连续关节运动意图的估计方法

连续关节运动意图的估计方法主要包括生物力学模型法和回归模型法

生物力学模型方法有助于从微观的角度，即肌肉组织的角度揭示运动产生的机制。20世纪40年代，Hill首次提出了经典的肌肉力学模型，为肌肉力学的发展奠定了基础，为运动、医学诊断等领域提供了有价值的参考。Buchanan等人提出了一种基于Hill肌肉模型的人类上肢正向动力学模型，以帮助中风和脑瘫引起的肌肉痉挛症状的残疾患者控制基于sEMG的假手的运动。为了评估脑卒中患者的肌肉功能，制定可靠的治疗方案，邵等人基于改进的Hill肌力模型建立了人体踝关节力矩模型。随后，基于希尔模型对肌肉力量、关节角度和关节扭矩的估计进行了多项研究。
生物力学模型方法的优点是可以解释人体关节运动的机理。该生物力学模型方法对运动成绩评价、致病性运动诊断和病理性震颤抑制研究也具有参考价值。借助合理的生物力学模型，可以从仿生学的角度设计机器人结构，实现与人体协调良好的辅助机器人结构。通过增加个性化的生物力学-电学协调控制决策，可以实现有效的人-机器人集成。然而，在实际运动过程中，肌肉的生理特性会发生复杂的变化，任何预测模型都只是对人体生理状态的近似表示。因此，需要有效的模型参数辨识和误差补偿算法来提高预测精度。

基于生物力学的连续关节运动意图识别在精度和实时性方面不能满足机器人关节灵活性和精确定位的要求。因此，用于识别连续关节运动意图的回归模型方法得到了快速发展。**相应的回归模型主要包括神经网络模型、多项式模型和多元线性模型。**例如，唐等人使用反向传播神经网络来学习表面肌电信号和肘关节角度之间的映射关系，并提出了三种方法来减少外部扭矩变化的影响。刘等人利用非线性自回归模型提取了表面肌电信号与上肢关节运动之间的映射关系，使得对人体上肢多关节运动意图的准确解码成为可能。丁等人利用高阶多项式建立了一个稳定的模型，该模型可用于基于表面肌电信号精确预测人体上肢的多关节运动。在应用神经网络模型之前，有必要建立一个合适的数据集。然后，必须训练和调整模型参数。因此，这种模型的应用需要大量的数据收集和模型调试工作。然而，神经网络可以直接反映表面肌电信号和人体运动之间的映射关系，从而避免了建模过程中大量的计算和大量的参数优化。因此，神经网络模型提供了很高的泛化能力。相比之下，多项式和线性回归模型表现出比神经网络更好的稳定性；也就是说，神经网络对输入数据更敏感，得到的模型很可能具有很高的方差。建立合适的闭环反馈机制可以消除预测误差，提高在线预测精度，但这些模型描述非线性关系的能力和泛化能力明显弱于神经网络。因此，应根据不同的需求选择不同的预测模型，以确保相关研究能够顺利进行。