文档介绍：基于反馈神经网络肘关节力矩的动态预测
健康技术与信息学系,香港理工大学
KowIoon,香港
摘要
肌肉模型是身体部分运动分析的一个重要组成部分。尽管许多研究已经集中在静态条件下,但是肌电信号(EMG)和关节转矩在自愿动态情况下之间的关系并没有被很好的研究。本研究的目的是调查的一个反馈人工神经网络的性能(RANN)自愿动态情况下的复杂肘扭矩估计。肌电信号和运动数据,其中包括角度和角速度,被用来作为估计在运动过程中预期的扭矩输入。此外,角度和角速度的预测精度的作用进行了研究,并比较两个模型。一个模型的肌电图和关节运动的投入和其他的模型只使用肌电图无运动数据输入。六例健康体检者,和两个平均角速度(60°S 7和90°S 7)三种不同负荷(0公斤,1公斤,2公斤)在手的位置被选择来训练和测试90°屈肘、全伸肘之间的递归神经网络(0 ~)。训练结束后,根平均平方误差(RMSE)预期的扭矩和扭矩之间的模型预测,在训练数据集的肌电图和关节运动的投入和测试数据集,± + nm。预期的扭矩和预测模型的RMSE值之间的扭矩,在训练数据集只有肌电输入和测试集, t - T nm。结果表明,肌电信号一起运动的数据提供了更好的性能预测的关节力矩;关节角度和角速度提供了重要信息的关节力矩的估计在自愿的运动。
关键词:肌肉骨骼模型,自愿的运动,反馈人工神经网络,逆动力学模型
第一章绪论
由于希尔提出了1938肌肉的经典论文,神经生理学和神经肌肉骨骼系统的生物力学已被广泛研究,使人体运动生成的原理可以发现(希尔,1938)。
S)激发肌肉和其后的发展力和产生不同的人体运动,许多模型来描述和定性的肌肉骨骼系统的不同层次的性能(温特斯,1990;扎杰克和温特斯,1990)。一个被普遍接受的山为基础的神经肌肉骨骼系统由以下子模型,一步一步:肌肉兴奋-收缩模型;肌腱骨骼模型;动态模型(扎耶克,1989)。
图1 肌肉骨骼模型框图
图1显示了基于hillbased模型的运动生成。图1,肌肉兴奋收缩模型是用来估计中枢神经系统指挥肌肉活动的状态。肌腱模型产生的肌肉力量不仅基于肌肉激活状态,而且基于肌腱式长度和肌腱式收缩速度,这与关节角速度和角速度(温特斯和斯塔克,1988)。前项状态的肌肉力量,它决定了肌腱的依从性,还负责肌肉力在后一阶段(扎耶克,1989)。一旦所有负责的关节运动的肌肉力量已经发现,肌肉的力量与各自的肌肉力臂和的结果求和乘法可以产生关节力矩。所有子模型的数学积分可以用来描述关节运动是中枢神经系统的命令产生哪些参数斧负责关节力矩。
肌电信号反映肌肉的活动,和许多类似的肌电力矩的关系已经在静态和动态情况的研究(张等人,1997;麦森纳和莫润,1995)。肌肉的肌电信号也常被认为是中枢神经系统的命令输入信号来驱动肌肉骨骼系统(冯等人,1999;劳埃德和贝西尔,2003)。
传统的方法(Hill模型)帮助我们理解的内部生理特性。然而,这些模型对未知的许多假设,肌肉骨骼和神经系统非的幅度特性。这些模型的一些特定主题的参数也不能直接测量。优化方法往往需要估计这些参数(劳埃德和贝西尔,2003;管等人,2002)。参数和模型的精度限制预测精度。
另一种方法,人工神经网络(ANNs),近年来已广泛研究和使用的数学技术之间的关系映射肌电输入和输出的动力学和运动学(刘等人,1999;舍隆等人,1996;小池和川户,1995)。人工神经网络模型可以优化其内部网络采用BP算法学****所有的训练数据建立的输入和输出参数之间的关系。
通过反向传播时间(BPTT)人工神经网络是由蒂皮特等人提出的地图五选定的肌肉肌电图对受试者进行三维运动学的手臂,不抓的动作(蒂皮特等人,2003)。罗森等人相比,在预测基于运动学与神经肌肉活动的单关节运动时的肘关节复杂的转矩山型和神经肌肉模型的性能(罗森等人,1999)。罗森等人比较了在预测基于运动学与神经肌肉活动的单关节运动时的肘关节复杂的转矩山型和神经肌肉模型的性能(罗森等人,1999)。时间延迟神经网络(tdann)是由奥和Kirsch用来从健全和脊髓损伤的受试者的肌电信号预测肩和肘关节运动(奥和凯尔西,2000)。王和布坎南提出了一个三层前馈神经网络模型的肌肉激活EMG信号预测关节力矩(王和布坎南,2002)。
这些模型的成功表明,人工神经网络模型来模拟一个肌肉骨骼模型的一种很有前途的技术,但这些模型研究了在动态情况下肌电和扭矩关系。在这项研究中,描述在一个自愿动态情况的肌肉骨骼功能,一个三层的反馈人工神经网络模型(见图2)建成,基于图1中的山型模型。
图2 人工神经网络的模型结构:肱