《王启宁--人体运动意图识别及其在下肢假肢中的应用》由会员分享，可在线阅读，更多相关《王启宁--人体运动意图识别及其在下肢假肢中的应用（4页珍藏版）》请在金锄头文库上搜索。
1、人体运动意图识别及其在下肢假肢中的应用王启宁 北京大学 工学院 智能控制实验室, 北京 100871北京市智能康复工程技术研究中心, 北京 摘要：作为残疾人恢复运动能力的重要途径，假肢开始越来越多地融入机器人技术。这类性能更接近真实肢体并具有一定智能的新型助残肢体被为智能假肢。智能假肢控制的关键科学问题是如何准确、实时地获得人体运动意图。北京大学研究人员创新性地提出了基于“人体电容”的人体运动意图识别的新概念，实现了对多种常见步态的准确识别。此外，还研制出一款具有可控柔性和力矩的智能动力下肢假肢，通过识别人体运动意图，实现了对地形的良好适应。目前该款假肢已开始逐步走进残疾人朋友的实际生活，改善
2、了他们的运动能力和生活质量。助残肢体（假肢）是支持肢体残障人士恢复运动能力的主要途径。传统假肢为无驱动、无交互的简单结构，单纯模拟人类肢体的几何形状，性能欠佳，截肢者穿戴后步态极不自然，行走相当吃力。随着技术的发展，机器人学开始进入假肢的设计和实现中。这类融入机器人学技术，性能更接近真实肢体并具有一定智能的新型助残肢体被为智能假肢。传统机器人的肢体运动方式均为纯主动运动，每一个运动关节都采用一个独立的电机作为运动驱动，实现多关节运动。然而,人类实际运动,特别是双足行走是一个极其复杂的过程,简单使用机器人腿来充当假肢难以满足截肢患者的要求。如何实现高效且与人体有交互的智能人工肢体已成为国际机器人
3、研究的一个热点1。实际上，人体运动控制和机器人控制之间存在一个重要差别就是控制信号的差别。运动控制信号大致分两种：感知反馈和运动控制指令。人体遍布各种运动的传感器：视觉提供外部空间的感知，本体感觉提供肢体相对空间感以及肌肉的长度和张力的感知，触觉提供肢体和外界接触力的感知等等。这些信号被整合到了大脑和脊髓，并迅速转化成相应的运动控制信号2,3。从人体运动控制的基础研究可以看出，中枢神经系统的独特功能就是平行处理多种的输入信号，并能极快的将输入信号整合成平行的输出信号。机器人控制与人体相比，其缺点是显而易见的：输入信号单一（依赖于肢体位置信号） ，整合能力低下（不能有效模拟中枢神经系统的算法）
4、，输出信号失真（线性控制电动马达来提供动力） 。克服这些缺点的关键就需要解决如何使用仿真的生物信号来控制机械的问题，即如何利用多传感器融合获得人体当前的运动意图，从而真正实现假肢的智能化。人体运动意图识别就是用物理的手段，通过各类传感器系统，实现对人当前运动模式、步态阶段和步态切换的识别。所谓运动模式即当前采用何种运动步态，例如行走、奔跑、上下楼梯等；所谓步态阶段指一种步态下的各个运动阶段，例如行走中支撑腿站立和摆动腿运动；所谓步态切换是指在不同步态之间的主动/被动转换，例如主动变换行走速度或为了躲避障碍物改变运动状态。人体运动意图识别的本质是对人体中枢神经信号的解读。从系统延时的角度看，脑部
5、功能区激活程度和神经信号传递是人体运动意图的第一手体现，人体运动意图的产生和传递都有赖于此。随着运动意图的逐级传递，肌肉根据运动意图产生相应的挛缩或舒张，带动肢体运动或其他运动形态变化。这类肌肉运动产生的肌肉电信号和肌肉形状变化为人体运动意图的次级体现。而由肌肉运动带动肢体运动所导致的人体关节角度、肢体摆动速度和加速度以及足底压力分布发生变化，此为人体运动意图的末端物理体现，和原始意图产生存在明显时延。目前，国际上关于识别人体运动意图的主要方法可分为三类：基于神经信号传感器（Neural/Biological Sensors） 、基于机械传感器（ Mechanical Sensors）以及基于
6、生物力学传感器（Biomechanical Sensors） 。基于神经信号传感器的方法主要包括应用脑电信号和肌肉电信号两种。脑电信号作为运动意图的直接反映，具有很强的实时性，对运动意图的识别也更为迅速。相应的“脑机接口（Brain-Machine Interface） ”的概念应运而生，并成为多学科交叉研究的热点。早在上世纪 90 年代末，纽约州立大学的 Chapin 等人第一次用实验证实了通过脑皮层神经元集合可以控制机械手臂运动4。随后相关领域的研究热点集中在以动物为研究对象将脑思维信号和机械运动结合起来5,6，以期未来将相关成果供残障人士使用。目前，脑机接口的主要手段包含植入式和非植入式
7、两类。植入式脑机接口通过在脑内植入电子器件实现神经刺激，其优点是刺激效果好，利于未来改进；缺点是植入手术风险大、易造成伤害。非植入式脑机接口采用对基于头部表皮脑电图信号的纪录，实现脑和外部世界的简单通讯，缺点是信号带宽有限且抗干扰能力差。此外，脑机接口用于人体运动意图识别还涉及伦理学问题，其实用化，特别是单兵作战使用尚存在很大难度。针对脑电信号的诸多问题，肌肉电信号作为替代，正在越来越多地用于人体运动识别中。虽然肌肉电信号不是直接来自于中枢神经，只是肌肉运动产生的效应，但其与中枢神经信号的时延十分有限，可满足对运动意图识别的实时性需求。目前国际上最新的基于肌电信号的人体运动意图识别和步态分析研
8、究集中在智能假肢控制领域7-9。然而肌电信号本身较微弱,容易受肌肉状态、穿戴时间、个体差异、环境干扰等因素影响，单纯利用肌肉电信号来识别人体运动意图的准确率还达不到实际需求8。此外，肌电信号采集必须直接接触皮肤，影响了技术的实用性。基于机械传感器的方法主要是使用惯性器件采集人体运动过程中肢体摆动的角度、速度和加速度等运动信息，从而判断当前运动状态。这类方法已经应用到智能假肢的控制里10。然而实际人类运动环境复杂，环境干扰及惯性器件固有的信号漂移和累积误差等问题限制了这类传感器系统应用于人体运动识别。为了实现准确地识别就需要增加更多的惯性器件，从而增加了系统复杂度，限制了技术的实用化。此外，这类
9、传感器获得的角度、速度和加速度信息为运动完成的结果，和中枢神经信号存在较大时延，影响了识别结果的实时性。基于生物力学传感器的方法主要是利用足底压力信号的变化提取特征，从而获得对人体运动不同阶段的识别。早期足底压力信号常用于异常步态的分析，采用高分辨率的压力鞋垫和分布式的足底压力点两种方式11,12。国际上对于智能假肢控制，足底压力信号往往用于判断脚与地面的接触状态（比如：脚尖着地、脚跟着地、全脚着地）1。北京大学研究人员创新性地提出了基于“人体电容”的人体运动意图识别的新概念，实现了对多种常见步态的准确识别13。此外，还研制出一款具有可控柔性和力矩的智能动力下肢假肢，通过识别人体运动意图，实现
10、了对地形的良好适应。目前该款假肢已开始逐步走进残疾人朋友的实际生活，改善了他们的运动能力和生活质量。参考文献1 S. K. Au, J. Weber, H. Herr, Powered ankle-foot prosthesis improves walking metabolic economy, IEEE Transactions on Robotics, vol. 25, no. 1, pp. 51-66, 2009.2 M. Kawato, D. Wolpert, Internal models for motor control. Novartis Found Symp, vol.
11、218, pp. 291-304, 1998.3 D. M. Wolpert, Z. Ghahramani, Computational principles of movement neuroscience. Nature Neuroscience, vol. 3 Suppl., pp. 1212-1217, 2000. 4 J. K. Chapin, K.A. Moxon, R.S.Markowitz, M.A. Nicolelis, Real-time control of a robot arm using simultaneously recorded neurons in the
12、motor cortex, Nature Neuroscience, vol.2, no.7, 1999.5 M. A. L. Nicolelis, Actions from thoughts, Nature, vol. 409, 2001.6 M. A. Lebedev, M. A. L. Nicolelis, Brain-machine interfaces: past, present and future, Trends in Neurosciences, vol. 29, no. 9, 2006.7L. Peeraer, B. Aeyels, G. Van Der Perre, De
13、velopment of EMG based mode and intent recognition algorithms for a computer-controlled above-knee prosthesis, J. Biomed. Eng., vol. 12, pp. 178-182, May 1990.8 H. Huang, T. A. Kuiken, R. D. Lipschutz, A strategy for identifying locomotion modes using surface electromyography, IEEE Trans. Biomed.Eng
14、., vol. 56, no. 1, pp. 65-72, Jan. 2009.9 H. Huang, F. Zhang, L. Hargrove, Z. Dou, D. Rogers, K. Englehart, Continuous locomotion mode identification for prosthetic legs based on neuromuscular-mechanical fusion, IEEE Trans. Biomed. Eng., vol. 58, no. 10, pp. 2867-2875, Oct. 2011.10 H. A. Varol, F. S
15、up, and M. Goldfarb, Multiclass real-time intent recognition of a powered lower limb prosthesis, IEEE Trans. Biomed.Eng., vol. 57, no. 3, pp. 542-551, Mar. 2010.11 E. S. Sazonov, G. Fulk, J. Hill, Y. Schutz, and R. browning, Monitoring of posture allocations and activities by a shoe-based wearable s
16、ensor, IEEE Trans. Biomed. Eng., vol. 58, no. 4, pp. 983-990, Apr. 2011.12 S. J. M. Bamberg, A. Y. Benbasat, D. M. Scarborough, D. E. Krebs, and J. A. Paradiso, Gait analysis using a shoe-integrated wireless sensor system, IEEE Trans. Inf. Technol. B., vol. 12, no. 4, Jul. 2008.13 B. Chen, E. Zheng, X. Fan, T. Liang, Q. Wang, K. Wei, L. Wang, Locomotion mode classification using a wearable capacitive sensin
