基于神经网络的人体下肢生物动力学模型设计

《基于神经网络的人体下肢生物动力学模型设计》由会员分享，可在线阅读，更多相关《基于神经网络的人体下肢生物动力学模型设计（49页珍藏版）》请在装配图网上搜索。

1、基于神经网络的人体下肢生物动力学模型设计作 者 姓 名：葛涛指 导 教 师：王斐单 位 名 称：信息科学与工程学院专 业 名 称：自动化东 北 大 学6月Design of the Lower Limb of the Human Body Biological Dynamics Model Based on neural networkBy GeTaoSupervisor: Associate Professor Wang FeiNortheastern UniversityJune 毕业设计（论文）任务书毕业设计（论文）题目：基于神经网络的人体下肢生物动力学模型设计设计(论文)的基本内容：(

2、1)通过表面肌电信号控制外骨骼运动的背景与发呈现状(2)检测下肢表面肌电信号，对信号分析解决提取特性(3)由表面肌电信号与外骨骼输出力矩的关系，运用神经网络建立人体下肢生物动力学模型(4)总结与撰写论文毕业设计（论文）专项部分：题目： 设计或论文专项的基本内容： 学生接受毕业设计（论文）题目日期第周指引教师签字年月日基于神经网络的人体下肢生物动力学模型设计摘要人口老龄化是当今世界各国普遍面临的重大社会问题，下肢外骨骼助力装置的重要功能是扩展人体下肢的运动能力，老人将是其中的受益者。此外，军事上外骨骼助力装置也可以极大的提高士兵的战斗力，医学上可以辅助病人进行康复训练。将人体划分为若干个具有相似

3、密度和规则几何形状的刚性肢体环节，各环节之间由球铰连接，并忽视人体组织形变及器官的不对称性，建立人体下肢动力学模型，并计算关节力矩。表面肌电信号是从人体骨骼肌表面记录下来的神经肌肉活动发放的生物信号，能精确反映人的神经、肌肉运动状态。通过人体下肢表面肌电信号，运用神经网络控制外骨骼助力装置的关节力矩，辅助人体下肢运动。本论文重要工作是建立人体下肢动力学模型，运用角动量定理计算人体行走时的关节力矩，通过采集的人体表面肌电信号以及下肢角速度信息，应用神经网络预测关节力矩，实现外骨骼辅助系统力矩输出的智能化。论文一方面简介了外骨骼助力装置的研究意义、国内外发呈现状以及本论文的重要研究内容。并简介了表

4、面肌电信号的形成过程和特点以及人体下肢表面肌电信号与惯性数据采集实验的实验设备，具体记录了实验过程以及实验数据。由于设备信号采集频率不同，对肌电信号进行了重采样。另一方面，将人体划分为若干个具有相似密度和规则几何形状的刚性肢体环节，建立了人体下肢生物动力学模型。对惯性传感器数据进行解决，运用角动量定理，求得关节力矩。再次，简介了人工神经网络的概念、特点以及在控制领域的进展，重点简介了BP神经网络的特点和学习过程，并列出了BP神经网络的改善算法。论文中使用的是LM算法，搭建人工神经网络，通过实验，找到了恰当的隐层节点数。最后，对实验研究进行了总结，网络模型能较好的反映表面肌电信号和关节输出力矩之

5、间的关系。提出了有待进一步解决的问题，并对后来的工作进行了展望。应用表面肌电信号预测关节力矩的精确率还需进一步提高，特别是波峰处的力矩，只要这样，才干实现外骨骼辅助系统的平稳控制。核心词：下肢外骨骼；生物动力学模型；表面肌电信号；关节力矩；神经网络；Design of the Lower Limb of the Human Body Biological Dynamics Model Based on neural networkAbstractPopulation aging is a major social problem the countries in the world facin

6、g. The main function of lower extremity exoskeleton assisting device is to extend the ability of the body movement of the lower limbs and the elderly will be one of the beneficiaries. In addition, the military exoskeletons booster device also can greatly improve the soldiers combat effectiveness. In

7、 the medical field, it can assist the patient to take rehabilitation The human body is divided into a number of rules that have the same density and geometry of the rigid body link and I ignore human tissues and organs of the asymmetric deformation, and establish lower limb dynamics model. Surface E

8、MG was recorded from the surface of human skeletal neuromuscular activity released biological signals. It can accurately reflect the peoples nerves and muscle movement state. Lower limb EMG through the use of neural network control assisting device exoskeleton joint torque, assisted human lower limb

9、 movement.The thesis mainly studies the biological dynamics model of the lower limb of the human body and the relationship between the lower limb of the human body surface EMG and joint torque. Firstly it introduces the current development of the significance of the research, exoskeleton device at h

10、ome and abroad as well as the main research contents of this thesis. It introduces the forming process and the characteristic as well as the lower limb SEMG signal and the inertial data acquisition experimental equipment of surface EMG signal, a detailed record of the experiment process and the expe

11、riment data. Because the signal acquisition frequency of EMG signals, I resample the surface EMG signal. Secondly, the body is divided into a plurality of having the same density and geometry of the rigid body of rules, established the dynamic model of human lower extremity biological. To deal with

12、the inertial sensor data, using the theorem of angular momentum, I calculate the joint torque. And the integration of surface EMG data and joint torque output data laid the foundation for the recognition of surface EMG signal for surface EMG and joint torque. Thirdly, the thesis introduces the conce

13、pt, the characteristics of artificial neural network and the progress in the field of control. It mainly introduces the characteristics, the learning process of BP neural network and the improved algorithm of BP neural network. The paper uses the LM algorithm of artificial neural network, set up, af

14、ter the experiment, found the number of nodes in hidden layer appropriate. Finally, to sum up the experiment, the network model can better reflect the surface EMG and joint relationship between output torque. There are also problems to be solved, and the later work is prospected. The accurate rate o

15、f surface EMG signal control needs to be further improved, when the body of multi-freedom compound action or continuous action, surface EMG signal will be more complex, more difficult to identify the joint torque, higher precision of prediction algorithms need to be further studied.Keywords：Lower ex

16、tremity exoskeleton; biokinetic models; surface EMG; joint torques; neural network目录毕业设计（论文）任务书I摘要IIAbstractIII第一章 绪论11.1课题研究背景及意义11.2下肢外骨骼装置的国内外研究概况21.3表面肌电信号的国内外研究概况41.4本文重要工作5第二章 下肢运动信息肌电信号采集实验设计72.1表面肌电信号72.1.1表面肌电信号的产生72.1.2表面肌电信号的特点92.2实验过程102.2.1实验准备102.2.2实验内容122.2.3数据记录132.3实验数据解决142.4本章小结1

17、5第三章 人体下肢生物动力学模型173.1基于多刚体模型的动力学建模173.1.1多刚体动力学模型173.1.2人体生物力学参数183.2力矩计算203.2.1角动量定理203.2.2数据解决223.3本章小结23第四章 基于BP神经网络的力矩预测254.1人工神经网络概述254.1.1人工神经网络的特点254.1.2神经网络在控制领域的进展264.2BP神经网络274.3实验成果分析与讨论304.4本章小结34第五章 结束语355.1本文总结355.2研究展望35参照文献37道谢39第一章 绪论1.1 课题研究背景及意义截至底，国内老年人口数量达到1.94亿，比上年增长891万，占总人口的1

18、4.3%。人口老龄化不只是人口构造变化，还对国内政治、经济、社会都带来重大影响。随着人口老龄化过程中明显的生理衰退就是老年人四肢的灵活性逐渐下降，进而对平常的生活产生种种不利的影响。在老龄人群中有大量的脑血管疾病或神经系统疾病患者如脊髓损失、脑外伤等，此类患者多数伴有步态紊乱或下肢瘫痪。近年来，患心脑血管疾病使中老年患者浮现偏瘫的人数不断增多，并且逐渐年轻化。此外，多种自然劫难、疾病以及交通事故导致的肢体运动性障碍的病人也在不断增长。外骨骼系统作为康复型设备，它可以辅助病人进行康复性运动训练，通过预定的运动轨迹指引病人恢复运动或者是给病人提供辅助的外力。下肢助力外骨骼一种类似于人体下肢的外骨骼

19、机械装置，并联与穿戴者下肢外部，通过安装在腿部各关节处的驱动器，辅以关节角度测量仪及力传感器系统，驱动下肢助力外骨骼达到与穿戴者同步协调行走，并在行走过程中提供助力。军事上，外骨骼可以增强士兵的速度和力量，提高战斗力。医学上，残障人士穿戴外骨骼助力装置后，可以提高她们的生活和工作劳动能力。也可以用来辅助医生协助病人进行康复训练。平常生活中，它还可以在工厂、消防等特殊环境下用来承当体力劳动中的大部分负重。表面肌电信号（Surface Electromyography，简称SEMG）是从人体骨骼肌表面记录下来，通过表面电极采集到的反映人体神经肌肉活动所产生的生物电信号，它反映了神经、肌肉的功能状态

20、。随着计算机技术的发展，如何从表面肌电信号中获取肢体的运动有关信息已经越来越受到人们的关注。表面肌电信号信号是一种可以反映神经控制信息的信息源，将肌电信号作为下肢外骨骼机器人的控制信号源，前景十分诱人，由于肌电信号的最大长处是它是大脑意识的直接反映，充足考虑了使用者的意愿，根据环境状况实现使用者的随意控制，及时适应外界环境变化。人体的肢体是一种复杂且精致的动力系统，下肢外骨骼作为智能辅助系统，规定在增强人类既有运动能力的同步，保存人的灵活性和直接操作的感觉。其工作原理是获取使用者的运动信息，据此判断并控制系统以何种方式、何种大小提供动作辅助，并规定下肢外骨骼系统犹如人体的固有构成成分，与其他运

21、动器官协同工作，完毕使用者自身难以完毕的行动任务。在研究过程中，一方面要建立精确的人体下肢生物动力学模型，然后计算出活动时的关节力矩，由人体下肢表面肌电信号控制输出相应的关节力矩。1.2 下肢外骨骼装置的国内外研究概况美国国防部研究筹划署（DARPA）投资五千万美元为地面部队开发外骨骼套装这种可穿戴的机器人系统可以使士兵可以跑得更快，携带更重的武器以及跳过较大的障碍物。伯克利布里克外骨骼（Berkeley lower extremity exoskeleton, BLEEX）由美国加州人学伯克利分校机器人和人体工程实验室研制,致力于协助士兵、营救人员、消防人员以及其她所有应急人员轻松携带多种装

22、备。BLEEX（如图1.1所示）下肢外骨骼由背包式外架、金属腿及液压驱动设备构成,其机械系统的设计与人体构造十分相似,背包式外架可使穿戴者携带一定负荷,其有效作用力由外骨骼直接传至地面。穿上它我们可以自由蹲下、弯腿、跳跃、摆腿、行走及跑步等多种下肢运动。此外,当电源局限性时,该系统可以拆下折叠成一种背包。注：1-包式外架及其周同能源模块；2-川性连接部分；3-能源模块及中央解决器；4-半刚性背心；5-液压驱动设备；6-刚性连接部分图1.1 BLEEX 下肢外骨骼1日本筑波大学（Tsukuba University）在研制开发了机器人装混合助力腿（Hyhrid assitive limb，HAL

23、）。该系统外形小巧，高1.6米，重23公斤，供电电池使用100V直流电，可持续使用5小时。机械外骨骼绑缚在人腿的两侧，依托贴住腿部皮肤上的EMG传感器检测肌肉的电流，控制电动马达驱动机械外骨骼运动，以辅助腿部的动作。，经改良后裔号为“HAL-5”在爱知世博会上初次亮相，其重量约15公斤，电池供电，一次充电可工作两个小时和更多时间（取决于负载大小）。同样通过肌电信号在皮肤表面的变化中探测到肌肉的运动，然后将运动的力量放大。借助这种机器装置的协助，一种弱不禁风的小女子也能提起几十公斤的重物。与HAL-3不同之外在于HAL-5增长了上肢支持系统。HAL-5如图1.2所示。图1.2 HAL-5机器人2

24、在国内，针对外骨骼机器人技术的研究虽然处在起步阶段，但起点高，近几年发展迅速3。南京理工大学机械学院赵彦峻等通过度析人类下肢关节的特点、行走步态及下肢自由度，并结合下肢外骨骼工作原理及构造构成，设计出一种提高士兵载荷的下肢外骨骼装置。哈尔滨工业大学研制了AVR单片机下肢外骨骼机器人。清华大学精密仪器系康复工程研究中心发明了步态康复训练机器人（gait rehabilitation training system，GRTS）。浙江大学流体传动与控制国家重点实验室从上世纪90年代开始致力于人机一体化理论研究，并衍生出人机智能柔性外骨骼技术研究，开发了下肢运动康复训练外骨骼系统等。外骨骼助力装置的控

25、制规定对使用者施加的力以及力矩做出迅速精确的反映，控制多种关节的运动，同步又可以根据外界环境的变化不断调节控制参数，将人的智能与机器的动力结合在一起，基于人体运动行为意识基本上，运用机器的强大动力来实现人的运动。表面肌电信号可以反映人的意识，用于人机智能系统中能大大提高系统的自主限度，并且可以使该人机智能系统真正按照人的意识去动作。表面肌电信号检测可提供有关能反映外周神经肌肉功能状态的信息。表面肌电信号比较单薄，特性提取是重要的一种环节。建立精确的下肢动力学模型，找到表面肌电信号与输出力矩的非线性关系，应用于外骨骼助力装置等方面有着广阔的前景。1.3 表面肌电信号的国内外研究概况表面肌电最早被

26、用来度量肌肉收缩力量，收缩时间和肌肉疲劳状态，用于仿生学、生物力学、生物反馈、运动医学和康复工程研究中，例如，研究发现，在完毕相似负荷的工作状态下，肌肉疲劳会导致肌电的振幅值增长，并且肌电信号的傅立叶频谱曲线也会发生不同限度的左移现象，并导致反映频谱曲线特性的MPF和MF值相应下降，可以据此进行肌肉疲劳检测；在外骨骼、假肢以及轮椅等智能产品的设计与控制中，肌电信号常被用做系统控制源，用于驱动智能辅助系统根据人体的主观运动意图对的工作。德国OttoBock公司研制的自动SUVA感应手，可以通过肌电信号的强弱来控制假手的张、合速度，使抓取动作简朴而自然。国内以清华大学为代表的研究机构也获得了一定的

27、成果，提出具有路况辨认功能的智能膝上假肢，并在国内初次展开大腿假肢在滑倒过程中的平衡方略研究。在临床诊断应用领域中，常运用神经及肌肉的电生理特性，以电流刺激神经并记录其动作和感觉的反映波，以辅助神经肌肉疾病的诊断。在体育科学研究领域中，肌电技术还被应用在如下三个方面：其一，用于测定人体活动的反映时、运动时和电机械延时等生理特性，其研究成果可以用于运动员选材以及训练控制等；其二，从生理学角度分析肌肉活动的协调关系，通过肌电信号来评估某一动作中肌肉激活的先后顺序以及肌肉发力的顺序，可用于运动技术的分析和评价；其三，评估运动员的肌肉训练限度，一般而言，无训练者在完毕某一动作时，由于不该参与活动的肌肉

28、也参与作用，其肌电信息杂乱，而训练限度较高的运动员在完毕相似动作时，肌肉放电整洁，并具有一定的规律性。1.4 本文重要工作本文的重要工作涉及如下几种方面：(1) 一方面简介表面肌电信号和外骨骼助力装置的背景、发呈现状以及研究意义。(2) 简介了肌电信号的概念、产生过程和特点，并论述了表面肌电信号作为外骨骼助力装置控制信号的长处。接着简朴简介了实验用的惯性传感器和表面肌电信号采集设备，具体记录了实验过程以及实验数据，并对肌电信号进行了前期解决，为后期研究表面肌电信号和关节输出力矩的关系做了铺垫。(3) 建立了人体下肢动力学多刚体模型，直接运用多刚体系统动力学理论进行力学建模，措施简便，是研究人体

29、运动的常用建模措施之一。对惯性传感器记录的数据进行解决，运用角动量定理和关节质量质心回归方程，求得关节力矩，并将表面肌电信号关节力矩信号数据整合，为下一章表面结电信号的辨认做好准备。(4) 简介了人工神经网络的含义、特点以及发展状况，重点简介了BP神经网络的特点和算法学习过程。搭建恰当的BP神经网络模型，不断变化模型参数，找到表面肌电信号和关节输出力矩之间的关系，并对模型进行了检查，实验成果较好，可以反映两者之间的关系。第二章 下肢运动信息肌电信号采集实验设计2.1 表面肌电信号2.1.1 表面肌电信号的产生肌肉细胞的生物电现象是肌肉运动过程中随着着一系列的电变化，冲动则是生物电变化，而兴奋过

30、程就是产生冲动的过程。几乎没有一种生理功能的实现过程中没有随着着生物电现象。肌电现象是一种典型的由兴奋产生冲动并且刺激肌肉组织完毕收缩生理功能的生物电现象。1791年，通过一系列的蛙类肌肉收缩研究，Gavani证明了肌肉收缩与电现象有密切的关系。1851年，Dubois Reymond检测到人体肌肉自主收缩时能产生电信号。1922年，Gasser和Erlangre用阴极射线示波器检测到了人体肌电图。随着神经肌肉生理学的研究进步、电子技术的发展以及复杂信号解决分析技术的浮现，基于肌电信号的肌肉分析成为肌肉运动研究的一种重要方向。人体的运动需要完整的神经系统和骨骼肌功能，骨骼肌由大量成束的肌纤维构

31、成，每条肌纤维都是一种独立的功能和构造单位，是运动的最后效应器。在大脑中枢神经系统的调控下，骨骼肌的各块肌肉互相协作配合将兴奋作用于骨骼，产生了人体各部分的协调运动，同步肌纤维上会产生电位的变化，即肌电信号。图2.1 运动单位肌电信号源于作为中枢神经一部分的运动神经元。运动神经元细胞体处在其中，她的轴突伸展剑肌纤维处，通过终板区和肌纤维耦合。与每个神经元相联系着的肌纤维不只有一条。这些部分合在一起，构成所谓的运动单元。当肌肉自主收缩时，运动电位由大脑运动皮层发出，通过脊髓神经通路向下传导，达到了运动神经元。当募集阈值低于该刺激运动电位幅值时，运动神经元被激活（即这些运动神经元所在的运动单位被招

32、募或称被激活），产生相应运动神经元动作电位，并沿着被激活的运动神经元轴突传导到每个末梢分支与肌肉的接点，使神经和肌肉的接点释放一种化学物质乙酰胆碱。乙酸胆碱使运动终板的离子通透性发生变化并产生了终板电位，此终极电位又使肌细胞膜产生去极化闽值电位，达到肌纤维的动作电位，并沿着肌纤维向两个方向传播，引起肌纤维内的一系列变化，便导致了肌纤维的收缩，大量肌纤维开始收缩产生肌肉力，如图2.1所示。由此可见，由于电信号（肌纤维的动作电位）的传播产生了肌肉收缩，同步传播的电信号在人体软组织中引起电流场，并在检测电极间形成电位差，即肌电信号4。各肌纤维在检测点上所体现出的电位波形，极性与纤维以及检测点间的距离

33、有关，也和终板同检测点的相对位置有关，相距愈远，幅值愈小。同一运动单位中的所有肌纤维在检测点之间引起的总电位差称为运动单位动作电位（Motor Unit Action Potential，MUAP）。由于运动神经元轴突上的电鼓励是脉冲序列，因此检测点间产生的也是动作单位运动电位序列（MUAPT）。表面肌电信号（SEMG）是指从安放在皮肤表面的贴片电极处所测量到的许多运动单位产生的运动单位动作电位的总和。表面肌电信号是从人体骨骼肌的表面记录下来的神经肌肉活动所发放的生物信号，是表面电极所触及的多种运动单元动作电位在时空上的叠加，并且还涉及多种噪音信号，反映了肌肉和神经的功能状态。总之，肌肉的收缩

34、运动波及到的是以具有反馈自动调节功能的、物质能量代谢为基本的、复杂的神经-肌肉系统，其构成框图见图2.2。用表面电极收集的多种肌纤维的动作电位涉及整个系统的其她部分的信息，如肌纤维的收缩限度在大脑意识发出的命令变化时将发生变化，在大脑兴奋引起肌肉收缩躯体运动的过程中，由于兴奋的限度不同，因此神经纤维发放的兴奋电脉冲的频率不同，引起肌维收缩的数量也会不同。并且在不同的肌肉运动模式中，所用的肌群也不同，而在检测电极间募集到的肌电信号是各个运动肌群中的每根肌纤维的运动电位在检测点所引起的电位总和。因此可知，不同的肌肉运动模式是由于不同的肌群收缩产生的，随着的表面肌电信号也是不同的，完全有也许在不同的

35、表面肌电信号特性中找到相相应的肌肉动作模式。感受器输出收缩力具有一定能量物质和神经传递介质的肌纤维组织脊神经电脉冲脑神经电脉冲脊髓神经大脑皮层动作电位表面肌电信号表面电极图2.2神经-肌肉系统构成框图2.1.2 表面肌电信号的特点尽管不同人的表面肌电信号有较大的个体差别，表面肌电信号在不同肌肉也有所不同，许多方面的因素对表面肌电信号的参数都会产生影响，但是仍有一定的规律性。表面肌电信号一般有如下特性：(1) 表面肌电信号是一种单薄的电信号。表面肌电信号的幅度范畴一般在05mV，肌肉收缩时在60300uV；松弛时约为2030uV，并且一般不会超过噪音水平。健康人，肌电幅度的峰峰值可达13mV。对

36、于残肢者，肌电幅值一般不不小于350uV，有些甚至局限性1uV，约比正常人减小数倍甚至几十倍；(2) 表面肌电信号的频谱分布在5500Hz，重要集中于500Hz如下，300Hz以上明显削弱。其中，大部分频谱集中在50150Hz之间。(3) 表面肌电信号是一种交流电压，在幅值上与肌肉产生的力大体成比例关系。肌肉的松弛和紧张度与形成的表面肌电电压幅度之间存在着较好的线性关系。(4) 生物信号不是稳定不变的，而是随着外界环境变化而处在不断变化的状态之中。由于生物体是一种与外界紧密接触的开放系统，为了适应外界环境的变化，生物体总是在调节自身的状态，使信号的记录特性随时间变化。(5) 频域参数比时域参数

37、更能反映肌电特性。当力大小有变化时，其时域波形变化比较大，而频域特性变化不大。(6) 同一块肌肉在做不同动作时，其谱频幅值特性曲线形状仍相似，阐明不同肌肉的肌电发放有着一定的规律性。表面肌电信号的生理学基本和特点为表面肌电信号的应用和采集系统的设计提供了理论基本和参照5。大量的数据显示，生理信号指标能精确反映人的神经、肌肉运动状态。在智能辅助运动过程中，辅助机构的运动需要根据人的主观意志而配合其他肢体进行协同动作。肌电信号作为肌肉收缩的控制信号，不仅可以用于分析肌肉力大小和肌肉疲劳限度，还可以分析肌肉的活动状况，如收缩、伸展及放松等。虽然是那些由于肌肉虚弱或肢体负荷过大而实际动作没有发生的状况

38、，人体为完毕这一动作目的的主体意图仍然可以运用肌电信号检测到。表面肌电信号具有无创伤测量、受传感器自身的影响较小和易提取解决的长处，因此肌电信号可以成为人体运动智能辅助系统的抱负控制源。2.2 实验过程2.2.1 实验准备10月10日至10月11日，在东北大学宿舍楼八舍C区进行了人体下肢表面肌电信号与惯性数据采集实验。实验设备有表面肌电信号采集仪：加拿大thought Technology公司生产的BioGmph Infinity，多媒体生物反馈和数据采集系统，如图2.3所示；惯性传感器：荷兰Xsens公司生产的 Mti微型惯性测量系统，如图2.4所示。实验场合是东北大学宿舍楼八舍C区三楼走廊

39、和楼梯，走廊长53米，楼梯每层两段，每段10个阶梯，每个阶梯高16cm，宽29.5cm。实验对象为三名研究生，编号001：年龄：25，身高：177cm，体重：76kg；编号002：年龄：25，身高：173cm，体重：65kg；编号003：年龄：24，身高：170cm，体重：65kg。肌肉选择股外侧肌、股直肌、股内侧肌、股二头肌、腓肠肌及胫骨前肌。相应的电极安放位置图2.5。惯性传感器安装位置在小腿、大腿及上臂绑上惯性传感器，左腿红色朝外，右腿红色朝内。记清每个MTI相应的绑缚位置，不要混淆。三个惯性传感器相应位置如下：MT_00305258，右侧大腿；MT_00305259，右侧小腿；MT_0

40、1301020，右侧上臂6。图2.3 BioGmph Infinity ，多媒体生物反馈和数据采集系统图2.4 Mti微型惯性测量系统(a)股外侧肌(b)股直肌(c)股内侧肌(d)股二头肌(e)腓肠肌(f)胫骨前肌图2.5 电极安放位置2.2.2 实验内容实验动作依次为蹲起：四组，每组6次，组间休息2分钟；正常行走：四组，每组50米，组间休息1分钟；中速行走：四组，每组50米，组间休息1分钟；迅速行走：四组，每组50米，组间休息1分钟；上楼梯：四组，每组2层楼，组间休息2分钟；下楼梯：四组，每组2层楼，组间休息2分钟；实验对象均为右利手（腿），实验数据均采自右手（腿）；按顺序进行实验，对选用的

41、下肢肌肉相应部位，清除毛发并用湿毛巾清除皮肤表面角质，用医用酒精棉球清除油脂，按图2.5中批示的位置贴好表面电极，各电极间距2cm；下肢在小腿与大腿处绑上惯性传感器，上肢在上臂处绑上惯性传感器，如图2.6所示；通过现场指引，配合蜂鸣节拍嚣的指引，实验对象反复完毕蹲起、行走（如图2.7所示）与上下楼梯动作。惯性传感器和表面肌电信号采集仪同步采集各有关数据；每名实验者按5中规定完毕规定动作的实验数据采集，实验结束。图2.6 实验装置连接图2.7 行走实验2.2.3 数据记录肌电信号数据：每名实验者实验前需要在采集软件里面创立一种账户并填写身份信息；每名实验者的实验数据保存在相应的账户里；六块肌肉由

42、05表达，其中0股外侧肌，1股直肌，2股内侧肌，3股二头肌，4腓肠肌，5胫前肌；六种动作由16表达，其中1蹲起，2正常行走，3中速行走，4迅速行走，5上楼梯，6下楼梯；第几组动作用两位数表达，01表达第一组，02表达第二组，以此类推；综上，0102表达股外侧肌蹲起第二组实验，5603表达胫前肌下楼梯第三组实验。惯性数据：为每名实验者创立一种文献夹，然后在该文献夹内创立各块肌肉的子文献夹，然后在每块肌肉的文献夹内创立各个动作的文献夹。根据4.3中惯性传感器相应的位置，采集相应位置的惯性数据，后三位数字表达组别，000表达第一组，001表达第二组，002表达第三组（如图2.8所示），以此类推。图2

43、.8 惯性传感器数据记录文献2.3 实验数据解决由于使用的Mti传感器采集数据频率100Hz,而肌电信号采样频率为256Hz，因此运用Matlab将肌电信号平滑导出后对其进行重采样，采样频率为100Hz。采样前后表面肌电信号分别如图2.9和2.10所示。图2.9 重采样前部分数据图2.10 重采样后部分数据2.4 本章小结本章一方面简介了肌电信号的概念、产生过程和特点，并论述了表面肌电信号作为外骨骼助力装置控制信号的长处。接着简朴简介了实验用的惯性传感器和表面肌电信号采集设备，具体记录了实验过程以及实验数据，并对肌电信号进行了前期解决，为后期研究表面肌电信号和关节输出力矩的关系做了铺垫。第三章

44、 人体下肢生物动力学模型3.1 基于多刚体模型的动力学建模3.1.1 多刚体动力学模型用于分析人体运动的常用模型重要有两类：人体多刚体模型和人体环节链模型。目前基于影片解析的运动分析大多采用环节链模型，此模型的基本规定如下：（1）运动过程中，质心相对于环节纵轴上的位置保持不变；（2）将人体分解为多种环节部分，每个环节相对质量一定，并集中在其质心之上，且质心处在环节纵轴的某一拟定位置上；（3）在运动过程中，每个环节对其质心的转动惯量保持不变；（4）连两个环节以球铰的形式相连，但其连接方式与功能体现必须符合人体解剖构造特性7。环节链模型的长处是直接以细长杆替代人体肢节，在力学分析方面十分简便。但简

45、化的同步也带来分析精度的下降。因此，在人体运动生物力学分析领域，常常以多刚体模型来替代环节链模型。由于人体骨骼具有相称限度的刚性，诸多学者就以人体骨骼为基本，建立多刚体生物力学模型。其基本的建模思想是将人体划分为若干个具有相似密度和规则几何形状的刚性肢体环节，不考虑人体的柔性特性，各环节之间由球铰连接，并忽视人体组织形变及器官的不对称性。这样，简化后的人体被视为一种刚性运动系统，可以根据刚体动力学措施建立数学模型，对人体运动进行研究分析。由于该模型避免了人体系统内部运动的复杂模拟过程，直接运用了多刚体系统动力学理论进行力学建模，措施简便，因此成为研究人体运动的常用建模措施之一8。具有代表性的模

46、型有Santschi模型和Hanavan模型。固然，不同国家不同种族的人在体型上有较大的差别，郑秀瑗根据CT测量法获取了中国人的体型特性，并给出了中国人体多刚体模型，表3.1给出该模型中各人体环节几何形状的基本设定。人体下肢可看作髋关节、大腿胫骨、膝关节、小腿腓骨和胫骨、踝关节和跗骨趾骨等依次联接的构造。人体平地行走时髋关节、膝关节在矢状面活动度较大，而在横断面上和冠状面的活动度较小，同步可以忽视踝关节的转动，因此可以将人体下肢简化为平面的二刚体二自由度模型，如图3.1所示。H为髋关节所在，K为膝关节，A为踝关节。T和S分别为大腿和小腿的质心所在。表3.1 中国人体环节划分及表达措施9人体环节

47、截面形状整体形状头圆形椭球形颈圆形圆柱形上躯干椭圆形椭圆截锥形，脊柱部分稍内凹下躯干圆形（男）圆截锥形（男）椭圆形（女）椭圆截锥形（女）大腿圆形圆截锥形小腿圆形圆截锥形上臂圆形圆截锥形前臂圆形圆截锥形足矩形长方形图3.1 下肢二刚体二自由度模型3.1.2 人体生物力学参数人体是一种非常复杂的生物体，要想建立分析用的生物力学模型，一方面要理解人体自身的基本参数，如长度、质量、质心及转动惯量等，并以此作为分析问题的根据。本文根据清华大学郑秀媛等用计算机x射线体层照相术和计算机图像解决技术（简称CT法）测定的中国正常成年人人体惯性参数的有关研究成果，参照表3.2，得到本文需要的小腿和大腿的长度、质量

48、、质心及转动惯量等参数。(1)男子大腿的质量与质心：m = 0.093+ 0.152 X10.0004 X2 (3.1)mc = 122.520.31 X1+0.235 X2 (3.2)(2)男子小腿的质量与质心：m = 0.834 + 0.061 X10.0002 X2 (3.3)mc = 23.47 + 0.5 X1+ 0.095 X2 (3.4)(3)男子大腿转动惯量：Jx= 370537.7 + 428.4 X1+ 286.21X2 (3.5)(4)男子小腿转动惯量：Jx= 30104.4 + 299.0 X1+ 20.12 X2 (3.6)其中，m（kg）为质量，mc （mm）为质心

49、位置，X1为实验者体重（kg），X2为实验者身高（mm），Jx（kgmm2）为绕额状轴的转动惯量，大腿质心起点为胫骨点，小腿质心起点为内踝点，绕矢状轴的转动惯Jy和绕垂直轴的转动惯量Jz不予考虑。表3.2 根据体重、身高计算男子各环节质量、质心的二元回归方程系数一览表10环节惯性指标B0B1变量名B2变量名R体重身高头颈G2.9540.040X10.0001X20.4350.394G.C66.9400.051X10.0013X20.4060.642上躯干G-5.001-0.111X10.0050X20.5561.086G.C-6.665-0.033X10.0121X20.4811.211下躯干

50、G2.2860.298X1-0.0027X20.72911.212G.C4.037-0.012X10.0087X20.4351.033大腿G-0.0930.152X1-0.0004X20.7560.600G.C-12.252-0.031X10.0235X20.8080.992小腿G-0.8340.061X1-0.0002X20.7350.255G.C2.3470.050X10.0095X20.5201.206足G-0.7450.006X10.0007X20.8130.045表3.2 根据体重、身高计算男子各环节质量、质心的二元回归方程系数一览表10（续）环节惯性指标B0B1变量名B2变量名R标

51、体重身高G.C3.5130.002X10.0003X20.3770.045上臂G-0.3230.030X10.0001X20.5980.190G.C1.5150.016X10.0080X20.5070.898前臂G-0.2770.016X10.0001X20.5820.105G.C1.2940.045X10.0054X20.5140.791手G-0.4240.003X10.0004X20.7800.025G.C7.1620.034X10.0013X20.5090.3543.2 力矩计算3.2.1 角动量定理(1)质点角动量定理图3.1 质点角动量定理如图3.1所示，质点的运动状态：运动：转动：

52、相对某参照点的位置矢量r速度v。惯性系 S 中的一种运动质点在运动过程中相对某参照点O的径矢 r 会相应的旋转，在 dt 时间质点位移为 vdt，转过角度d r 便会扫过面积 dS (3.7)面积速度 (3.8)质点在 S 系中相对参照点O的角动量 L (3.9) (3.10) (3.11) (3.12)质点所受力相对某参照点的力矩等于质点相对该参照点角动量的变化率。质点所受各分力Fi相对同一参照点的力矩之和，等于合力F相对该参照点的力矩。 (3.13)两质点之间一对作用力与反作用力相对于同一参照点力矩之和必为零。 (3.14)若过程中 M 恒为零，则过程中 L 为守恒量若过程中 Mz 恒为零

53、，则过程中 Lz 为守恒量有心力：质点所受力 F 若始终指向一种固定点 O，O为力心。(2)质点系角动量定理在惯性系S中，质点系相对O点的角动量 L (3.15)质点系各质点所受外力相对同一参照点的力矩之和等于质点系相对于该参照点角动量随时间的变化率。 (3.16)(3)质点系角动量守恒定律 若过程中M外恒为零，则过程中L为守恒量。若过程中M外x（或M外y，M外z）恒为零，则过程中Lx（或Ly，或Lz）为守恒量。 (4)非惯性系中质点系的角动量定理 (3.17)外力矩是质点系角动量变化的因素。质点系所受外力的合力为零时，外力矩与参照点无关11。3.2.2 数据解决在得到的Mti惯性传感器数据中

54、取人体迈步前后运动相应数据，根据角度求一阶导数得到角速度，二阶导求得角加速度。以身高、体重为自变量参照表3.2计算人体各环节质量、质心。回归方程为: Y= B0+ B1X1+ B2X2,质量（G）单位是公斤（ Kg），身高单位是毫米（ mm）。质心（ G.C） 是从测量起点至质心的距离，单位是毫米（ mm）。最后运用角动量定理求得关节力矩，求得关节力矩成果如图3.2。数据较多可在Matlab中编程求解。将所得力矩数据与相应肌电信号数据置于同一表格中，便于进一步解决。图3.2 正常行走膝关节力矩3.3 本章小结本章建立了人体下肢动力学多刚体模型，直接运用多刚体系统动力学理论进行力学建模，措施简便

55、，是研究人体运动的常用建模措施之一。对惯性传感器记录的数据进行解决，运用角动量定理和关节质量质心回归方程，求得关节力矩，并将表面肌电信号关节力矩信号数据整合，为下一章表面结电信号的辨认做好准备。第四章 基于BP神经网络的力矩预测4.1 人工神经网络概述神经网络控制属于先进控制技术，是用计算机做数字控制器的一类算法。它是20世纪80年代以来，由于人工神经网络（ANN）研究所获得的突破性进展，并且与现代控制理论相结合，而发展起来的自动控制领域的前沿学科之一。它已成为智能控制的一种新分支，为解决复杂的非线性、不确知、不拟定系统的控制问题开辟了新途径12。4.1.1 人工神经网络的特点人工神经网络（A

56、rtificial Neural Network，ANN）是在人类对大脑神经网络结识理解的基本上人工构造的可以实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是模仿大脑神经网络构造和功能而建立的一种信息解决系统。它事实上是由大量简朴元件互相连接而成的复杂网络，具有高度的非线性全局作用，是可以进行复杂的逻辑操作和实现非线性关系的系统。人工神经网络是由人工神经元互相连接构成的网络，它是从微观构造和功能上对人脑的抽象、简化，是模拟人类智能的一条重要途径，反映了人脑功能的若干基本特性，如并行信息解决、学习、联想、模式分类、记忆等13。神经网络对控制领域有吸引力的特性(1)能逼近任意L2范畴

57、上的非线性函数。(2)信息的并行分布式解决与储存。(3)便于用超大规模集成电路或光学集成电路系统实现，或用既有的计算机技术实现。(4)可以多输入，多输出。(5)能进行学习，以适应环境的变化。决定神经网络的整体性能的三大要素(1)神经元之间互相连接的形式拓扑构造。(2)神经元（信息解决单元）的特性。(3)为适应环境而改善性能的学习规则。1943年建立的第一种神经元模型MP（模拟生物神经元）模型，为神经网络的研究与发展奠定了基本。至今，已建立了多种神经元与网络的模型，获得了相称的成果，其中某些模型被用于自动控制领域。4.1.2 神经网络在控制领域的进展随着人工神经网络技术的发展，其用途日益广泛，应

58、用领域也在不断扩展，已在各工程领域中得到广泛应用。人工神经网络技术可用于如下信息解决工作：函数逼近、感知觉模拟、多目的跟踪、联想记忆及数据恢复等。具体而言，重要用于解决下述几类问题：(1)模式信息解决和模式辨认。神经网络通过训练可有效地提取信号、语音、图像、雷达、声纳等感知模式的特性，并能解决既有启发式模式辨认系统不能较好解决的不变测量、自适应、抽象或概括等问题。神经网络可以应用于模式辨认的各个环节，如特性提取、聚类分析、边沿检测、信号增强、噪声克制、数据压缩等。模式辨认是人工神经网络特别合适求解的一类问题，神经网络模式辨认技术在各领域中的广泛应用是神经网络技术发展的一种重要侧面。(2)人工智

59、能。专家系统是人工智能领域研究时间最长，应用最成功的技术，但人们在应用专家系统解决诸如语音辨认、图像解决和机器人控制等此类类似于人脑的形象思维的问题时，却遇到很大困难。神经网络为人工智能开辟了一条崭新的途径，成为人工智能研究领域中的后起之秀。(3)控制工程。神经网络在诸如机器人运动控制、工业生产中的过程控制等复杂控制问题方面有独到之处。较之基于老式数字计算机的离散控制方式，神经网络更适于构成迅速实时自适应控制系统。(4)联想记忆。联想记忆的作用是用一种不完整或模糊的信息联想出储存在记忆中的某个完整、清晰的模式来。如何提高模式存贮量和联想质量仍是神经网络的热点之一。目前在这方面的应用有内容寻址器

60、、人脸辨认器、知识数据库等。(5)信号解决。神经网络的自学习和自适应能力使其成为对各类信号进行多用途加工解决的一种天然工具，重要用于解决信号解决中的自适应和非线性问题。涉及自适应均衡、自适应滤波、回波抵消、自适应波束形成和多种非线性问题。虽然神经网络在许多领域均有成功的应用案例，但神经网络也不是尽善尽美的。目前，神经网络的理论研究和实际应用都还在进一步的摸索之中，相信随着人工神经网络研究的进一步进一步，其应用领域会更广，用途会更大。4.2 BP神经网络人工神经网络以其具有自学习、自组织、较好的容错性和优良的非线性逼近能力，受到众多领域学者的关注。在实际应用中，80%90%的人工神经网络模型是采

61、用误差反传算法或其变化形式的网络模型（简称BP网络），目前重要应用于函数逼近、模式辨认、分类和数据压缩或数据挖掘，BP神经网络构造如图4.1所示。线性神经网络的LMS学习算法只能训练单层神经网络，而单层神经网络只能解决线性可分的分类问题。多层神经网络可以用于非线性分类问题，但需要寻找训练多层神经网络的学习算法。图4.1 BP神经网络1974年P.Werbos提出了一种适合多层网络的学习算法，1986年美国加州的PDP小组将该算法用于神经网络的研究，才使之成为迄今为止最出名的多层网络学习算法BP算法，由此算法训练的神经网络，称之为BP神经网络。在人工神经网络的实际应用中，BP网络广泛应用于函数逼近、模式辨认、数据压缩等。BP神经元与其他神经元的不同之处是BP神经元的传播函数为非线性函数，最常用的函数是log