2021.02科学技术创新一种基于表面肌电信号的踝关节角度的预测方法
A prediction method of ankle joint angle bad on sEMG
廖尉捷
（重庆交通大学机电与车辆工程学院，重庆400074）
表面肌电信号sEMG （surface Electromyography ）是指中枢神
早安心语正能量一句话经系统支配肌肉活动时从皮肤表面检测到的生理电信号，
由于肌电信号总是先于实际动作产生的特点，
与其他以角度、力、加速度等物理信息作为信号源的控制方法相比，sEMG 可以更直观、更快速地反映人体意图。肌电信号与其他控制方式的结合是直接意志控制中新的热点方向。
1肌电信号的采集和预处理1.1肌肉选择
人体下肢运动是多肌肉联合作用的结果，
腿部肌肉在运动时的作用不完全相同，本文为得到表面肌电信号与踝关节关节角度的映射关系，需使用sEMG 传感器和角度传感器来采集表
面肌电信号和踝关节角度信号。根据文献[1-2]，胫骨前肌
消费者维权
（tibialis anterior ，TA ）、比目鱼肌（soleus ，SOL ）、大腿股外侧肌(vastus lateralis ，VL)和大腿股二头肌(biceps femoris,BF ）等肌肉在人体步态过程中具有明显的收缩，且表面脂肪含量较低，有利于表面肌电信号的采集。
胫骨前肌与比目鱼肌、股外侧肌与股二头肌互为两组拮抗肌。正常站立姿态的人体踝关节角度为90°腿。胫骨前肌收缩
时，人体脚尖会向上翘起，即踝关节角度小于90°，此时比目鱼
肌处于放松状态；反之即反。股外侧肌与股二头肌仅在摆动姿态时表现出拮抗效果，但股外侧肌和股二头肌对小腿摆动的作用明显，故选取作为踝关节角度变化的辅助参考。
1.2肌电信号的采集、预处理和特征提取1.
2.1肌电信号的采集和预处理
胡萝卜豆浆
研究中，使用一个8通道的Myo 肌电仪采集TA 、SOL 、VL 、BF4块肌肉sEMG 信号。肌电仪采样频率为1500Hz ，由直径为2cm 的银芯电极贴附在肌肉表面。志愿者左踝关节在矢状面内做有规律的步态运动，动作周期大约为2.5s ，每个志愿者采集
1500个样本点数据。
传统研究肌电信号的方法大多是采用小波滤波处理原始肌电信号。小波滤波处理的肌电信号表现出较好的非平稳特
性，但降噪效果容易受到信噪比的影响，
且计算量过大不适合对关节角度的实时控制。本文使用此方法做对照试验。
考虑到肌电信号映射至踝关节角度的响应速度和同步性，本研究使用带通滤波去除低频噪声，采用四阶巴特沃斯滤波[4]对原始肌电信号进行滤波，将肌电信号频率控制在有用范围20Hz-500Hz 内。再使用50Hz 陷波器消除50Hz 工频干扰。大地图片
1.2.2肌电信号的特征值提取
表面肌电信号的特征提取方法主要有时域法、频域法、
时频域分析法等，本文采用时域法进行分析并提取特征值。主要的特征值有肌电积分值、均方根值RMS （Root Mean Square ）、平均功率频率、中值频率等。均方根值RMS 反映在时间轴上肌电信号振幅的变化特征，可以直接反映肌电信号的瞬时功率。所以RMS 值在这些特征值中最具意义。
（1）
其中：E i 是肌电信号经过整流滤波处理后的第i 个样本点的电压值，N R 取15，表示每15个采样点提取一个特征值。
2神经网络模型
表面肌电信号具有非线性的特征，
数学表达式难以建立其与踝关节角度之间的映射模型。BP 神经网络是一种用误差反向
传播算法训练的多层前向神经网络，
有输入层、隐层和输出层三个部分组成，上下层之间完全连接，
同一层无连接。本研究用4层BP 神经网络从表面肌电信号映射到踝关节角度，
模型如图1，其输入有4个神经元，输入信号为sEMG 特征值，输出层为1个神经元，即踝关节角度信号。
摘要：针对下肢康复机器人和下肢外骨骼机器人踝关节运动柔顺性、准确性问题，进行了表面肌电信号与踝关节角度映射
关系及预测的研究，提出了一种基于表面肌电信号对踝关节角度进行预测的方法。首先，采集人体下肢4块肌肉（胫骨前肌、比目鱼肌、股外侧肌和股二头肌）的表面肌电信号及踝关节角度作为研究数据。其次，建立了一个四层BP 神经网络进行训练。最后，神
经网络依据输入的表面肌电信号预测出踝关节角度。实验结果与传统小波滤波后的肌电信号所得结果相对比，
结果显示所提出的方法可以准确预测踝关节角度值。
关键词：表面肌电信号（sEMG ）；BP 神经网络；踝关节
Abstract ：In order to solve the problem of compliance and accuracy of ankle joint motion of lower limb rehabilitation robot and lower limb exoskeleton robot,the mapping relationship and prediction between surface EMG signal and ankle joint angle are studied,and a method of ankle joint angle pre
即墨古城简介diction bad on surface EMG signal is propod.Firstly,the surface electromyography (sEMG)signals of four muscles (tibialis anterior muscle,soleus muscle,lateral femoral muscle and biceps femoris)and ankle joint angle were collected as rearch data.Then,a four layer BP neural network is established for training.Finally,according to the input sEMG signal,the neural network can predict the ankle joint angle.The experimental results show that the propod method can accurately predict the ankle joint angle.
Key words ：Surface electromyography (sEMG)；BP neural network ；Ankle joint 中图分类号：TP242文献标识码：A 文章编号：2096-4390（2021）
有关思乡的诗
02-0031-02RMS 31--
科学技术创新2021.02
图1前向反馈神经网络模型
神经网络隐层神经元数目过多会导致学习时间过长、误差选取并不是最佳等问题，数目过少会导致学习不充分、
误差过大等问题。目前，关于神经元数目的确定只能通过设计者的经验与多
确定。本研究在
此
问题上参考以下经验公式：
（2）其中，L 为隐层神经元个数，n 为输入层神经元个数，m 为输出层神经元个数，a 为[1，10]之间的常数。最终确定两个隐层神经元个数分别为14和25。
3实验及分析
实验选取了4名男性志愿者，年龄（22~26岁，平均24岁），
身高（173~183cm ，平均176cm ），体重（63~70kg ，平均68kg ）。对他们进行了TA 、SOL 、VL 、BF4块肌肉sEMG 的采集。此4名志
愿者脚踝健康无病史，也没有踝关节强化锻炼史，
各肌肉功能正常。
以其中一位志愿者为例介绍实验结果。图2为各肌肉sEMG 提取的RMS 值。sEMG 信号的RMS 和所得踝关节角度归
一化处理后，部分用于神经网络的训练，
另一部分用于测试实验结果。神经网络的学习效率为0.1，目标均方误差为0.001，
迭代次数为54次。神经网络预测的关节角度曲线如图3所示。
图2各sEMG 的RMS 值
为验证此方法的正确性，采用了传统的小波滤波后的肌电
信号来做对比实验。实验结果如图3，可以明显的看到，
此方法相对于传统方式，预测值与实际角度相差更小，
预测曲线更接近。
acquired
4结论
本文提出了一种新型的能准确预测踝关节运动角度的方法。研究过程中采集了TA 、SOL 、VL 、BF4块肌肉的sEMG 信号，使用了四阶巴特沃斯滤波对原始sEMG 信号进行滤波并提取特征值，建立了一个4层神经网络模型以找出sEMG 信号与踝关
节角度间的映射关系。从实验结果中可以看出，踝关节角度预
测值与实际值有较好的重合度，
此方法能够准确地对踝关节运动进行预测。
（a ）传统小波滤波处理所得踝关节角预测曲线
（b ）四阶巴特沃斯滤波所得踝关节角预测曲线
图3参考文献
[1]章亚男，景银平，沈林勇，宋薇，钱晋武.下肢表面肌电信号的降维和映射分析[J].传感技术学报，2018，31（7）：1046-1053.[2]陈江城，张小栋，尹贵.基于表面肌电信号的人体步态事件快速识别方法[J].中国机械工程，2016，27（7）：911-916+924.
[3]席旭刚，
幼师演讲稿左静，张启忠，罗志增.多通道表面肌电信号降噪与去混迭研究[J].传感技术学报，2014，27（3）：293-298.[4]唐毓尚.高性能低通滤波器[D].成都：电子科技大学，2009.
输入层
第1隐含层
输出第2隐含层
L a 32--
