【基本信息】

论文标题：Continuous Gait Phase Estimation by Muscle Deformations with Speed and Ramp Adaptability

发表期刊：IEEE Sensors Journal

发表时间：2024年5月30日

【访问链接】

论文链接：https://ieeexplore.ieee.org/abstract/document/10542649

【研究背景】

可穿戴式机器人可以恢复或增强人类的行走能力，被广泛应用于康复和助力领域中。其中，对步行过程中步态相位的正确估计在协调穿戴者与机器人之间的协调运动中起着至关重要的作用。如果穿戴者与机器人之间的运动不同步，将导致运动效率下降、交互负荷增加，并可能对人体造成严重伤害。

由于关节角度易于测量，现有的方法大多使用惯性测量单元（IMU）测量得到的关节角度和角速度等作为特征对步态相位进行估计，但IMU在长时间的测量中会发生漂移，且基于关节运动信息的步态相位估计容易受到步行速度和地形坡度变化的影响。除此之外，也有利用肌电信号（EMG）、足底压力等运动特征作为运动特征进行步态相位估计的研究，但往往在连续步态相位的预测方面取得的效果不理想。

现有研究发现，肢体运动是由神经兴奋、肌肉收缩和关节转动之间复杂的相互作用所协调的。在这个错综复杂的系统中，骨骼肌是驱动力，而肌肉协同作用决定了最终的运动模式。骨骼肌的形变在促进关节转动和协调关节协同方面起着关键作用，因此，通过可穿戴且灵活的电容系统捕捉到的肌肉形变量，已被证明能有效地识别在不同速度下、不同地形中（包括平地、楼梯和斜坡）的运动模式。

因此，肌肉形变感知为研究步态相位分析提供了一种很有前景的替代方法。

【科学问题】

该论文提出了一种新的基于肌肉形变测量的连续相位估计方法，该方法通过使用灵活的可穿戴传感器和创新的肌肉协同模型，可在不同的步行速度和地形坡度下取得良好的估计效果，所提出的框架有望为优化可穿戴机器人的控制策略提供有价值的可选方案。

该论文基于柔性可穿戴传感器对肌肉形变进行测量，如下图所示。

因此，该论文拟解决的关键科学问题包括，如何测量并计算步行过程中下肢相关骨骼肌的形变程度？以及，如何在不同步行速度及不同地形坡度下采用同样的方法解决连续步态相位的估计问题？

【核心思路】

该论文利用了一种柔性可穿戴的传感器来获得肌肉形变数据，提出了一种新的肌肉协同模型，在此基础上构建了一种适应不同行走速度及地形坡度的连续相位估计方法。

主要创新部分如下：

• 建立了肌肉协同模型，得到步态相位与肌肉协同作用及行走速度的关系式，并以此为基础建立了运动特征向量；

• 通过提取数据集中的输入运动特征向量以及输出步态相位，基于神经网络对肌肉协同模型进行训练，使其能够适应于不同的行走速度和地形坡度。

下面是核心过程的详细介绍：

1. 肌肉协同模型

肌群间的协同关系决定了步态动作与身体姿势，而肌肉协同特征反映了下肢步态的周期性，如周期和相位等。该论文通过特征提取方法构建肌肉协同模型，并使其适用于步态相位监测中不同速度和坡度的情况。

所提出的肌肉协同作用被表示为，其中代表第块肌肉的形变，代表行走运动中需要被考虑的肌肉总数。

如下图中，模型采用以下假设构建：

（1）对于一个完整的步态周期，肌肉变形表示维空间中的一个闭环曲线，其中每个节点坐标是该曲线上路径长度的函数，记为。

（2）该曲线是连续和可微的，存在一个的逆函数。然后，在封闭曲线中，单调范围为的步态相位与呈映射关系：。其中为曲线的总长度。因此，步态相位就可以表示为肌肉形变的函数：

（3） 的时间导数假设与行走速度成正比，其中比例系数为：

多个步态周期的平均闭环曲线存在变化。

为了正确地捕捉到相对于的变化，被引入，变形速率，因此相对于的导数可以表示为以下形式：

考虑公式（1）与公式（3），为适应不同步态周期的变化,肌肉协同模型要同时考虑以及，且运动特征向量构建如下:

2. 运动数据处理

同时采集肌肉形变、关节角度和足底压力。用于检测脚跟触地来确定步态周期划分的时间，进一步细分该周期。则生成特征向量来估计步态相位。

在由相邻的左脚脚跟触地事件所划分的一个步态周期内，真值在使用脚跟触地的时刻以及的最大值和最小值进行区分的第个子区间内于分段插值：

其中、以及分别表示相位第个子区间内的相位变化、持续时间以及初始相位。为了保持步态周期的归一性且不丢失特征，对、以及进行归一化处理。

为了实现相邻周期之间的相位连续性，步态相位的真实值被映射到单位圆上的节点坐标：

与分别作为输入与输出来建立数据集，进而对连续相位估计模型进行训练：

3. 连续步态相位估计

估计相位的肌肉协同模型由一个输入为，输出为的神经网络算法进行训练。对神经网络数值计算得到的进行归一化，以满足单位向量要求。

由于正常步态周期中相位单调增加，如果估计的相位相对前一个时刻减小，则用前一个时刻的值进行补偿。该补偿方法还可以修正在序列周期过渡时预测的的数值误差。

相位预测的精度由以下公式求得：

其中，为时间时的误差，为预测结果。为了表征每个受试者的相位估计的可靠性，对一个步态周期中的均方根误差进行计算：

其中，为一个周期内采样点的个数。对于总共个周期，所有步态周期的均值和最大值为：

且：

【实验结果】

该论文测试所使用的数据集由九个健康受试者分别以 3，4，5，6km/h 的行走速度于0°，5°，10° 三种不同坡度的斜坡上行走时采集得到。

该论文一共完成了三个实验，第一个实验是验证肌肉模型的可行性；第二个实验是验证肌肉模型对于不同行走速度的适应性；第三个实验是验证肌肉模型对于不同地形坡度的适应性。

其中：

• 实验一考虑了恒定行走速度和斜坡坡度下的相位预测性能。受试者行走速度与地形坡度不变，75%的数据集用来训练模型，25%的数据集用来进行误差分析。

• 实验二验证了肌肉协同模型对变速度的适应性。保持地形坡度不变，采用其中一组行走速度下的数据来训练模型，并利用其他行走速度下的数据进行相位预测。

• 实验三验证了肌肉协同模型对变斜坡坡度的适应性。保持行走速度不变采用其中一种坡度的数据集来训练模型，并利用其他斜坡坡度下的数据进行相位预测。

连续步态相位估计的示意图：

步态周期中肌肉变形和关节角度的相图如下：

在不同步行速度和地形坡度下，该算法的测试结果：