基于神經(jīng)網(wǎng)絡(luò)的人體下肢生物動力學(xué)模型設(shè)計作者姓名： 葛濤指導(dǎo)教師： 王斐單位名稱： 信息科學(xué)與工程學(xué)院專業(yè)名稱： 自動化東北大學(xué)2013年6月DesignoftheLowerLimboftheHumanBodyBiologicalDynamicsModelBasedonneuralnetworkByGeTaoSupervisor:AssociateProfessorWangFeiNortheasternUniversityJune2013東北大學(xué)本科畢業(yè)設(shè)計（論文）畢業(yè)設(shè)計（論文）任務(wù)書－－第一章緒論課題研究背景及意義截至2012年底，我國老年人口數(shù)量達(dá)到1.94億，比上年增加891萬，占總?cè)丝诘?4.3%。人口老齡化不只是人口結(jié)構(gòu)變化，還對我國政治、經(jīng)濟(jì)、社會都帶來重大影響。伴隨人口老齡化過程中明顯的生理衰退就是老年人四肢的靈活性逐步下降，進(jìn)而對日常的生活產(chǎn)生種種不利的影響。在老齡人群中有大量的腦血管疾病或神經(jīng)系統(tǒng)疾病患者如脊髓損失、腦外傷等，這類患者多數(shù)伴有步態(tài)紊亂或下肢癱瘓。近年來，患心腦血管疾病使中老年患者出現(xiàn)偏癱的人數(shù)不斷增多，而且逐漸年輕化。此外，各種自然災(zāi)難、疾病以及交通事故造成的肢體運(yùn)動性障礙的病人也在不斷增加。外骨骼系統(tǒng)作為康復(fù)型設(shè)備，它可以輔助病人進(jìn)行康復(fù)性運(yùn)動訓(xùn)練，通過預(yù)定的運(yùn)動軌跡指導(dǎo)病人恢復(fù)運(yùn)動或者是給病人提供輔助的外力。下肢助力外骨骼一種類似于人體下肢的外骨骼機(jī)械裝置，并聯(lián)與穿戴者下肢外部，通過安裝在腿部各關(guān)節(jié)處的驅(qū)動器，輔以關(guān)節(jié)角度測量儀及力傳感器系統(tǒng)，驅(qū)動下肢助力外骨骼達(dá)到與穿戴者同步協(xié)調(diào)行走，并在行走過程中提供助力。軍事上，外骨骼可以增強(qiáng)士兵的速度和力量，提高戰(zhàn)斗力。醫(yī)學(xué)上，殘障人士穿戴外骨骼助力裝置后，可以提高他們的生活和工作勞動能力。也可以用來輔助醫(yī)生幫助病人進(jìn)行康復(fù)訓(xùn)練。日常生活中，它還可以在工廠、消防等特殊環(huán)境下用來承擔(dān)體力勞動中的大部分負(fù)重。表面肌電信號（SurfaceElectromyography，簡稱SEMG）是從人體骨骼肌表面記錄下來，通過表面電極采集到的反應(yīng)人體神經(jīng)肌肉活動所產(chǎn)生的生物電信號，它反映了神經(jīng)、肌肉的功能狀態(tài)。隨著計算機(jī)技術(shù)的發(fā)展，如何從表面肌電信號中獲取肢體的運(yùn)動相關(guān)信息已經(jīng)越來越受到人們的關(guān)注。表面肌電信號信號是一種能夠反應(yīng)神經(jīng)控制信息的信息源，將肌電信號作為下肢外骨骼機(jī)器人的控制信號源，前景十分誘人，因為肌電信號的最大優(yōu)點是它是大腦意識的直接反應(yīng)，充分考慮了使用者的意愿，根據(jù)環(huán)境狀況實現(xiàn)使用者的隨意控制，及時適應(yīng)外界環(huán)境變化。人體的肢體是一個復(fù)雜且精巧的動力系統(tǒng)，下肢外骨骼作為智能輔助系統(tǒng)，要求在增強(qiáng)人類現(xiàn)有運(yùn)動能力的同時，保留人的靈活性和直接操作的感覺。其工作原理是獲取使用者的運(yùn)動信息，據(jù)此判斷并控制系統(tǒng)以何種方式、何種大小提供動作輔助，并要求下肢外骨骼系統(tǒng)如同人體的固有組成成分，與其它運(yùn)動器官協(xié)同工作，完成使用者自身難以完成的行動任務(wù)。在研究過程中，首先要建立準(zhǔn)確的人體下肢生物動力學(xué)模型，然后計算出活動時的關(guān)節(jié)力矩，由人體下肢表面肌電信號控制輸出相應(yīng)的關(guān)節(jié)力矩。下肢外骨骼裝置的國內(nèi)外研究概況美國國防部研究計劃署（DARPA）投資五千萬美元為地面部隊開發(fā)外骨骼套裝這種可穿戴的機(jī)器人系統(tǒng)可以使士兵能夠跑得更快，攜帶更重的武器以及跳過較大的障礙物。伯克利·布里克外骨骼（Berkeleylowerextremityexoskeleton,BLEEX）由美國加州人學(xué)伯克利分校機(jī)器人和人體工程實驗室研制,致力于幫助士兵、營救人員、消防人員以及其他所有應(yīng)急人員輕松攜帶各種裝備。BLEEX（如圖1.1所示）下肢外骨骼由背包式外架、金屬腿及液壓驅(qū)動設(shè)備組成,其機(jī)械系統(tǒng)的設(shè)計與人體結(jié)構(gòu)十分相似,背包式外架可使穿戴者攜帶一定負(fù)荷,其有效作用力由外骨骼直接傳至地面。穿上它我們可以自由蹲下、彎腿、跳躍、擺腿、行走及跑步等各種下肢運(yùn)動。此外,當(dāng)電源不足時,該系統(tǒng)可以拆下折疊成一個背包。注：1-包式外架及其周同能源模塊；2-川性連接部分；3-能源模塊及中央處理器；4-半剛性背心；5-液壓驅(qū)動設(shè)備；6-剛性連接部分圖1.1BLEEX下肢外骨骼[1]日本筑波大學(xué)（TsukubaUniversity）在2002年研制開發(fā)了機(jī)器人裝混合助力腿（Hyhridassitivelimb，HAL）。該系統(tǒng)外形小巧，高1.6米，重23千克，供電電池使用100V直流電，可持續(xù)使用5小時。機(jī)械外骨骼綁縛在人腿的兩側(cè)，依靠貼住腿部皮膚上的EMG傳感器檢測肌肉的電流，控制電動馬達(dá)驅(qū)動機(jī)械外骨骼運(yùn)動，以輔助腿部的動作。2005年，經(jīng)改良后代號為“HAL-5”在愛知世博會上首次亮相，其重量約15公斤，電池供電，一次充電可工作兩個小時和更多時間（取決于負(fù)載大小）。同樣通過肌電信號在皮膚表面的變化中探測到肌肉的運(yùn)動，然后將運(yùn)動的力量放大。借助這種機(jī)器裝置的幫助，一個弱不禁風(fēng)的小女子也能提起幾十公斤的重物。與HAL-3不同之外在于HAL-5增加了上肢支持系統(tǒng)。HAL-5如圖1.2所示。圖1.2HAL-5機(jī)器人[2]在我國，針對外骨骼機(jī)器人技術(shù)的研究雖然處于起步階段，但起點高，近幾年發(fā)展迅速[3]。南京理工大學(xué)機(jī)械學(xué)院趙彥峻等通過分析人類下肢關(guān)節(jié)的特點、行走步態(tài)及下肢自由度，并結(jié)合下肢外骨骼工作原理及結(jié)構(gòu)組成，設(shè)計出一種提高士兵載荷的下肢外骨骼裝置。哈爾濱工業(yè)大學(xué)研制了AVR單片機(jī)下肢外骨骼機(jī)器人。清華大學(xué)精密儀器系康復(fù)工程研究中心發(fā)明了步態(tài)康復(fù)訓(xùn)練機(jī)器人（gaitrehabilitationtrainingsystem，GRTS）。浙江大學(xué)流體傳動與控制國家重點實驗室從上世紀(jì)90年代開始致力于人機(jī)一體化理論研究，并衍生出人機(jī)智能柔性外骨骼技術(shù)研究，開發(fā)了下肢運(yùn)動康復(fù)訓(xùn)練外骨骼系統(tǒng)等。外骨骼助力裝置的控制要求對使用者施加的力以及力矩做出快速準(zhǔn)確的反應(yīng)，控制多個關(guān)節(jié)的運(yùn)動，同時又能夠根據(jù)外界環(huán)境的變化不斷調(diào)整控制參數(shù)，將人的智能與機(jī)器的動力結(jié)合在一起，基于人體運(yùn)動行為意識基礎(chǔ)上，利用機(jī)器的強(qiáng)大動力來實現(xiàn)人的運(yùn)動。表面肌電信號能夠反映人的意識，用于人機(jī)智能系統(tǒng)中能大大提高系統(tǒng)的自主程度，并且能夠使該人機(jī)智能系統(tǒng)真正按照人的意識去動作。表面肌電信號檢測可提供有關(guān)能反映外周神經(jīng)肌肉功能狀態(tài)的信息。表面肌電信號比較微弱，特征提取是重要的一個環(huán)節(jié)。建立準(zhǔn)確的下肢動力學(xué)模型，找到表面肌電信號與輸出力矩的非線性關(guān)系，應(yīng)用于外骨骼助力裝置等方面有著廣闊的前景。表面肌電信號的國內(nèi)外研究概況表面肌電最早被用來度量肌肉收縮力量，收縮時間和肌肉疲勞狀態(tài)，用于仿生學(xué)、生物力學(xué)、生物反饋、運(yùn)動醫(yī)學(xué)和康復(fù)工程研究中，例如，研究發(fā)現(xiàn)，在完成相同負(fù)荷的工作狀態(tài)下，肌肉疲勞會導(dǎo)致肌電的振幅值增加，而且肌電信號的傅立葉頻譜曲線也會發(fā)生不同程度的左移現(xiàn)象，并導(dǎo)致反映頻譜曲線特征的MPF和MF值相應(yīng)下降，可以據(jù)此進(jìn)行肌肉疲勞檢測；在外骨骼、假肢以及輪椅等智能產(chǎn)品的設(shè)計與控制中，肌電信號常被用做系統(tǒng)控制源，用于驅(qū)動智能輔助系統(tǒng)根據(jù)人體的主觀運(yùn)動意圖正確工作。德國OttoBock公司研制的自動SUVA感應(yīng)手，可以通過肌電信號的強(qiáng)弱來控制假手的張、合速度，使抓取動作簡單而自然。國內(nèi)以清華大學(xué)為代表的研究機(jī)構(gòu)也取得了一定的成果，提出具有路況識別功能的智能膝上假肢，并在國內(nèi)首次展開大腿假肢在滑倒過程中的平衡策略研究。在臨床診斷應(yīng)用領(lǐng)域中，常利用神經(jīng)及肌肉的電生理特性，以電流刺激神經(jīng)并記錄其動作和感覺的反應(yīng)波，以輔助神經(jīng)肌肉疾病的診斷。在體育科學(xué)研究領(lǐng)域中，肌電技術(shù)還被應(yīng)用在以下三個方面：其一，用于測定人體活動的反應(yīng)時、運(yùn)動時和電機(jī)械延時等生理特征，其研究結(jié)果可以用于運(yùn)動員選材以及訓(xùn)練控制等；其二，從生理學(xué)角度分析肌肉活動的協(xié)調(diào)關(guān)系，通過肌電信號來評定某一動作中肌肉激活的先后順序以及肌肉發(fā)力的順序，可用于運(yùn)動技術(shù)的分析和評價；其三，評定運(yùn)動員的肌肉訓(xùn)練程度，一般而言，無訓(xùn)練者在完成某一動作時，由于不該參與活動的肌肉也參與作用，其肌電信息雜亂，而訓(xùn)練程度較高的運(yùn)動員在完成相同動作時，肌肉放電整齊，并具有一定的規(guī)律性。本文主要工作本文的主要工作包括以下幾個方面：(1)首先簡介表面肌電信號和外骨骼助力裝置的背景、發(fā)展現(xiàn)狀以及研究意義。(2)介紹了肌電信號的概念、產(chǎn)生過程和特點，并闡述了表面肌電信號作為外骨骼助力裝置控制信號的優(yōu)點。接著簡單介紹了實驗用的慣性傳感器和表面肌電信號采集設(shè)備，詳細(xì)記錄了實驗過程以及實驗數(shù)據(jù)，并對肌電信號進(jìn)行了前期處理，為后期研究表面肌電信號和關(guān)節(jié)輸出力矩的關(guān)系做了鋪墊。(3)建立了人體下肢動力學(xué)多剛體模型，直接利用多剛體系統(tǒng)動力學(xué)理論進(jìn)行力學(xué)建模，方法簡便，是研究人體運(yùn)動的常用建模方法之一。對慣性傳感器記錄的數(shù)據(jù)進(jìn)行處理，利用角動量定理和關(guān)節(jié)質(zhì)量質(zhì)心回歸方程，求得關(guān)節(jié)力矩，并將表面肌電信號關(guān)節(jié)力矩信號數(shù)據(jù)整合，為下一章表面結(jié)電信號的識別做好準(zhǔn)備。(4)介紹了人工神經(jīng)網(wǎng)絡(luò)的含義、特點以及發(fā)展?fàn)顩r，重點介紹了BP神經(jīng)網(wǎng)絡(luò)的特點和算法學(xué)習(xí)過程。搭建恰當(dāng)?shù)腂P神經(jīng)網(wǎng)絡(luò)模型，不斷改變模型參數(shù)，找到表面肌電信號和關(guān)節(jié)輸出力矩之間的關(guān)系，并對模型進(jìn)行了檢驗，實驗結(jié)果較好，可以反映兩者之間的關(guān)系。

東北大學(xué)本科畢業(yè)設(shè)計（論文）第二章下肢運(yùn)動信息肌電信號采集實驗設(shè)計第二章下肢運(yùn)動信息肌電信號采集實驗設(shè)計表面肌電信號表面肌電信號的產(chǎn)生肌肉細(xì)胞的生物電現(xiàn)象是肌肉運(yùn)動過程中伴隨著一系列的電變化，沖動則是生物電變化，而興奮過程就是產(chǎn)生沖動的過程。幾乎沒有一種生理功能的實現(xiàn)過程中沒有伴隨著生物電現(xiàn)象。肌電現(xiàn)象是一種典型的由興奮產(chǎn)生沖動并且刺激肌肉組織完成收縮生理功能的生物電現(xiàn)象。1791年，通過一系列的蛙類肌肉收縮研究，Gavani證明了肌肉收縮與電現(xiàn)象有密切的關(guān)系。1851年，DuboisReymond檢測到人體肌肉自主收縮時能產(chǎn)生電信號。1922年，Gasser和Erlangre用陰極射線示波器檢測到了人體肌電圖。隨著神經(jīng)肌肉生理學(xué)的研究進(jìn)步、電子技術(shù)的發(fā)展以及復(fù)雜信號處理分析技術(shù)的出現(xiàn)，基于肌電信號的肌肉分析成為肌肉運(yùn)動研究的一個重要方向。人體的運(yùn)動需要完整的神經(jīng)系統(tǒng)和骨骼肌功能，骨骼肌由大量成束的肌纖維組成，每條肌纖維都是一個獨(dú)立的功能和結(jié)構(gòu)單位，是運(yùn)動的最終效應(yīng)器。在大腦中樞神經(jīng)系統(tǒng)的調(diào)控下，骨骼肌的各塊肌肉相互協(xié)作配合將興奮作用于骨骼，產(chǎn)生了人體各部分的協(xié)調(diào)運(yùn)動，同時肌纖維上會產(chǎn)生電位的變化，即肌電信號。圖2.1運(yùn)動單位肌電信號源于作為中樞神經(jīng)一部分的運(yùn)動神經(jīng)元。運(yùn)動神經(jīng)元細(xì)胞體處在其中，他的軸突伸展劍肌纖維處，經(jīng)過終板區(qū)和肌纖維耦合。與每個神經(jīng)元相聯(lián)系著的肌纖維不只有一條。這些部分合在一起，構(gòu)成所謂的運(yùn)動單元。當(dāng)肌肉自主收縮時，運(yùn)動電位由大腦運(yùn)動皮層發(fā)出，經(jīng)過脊髓神經(jīng)通路向下傳導(dǎo)，到達(dá)了運(yùn)動神經(jīng)元。當(dāng)募集閾值低于該刺激運(yùn)動電位幅值時，運(yùn)動神經(jīng)元被激活（即這些運(yùn)動神經(jīng)元所在的運(yùn)動單位被招募或稱被激活），產(chǎn)生相應(yīng)運(yùn)動神經(jīng)元動作電位，并沿著被激活的運(yùn)動神經(jīng)元軸突傳導(dǎo)到每個末梢分支與肌肉的接點，使神經(jīng)和肌肉的接點釋放一種化學(xué)物質(zhì)乙酰膽堿。乙酸膽堿使運(yùn)動終板的離子通透性發(fā)生變化并產(chǎn)生了終板電位，此終極電位又使肌細(xì)胞膜產(chǎn)生去極化閩值電位，達(dá)到肌纖維的動作電位，并沿著肌纖維向兩個方向傳播，引起肌纖維內(nèi)的一系列變化，便導(dǎo)致了肌纖維的收縮，大量肌纖維開始收縮產(chǎn)生肌肉力，如圖2.1所示。由此可見，由于電信號（肌纖維的動作電位）的傳播產(chǎn)生了肌肉收縮，同時傳播的電信號在人體軟組織中引起電流場，并在檢測電極間形成電位差，即肌電信號[4]。各肌纖維在檢測點上所表現(xiàn)出的電位波形，極性與纖維以及檢測點間的距離有關(guān)，也和終板同檢測點的相對位置有關(guān)，相距愈遠(yuǎn)，幅值愈小。同一運(yùn)動單位中的所有肌纖維在檢測點之間引起的總電位差稱為運(yùn)動單位動作電位（MotorUnitActionPotential，MUAP）。因為運(yùn)動神經(jīng)元軸突上的電激勵是脈沖序列，所以檢測點間產(chǎn)生的也是動作單位運(yùn)動電位序列（MUAPT）。表面肌電信號（SEMG）是指從安放在皮膚表面的貼片電極處所測量到的許多運(yùn)動單位產(chǎn)生的運(yùn)動單位動作電位的總和。表面肌電信號是從人體骨骼肌的表面記錄下來的神經(jīng)肌肉活動所發(fā)放的生物信號，是表面電極所觸及的多個運(yùn)動單元動作電位在時空上的疊加，而且還包括各種噪音信號，反映了肌肉和神經(jīng)的功能狀態(tài)。總之，肌肉的收縮運(yùn)動涉及到的是以具有反饋自動調(diào)節(jié)功能的、物質(zhì)能量代謝為基礎(chǔ)的、復(fù)雜的神經(jīng)-肌肉系統(tǒng)，其組成框圖見圖2.2。用表面電極收集的多個肌纖維的動作電位包含整個系統(tǒng)的其他部分的信息，如肌纖維的收縮程度在大腦意識發(fā)出的命令改變時將發(fā)生變化，在大腦興奮引起肌肉收縮軀體運(yùn)動的過程中，因為興奮的程度不同，所以神經(jīng)纖維發(fā)放的興奮電脈沖的頻率不同，引起肌維收縮的數(shù)量也會不同。并且在不同的肌肉運(yùn)動模式中，所用的肌群也不同，而在檢測電極間募集到的肌電信號是各個運(yùn)動肌群中的每根肌纖維的運(yùn)動電位在檢測點所引起的電位總和。因此可知，不同的肌肉運(yùn)動模式是由于不同的肌群收縮產(chǎn)生的，伴隨的表面肌電信號也是不同的，完全有可能在不同的表面肌電信號特征中找到相對應(yīng)的肌肉動作模式。感受器感受器輸出收縮力具有一定能量物質(zhì)和神經(jīng)傳遞介質(zhì)的肌纖維組織輸出收縮力具有一定能量物質(zhì)和神經(jīng)傳遞介質(zhì)的肌纖維組織脊神經(jīng)電脈沖腦神經(jīng)電脈沖脊髓神經(jīng)大腦皮層脊神經(jīng)電脈沖腦神經(jīng)電脈沖脊髓神經(jīng)大腦皮層動作電位動作電位表面肌電信號表面電極表面肌電信號表面電極圖2.2神經(jīng)-肌肉系統(tǒng)組成框圖表面肌電信號的特點盡管不同人的表面肌電信號有較大的個體差異，表面肌電信號在不同肌肉也有所不同，許多方面的因素對表面肌電信號的參數(shù)都會產(chǎn)生影響，但是仍有一定的規(guī)律性。表面肌電信號一般有以下特征：(1)表面肌電信號是一種微弱的電信號。表面肌電信號的幅度范圍一般在0~5mV，肌肉收縮時在60~300uV；松弛時約為20~30uV，并且一般不會超過噪音水平。健康人，肌電幅度的峰峰值可達(dá)1~3mV。對于殘肢者，肌電幅值一般小于350uV，有些甚至不足1uV，約比正常人減小數(shù)倍甚至幾十倍；(2)表面肌電信號的頻譜分布在5~500Hz，主要集中于500Hz以下，300Hz以上明顯減弱。其中，大部分頻譜集中在50~150Hz之間。(3)表面肌電信號是一種交流電壓，在幅值上與肌肉產(chǎn)生的力大致成比例關(guān)系。肌肉的松弛和緊張度與形成的表面肌電電壓幅度之間存在著較好的線性關(guān)系。(4)生物信號不是穩(wěn)定不變的，而是隨著外界環(huán)境變化而處于不斷變化的狀態(tài)之中。因為生物體是一個與外界緊密接觸的開放系統(tǒng)，為了適應(yīng)外界環(huán)境的變化，生物體總是在調(diào)節(jié)自身的狀態(tài)，使信號的統(tǒng)計特征隨時間變化。(5)頻域參數(shù)比時域參數(shù)更能反映肌電特征。當(dāng)力大小有變化時，其時域波形變化比較大，而頻域特征變化不大。(6)同一塊肌肉在做不同動作時，其譜頻幅值特性曲線形狀仍相似，說明不同肌肉的肌電發(fā)放有著一定的規(guī)律性。表面肌電信號的生理學(xué)基礎(chǔ)和特點為表面肌電信號的應(yīng)用和采集系統(tǒng)的設(shè)計提供了理論基礎(chǔ)和參考[5]。大量的數(shù)據(jù)顯示，生理信號指標(biāo)能準(zhǔn)確反映人的神經(jīng)、肌肉運(yùn)動狀態(tài)。在智能輔助運(yùn)動過程中，輔助機(jī)構(gòu)的運(yùn)動需要根據(jù)人的主觀意志而配合其它肢體進(jìn)行協(xié)同動作。肌電信號作為肌肉收縮的控制信號，不僅可以用于分析肌肉力大小和肌肉疲勞程度，還可以分析肌肉的活動情況，如收縮、伸展及放松等。即使是那些由于肌肉虛弱或肢體負(fù)荷過大而實際動作沒有發(fā)生的情況，人體為完成這一動作目標(biāo)的主體意圖仍然可以利用肌電信號檢測到。表面肌電信號具備無創(chuàng)傷測量、受傳感器本身的影響較小和易提取處理的優(yōu)點，因此肌電信號可以成為人體運(yùn)動智能輔助系統(tǒng)的理想控制源。實驗過程實驗準(zhǔn)備2012年10月10日至2012年10月11日，在東北大學(xué)宿舍樓八舍C區(qū)進(jìn)行了人體下肢表面肌電信號與慣性數(shù)據(jù)采集實驗。實驗設(shè)備有表面肌電信號采集儀：加拿大thoughtTechnology公司生產(chǎn)的BioGmphInfinity，多媒體生物反饋和數(shù)據(jù)采集系統(tǒng)，如圖2.3所示；慣性傳感器：荷蘭Xsens公司生產(chǎn)的Mti微型慣性測量系統(tǒng)，如圖2.4所示。實驗場所是東北大學(xué)宿舍樓八舍C區(qū)三樓走廊和樓梯，走廊長53米，樓梯每層兩段，每段10個階梯，每個階梯高16cm，寬29.5cm。實驗對象為三名研究生，編號001：年齡：25，身高：177cm，體重：76kg；編號002：年齡：25，身高：173cm，體重：65kg；編號003：年齡：24，身高：170cm，體重：65kg。肌肉選擇股外側(cè)肌、股直肌、股內(nèi)側(cè)肌、股二頭肌、腓腸肌及脛骨前肌。相應(yīng)的電極安放位置圖2.5。慣性傳感器安裝位置在小腿、大腿及上臂綁上慣性傳感器，左腿紅色朝外，右腿紅色朝內(nèi)。記清每個MTI對應(yīng)的綁縛位置，不要混淆。三個慣性傳感器對應(yīng)位置如下：MT_00305258，右側(cè)大腿；MT_00305259，右側(cè)小腿；MT_01301020，右側(cè)上臂[6]。圖2.3BioGmphInfinity，多媒體生物反饋和數(shù)據(jù)采集系統(tǒng)圖2.4Mti微型慣性測量系統(tǒng)(a)股外側(cè)肌(b)股直肌(c)股內(nèi)側(cè)肌(d)股二頭肌(e)腓腸肌(f)脛骨前肌圖2.5電極安放位置實驗內(nèi)容實驗動作依次為蹲起：四組，每組6次，組間休息2分鐘；正常行走：四組，每組50米，組間休息1分鐘；中速行走：四組，每組50米，組間休息1分鐘；快速行走：四組，每組50米，組間休息1分鐘；上樓梯：四組，每組2層樓，組間休息2分鐘；下樓梯：四組，每組2層樓，組間休息2分鐘；實驗對象均為右利手（腿），實驗數(shù)據(jù)均采自右手（腿）；按順序進(jìn)行實驗，對選取的下肢肌肉相應(yīng)部位，去除毛發(fā)并用濕毛巾清除皮膚表面角質(zhì)，用醫(yī)用酒精棉球清除油脂，按圖2.5中指示的位置貼好表面電極，各電極間距2cm；下肢在小腿與大腿處綁上慣性傳感器，上肢在上臂處綁上慣性傳感器，如圖2.6所示；通過現(xiàn)場指導(dǎo)，配合蜂鳴節(jié)拍囂的指引，實驗對象重復(fù)完成蹲起、行走（如圖2.7所示）與上下樓梯動作。慣性傳感器和表面肌電信號采集儀同步采集各相關(guān)數(shù)據(jù)；每名實驗者按5中要求完成規(guī)定動作的實驗數(shù)據(jù)采集，實驗結(jié)束。圖2.6實驗裝置連接圖2.7行走實驗數(shù)據(jù)記錄肌電信號數(shù)據(jù)：每名實驗者實驗前需要在采集軟件里面創(chuàng)建一個賬戶并填寫身份信息；每名實驗者的實驗數(shù)據(jù)保存在相應(yīng)的賬戶里；六塊肌肉由0—5表示，其中0股外側(cè)肌，1股直肌，2股內(nèi)側(cè)肌，3股二頭肌，4腓腸肌，5脛前肌；六種動作由1—6表示，其中1蹲起，2正常行走，3中速行走，4快速行走，5上樓梯，6下樓梯；第幾組動作用兩位數(shù)表示，01表示第一組，02表示第二組，以此類推；綜上，0102表示股外側(cè)肌蹲起第二組實驗，5603表示脛前肌下樓梯第三組實驗。慣性數(shù)據(jù)：為每名實驗者創(chuàng)建一個文件夾，然后在該文件夾內(nèi)創(chuàng)建各塊肌肉的子文件夾，然后在每塊肌肉的文件夾內(nèi)創(chuàng)建各個動作的文件夾。根據(jù)4.3中慣性傳感器對應(yīng)的位置，采集相應(yīng)位置的慣性數(shù)據(jù)，后三位數(shù)字表示組別，000表示第一組，001表示第二組，002表示第三組（如圖2.8所示），以此類推。圖2.8慣性傳感器數(shù)據(jù)記錄文件實驗數(shù)據(jù)處理由于使用的Mti傳感器采集數(shù)據(jù)頻率100Hz,而肌電信號采樣頻率為256Hz，所以利用Matlab將肌電信號平滑導(dǎo)出后對其進(jìn)行重采樣，采樣頻率為100Hz。采樣前后表面肌電信號分別如圖2.9和2.10所示。圖2.9重采樣前部分?jǐn)?shù)據(jù)圖2.10重采樣后部分?jǐn)?shù)據(jù)本章小結(jié)本章首先介紹了肌電信號的概念、產(chǎn)生過程和特點，并闡述了表面肌電信號作為外骨骼助力裝置控制信號的優(yōu)點。接著簡單介紹了實驗用的慣性傳感器和表面肌電信號采集設(shè)備，詳細(xì)記錄了實驗過程以及實驗數(shù)據(jù)，并對肌電信號進(jìn)行了前期處理，為后期研究表面肌電信號和關(guān)節(jié)輸出力矩的關(guān)系做了鋪墊。

東北大學(xué)本科畢業(yè)設(shè)計（論文）第三章人體下肢生物動力學(xué)模型第三章人體下肢生物動力學(xué)模型基于多剛體模型的動力學(xué)建模多剛體動力學(xué)模型用于分析人體運(yùn)動的常用模型主要有兩類：人體多剛體模型和人體環(huán)節(jié)鏈模型。目前基于影片解析的運(yùn)動分析大多采用環(huán)節(jié)鏈模型，此模型的基本規(guī)定如下：（1）運(yùn)動過程中，質(zhì)心相對于環(huán)節(jié)縱軸上的位置保持不變；（2）將人體分解為多個環(huán)節(jié)部分，每個環(huán)節(jié)相對質(zhì)量一定，并集中在其質(zhì)心之上，且質(zhì)心處于環(huán)節(jié)縱軸的某一確定位置上；（3）在運(yùn)動過程中，每個環(huán)節(jié)對其質(zhì)心的轉(zhuǎn)動慣量保持不變；（4）連兩個環(huán)節(jié)以球鉸的形式相連，但其連接方式與功能表現(xiàn)必須符合人體解剖結(jié)構(gòu)特性[7]。環(huán)節(jié)鏈模型的長處是直接以細(xì)長桿代替人體肢節(jié)，在力學(xué)分析方面十分簡便。但簡化的同時也帶來分析精度的下降。所以，在人體運(yùn)動生物力學(xué)分析領(lǐng)域，經(jīng)常以多剛體模型來代替環(huán)節(jié)鏈模型。因為人體骨骼具有相當(dāng)程度的剛性，很多學(xué)者就以人體骨骼為基礎(chǔ)，建立多剛體生物力學(xué)模型。其基本的建模思想是將人體劃分為若干個具有相同密度和規(guī)則幾何形狀的剛性肢體環(huán)節(jié)，不考慮人體的柔性特征，各環(huán)節(jié)之間由球鉸連接，并忽略人體組織形變及器官的不對稱性。這樣，簡化后的人體被視為一個剛性運(yùn)動系統(tǒng)，可以根據(jù)剛體動力學(xué)方法建立數(shù)學(xué)模型，對人體運(yùn)動進(jìn)行研究分析。因為該模型避免了人體系統(tǒng)內(nèi)部運(yùn)動的復(fù)雜模擬過程，直接利用了多剛體系統(tǒng)動力學(xué)理論進(jìn)行力學(xué)建模，方法簡便，所以成為研究人體運(yùn)動的常用建模方法之一[8]。具有代表性的模型有Santschi模型和Hanavan模型。當(dāng)然，不同國家不同種族的人在體型上有較大的差異，鄭秀瑗根據(jù)CT測量法獲取了中國人的體型特征，并給出了中國人體多剛體模型，表3.1給出該模型中各人體環(huán)節(jié)幾何形狀的基本設(shè)定。人體下肢可看作髖關(guān)節(jié)、大腿脛骨、膝關(guān)節(jié)、小腿腓骨和脛骨、踝關(guān)節(jié)和跗骨趾骨等依次聯(lián)接的結(jié)構(gòu)。人體平地行走時髖關(guān)節(jié)、膝關(guān)節(jié)在矢狀面活動度較大，而在橫斷面上和冠狀面的活動度較小，同時可以忽略踝關(guān)節(jié)的轉(zhuǎn)動，因此可以將人體下肢簡化為平面的二剛體二自由度模型，如圖3.1所示。H為髖關(guān)節(jié)所在，K為膝關(guān)節(jié)，A為踝關(guān)節(jié)。T和S分別為大腿和小腿的質(zhì)心所在。表3.1中國人體環(huán)節(jié)劃分及表示方法[9]人體環(huán)節(jié)截面形狀整體形狀頭圓形橢球形頸圓形圓柱形上軀干橢圓形橢圓截錐形，脊柱部分稍內(nèi)凹下軀干圓形（男）圓截錐形（男）橢圓形（女）橢圓截錐形（女）大腿圓形圓截錐形小腿圓形圓截錐形上臂圓形圓截錐形前臂圓形圓截錐形足矩形長方形圖3.1下肢二剛體二自由度模型人體生物力學(xué)參數(shù)人體是一個非常復(fù)雜的生物體，要想建立分析用的生物力學(xué)模型，首先要了解人體本身的基本參數(shù)，如長度、質(zhì)量、質(zhì)心及轉(zhuǎn)動慣量等，并以此作為分析問題的依據(jù)。本文根據(jù)清華大學(xué)鄭秀媛等用計算機(jī)x射線體層照相術(shù)和計算機(jī)圖像處理技術(shù)（簡稱CT法）測定的中國正常成年人人體慣性參數(shù)的相關(guān)研究成果，參照表3.2，得到本文需要的小腿和大腿的長度、質(zhì)量、質(zhì)心及轉(zhuǎn)動慣量等參數(shù)。(1)男子大腿的質(zhì)量與質(zhì)心：m=?0.093+0.152X1?0.0004X2(3.1)m·c=?122.52?0.31X1+0.235X2(3.2)(2)男子小腿的質(zhì)量與質(zhì)心：m=?0.834+0.061X1?0.0002X2(3.3)m·c=23.47+0.5X1+0.095X2(3.4)(3)男子大腿轉(zhuǎn)動慣量：Jx=?370537.7+428.4X1+286.21X2(3.5)(4)男子小腿轉(zhuǎn)動慣量：Jx=?30104.4+299.0X1+20.12X2(3.6)其中，m（kg）為質(zhì)量，m·c（mm）為質(zhì)心位置，X1為實驗者體重（kg），X2為實驗者身高（mm），Jx（kg·mm2）為繞額狀軸的轉(zhuǎn)動慣量，大腿質(zhì)心起點為脛骨點，小腿質(zhì)心起點為內(nèi)踝點，繞矢狀軸的轉(zhuǎn)動慣Jy和繞垂直軸的轉(zhuǎn)動慣量Jz不予考慮。表3.2根據(jù)體重、身高計算男子各環(huán)節(jié)質(zhì)量、質(zhì)心的二元回歸方程系數(shù)一覽表[10]環(huán)節(jié)慣性指標(biāo)B0B1變量名B2變量名Rσ體重身高頭頸G2.9540.040X10.0001X20.4350.394G.C66.9400.051X10.0013X20.4060.642上軀干G-5.001-0.111X10.0050X20.5561.086G.C-6.665-0.033X10.0121X20.4811.211下軀干G2.2860.298X1-0.0027X20.72911.212G.C4.037-0.012X10.0087X20.4351.033大腿G-0.0930.152X1-0.0004X20.7560.600G.C-12.252-0.031X10.0235X20.8080.992小腿G-0.8340.061X1-0.0002X20.7350.255G.C2.3470.050X10.0095X20.5201.206足G-0.7450.006X10.0007X20.8130.045表3.2根據(jù)體重、身高計算男子各環(huán)節(jié)質(zhì)量、質(zhì)心的二元回歸方程系數(shù)一覽表[10]（續(xù)）環(huán)節(jié)慣性指標(biāo)B0B1變量名B2變量名Rσ標(biāo)體重身高G.C3.5130.002X10.0003X20.3770.045上臂G-0.3230.030X10.0001X20.5980.190G.C1.5150.016X10.0080X20.5070.898前臂G-0.2770.016X10.0001X20.5820.105G.C1.2940.045X10.0054X20.5140.791手G-0.4240.003X10.0004X20.7800.025G.C7.1620.034X10.0013X20.5090.354力矩計算角動量定理(1)質(zhì)點角動量定理圖3.1質(zhì)點角動量定理如圖3.1所示，質(zhì)點的運(yùn)動狀態(tài)：運(yùn)動：轉(zhuǎn)動：相對某參考點的位置矢量r速度v。慣性系S中的一個運(yùn)動質(zhì)點在運(yùn)動過程中相對某參考點O的徑矢r會相應(yīng)的旋轉(zhuǎn)，在dt時間質(zhì)點位移為vdt，轉(zhuǎn)過角度dθr便會掃過面積dS(3.7)面積速度(3.8)質(zhì)點在S系中相對參考點O的角動量L(3.9)(3.10)(3.11)(3.12)質(zhì)點所受力相對某參考點的力矩等于質(zhì)點相對該參考點角動量的變化率。質(zhì)點所受各分力Fi相對同一參考點的力矩之和，等于合力F相對該參考點的力矩。(3.13)兩質(zhì)點之間一對作用力與反作用力相對于同一參考點力矩之和必為零。(3.14)若過程中M恒為零，則過程中L為守恒量若過程中Mz恒為零，則過程中Lz為守恒量有心力：質(zhì)點所受力F若始終指向一個固定點O，O為力心。(2)質(zhì)點系角動量定理在慣性系S中，質(zhì)點系相對O點的角動量L(3.15)質(zhì)點系各質(zhì)點所受外力相對同一參考點的力矩之和等于質(zhì)點系相對于該參考點角動量隨時間的變化率。(3.16)(3)質(zhì)點系角動量守恒定律若過程中M外恒為零，則過程中L為守恒量。若過程中M外x（或M外y，M外z）恒為零，則過程中Lx（或Ly，或Lz）為守恒量。(4)非慣性系中質(zhì)點系的角動量定理(3.17)外力矩是質(zhì)點系角動量變化的原因。質(zhì)點系所受外力的合力為零時，外力矩與參考點無關(guān)[11]。數(shù)據(jù)處理在得到的Mti慣性傳感器數(shù)據(jù)中取人體邁步前后運(yùn)動對應(yīng)數(shù)據(jù)，根據(jù)角度求一階導(dǎo)數(shù)得到角速度，二階導(dǎo)求得角加速度。以身高、體重為自變量參照表3.2計算人體各環(huán)節(jié)質(zhì)量、質(zhì)心。回歸方程為:Y=B0+B1X1+B2X2,質(zhì)量（G）單位是千克（Kg），身高單位是毫米（mm）。質(zhì)心（G.C）是從測量起點至質(zhì)心的距離，單位是毫米（mm）。最后利用角動量定理求得關(guān)節(jié)力矩，求得關(guān)節(jié)力矩結(jié)果如圖3.2。數(shù)據(jù)較多可在Matlab中編程求解。將所得力矩數(shù)據(jù)與對應(yīng)肌電信號數(shù)據(jù)置于同一表格中，便于進(jìn)一步處理。圖3.2正常行走膝關(guān)節(jié)力矩本章小結(jié)本章建立了人體下肢動力學(xué)多剛體模型，直接利用多剛體系統(tǒng)動力學(xué)理論進(jìn)行力學(xué)建模，方法簡便，是研究人體運(yùn)動的常用建模方法之一。對慣性傳感器記錄的數(shù)據(jù)進(jìn)行處理，利用角動量定理和關(guān)節(jié)質(zhì)量質(zhì)心回歸方程，求得關(guān)節(jié)力矩，并將表面肌電信號關(guān)節(jié)力矩信號數(shù)據(jù)整合，為下一章表面結(jié)電信號的識別做好準(zhǔn)備。

東北大學(xué)本科畢業(yè)設(shè)計（論文）第四章基于BP神經(jīng)網(wǎng)絡(luò)的力矩預(yù)測第四章基于BP神經(jīng)網(wǎng)絡(luò)的力矩預(yù)測人工神經(jīng)網(wǎng)絡(luò)概述神經(jīng)網(wǎng)絡(luò)控制屬于先進(jìn)控制技術(shù)，是用計算機(jī)做數(shù)字控制器的一類算法。它是20世紀(jì)80年代以來，由于人工神經(jīng)網(wǎng)絡(luò)（ANN）研究所取得的突破性進(jìn)展，并且與現(xiàn)代控制理論相結(jié)合，而發(fā)展起來的自動控制領(lǐng)域的前沿學(xué)科之一。它已成為智能控制的一個新分支，為解決復(fù)雜的非線性、不確知、不確定系統(tǒng)的控制問題開辟了新途徑[12]。人工神經(jīng)網(wǎng)絡(luò)的特點人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork，ANN）是在人類對大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實際上是由大量簡單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性全局作用，是能夠進(jìn)行復(fù)雜的邏輯操作和實現(xiàn)非線性關(guān)系的系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)是由人工神經(jīng)元相互連接組成的網(wǎng)絡(luò)，它是從微觀結(jié)構(gòu)和功能上對人腦的抽象、簡化，是模擬人類智能的一條重要途徑，反映了人腦功能的若干基本特征，如并行信息處理、學(xué)習(xí)、聯(lián)想、模式分類、記憶等[13]。神經(jīng)網(wǎng)絡(luò)對控制領(lǐng)域有吸引力的特征(1)能逼近任意L2范圍上的非線性函數(shù)。(2)信息的并行分布式處理與儲存。(3)便于用超大規(guī)模集成電路或光學(xué)集成電路系統(tǒng)實現(xiàn)，或用現(xiàn)有的計算機(jī)技術(shù)實現(xiàn)。(4)可以多輸入，多輸出。(5)能進(jìn)行學(xué)習(xí)，以適應(yīng)環(huán)境的變化。決定神經(jīng)網(wǎng)絡(luò)的整體性能的三大要素(1)神經(jīng)元之間相互連接的形式——拓?fù)浣Y(jié)構(gòu)。(2)神經(jīng)元（信息處理單元）的特性。(3)為適應(yīng)環(huán)境而改善性能的學(xué)習(xí)規(guī)則。1943年建立的第一個神經(jīng)元模型——MP（模擬生物神經(jīng)元）模型，為神經(jīng)網(wǎng)絡(luò)的研究與發(fā)展奠定了基礎(chǔ)。至今，已建立了多種神經(jīng)元與網(wǎng)絡(luò)的模型，取得了相當(dāng)?shù)某晒渲幸恍┠Ｐ捅挥糜谧詣涌刂祁I(lǐng)域。神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域的進(jìn)展隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，其用途日益廣泛，應(yīng)用領(lǐng)域也在不斷擴(kuò)展，已在各工程領(lǐng)域中得到廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)技術(shù)可用于如下信息處理工作：函數(shù)逼近、感知覺模擬、多目標(biāo)跟蹤、聯(lián)想記憶及數(shù)據(jù)恢復(fù)等。具體而言，主要用于解決下述幾類問題：(1)模式信息處理和模式識別。神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練可有效地提取信號、語音、圖像、雷達(dá)、聲納等感知模式的特征，并能解決現(xiàn)有啟發(fā)式模式識別系統(tǒng)不能很好解決的不變測量、自適應(yīng)、抽象或概括等問題。神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于模式識別的各個環(huán)節(jié)，如特征提取、聚類分析、邊緣檢測、信號增強(qiáng)、噪聲抑制、數(shù)據(jù)壓縮等。模式識別是人工神經(jīng)網(wǎng)絡(luò)特別適宜求解的一類問題，神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)在各領(lǐng)域中的廣泛應(yīng)用是神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展的一個重要側(cè)面。(2)人工智能。專家系統(tǒng)是人工智能領(lǐng)域研究時間最長，應(yīng)用最成功的技術(shù)，但人們在應(yīng)用專家系統(tǒng)解決諸如語音識別、圖像處理和機(jī)器人控制等這類類似于人腦的形象思維的問題時，卻遇到很大困難。神經(jīng)網(wǎng)絡(luò)為人工智能開辟了一條嶄新的途徑，成為人工智能研究領(lǐng)域中的后起之秀。(3)控制工程。神經(jīng)網(wǎng)絡(luò)在諸如機(jī)器人運(yùn)動控制、工業(yè)生產(chǎn)中的過程控制等復(fù)雜控制問題方面有獨(dú)到之處。較之基于傳統(tǒng)數(shù)字計算機(jī)的離散控制方式，神經(jīng)網(wǎng)絡(luò)更適于組成快速實時自適應(yīng)控制系統(tǒng)。(4)聯(lián)想記憶。聯(lián)想記憶的作用是用一個不完整或模糊的信息聯(lián)想出儲存在記憶中的某個完整、清晰的模式來。如何提高模式存貯量和聯(lián)想質(zhì)量仍是神經(jīng)網(wǎng)絡(luò)的熱點之一。目前在這方面的應(yīng)用有內(nèi)容尋址器、人臉識別器、知識數(shù)據(jù)庫等。(5)信號處理。神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力使其成為對各類信號進(jìn)行多用途加工處理的一種天然工具，主要用于解決信號處理中的自適應(yīng)和非線性問題。包括自適應(yīng)均衡、自適應(yīng)濾波、回波抵消、自適應(yīng)波束形成和各種非線性問題。雖然神經(jīng)網(wǎng)絡(luò)在許多領(lǐng)域都有成功的應(yīng)用案例，但神經(jīng)網(wǎng)絡(luò)也不是盡善盡美的。目前，神經(jīng)網(wǎng)絡(luò)的理論研究和實際應(yīng)用都還在進(jìn)一步的探索之中，相信隨著人工神經(jīng)網(wǎng)絡(luò)研究的進(jìn)一步深入，其應(yīng)用領(lǐng)域會更廣，用途會更大。BP神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)以其具有自學(xué)習(xí)、自組織、較好的容錯性和優(yōu)良的非線性逼近能力，受到眾多領(lǐng)域?qū)W者的關(guān)注。在實際應(yīng)用中，80%～90%的人工神經(jīng)網(wǎng)絡(luò)模型是采用誤差反傳算法或其變化形式的網(wǎng)絡(luò)模型（簡稱BP網(wǎng)絡(luò)），目前主要應(yīng)用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮或數(shù)據(jù)挖掘，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4.1所示。線性神經(jīng)網(wǎng)絡(luò)的LMS學(xué)習(xí)算法只能訓(xùn)練單層神經(jīng)網(wǎng)絡(luò)，而單層神經(jīng)網(wǎng)絡(luò)只能解決線性可分的分類問題。多層神經(jīng)網(wǎng)絡(luò)可以用于非線性分類問題，但需要尋找訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法。圖4.1BP神經(jīng)網(wǎng)絡(luò)1974年P(guān).Werbos提出了一個適合多層網(wǎng)絡(luò)的學(xué)習(xí)算法，1986年美國加州的PDP小組將該算法用于神經(jīng)網(wǎng)絡(luò)的研究，才使之成為迄今為止最著名的多層網(wǎng)絡(luò)學(xué)習(xí)算法——BP算法，由此算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，稱之為BP神經(jīng)網(wǎng)絡(luò)。在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，BP網(wǎng)絡(luò)廣泛應(yīng)用于函數(shù)逼近、模式識別、數(shù)據(jù)壓縮等。BP神經(jīng)元與其它神經(jīng)元的不同之處是BP神經(jīng)元的傳輸函數(shù)為非線性函數(shù)，最常用的函數(shù)是logsig和tansig函數(shù)，有的輸出層也采用線性函數(shù)purelin。其輸出為A=logsig(W?BP神經(jīng)網(wǎng)絡(luò)一般為多層神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的信息從輸入層流向輸出層，因此是一種多層前饋神經(jīng)網(wǎng)絡(luò)。如果多層BP網(wǎng)絡(luò)的輸出層采用S形傳輸函數(shù)，其輸出值將會限制在一個較小的范圍內(nèi)，而采用線性傳輸函數(shù)則可以取任意值。在確定BP網(wǎng)絡(luò)的結(jié)構(gòu)后，要通過輸入和輸出樣本集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，亦即對網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行學(xué)習(xí)和修正，以使網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程分為兩個階段：第一階段是輸入已知學(xué)習(xí)樣本，通過設(shè)置的網(wǎng)絡(luò)結(jié)果和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第一層向后計算出各神經(jīng)元的輸出。第二階段是對權(quán)值和閾值進(jìn)行修改，從最后一層向前計算各權(quán)值和閾值對總誤差的影響，據(jù)此對各權(quán)值和閾值進(jìn)行修改。以上兩個過程反復(fù)交替，直到達(dá)到收斂為止。由于誤差逐層往回傳遞，以修正層與層間的權(quán)值和閾值，所以稱該算法為誤差反向傳播算法。標(biāo)準(zhǔn)的BP算法和W-H學(xué)習(xí)規(guī)則一樣是一種梯度下降學(xué)習(xí)算法，其權(quán)值的修正是沿著誤差性能函數(shù)梯度的反方向進(jìn)行的[14]。針對標(biāo)準(zhǔn)BP算法出現(xiàn)了幾種基于標(biāo)準(zhǔn)BP算法的改進(jìn)算法，如變梯度算法、牛頓算法等。BP神經(jīng)網(wǎng)絡(luò)的主要改進(jìn)算法見表4.1。表4.1BP神經(jīng)網(wǎng)絡(luò)主要改進(jìn)算法算法函數(shù)算法函數(shù)最速下降BP算法Traingd黃金分割搜索Srchgol動量BP算法traingdmBrent搜索Srchbre學(xué)習(xí)率可變BP算法traingda/traingdx對分-三次插值混合搜索Srchhyb彈性BP算法trainrpCharalambous搜索Srchcha變梯度算法F-R修正函數(shù)traincgf反向跟蹤搜索Srchbac變梯度算法P-R修正函數(shù)traincgp擬牛頓BFGS算法Trainbfg變梯度算法P-B修正函數(shù)traincgb擬牛頓OSS算法Trainoss變梯度SCG算法trainscgLM算法Trainlm對于一個給定的問題，到底采用哪種訓(xùn)練方法，其訓(xùn)練速度是最快，這是很難預(yù)知的，因為這取決于許多因素，包括給定問題的復(fù)雜性、訓(xùn)練樣本集的數(shù)量、網(wǎng)絡(luò)權(quán)值和閾值的數(shù)量、誤差目標(biāo)、網(wǎng)絡(luò)的用途等。BP神經(jīng)網(wǎng)絡(luò)的Matlab指令格式為：net=newffnet=newff(PR,[S1S2…SN],{Tf1Tf2…TfN},BTF,BLF,PF)其中：PR——輸入向量的取值范圍；Si——第i層神經(jīng)元個數(shù)，總共N層；Tfi——第i層的傳遞函數(shù)，缺省值為tansig；BTF——BP網(wǎng)絡(luò)訓(xùn)練函數(shù)，缺省值為trainlm；BLF——BP網(wǎng)絡(luò)權(quán)值和閾值學(xué)習(xí)函數(shù)，缺省值為learngdm；PF——性能函數(shù)，缺省值為mse。在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中往往會出現(xiàn)這樣的情況，當(dāng)網(wǎng)絡(luò)的訓(xùn)練誤差很小的時候，一個新的輸入會使網(wǎng)絡(luò)的訓(xùn)練誤差迅速增大。這是因為網(wǎng)絡(luò)記憶了已被訓(xùn)練的樣本，而對新的輸入沒有良好的泛化能力，也就是說網(wǎng)絡(luò)對新輸入的計算結(jié)果與真實值有較大的誤差。提高網(wǎng)絡(luò)泛化能力的一個辦法就是適當(dāng)?shù)脑龃缶W(wǎng)絡(luò)的規(guī)模，但是對于一個具體的問題，要事先就很好的確定網(wǎng)絡(luò)的規(guī)模是很困難的。而在Matlab神經(jīng)網(wǎng)絡(luò)工具箱中，提供了提高網(wǎng)絡(luò)的泛化能力的方法——規(guī)則化調(diào)整（Regularization）。規(guī)則化調(diào)整方法是通過調(diào)整網(wǎng)絡(luò)的性能函數(shù)來增強(qiáng)網(wǎng)絡(luò)泛化能力。普通的BP神經(jīng)網(wǎng)絡(luò)都采用網(wǎng)絡(luò)誤差的均方之和作為性能函數(shù)：F=mse=1其中ek、tk、ak分別表示第k個訓(xùn)練樣本的訓(xùn)練誤差、目標(biāo)輸出和網(wǎng)絡(luò)輸出。而調(diào)整后的網(wǎng)絡(luò)性能函數(shù)為：msereg=γmse+(1-γ)msw(4.3)其中為性能函數(shù)，msw=1使用該性能函數(shù)可以減少網(wǎng)絡(luò)的有效權(quán)值和閾值，并且使網(wǎng)絡(luò)的訓(xùn)練輸出更加平滑，從而增強(qiáng)網(wǎng)絡(luò)的泛化能力。在Matlab工具箱中，提供了自動設(shè)置最優(yōu)性能參數(shù)γ的函數(shù)trainbr，該函數(shù)假設(shè)網(wǎng)絡(luò)的權(quán)值和閾值是特殊分布的隨機(jī)變量，然后用統(tǒng)計學(xué)方法估計出γ值。在實際應(yīng)用中，經(jīng)常會遇到一些非線性的輸入輸出曲線，且沒有明確的函數(shù)關(guān)系，借助神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)曲線擬合，從而方便的解決這一問題。BP網(wǎng)絡(luò)建模特點：(1)非線性映照能力：神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任何非線性連續(xù)函數(shù)。在建模過程中的許多問題正是具有高度的非線性。(2)并行分布處理方式：在神經(jīng)網(wǎng)絡(luò)中信息是分布儲存和并行處理的，這使它具有很強(qiáng)的容錯性和很快的處理速度。(3)自學(xué)習(xí)和自適應(yīng)能力：神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時，能從輸入、輸出的數(shù)據(jù)中提取出規(guī)律性的知識，記憶于網(wǎng)絡(luò)的權(quán)值中，并具有泛化能力，即將這組權(quán)值應(yīng)用于一般情形的能力。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也可以在線進(jìn)行。(4)數(shù)據(jù)融合的能力：神經(jīng)網(wǎng)絡(luò)可以同時處理定量信息和定性信息，因此它可以利用傳統(tǒng)的工程技術(shù)（數(shù)值運(yùn)算）和人工智能技術(shù)（符號處理）。(5)多變量系統(tǒng)：神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量的數(shù)目是任意的，對單變量系統(tǒng)與多變量系統(tǒng)提供了一種通用的描述方式，不必考慮各子系統(tǒng)間的解耦問題。BP網(wǎng)絡(luò)式多層網(wǎng)絡(luò)，從理論上講，只要對隱層中神經(jīng)元的數(shù)目不加限制，兩層BP網(wǎng)絡(luò)就可以實現(xiàn)從輸入到輸出的任意函數(shù)映射，所以與線性神經(jīng)網(wǎng)絡(luò)比較，BP網(wǎng)絡(luò)的功能更強(qiáng)，應(yīng)用更廣。BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則與LSM學(xué)習(xí)規(guī)則一樣，都是采用使均方誤差最小的最速下降算法，不同的是梯度的計算方法不同。最速下降BP算法存在收斂速度慢，易陷入局部最小、易產(chǎn)生振蕩等不足，但BP網(wǎng)絡(luò)仍然是目前應(yīng)用最廣泛、最成功的神經(jīng)網(wǎng)絡(luò)模型[15]。實驗結(jié)果分析與討論表面肌電信號是一種復(fù)雜的皮下神經(jīng)肌肉電活動在皮膚表面的時間和空間上的綜合結(jié)果，是大腦意識的直接反應(yīng)，充分考慮了使用者的意愿，根據(jù)環(huán)境狀況實現(xiàn)使用者的隨意控制，及時適應(yīng)外界環(huán)境變化。人體的肢體是一個復(fù)雜且精巧的動力系統(tǒng)。下肢外骨骼作為智能輔助系統(tǒng)，要求在增強(qiáng)人類現(xiàn)有運(yùn)動能力的同時，保留人的靈活性和直接操作的感覺。其工作原理是獲取使用者的運(yùn)動信息，據(jù)此判斷并控制系統(tǒng)以何種方式、何種大小提供動作輔助，并要求下肢外骨骼系統(tǒng)如同人體的固有組成成分，與其它運(yùn)動器官協(xié)同工作，完成使用者自身難以完成的行動任務(wù)。實驗中建立BP神經(jīng)網(wǎng)絡(luò)如果僅使用表面肌電信號一個輸入，效果并不好；若使用大腿角速度、小腿角速度作為輸入，雖然效果較好，但不能反映肌肉的疲勞狀態(tài)，當(dāng)人體重復(fù)動作或長時間活動肌肉疲勞時就需要更大的輔助力量，因此，選擇表面肌電信號、大腿角速度、小腿角速度作為輸入，既能反映肌肉疲勞狀態(tài)，又能比較準(zhǔn)確的控制系統(tǒng)輸出力矩，選擇關(guān)節(jié)力矩作為輸出建立神經(jīng)網(wǎng)絡(luò)模型。選取股外側(cè)肌正常行走時肌電信號與關(guān)節(jié)力矩數(shù)據(jù)進(jìn)行研究，選取4000組數(shù)據(jù)作為訓(xùn)練樣本，剩下1550組作為測試數(shù)據(jù)。對訓(xùn)練樣本和測試樣本進(jìn)行歸一化處理，學(xué)習(xí)算法采用改進(jìn)的LM算法。應(yīng)用LM優(yōu)化算法，比傳統(tǒng)的BP算法迭代次數(shù)少，收斂速度快，精確度高[16]。首先設(shè)計一個隱含層神經(jīng)元數(shù)目可變的BP網(wǎng)絡(luò)，通過誤差對比，確定最佳的隱含層神經(jīng)元個數(shù)。隱含層神經(jīng)元個數(shù)為10個時，誤差項平方和為0.3879，均方根誤差為0.0159。輸出膝關(guān)節(jié)力矩如圖4.2所示。圖4.2隱含層10個神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值與真實值隱含層神經(jīng)元個數(shù)為20個時，誤差項平方和為0.3608，均方根誤差為0.0153。輸出膝關(guān)節(jié)力矩如圖4.3所示。圖4.3隱含層20個神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值與真實值隱含層神經(jīng)元個數(shù)為30個時，誤差項平方和為0.3383，均方根誤差為0.0148。輸出膝關(guān)節(jié)力矩如圖4.4所示。圖4.4隱含層30個神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值與真實值隱含層神經(jīng)元個數(shù)為40個時，誤差項平方和為0.3490，均方根誤差為0.0152。輸出膝關(guān)節(jié)力矩如圖4.5所示。圖4.5隱含層40個神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值與真實值隱含層神經(jīng)元個數(shù)為50個時，誤差項平方和為0.3901，均方根誤差為0.0159。輸出膝關(guān)節(jié)力矩如圖4.6所示。圖4.6隱含層50個神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出值與真實值表4.2不通隱含層節(jié)點數(shù)的神經(jīng)網(wǎng)絡(luò)誤差結(jié)果比較神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)誤差項平方和均方根誤差100.38790.0159200.36080.0153300.33830.0148400.34900.0152500.39010.0159經(jīng)過比較選擇隱含層節(jié)點數(shù)為30的BP神經(jīng)網(wǎng)絡(luò)模型效果較好，誤差比較結(jié)果如表4.2所示。但同時應(yīng)該注意到，神經(jīng)網(wǎng)絡(luò)輸入越多，神經(jīng)網(wǎng)絡(luò)越復(fù)雜，則其計算處理時問會越長，將對控制的實時性有一定影響。實際應(yīng)用過程中，應(yīng)綜合考慮各方面因素[17]。本章小結(jié)本章介紹了人工神經(jīng)網(wǎng)絡(luò)的含義、特點以及發(fā)展?fàn)顩r，重點介紹了BP神經(jīng)網(wǎng)絡(luò)的特點和算法學(xué)習(xí)過程。搭建恰當(dāng)?shù)腂P神經(jīng)網(wǎng)絡(luò)模型，不斷改變模型參數(shù)，找到表面肌電信號和關(guān)節(jié)輸出力矩之間的關(guān)系，并對模型進(jìn)行了檢驗，實驗結(jié)果較好，可以反映兩者之間的關(guān)系。東北大學(xué)本科畢業(yè)設(shè)計（論文）第五章結(jié)束語第五章結(jié)束語本文總結(jié)本論文主要工作是建立人體下肢動力學(xué)模型以及利用表面肌電信號控制外骨骼的研究，通過采集人體表面肌電信號，對信號進(jìn)行處理，通過神經(jīng)網(wǎng)絡(luò)控制，輸出相應(yīng)關(guān)節(jié)力矩，應(yīng)用于肌電控制外骨骼輔助系統(tǒng)中，在醫(yī)學(xué)、軍事和日常生活中有廣泛的應(yīng)用前景。文中采用的表面肌電信號數(shù)據(jù)和慣性傳感器數(shù)據(jù)為實驗采集的真實的數(shù)據(jù)，未使用仿真數(shù)據(jù)。本文主要完成了以下幾個方面的工作：(1)不考慮人體的柔性特征，將人體劃分為若干個具有相同密度和規(guī)則幾何形狀的剛性肢體環(huán)節(jié)，各環(huán)節(jié)之間由球鉸連接，并忽略人體組織形變及器官的不對稱性。這樣，簡化后的人體被視為一個剛性運(yùn)動系統(tǒng)，可以根據(jù)剛體動力學(xué)方法建立數(shù)學(xué)模型，對人體運(yùn)動進(jìn)行分析研究。利用多剛體系統(tǒng)動力學(xué)理論進(jìn)行力學(xué)建模，方法簡便，是研究人體運(yùn)動的常用建模方法之一，建立人體下肢動力學(xué)多剛體模型。(2)采集人體下肢股外側(cè)肌等肌肉的表面肌電信號，經(jīng)過處理，慣性傳感器所得數(shù)據(jù)計算得到關(guān)節(jié)力矩，利用BP神經(jīng)網(wǎng)絡(luò)，建立恰當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，反映表面肌電信號和人體下肢關(guān)節(jié)力矩之間的關(guān)系。實驗結(jié)果表明建立的神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確的反映了表面肌電信號和人體下肢關(guān)節(jié)力矩之間的關(guān)系。研究展望本文在利用表面肌電信號實現(xiàn)對外骨骼的智能控制方面進(jìn)行了一系列的理論探討及實驗研究，取得了一些進(jìn)展，但仍有大量工作需要進(jìn)一步探討和研究。需要改進(jìn)的問題主要集中在以下幾個方面：(1)表面肌電信號控制的準(zhǔn)確率需進(jìn)一步提高。尤其是在醫(yī)療、安全以及軍事等不允許出現(xiàn)錯誤的領(lǐng)域，只有控制輸出達(dá)到足夠的準(zhǔn)確度，才真正有實用價值。(2)補(bǔ)償肌肉的疲勞效應(yīng)。人體重復(fù)某個動作多次或者長時間勞動，肌肉就會顯現(xiàn)疲勞狀態(tài)，那么相應(yīng)的表面肌電信號則會產(chǎn)生變化，進(jìn)而影響信號的準(zhǔn)確識別。(3)人的肢體有多種自由度，每種自由度都有不同的肌電信號。當(dāng)人體進(jìn)行多自由度復(fù)合動作或連續(xù)動作時，表面肌電信號就會更加復(fù)雜，對其進(jìn)行辨識也更加困難。(4)探索更高精度的關(guān)節(jié)力矩預(yù)測算法。從肌肉表面提取的肌電信號數(shù)據(jù)量特別大，采集的是身體表面肌肉的肌電信息，未來的研究任務(wù)是尋求更簡單而準(zhǔn)確的預(yù)測算法。東北大學(xué)本科畢業(yè)設(shè)計（論文）參考文獻(xiàn)參考文獻(xiàn)H.Kazerooni,Jean-LouisRacine,LihuaHuang,andRayanSteger.OnthecontroloftheBerkeleyLowerExtremityExoskeleton(C).The2005IEEEInternationalConferenceonRoboticsandAutomation,Barcelona,Spain,2005,43(29):4353-4360.HiroakiKawamoto,SuwoongLee,ShigehiroKanbeandYoshihukiSankai.PowerassistmethodforHAL-3usingEMG-basedfeedbackcontroller[J].InProceedingsoftheIEEEInternationalConferenceonSystems,ManandCybernetics,2011,5(2):1648-1653.林宏衡，夏虹.人體下肢外骨骼機(jī)器人的研究進(jìn)展[J].中國骨科臨床與基礎(chǔ)研究,2011,3(3):19-25.J.U.Chu,I.Moon,S.K.Kim,M.S.Mun.Controlofmultifunctionmyoelectrichandusingareal-timeEMGpatternrecognition[J].IntelligentRobotsandSystems,2010,39(71):176-198.ChristianFleischer,AndreasWege,KonstantinKondak,GunterHommel.ApplicationofEMGsignalsforcontrollingexoskeletonrobots[J].BiomedizinischeTechnik,2006,43(9):11-32.李強(qiáng).表面肌電信號的運(yùn)動單位動作電位檢測[D].合肥：中國科學(xué)技術(shù)大學(xué)，2008.吳劍鋒.基于肌電信號的人體下肢運(yùn)動信息獲取技術(shù)研究[D].杭州：浙江大學(xué)，2008.趙豫玉.穿戴式下肢康復(fù)機(jī)器人的研究[D].哈爾濱：哈爾濱工程大學(xué)，2009.鄭秀瑗.現(xiàn)代運(yùn)動生物力學(xué)（第二版）[M].北京:國防工業(yè)出版社,2007.肖惠.滑東紅.鄭秀瑗.中國成年人人體質(zhì)心的研究[J].人類工效學(xué),1998,4(3):6-9.費(fèi)燁赟.基于肌電信號控制的康復(fù)醫(yī)療下肢外骨骼設(shè)計及研究[D].杭州：浙江大學(xué)，2006.Huang,Englehart,Hudgins,Chan.Agaussianmixturemodelbasedclassificationschemeformyoelectriccontrolofpoweredupperlimbprostheses[J].IEEETransactionsonBiomedicalEngineering,2005,49(129):35-51.H.Kazerooni,Jean-LouisRacine,LihuaHuang,RyanSteger.OntheControloftheBerkeleyLowerExtremityExoskeleton[J].Pro-ceedingsofthe2005IEEEInternationalConferenceonRoboticsandAu-tomation,2011,89(142):23-31.徐麗娜.神經(jīng)網(wǎng)絡(luò)控制（第三版）[M].北京：電子工業(yè)出版社，2009.何樂生.基于肌電信號的人機(jī)接口技術(shù)的研究[D].南京：東南大學(xué)博士論文，2006.X.Lanyi,AAdler.Animprovedmethodformuscleactivationdetectionduringgait[J].CanadianConferenceofElectricalandComputerEngineering,2004,9(4):54-72.ClaudiaNlker,HelgeRitter.Visualrecognitionofcontinuoushandpostures[J].IEEETransactionsonNeuralNetworks,2009,73(94):112-143.東北大學(xué)本科畢業(yè)設(shè)計（論文）致謝致謝四年的本科生生活即將結(jié)束，帶著今天的收獲，我的心情難以平靜，因為這不僅記載了自己的一段難忘的學(xué)習(xí)生活經(jīng)歷，更重要的是凝聚著許多人對我的關(guān)懷和幫助。值本文即將付梓之際，謹(jǐn)向關(guān)心、幫助和支持我的老師、同學(xué)及家人致以最誠摯的謝意!本論文是在導(dǎo)師王斐副教授的精心指導(dǎo)下完成的。在幾個月的時間里導(dǎo)師淵博的知識、敏捷的思維、嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度使我獲益匪淺，終生難忘。在學(xué)習(xí)研究中，一直得到導(dǎo)師的悉心指導(dǎo)和無私的幫助，在此謹(jǐn)向我的導(dǎo)師一王斐副教授表示衷心的敬意和由衷的感謝。感謝曾寶祥、劉愛永學(xué)長對我的幫助，指導(dǎo)我了許多學(xué)習(xí)上的問題，幫我解答了學(xué)習(xí)生活中遇到的疑難困惑，使我從中獲益不淺。感謝張旭、劉杰及其他所有幫助過我的同學(xué)，同他們在學(xué)習(xí)和研究上的交流，使我的研究思路更加寬闊，并能充分體現(xiàn)和發(fā)揮我們的團(tuán)隊協(xié)作力量。還要感謝我的父母，他們在生活上給予我很大的支持和鼓勵，是他們給予我努力學(xué)習(xí)的信心和力量。最后感謝參加我論文答辯和評審的各位專家和教授，感謝你們?yōu)槲业恼撐乃冻龅男量?并再次向所有給予作者關(guān)心、幫助的老師、同學(xué)和朋友們表示誠摯的謝意目錄TOC\o"1-2"\h\z\u1.概述 21.1項目名稱 21.2項目建設(shè)單位 31.3項目性質(zhì) 31.4項目產(chǎn)生背景 31.5建設(shè)地點 41.6工期 51.7項目內(nèi)容與規(guī)模 51.8項目主要技術(shù)經(jīng)濟(jì)指標(biāo) 52.編制原則及依據(jù) 62.1編制原則 62.2編制范圍 72.3編制依據(jù) 83.項目現(xiàn)狀與必要性分析 93.1項目所在地社會經(jīng)濟(jì)發(fā)展概況 93.2項目現(xiàn)狀 143.3項目建設(shè)必要性分析 154.項目選址及合理性分析 174.1項目選址 174.2選址合理性分析 185.項目建設(shè)方案 195.1建設(shè)依據(jù) 195.2設(shè)計規(guī)范要求 205.3建設(shè)內(nèi)容 245.4建筑結(jié)構(gòu)設(shè)計 245.5建筑電氣設(shè)計 265.6弱電系統(tǒng)設(shè)計 276.投資估算與資金籌措 296.1編制依據(jù) 29HYPERLINK