68、基于长短期记忆神经网络和自编码器的人体手臂端点刚度表面肌电信号估计

基于长短期记忆神经网络和自编码器的人体手臂端点刚度表面肌电信号估计

1. 引言

中风是一种脑血管循环障碍疾病，主要分为出血性中风和缺血性中风。中风通常会导致不同程度的感觉和运动功能障碍，约85%的中风幸存者存在不同程度的上肢运动功能损伤。神经重塑理论表明，患者通过主动积极的运动再学习康复训练方式，能实现更好的功能恢复。

表面肌电信号（sEMG）反映了肌肉的激活状态和人体的运动意图，具有无创的优点，且与人体的预期行为直接相关，因此被广泛应用于人体运动信息的识别。基于sEMG的运动识别，可通过骨骼肌模型、神经网络和高阶多项式拟合等方法构建sEMG与运动信息之间的映射关系。识别出的运动信息可分为离散分类（如运动状态分类、手势识别等）和连续预测（如力预测、关节角度预测、关节扭矩等）。与离散分类相比，连续运动信息在实现机器人的灵活控制和提高人机交互效果方面更具优势。

以往研究中，基于希尔的肌肉模型是估计人体动态信息的经典方法，但构建的骨骼模型结构复杂，人体运动时生理参数难以测量，限制了其应用。相比之下，使用回归方法构建sEMG与人体手臂端点刚度之间的映射关系更为简洁明了。传统回归方法常使用多项式回归模型，近年来，越来越多的研究人员通过神经网络构建回归模型。不过，这些方法中sEMG信号通常需要处理，窗口大小的选择依赖经验，且提取合理的sEMG特征对估计人体动力学参数至关重要。

本研究提出了一种集成长短期记忆（LSTM）神经网络和自编码器的神经网络模型，用于从sEMG和肘部角度估计人体手臂的端点刚度。

2. 材料与方法

2.1 数据采集

本研究邀请了一些健康测试者（两名男性和一名女性）与机器人完成所需轨迹。