动态表面肌电信号作为步态事件识别的信息源，选用上海诺成电气出厂的八导肌电仪作为肌电采集设备，采集系统如图4所示，包括采集电极片、采集卡、无线接收和上位机显示，为了减少干扰，采用差分采集方式，采集频率为1024 Hz。

图4　表面肌电信号采集系统

实验过程中，所有对象被要求分别以慢速、正常速度、快速3种不同的速度直线行走，每种速度下获取3组步态周期动态表面肌电信号，一共获得108组步态周期数据。同时，实验中通过测力板同步获得的足底垂直反作用力信号，该信号已经与处理后的表面肌电信号同步化，时间分辨率为8.3 ms，可以准确地区分步态阶段，用于表面肌电步态识别结果准确性的判别。

原始表面肌电信号会存在很多噪声和干扰，其主要包括采集设备固有噪声、周围噪声干扰、50 Hz工频干扰以及移动伪迹噪声等，信噪比低，需要对其进行滤波和伪迹消除。根据表面肌电信号有用频率范围为20～500 Hz，采用零滞后的4阶巴特沃斯滤波器对其进行滤波，通过工频陷波方法消除50 Hz工频干扰。在降噪和伪迹消除的基础上，对表面肌电信号进行整流、120 Hz重采样和3 Hz低通滤波处理。处理后表面肌电信号及足底力信号如图5所示，其中足底力为行走过程中脚底受到地面的垂直反作用力相对于人体质重的比值。

图5　处理后左右腿股外侧肌表面肌电信号与右侧足足底力

从图5可以看出，处理后信号曲形变化平滑，反映了骨骼肌表面肌电信号的强度，对处理后信号进行一阶微分，即提取活动强度的变化信息。由两块骨骼肌处理后表面肌电信号的实时幅值及其幅值变化值，组成了4维特征向量作为ANFIS输入，用于两个步态事件的识别。由于所用特征量是基于时域值经过简单线性计算得到的，不需要任何变换，因此保证了特征提取算法的简单和实时性。

在对所有数据进行处理和识别特征提取后，首先从每位对象中各选取3个组的步态周期数据，共36组作为训练样本，通过足底垂直反作用力确定各时刻训练目标值，用于ANFIS系统的规则生成和参数优化，训练过程中令聚类影响半径ra=0.5，训练结果如图6所示，为了更好地描述训练之后的局部效果，图中给出了5个步态的训练结果，可以看出，通过训练输出获得了很好的逼近效果。

Ⅰ—支撑阶段　Ⅱ—摆动阶段图6　ANFIS训练结果

在系统训练完成后，利用ANFIS系统和输出控制器对剩余步态数据进行支撑阶段和摆动阶段的识别。图7给出了其中两名被测对象步态数据的ANFIS识别与足底力识别结果的比较，每位对象包括由5个步态周期组成的数据。从图中看出，ANFIS系统结合输出控制具有很好的步态阶段连续识别能力，同时在不同个体中表现出了很强的适应性。在对象A的5个步态周期识别中，最大时间误差发生在第3次摆动期到第4次支撑期的过渡阶段，延迟了75.0 ms，在对象B的5个周期步态事件识别中，对第二次足触地时刻识别时存在最大时间误差为58.3 ms。该结果同时说明，本文通过模式识别的方法对步态事件进行识别时，由于所选取的特征-表面肌电信号幅值和幅值变化率，是连续变化的，在两个事件过渡时刻十分接近，不可避免造成事件判别的超前或滞后。判别的超前与滞后，将引起模式切换过程中的人机不协调，然而从图7显示的步态过程可以看出，步态周期在1.2 s左右，时间误差占步态周期的6%左右，姿态变化较小，通过自适应柔顺策略可以消除不协调带来的不适感[2]。

(a)对象A

(b)对象BⅠ—支撑阶段　Ⅱ—摆动阶段图7　两名对象连续步态事件识别结果

为了进一步证明方法的准确性，分别对12名对象的连续6个步态周期识别结果进行统计分析，统计量包括识别正确率以及足跟触地(HS)和脚尖离地(TO)两个事件发生时刻的检测时间误差，其中正值表示检测超前，负值表示检测延迟，表1给出了每位对象6个步态周期的绝对误差均值和最大时间误差。可以看出，不同对象步态识别正确率均在92%以上，整体正确率达到95.3%，而且错误的识别结果都发生在两个事件的过渡阶段,即实际上只存在超前或延迟问题；对步态事件发生时刻的检测，事件发生时刻最大检测误差为83.3 ms，小于0.1 s，对所有检测时间误差进行统计发现，足初始触地时刻检测时间绝对误差平均为21.4 ms，足离地时刻检测时间绝对误差平均为24.5 ms。该结果说明基于ANFIS和输出控制的步态事件识别方法具有很高的识别正确率，步态事件发生时刻的检测与测力板检测结果基本一致，而且对于不同对象和不同步行速度下步态事件识别有很好的自适应能力。

表1　不同对象步态事件检测结果统计

4　结论

针对外骨骼式下肢康复训练机器人运动意图感知的需求，同时考虑表面肌电信号在康复训练机器人人机交互中的应用趋势，本文通过对表面肌电信号产生机理建模，对骨骼肌活动与步态事件及步态周期的关系分析，提出了一种基于动态表面肌电信号的步态事件快速识别方法，为康复训练中控制决策和步态准确过渡提供技术保障。实验测试证明通过提取双侧大腿股外侧肌动态表面肌电信号进行步态事件实时识别的可靠性和个体适应性，且具有以下特点：

(1)与测力板或光学检测设备相比，在满足较高检测准确性的前提下，该检测系统具有便携可穿戴、安装方便、使用条件不受限及成本低的优点，满足康复训练机器人特殊使用要求。

(2)针对表面肌电信号存在个体差异，随步行速度影响及非线性等特点，采用了自适应模糊神经网络的机器人自学习方法，获得了很强的自适应能力，能够消除步态之间表面肌电信号的微小变化的影响，同时避免了传统基于经验阈值判别时阈值难以自适应的缺点。

(3)本文通过表面肌电信号时域特征实现了足跟触地和脚尖离地两事件时刻的检测和支撑/摆动阶段的判断，该识别方法只需要少量的数据就能实现步态识别，易于实现在线实时检测。

(4)随着生物电信息技术在人机系统中的应用推广，本文提出的方法能够在不增加额外设备的情况下实现步态检测，具有其特有的优势，提供了一种新的步态事件识别途径。

[1]胡进,侯增广,陈翼雄,等.下肢康复机器人及其交互控制方法[J]. 自动化学报，2014，40(11)：2377-2390.

Hu Jin，Hou Zeng guang，Chen Yixiong，et al. Lower Limb Rehabilitation Robots and Interactive Control Methods[J]. Acta Automatica Sinica，2014，40(11)：2377-2390.

[2]文忠,钱晋武,沈林勇,等.基于阻抗控制的步行康复训练机器人的轨迹自适应[J].机器人，2011，33(1)：142-149.

Wen Zhong，Qian Jinwu，Shen Linyong，et al. Trajectory Adaptation for Impedance Control Based Walking Rehabilitation Training Robot[J]. Robot，2011,33(1):142-149.

[3]Marchal-Crespo L，Reinkensmeyer D J. Review of Control Strategies for Robotic Movement Training after Neurologic Injury[J]. Journal of Neuroengineering and Rehabilitation，2009，6(1)：20.

[4]Riener R，Lunenburger L，Jezernik S，et al.Patient-cooperative Strategies for Robot-aided Treadmill Training：First Experimental Results[J]. Neural Systems and Rehabilitation Engineering，IEEE Transactions on，2005，13(3)：380-394.

[5]Sankai Y. Hal：Hybrid Assistive Limb Based on Cybernics. Robotics Research[J]. Berlin Heidelberg:Springer，2011.

[6]Bernhardt M，Frey M，Colombo G，et al. Hybrid Force-position Control Yields Cooperative Behaviour of the Rehabilitation Robot LOKOMAT[C]//Proceedings of the 9th International Conference on the Rehabilitation Robotics. Chicago，IL，USA：IEEE，2005:536-539.

[7]Giroux M，Moissenet F,Dumas R.EMG-based Validation of Musculo-skeletal Models for Gait Analysis[J]. Computer Methods in Biomechanics and Biomedical Engineering,2013,16(S1)：152-154.

[8]Huang B，Chen M，Shi X，et al.Gait Event Detection with Intelligent Shoes[C]// Proceedings of The International Conference on Information Acquisition. Jeju City，Korea：IEEE，2007：579-584.

[9]Catalfamo P，Moser D，Ghoussayni S，et al.Detection of Gait Events Using an F-Scan in-shoe Pressure Measurement System[J]. Gait & posture，2008，28(3)：420-426.

[10]Heliot R，Pissard-GiboIIet R，Espiau B，et al. Continuous Identification of Gait Phase for Robotics and Rehabilitation Using Microsensors[C]//Proceedings of the 12th International Conference on Advanced Robotics. Seattle，USA：IEEE，2005：686-691.

[11]Williamson R，Andrews B J. Gait Event Detection for FES using Accelerometers and Supervised Machine Learning[J]. Rehabilitation Engineering，IEEE Transactions on，2000，8(3)：312-319.

[12]Hanlon M，Anderson R. Real-time Gait Event Detection Using Wearable Sensors[J]. Gait & Posture，2009，30(4)：523-527.

[13]Wang W，De Stefano A，Allen R. A Simulation Model of the Surface EMG Signal for Analysis of Muscle Activity During the Gait Cycle[J]. Computers in Biology and Medicine，2006，36：601-618.

[14]Roy S H，Cheng M S，Chang S S，et al. A Combined sEMG and Accelerometer System for Monitoring Functional Activity in Stroke[J]. Neural Systems and Rehabilitation Engineering，IEEE Transactions on，2009，17(6)：585-594.

[15]Güler I，Übeyli E D. Adaptive Neuro-fuzzy Inference System for Classification of EEG Signals Using Wavelet Coefficients[J]. Journal of Neuroscience Methods，2005，148(2)：113-121.

(编辑郭伟)

Human Gait Events Fast Recognition Method via Surface Electromyography

Chen JiangchengZhang XiaodongYin Gui

Xi’an Jiaotong University，Xi’an,710049

Real-time and accuracy detection of human motion during active training stage were required for lower limb rehabilitation robot. A dynamic surface EMG based human gait events fast recognition method was proposed. Firstly，the surface EMG generation model was established and the skeletal muscle activity during gait was analyzed，the gait event perception method with surface EMG intensity and its variation was put forward. Then，an ANFIS model was built to recognize the supporting phase and swing phase, which used the dynamic surface EMG signals of vastus lateralis lie in the both of left and right thigh as the signal source.The experimental results show that the average correct rate may reach 95.3% compared with results detected from force plate，the average time errors for heel strike (HS) and toe off (TO) timing detection are 21.4 ms and 24.5 ms respectively. Moreover，the method proposed also shows a strong robustness against the surface EMG difference between gaits.

surface electromyography(EMG)；gait event；adaptive neuro fuzzy inference system(ANFIS)；rehabilitation robot

2015-06-08

国家高技术研究发展计划(863计划)资助项目(SS2015AA041002)；国家自然科学基金资助重大项目(91420301)

TP242DOI：10.3969/j.issn.1004-132X.2016.07.011

陈江城，男，1987年生。西安交通大学机械工程学院博士研究生。研究方向为智能机器人技术、外骨骼机器人。张小栋，男，1967年生。西安交通大学机械工程学院教授、博士研究生导师。尹贵，男，1986年生。西安交通大学机械工程学院博士研究生。