下肢外骨骼机器人交互控制方法及肌电感知应用综述

穆 彤，刘世锋

（天水师范学院 机电与汽车工程学院，甘肃 天水 741001）

下肢外骨骼机器人是一种穿戴在操作者下肢且融合了多种机器人技术的机械机构。[1]在使用中，外骨骼机器人与人身体物理接触，与下肢平行运动，主要可用于助力助行和康复训练中。作为连接人与外部机械结构间信息通道的人机交互技术，是实现对外骨骼机器人平稳、连贯、实时控制的关键。[2,3]目前，国内外用于人机交互的方法概括起来包括基于人机作用力信息的交互方法和基于生物电信号的交互。由于外骨骼与人体直接接触，基于人机作用力的交互方式限制了机器人的自主适应能力，而基于生物电信号可以主动地识别人体行为意图，已成为人机交互研究的热点之一。目前被广泛关注的生物电信号有肌电（Electromyography,EMG）、脑电 （Electroencepha⁃lography,EEG） 和眼电 （Electrooculography,EOG）等。[4]其中，表面肌电信号（Suface EMG,sEMG）由于其具有无创的、成熟的采集方法，蕴含信息丰富、研究基础好等特点，已被广泛应用于下肢外骨骼机器人人机交互控制。

本文首先综述了下肢外骨骼机器人及其人机交互方法的研究现状，然后重点针对基于sEMG的人机交互控制，从相关方法、特点和应用现状方面概述了当前研究及应用中存在的亟待突破的关键问题，并展望了该技术的未来发展方向，为后续研究提供借鉴。

1 面向下肢外骨骼机器人的人机交互方法

1.1 下肢外骨骼机器人的分类

1.1.1 助力型下肢外骨骼机器人

助力型下肢外骨骼机器人以日本筑波大学研制的HAL[5]系列和美国加州大学伯克利分校研制的BLEEX[6]为主要代表，可至多对下肢三个关节提供辅助，人机交互控制主要基于步态信息与其他传统运动学传感器提供的信息。其中，BLEEX作为世界上第一台能源自给的外骨骼，设计有7个自由度，可完成下肢关节的弯曲/伸展、外展／内收及外翻／内翻等动作，在人机交互上主要利用编码器和线性加速度计测量关节角度及角速度等，利用力传感器反馈地面作用力并控制输出力。HAL则是以布置在人体腿部的电极贴片作为电位器来测量关节角度，通过地面反作用力传感器以及陀螺仪来感知人体运动状态，完成交互控制的。目前，针对助力型下肢外骨骼的助力效果仍然没有形成定量评价体系。同时，它的人机交互效果极大程度上受制于人机连接带来的关节间的不重合、运动学上的限制、控制器的延时等原因。

1.1.2 康复训练型外骨骼机器人

伴随着人口老龄化，由脑卒中、脑外伤等中枢神经系统疾病造成的肢体残障人口迅速增长，科学地开展下肢康复训练，提高康复训练的频率和持续时间，实现多种不同的主被动训练策略，具有重要的社会意义。自20世纪90年代起，下肢康复机器人应运而生，主要通过对患者肢体实时运动训练和功能性电刺激，实现神经康复或者肢体康复。由HOCOMA医疗器械公司和瑞士苏黎世联邦工业大学合作研制的LOKOMAT[7]下肢康复机器人，下肢每侧包括膝关节和髋关节2个自由度，由带有力传感器的线性驱动器驱动，外形尺寸可调整。2000年，德国Hesse等开发的脚踏板式下肢康复机器人GTI Gait Trainer,[8]由减重系统和脚踏板系统两部分组成。国内以哈尔滨工程大学研制的由步态发生机构、脚踏板姿态控制机构、框架和光杆导轨等组成的踏板式下肢康复机器人系统[9]和浙江大学研制的由跑步机、悬吊减重系统以及两条外骨骼机械腿组成的下肢外骨骼康复机器人[10]为代表，基本上还处于实验室阶段。

1.2 下肢外骨骼机器人的交互控制方法

1.2.1 力／位混合控制

力／位混合控制的实质是将机器人与未知环境接触时的坐标空间分解为两个正交的子空间，分别实现力和位置的轨迹控制。[11]Ju等人[12]采用基于模糊规则的力／位混合控制方法开发了一种针对上肢运动障碍患者的康复训练机器人，通过在切方向上进行力控制，为患肢提供一定的辅助力或力矩，在运动方向上进行位置控制，使患者按照预定的轨迹进行运动，完成了对患者肩关节和肘关节的训练。Bernhardt等[13]利用力／位混合控制在LOKOMAT平台上实现了人机协同的步态行走训练，在迈步摆动阶段，基于动力学模型实现力的控制，在支撑阶段采用位置控制以实现操作者的自主导航训练。

1.2.2 阻抗控制

阻抗控制最早由Hogan[14]提出，相较于力／位混合控制，更侧重于实现机器人的主动柔顺控制。它不强调机器人处于刚性的步态模式下，而允许其在预定轨迹上下有一定量的偏离，即将人机作用力转化为位置和速度的修正，动态地调整人机作用力之间的关系。Duschau Wick等人利用阻抗控制方法在理想轨迹周围建立了具备主动柔顺特性的虚拟墙，实现了操作者主动参与的机器人步态训练方法。[15]此外，荷兰的LOPES也采用了阻抗控制方法。然而，由于缺乏对人机力交互机理的研究，使得人机交互作用力滞后于运动信息，只是间接获取操作者的运动意图，加上机器人机械系统及信号采集处理上的延时，只能在一定程度上解决人机之间的柔顺、实时性问题。

1.2.3 基于生物电信号的控制

生物电信号是由生物体发出的微弱电信号，目前能够用于下肢康复外骨骼机器人中的生物电信号主要为表面肌电信号和脑电信号，两种均为非侵入式测量，可操作性强。EEG信号是通过贴在头皮上的电极片采集到的，基于EEG的交互控制可以不受限于下肢残缺的操作者，但同时，大脑作为人体神经系统的中枢，遍布丰富而复杂的电信号，且大脑的工作机理还有许多未解之处，因此，基于EEG的人机交互研究主要集中在离线分类识别及简单的上肢动作控制中，[16-18]相关研究也只是指出了脑电信号在下肢外骨骼机器人控制中的可能性，实际在线的实验结果很少，走向应用的几乎没有。肌电信号作为产生肌肉力的电信号根源，[19]反映着肌肉的功能状态，sEMG信号通过贴在皮肤表面的电极获取，已被成功应用于上肢外骨骼机器人及人工假肢中。[20,21]同时，研究学者通过对人体肌电信号展开实验研究得到：肌电信号贯穿于肌肉的收缩动作，并在肌肉收缩前20～80ms产生，[22]因此，肌电信号可以用于人体的肌肉运动分析，感知人体的动作状态并对未来的动作做预测分析。文献[23]中提出了一种生物力学模型，通过检测下肢sEMG信号以预测运动过程中的关节力矩，获取人体运动意图，实现下肢外骨骼机器人的交互控制。

综上可以看出：力/位混合控制和阻抗控制都是通过力／位检测获取运动意图，将人机之间的作用力等效为运动轨迹偏差，使操作者能在预定轨迹的上下小范围内进行自我调整。基于力的人体运动意图的获取更为直接，但由于缺乏人机力交互的机理研究，使得人机交互作用力滞后于运动信息，只能在一定程度上解决人机之间的柔顺性问题。而基于生物电的交互，尤其是基于表面肌电信号的人机交互技术，已被成功应用于上肢外骨骼机器人，[24-26]为解决下肢外骨骼机器人的人机运动平稳、柔顺提供了可行的方法，也是发展的趋势。

2 基于sEMG信号的运动意图识别方法

基于sEMG实现人机交互的关键是精确识别人体运动意图，[27-30]主要包括离散动作模式分类和关节运动量连续识别。基于sEMG信号的人机交互过程如图1所示。

图1 基于sEMG的人机交互过程

2.1 离散动作模式分类识别

基于sEMG的人体动作模式识别，主要分为以下几个步骤：首先通过对动作模态的分析，选取人体下肢相关肌肉，利用贴在肌肉表面的电极贴片采集sEMG信号并对其进行预处理；然后利用时域、频域或时频域相结合的方法对已预处理的sEMG信号进行特征提取；再利用sEMG特征样本，基于相关方法建立动作分类模型；最后，利用已建立的模型对新样本进行分类识别，识别后的结果单独或与其他信号融合后作为决策输入，控制下肢外骨骼完成预期的动作。

离散动作模式分类识别的核心是特征提取和模式识别分类。其中，特征提取主要包括时域分析法、频域分析法、时频分析法等。时域分析法把sEMG信号近似看成是服从零均值高斯分布、方差与信号强弱有关的随机信号，Reddy等人[31]利用RMS提取出sEMG的特征值，用于研究sEMG和运动位移的关系，从而实现了对手指和腕关节模型的控制。罗志增[32]和O Paiss等人[33]通过肌电信号的AR时序模型，以AR各阶系数作为表征动作的肌电信号特征值。日本学者Katsutoshi等人曾采用各路肌电信号的积分值构成的特征向量完成手部多动作的模式识别。[34]虽然肌电信号的时域特征易于提取，但是大量研究表明：当肌肉收缩力大小稍有变化时，表面肌电信号的时域特征变化较大，稳定性差。频域分析法主要依靠快速傅里叶变换（FFT）获取其频谱或功率谱，主要有平均功率频率和中位频率，以得到肌电信号在频域维度上的稳定描述。20世纪80年代初，Ronager J[35]利用傅里叶变换对sEMG做了功率谱分析，通过高频/低频幅值比了解到正常个体的自发用力、控制用力及神经肌肉疾病患者之间的功率谱差异。在此方法的影响下，罗志增、王人成[36]等人提出了功率谱比值法，将表面肌电信号功率谱最大幅值处对应频率附近某一确定宽度的功率谱积分与整个功率谱积分的比值作为表面肌电信号的特征值，并以此完成人手部动作的识别，取得了较为理想的效果。但是傅里叶变换需要获得信号在时域的全部信息，因此在分析具有非平稳性和非线性特征的肌电信号上，受到了较大的限制。时频分析法是将时域和频域结合起来，能较全面地反映信号特征，蔡立羽等人将肌电信号认为是短时平稳信号，采用短时傅里叶变换对表面肌电信号进行了分析。[37]Davies,M.R.[38]等人利用维格纳变换对EMG信号进行了疲劳分析。Constable[39,40]等利用离散小波变换对表面肌电信号进行时频分析，研究在不同重力加速度下的表面肌电信号特征。但由于构成的特征样本相量是多维的，使得运算复杂、耗时多，需常常采用降维算法进行预处理。[41]

针对分类模型，主要有：以聚类分析为代表的线性分类器，[42]算法简单、运算速度快，但不能解决线性不可分问题；以解决非线性、高维度问题为代表的非线性分类器，包括神经网络、支持向量机等，[43]但由于模型复杂，特征向量样本大等原因，除了考虑模型的优化外，对sEMG信号进行降噪预处理，对特征向量样本进行降维处理等方式也受到更多的重视。虽然就目前而言，离散动作分类方法已非常成熟，但仍然存在很多现实问题，比如：大多数需要识别的动作都是事先定义的，且实验条件苛刻，极少考虑实际应用以及突发情况；动作种类易区分，对于某个动作进行清晰的分解、识别，且大多数结论都建立在较短时间的实验基础上，未进行长时间测试。

2.2 关节连续运动估计

相比于利用sEMG信号分类单一动作模式，采用生物力学模型、[44]基于神经网络的回归模型[45]构建sEMG信号与关节连续运动量（包括关节角度、力矩、角速度等）之间的函数模型，可以进一步解决人机运动平稳性和协调性的问题，已成为肌电研究的新热点。生物力学模型多建立在Hill肌肉力模型基础上，由于其含有许多无法测量的生理参数，且过程复杂，实用性较低。相比之下，表面肌电信号的运动量连续识别能够弥补这一不足，对实现机器人运动的平滑控制更有价值。[46,47]

在下肢外骨骼机器人中，操作者的运动意图和目标可以通过关节角度的连续变化进行描述。因此，只要利用表面肌电信号对关节连续运动角度进行解码，便能获得操作者期望的运动轨迹，实现对人体下肢运动的准确、实时识别。这方面的深入研究，不仅是实现下肢外骨骼机器人实用化的重要前提，而且也对加快我国自主研发下肢外骨骼机器人设备，掌握关键技术以及提升单兵作战能力、促进康复医疗水平、改善运动功能障碍、减轻社会负担具有重要意义。

3 结论及展望

以sEMG信号作为交互媒介识别人体运动意图，进而控制下肢外骨骼完成预期的动作，已成为实现对下肢外骨骼机器人柔顺、协调控制非常有效的手段，但由以上总结可见，受制于人体运动的复杂性、个体差异以及sEMG信号时变非平稳特点，当前许多研究仍处在实验室应用阶段，研发稳定性更高、交互实时性更强、适用情况更全面的肌电交互系统仍具有较大难度，应进一步突破、创新。

在未来开展基于sEMG的人机交互技术研究时，需要关注以下可能实现技术突破的研究点：第一，关注人体运动的生理机理研究，从理论上确立肌肉选择和运动建模的依据，从而建立统一的标准指导实验分析和设备制造，优化肌电处理的各个环节；第二，探索不同穿戴者的sEMG及其模型的共性，建立具有普遍适用性的模型，推进肌电交互系统的实用化和应用效率的提升；第三，为弥补基于sEMG交互控制的不足，在交互中引入力传感器、MEMS惯性传感器等，对获取的信息进行融合分析，进一步完善基于sEMG的交互控制模型，实现系统的稳定控制。