Real-time Intended Knee Joint Motion Prediction by deep-recurrent neural networks利用深度递归神经网络实时预测膝关节运动

ABSTRACT

• 人体智能辅助系统需要一定的方法来精确地预测运动肢体的关节角度。论文提出了深度递归神经网络(RNNs)，一种处理序列数据的神经网络，在膝关节角度实时预测中的应用。这个模型是基于肌电图(EMG)信号(电极被放置在三条腿的肌肉上)和对上、下腿的惯性测量组合而成的。利用不同受试者在不同步态下采集的数据构建模型，并在实时环境下进行评价。基于融合信息的RNN神经网络模型在计算复杂度和预测精度之间达到了平衡。在单片机上的结果表明，在50ms的预测范围内，模型的预测误差较低，为2.93度。

I. INTRODUCTION

• 据估计，到2020年，美国将有超过87.9万名下肢严重截肢者
  州[1]。动力假肢是一种辅助设备，在截肢治疗中显示出巨大的潜力。这些设备使用电机提供积极的机械工作在联合。然而，由于控制指令的延迟，这些假肢的实时性能仍然是有限的。控制系统的预测指令将提高人工辅助智能系统的实时性。本文重点研究为动力假肢提供膝关节角度意图预测信号的预测模型.
• 在以前的研究中，机器学习技术已经被应用到意图预测模型中。例如，通过将关节的扭矩转化为一个回归问题来估计关节的扭矩。支持向量回归(SVR)和人工神经网络(ANNs)是进行回归模型和计算的两种常用方法[2,3]。其中，SVR和ANN是生物力学领域中具有代表性的模型，可以用来预测关节的扭矩和力矩。在[2]，SVR模型通过nmes诱发的增量肌肉收缩强度的MMG信号特征来预测膝关节伸关节扭矩。同样，采用ANN模型估算MMG在等距肌肉收缩作用下的肘关节屈曲力[3].
• 更重要的是，许多研究和出版物已经指出并证明，表面肌电图(sEMG)信号是用户意图的直观指标[6,7]。Fan和Yin[8]指出，与人体的运动学和动力学信号相比，sEMG信号具有提前30-100ms预测人的运动意图的潜力。一些研究人员应用自回归移动平均模型(ARMA)从有噪声的肌电信号中检索信息，并构建了支持向量机(SVM)结合模糊控制器实现对膝关节运动的传感器融合.
• 因此，需要结合sEMG信号的新算法来处理这种新的特征。在2003年，Cheron et al.[10]证明了递归神经网络(RNNs)可以作为一个合理的解决方案来估计关节角度，而只使用原始的肌电信号。RNN在预处理和自动分析时间序列数据方面具有相当大的潜力，极大地减轻了解决噪声EMG信号的负担。然而，这种称为时间反向传播的算法使RNN不能实时地进行迭代自适应。此外，传统的神经网络在记忆大采样间隔特征方面存在一定的局限性，训练难度较大。

II.MATERIALS AND METHODS

A. Data acquisition and preprocessing system

• 在本研究中，我们使用了两个集成的惯性测量单元(美国InvenSense公司的MPU6050)和三个集成的sEMG传感器(美国Advancer Technologies公司的MyowareTM)。该系统可对肌电信号进行预处理，输出信号可由微控制器直接采样。两个imu的位置分别放置在大腿和小腿上，以测量它们在z轴上的滚转角和角速度。它们还通过IIC总线与微控制器进行交互。调整Kalman滤波器，在微控制器内迭代地估计精确的滚转角[11-14]。本研究将两个imu、一个单片机和一小块面包板安装在一个护膝垫上，作为实验设备。装备的护膝如图1所示。(一)