英文參考文獻(xiàn)翻譯完結(jié)

1、基于反饋神經(jīng)網(wǎng)絡(luò)肘關(guān)節(jié)力矩的動(dòng)態(tài)預(yù)測(cè)健康技術(shù)與信息學(xué)系，香港理工大學(xué)KowIoon，香港摘要肌肉模型是身體部分運(yùn)動(dòng)分析的一個(gè)重要組成部分。盡管許多研究已經(jīng)集中在靜態(tài)條件下,但是肌電信號(hào)（EMG）和關(guān)節(jié)轉(zhuǎn)矩在自愿動(dòng)態(tài)情況下之間的關(guān)系并沒(méi)有被很好的研究。本研究的目的是調(diào)查的一個(gè)反饋人工神經(jīng)網(wǎng)絡(luò)的性能（RANN）自愿動(dòng)態(tài)情況下的復(fù)雜肘扭矩估計(jì)。肌電信號(hào)和運(yùn)動(dòng)數(shù)據(jù)，其中包括角度和角速度，被用來(lái)作為估計(jì)在運(yùn)動(dòng)過(guò)程中預(yù)期的扭矩輸入。此外，角度和角速度的預(yù)測(cè)精度的作用進(jìn)行了研究，并比較兩個(gè)模型。一個(gè)模型的肌電圖和關(guān)節(jié)運(yùn)動(dòng)的投入和其他的模型只使用肌電圖無(wú)運(yùn)動(dòng)數(shù)據(jù)輸入。六例健康體檢者，和兩個(gè)平均角速度（60&#

2、176;S 7和90°S 7）三種不同負(fù)荷（0公斤，1公斤，2公斤）在手的位置被選擇來(lái)訓(xùn)練和測(cè)試90°屈肘、全伸肘之間的遞歸神經(jīng)網(wǎng)絡(luò)（0 ）。訓(xùn)練結(jié)束后，根平均平方誤差（RMSE）預(yù)期的扭矩和扭矩之間的模型預(yù)測(cè)，在訓(xùn)練數(shù)據(jù)集的肌電圖和關(guān)節(jié)運(yùn)動(dòng)的投入和測(cè)試數(shù)據(jù)集，分別為0.17±0.03 nm和0.35 + 0.06 nm。預(yù)期的扭矩和預(yù)測(cè)模型的RMSE值之間的扭矩，在訓(xùn)練數(shù)據(jù)集只有肌電輸入和測(cè)試集，分別為0.57 t - 0.07 nm和0.73 T 0.11 nm。結(jié)果表明，肌電信號(hào)一起運(yùn)動(dòng)的數(shù)據(jù)提供了更好的性能預(yù)測(cè)的關(guān)節(jié)力矩；關(guān)節(jié)角度和角速度提供了重要信息的關(guān)

3、節(jié)力矩的估計(jì)在自愿的運(yùn)動(dòng)。關(guān)鍵詞:肌肉骨骼模型，自愿的運(yùn)動(dòng)，反饋人工神經(jīng)網(wǎng)絡(luò)，逆動(dòng)力學(xué)模型第一章 緒論由于希爾提出了1938肌肉的經(jīng)典論文，神經(jīng)生理學(xué)和神經(jīng)肌肉骨骼系統(tǒng)的生物力學(xué)已被廣泛研究，使人體運(yùn)動(dòng)生成的原理可以發(fā)現(xiàn)（希爾，1938）。探討中樞神經(jīng)系統(tǒng)（CNS）激發(fā)肌肉和其后的發(fā)展力和產(chǎn)生不同的人體運(yùn)動(dòng)，許多模型來(lái)描述和定性的肌肉骨骼系統(tǒng)的不同層次的性能（溫特斯，1990；扎杰克和溫特斯，1990）。一個(gè)被普遍接受的山為基礎(chǔ)的神經(jīng)肌肉骨骼系統(tǒng)由以下子模型，一步一步：肌肉興奮-收縮模型；肌腱骨骼模型；動(dòng)態(tài)模型（扎耶克，1989）。圖1 肌肉骨骼模型框圖圖1顯示了基于hillbased模型的運(yùn)

4、動(dòng)生成。圖1，肌肉興奮收縮模型是用來(lái)估計(jì)中樞神經(jīng)系統(tǒng)指揮肌肉活動(dòng)的狀態(tài)。肌腱模型產(chǎn)生的肌肉力量不僅基于肌肉激活狀態(tài)，而且基于肌腱式長(zhǎng)度和肌腱式收縮速度，這與關(guān)節(jié)角速度和角速度（溫特斯和斯塔克，1988）。前項(xiàng)狀態(tài)的肌肉力量，它決定了肌腱的依從性，還負(fù)責(zé)肌肉力在后一階段（扎耶克，1989）。一旦所有負(fù)責(zé)的關(guān)節(jié)運(yùn)動(dòng)的肌肉力量已經(jīng)發(fā)現(xiàn)，肌肉的力量與各自的肌肉力臂和的結(jié)果求和乘法可以產(chǎn)生關(guān)節(jié)力矩。所有子模型的數(shù)學(xué)積分可以用來(lái)描述關(guān)節(jié)運(yùn)動(dòng)是中樞神經(jīng)系統(tǒng)的命令產(chǎn)生哪些參數(shù)斧負(fù)責(zé)關(guān)節(jié)力矩。肌電信號(hào)反映肌肉的活動(dòng)，和許多類似的肌電力矩的關(guān)系已經(jīng)在靜態(tài)和動(dòng)態(tài)情況的研究（張等人，1997；麥森納和莫潤(rùn)，1995）

5、。肌肉的肌電信號(hào)也常被認(rèn)為是中樞神經(jīng)系統(tǒng)的命令輸入信號(hào)來(lái)驅(qū)動(dòng)肌肉骨骼系統(tǒng)（馮等人，1999；勞埃德和貝西爾，2003）。傳統(tǒng)的方法（Hill模型）幫助我們理解的內(nèi)部生理特性。然而，這些模型對(duì)未知的許多假設(shè)，肌肉骨骼和神經(jīng)系統(tǒng)非的幅度特性。這些模型的一些特定主題的參數(shù)也不能直接測(cè)量。優(yōu)化方法往往需要估計(jì)這些參數(shù)（勞埃德和貝西爾，2003；管等人，2002）。參數(shù)和模型的精度限制預(yù)測(cè)精度。另一種方法，人工神經(jīng)網(wǎng)絡(luò)（ANNs），近年來(lái)已廣泛研究和使用的數(shù)學(xué)技術(shù)之間的關(guān)系映射肌電輸入和輸出的動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)（劉等人，1999；舍隆等人，1996；小池和川戶，1995）。人工神經(jīng)網(wǎng)絡(luò)模型可以優(yōu)化其內(nèi)部網(wǎng)絡(luò)

6、采用BP算法學(xué)習(xí)所有的訓(xùn)練數(shù)據(jù)建立的輸入和輸出參數(shù)之間的關(guān)系。通過(guò)反向傳播時(shí)間（BPTT）人工神經(jīng)網(wǎng)絡(luò)是由蒂皮特等人提出的地圖五選定的肌肉肌電圖對(duì)受試者進(jìn)行三維運(yùn)動(dòng)學(xué)的手臂，不抓的動(dòng)作（蒂皮特等人，2003）。羅森等人相比，在預(yù)測(cè)基于運(yùn)動(dòng)學(xué)與神經(jīng)肌肉活動(dòng)的單關(guān)節(jié)運(yùn)動(dòng)時(shí)的肘關(guān)節(jié)復(fù)雜的轉(zhuǎn)矩山型和神經(jīng)肌肉模型的性能（羅森等人，1999）。羅森等人比較了在預(yù)測(cè)基于運(yùn)動(dòng)學(xué)與神經(jīng)肌肉活動(dòng)的單關(guān)節(jié)運(yùn)動(dòng)時(shí)的肘關(guān)節(jié)復(fù)雜的轉(zhuǎn)矩山型和神經(jīng)肌肉模型的性能（羅森等人，1999）。時(shí)間延遲神經(jīng)網(wǎng)絡(luò)（tdann）是由奧和Kirsch用來(lái)從健全和脊髓損傷的受試者的肌電信號(hào)預(yù)測(cè)肩和肘關(guān)節(jié)運(yùn)動(dòng)（奧和凱爾西，2000）。王和布坎南

7、提出了一個(gè)三層前饋神經(jīng)網(wǎng)絡(luò)模型的肌肉激活EMG信號(hào)預(yù)測(cè)關(guān)節(jié)力矩（王和布坎南，2002）。這些模型的成功表明，人工神經(jīng)網(wǎng)絡(luò)模型來(lái)模擬一個(gè)肌肉骨骼模型的一種很有前途的技術(shù)，但這些模型研究了在動(dòng)態(tài)情況下肌電和扭矩關(guān)系。在這項(xiàng)研究中，描述在一個(gè)自愿動(dòng)態(tài)情況的肌肉骨骼功能，一個(gè)三層的反饋人工神經(jīng)網(wǎng)絡(luò)模型（見(jiàn)圖2）建成，基于圖1中的山型模型。圖2 人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)：肱二頭肌的肌電幅度歸一化（BIC），（三），肱三頭肌肱橈肌（BRD），角度，角速度和遞歸反饋轉(zhuǎn)矩形成六個(gè)輸入節(jié)點(diǎn)。輸出節(jié)點(diǎn)歸一化復(fù)雜肘關(guān)節(jié)力矩人工神經(jīng)網(wǎng)絡(luò)模型有相應(yīng)的輸入和輸出。特色是一個(gè)反饋，前一階段為后一階段的輸入。從選定的肌肉的肌電

8、信號(hào)作為輸入來(lái)反映中樞神經(jīng)系統(tǒng)的命令信號(hào)；角及肘關(guān)節(jié)角速度作為反映彎管幾何參數(shù)輸入，并從輸出轉(zhuǎn)矩反饋?zhàn)鳛檩斎敕从车闹怅P(guān)節(jié)周圍的肌肉和以前的狀態(tài)。這種反饋是模擬，前一階段的肌肉力決定的肌腱遵守并將在后續(xù)階段的受力特點(diǎn)（扎亞茨，1989）。這項(xiàng)研究的具體目標(biāo)是探索是否從選定的肌肉的表面肌電信號(hào)記錄，結(jié)合運(yùn)動(dòng)信息，可以預(yù)測(cè)準(zhǔn)確的肘關(guān)節(jié)力矩，基于輸入層的轉(zhuǎn)矩反饋的經(jīng)常性的網(wǎng)絡(luò)，在自愿的手臂動(dòng)作在水平面上進(jìn)行。此外，通過(guò)與模型的比較和不運(yùn)動(dòng)的投入研究的運(yùn)動(dòng)信息預(yù)測(cè)精度的影響。第二章 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)2.1 實(shí)驗(yàn)程序六名健康受試者（男，24-30歲）沒(méi)有任何神經(jīng)肌肉疾病史的患者進(jìn)入本研究。試驗(yàn)前，所有受試者

9、進(jìn)行了實(shí)驗(yàn)方案，給出知情同意。圖3顯示了實(shí)驗(yàn)裝置。圖3 實(shí)驗(yàn)裝置，對(duì)肱二頭肌和肱橈肌肌電電極顯示，肱三頭肌，肘關(guān)節(jié)角度定義的手腕姿勢(shì)和位置在實(shí)驗(yàn)中，受試者被要求坐在桌旁。桌子的高度進(jìn)行調(diào)整，所以他們可以休息的手臂在水平面在同一高度的肩，與肩定位在90°外展和屈曲45°。一個(gè)帶被用來(lái)修復(fù)上臂，桌上的支持。前臂被連接到一個(gè)定制的支撐架，由固定在與肘關(guān)節(jié)的旋轉(zhuǎn)軸的支撐架矯形器。支撐架是用來(lái)支撐前臂，和主體可以彎曲和無(wú)摩擦的肘關(guān)節(jié)伸展。此外，鋁的支撐架的輕便使它不影響的自愿手臂的運(yùn)動(dòng)。然后，受試者被指示執(zhí)行反屈伸肘之間的完全伸展（0°）和90°屈曲，以不同的速度

10、，用節(jié)拍器聲制導(dǎo)。節(jié)拍器是用來(lái)引導(dǎo)運(yùn)動(dòng)的運(yùn)動(dòng)軌跡。受試者完成一個(gè)肘關(guān)節(jié)屈曲或伸肘段兩個(gè)節(jié)拍器發(fā)出嗶嗶聲的時(shí)間間隔內(nèi)。肘必須是在充分伸展位置或在90°屈曲位時(shí)發(fā)出嘟嘟的聲音被聽(tīng)到。受試者指示平穩(wěn)移動(dòng)在整個(gè)范圍內(nèi)而不是兩端的延遲。節(jié)拍器的頻率被設(shè)定在0.67赫茲和1赫茲，和相應(yīng)的平均角速度肘60°S 1和90°S - 1，分別。在手的位置，三個(gè)不同的負(fù)載（0公斤，1公斤和2公斤）在這兩個(gè)頻率測(cè)試。每個(gè)主題完成這些3×2試驗(yàn)兩次，分兩塊，并且每個(gè)審判持續(xù)了30秒。試驗(yàn)的第一個(gè)塊組成的訓(xùn)練集，和試驗(yàn)第二塊組成的測(cè)試集。至少有1分鐘的休息之間的試驗(yàn)，以減少疲勞的影

11、響。肘關(guān)節(jié)的角位移是由一個(gè)靈活的手腕姿勢(shì)捕捉連接到支撐架。一個(gè)遠(yuǎn)程EMG系統(tǒng)T 10-500赫茲的帶寬每通道是用來(lái)捕捉和放大的表面肌電信號(hào)從三個(gè)選定的肌肉：肱二頭肌，肱三頭肌和橈肌內(nèi)側(cè)，這是肌肉群的主要貢獻(xiàn)的運(yùn)動(dòng)，肘關(guān)節(jié)屈伸肘。表面肌電信號(hào)是銀/氯化銀電極捕獲。*所有的銀/氯化銀電極被放置在一個(gè)雙極性配置，2厘米的電極的中心之間的空間。的表面肌電電極的位置如克萊姆等人建議的一樣（1998）。表面肌電信號(hào)和角度信號(hào)的同時(shí)記錄在1000赫茲的采樣率和存儲(chǔ)，使用一個(gè)16通道AD轉(zhuǎn)換器。2.2數(shù)據(jù)處理角信號(hào)使用3赫茲的截止頻率階Butterworth數(shù)字濾波器濾波，低通，和表面肌電信號(hào)進(jìn)行使用與5-5

12、00赫茲帶寬相同的數(shù)字濾波器的帶通濾波，然后全波整流和低通帶截止頻率3 Hz過(guò)濾。從角度的第一導(dǎo)數(shù)計(jì)算的角速度，角加速度和角的二階導(dǎo)數(shù)。角加速度來(lái)計(jì)算預(yù)期的扭矩。MATLAB的信號(hào)處理工具箱進(jìn)行數(shù)據(jù)處理。所有的數(shù)據(jù)進(jìn)行數(shù)字采樣在100 Hz之前輸入的人工神經(jīng)網(wǎng)絡(luò)模型。為了避免零或非常大的值，所有的輸入和輸出擴(kuò)展到0.1使用線性度的方法。表1顯示了正常化的參考標(biāo)準(zhǔn)（祿等人，1999）。表1 規(guī)范化標(biāo)準(zhǔn)的輸入和輸出（運(yùn)動(dòng)訓(xùn)練前屈曲為陽(yáng)性，和運(yùn)動(dòng)的推廣為負(fù)）。MIVF =最大等長(zhǎng)伸；智能虛擬環(huán)境=最大等長(zhǎng)伸。當(dāng)肘關(guān)節(jié)在90°MIVF并進(jìn)行智能虛擬環(huán)境2.3逆動(dòng)態(tài)模型以下的非線性微分方程描述

13、的關(guān)節(jié)運(yùn)動(dòng)和載荷與支撐架：T1=Id2dt2+Bddt (1)其中是關(guān)節(jié)角度，B是該組織的粘性系數(shù)，它被假定為零，在本文中，我是主體的前臂的旋轉(zhuǎn)慣性，支撐架和負(fù)載。對(duì)前臂運(yùn)動(dòng)的1自由度，與支撐架和負(fù)載以肘為軸轉(zhuǎn)動(dòng)慣量的前臂可以假定為常數(shù)，和表2總結(jié)了基于特定主題的人體測(cè)量參數(shù)，每個(gè)主體的轉(zhuǎn)動(dòng)慣量（溫特，1990）。然后，預(yù)期肘扭矩自愿水平運(yùn)動(dòng)過(guò)程中可以從這個(gè)逆動(dòng)力學(xué)模型計(jì)算了乘法運(yùn)算的角加速度和轉(zhuǎn)動(dòng)慣量（Gregor等人，1991；Riener和斯特勞布，1997）。預(yù)期沒(méi)有外力從系統(tǒng)中，并沿該軸可以自由地進(jìn)行肘運(yùn)動(dòng)。2.4人工神經(jīng)網(wǎng)絡(luò)模型的肌電圖和運(yùn)動(dòng)的輸入表2 在不同載荷下的人體參數(shù)和前臂

14、段的轉(zhuǎn)動(dòng)慣量系數(shù)（RI）一個(gè)三層的人工神經(jīng)網(wǎng)絡(luò)模型選擇地圖輸入肌電信號(hào)與預(yù)期的扭矩（見(jiàn)圖2）。標(biāo)準(zhǔn)化的肌電幅度的肱二頭肌，肱三頭肌，肱橈肌，角，角速度，連同一個(gè)遞歸反饋轉(zhuǎn)矩，形成六個(gè)輸入節(jié)點(diǎn)。輸出節(jié)點(diǎn)是正常的關(guān)節(jié)力矩的復(fù)雜肘。選擇的隱藏單元的數(shù)量標(biāo)準(zhǔn)第2.6節(jié)中描述的斧頭。輸入和輸出節(jié)點(diǎn)的激活函數(shù)是線性的，和隱藏節(jié)點(diǎn)的激活函數(shù)的切向乙狀結(jié)腸，如（2）和（3）所示。neti=jajwij+biasi (2)TanSig=eneti-e-netieneti+e-neti (3)在Neti是神經(jīng)元網(wǎng)絡(luò)的輸入，將每個(gè)輸入信號(hào)aj通過(guò)相應(yīng)的連接權(quán)重wij和變量的偏差項(xiàng)的總和。初始連接權(quán)值是隨機(jī)值。錯(cuò)誤可

15、能是由反向傳播訓(xùn)練方法的改進(jìn)。在反向傳播訓(xùn)練方法在眾多的變化，采用maxquardt算法被選定為中型神經(jīng)網(wǎng)絡(luò)最快的收斂到幾百個(gè)神經(jīng)元（庫(kù)爾比斯等人，2003）。采用maxquardt算法可以由以下方程描述：=(JTJ+I)-1JTe (4)是一個(gè)向量的權(quán)重和偏見(jiàn)，J是包含的網(wǎng)絡(luò)誤差對(duì)權(quán)值和閥值的第一衍生物的雅可比矩陣，E是網(wǎng)絡(luò)錯(cuò)誤矢量，I是單位矩陣，和是一個(gè)規(guī)模。的默認(rèn)設(shè)置為0.01之前的訓(xùn)練。MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的TT是用來(lái)訓(xùn)練和測(cè)試的所有數(shù)據(jù)。誤差平方和（SSE）和根均方誤差（RMSE）被用來(lái)反映其中T是預(yù)測(cè)的基礎(chǔ)上的反饋人工神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)矩模型的性能，T1是預(yù)期的轉(zhuǎn)矩的逆動(dòng)力學(xué)模型

16、的推導(dǎo)，n是樣本數(shù)。從不同的頻率數(shù)據(jù)（0.67赫茲，1赫茲）和不同的負(fù)載（0公斤，1公斤，2公斤）在每個(gè)主題的反饋人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，然后每一主體的人工神經(jīng)網(wǎng)絡(luò)模型與試驗(yàn)數(shù)據(jù)分別進(jìn)行試驗(yàn)。SSE=i=1n(Ti-T1(i)2 (5)RMSE=SSEn (6)2.5 只有肌電輸入的人工神經(jīng)網(wǎng)絡(luò)模型除了2.4節(jié)中描述的反饋人工神經(jīng)網(wǎng)絡(luò)模型，另一個(gè)三層的經(jīng)常性的網(wǎng)絡(luò)只有三肌電圖（肌電圖輸入正常的肱二頭肌，肱三頭肌，肱橈?。┖蛷?fù)發(fā)性反饋的建立是為了比較模型的性能與不運(yùn)動(dòng)的投入。該模型的其他部分被作為第2.4節(jié)中的模型相同，和模型使用相同的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。學(xué)生的配對(duì)t檢驗(yàn)被用來(lái)比較這兩個(gè)模型的

17、均方根誤差統(tǒng)計(jì)。顯著性水平為0.05的所有統(tǒng)計(jì)檢驗(yàn)。2.6網(wǎng)絡(luò)結(jié)構(gòu)和迭代次數(shù)隱藏節(jié)點(diǎn)的數(shù)目進(jìn)行了研究，以達(dá)到最佳性能。圖4顯示了RMSEs的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)集，通過(guò)改變隱層節(jié)點(diǎn)數(shù)和初始連接權(quán)重從主體C.數(shù)據(jù)獲得的數(shù)。為每個(gè)模型的隱層節(jié)點(diǎn)數(shù)相同，這是十次訓(xùn)練與不同的隨機(jī)的初始條件。從不同的初始條件下的平均RMSE為圖4所示。圖4 網(wǎng)絡(luò)網(wǎng)絡(luò)的復(fù)雜性和誤差之間的關(guān)系。（）測(cè)試所得平均RMSE，”（）訓(xùn)練所得平均RMSE圖5 網(wǎng)絡(luò)迭代訓(xùn)練次數(shù)均方根誤差之間的關(guān)系；（）由測(cè)試計(jì)算，”（）由訓(xùn)練計(jì)算在訓(xùn)練數(shù)據(jù)，平均RMSE為隱層節(jié)點(diǎn)數(shù)的增加而減小。當(dāng)模型的測(cè)試數(shù)據(jù)進(jìn)行評(píng)估，在初始階段，平均RMSE下降，

18、當(dāng)隱層節(jié)點(diǎn)數(shù)的進(jìn)一步增加，平均RMSE為增加了更多的隱藏節(jié)點(diǎn)的增加，和均方根波動(dòng)明顯。對(duì)試驗(yàn)數(shù)據(jù)的最小RMSE位于隱層節(jié)點(diǎn)數(shù)從五變化到十。隱層節(jié)點(diǎn)數(shù)的選擇是七在所有的科目。訓(xùn)練迭代的數(shù)量也是影響結(jié)果的因素。圖5顯示了迭代次數(shù)和訓(xùn)練和測(cè)試數(shù)據(jù)的均方根誤差之間的關(guān)系。許多研究人員使用一個(gè)固定的迭代次數(shù)（羅森等人，1999；劉等人，1999；小池和川戶，1995）的培訓(xùn)，和他們的停止準(zhǔn)則可能導(dǎo)致系統(tǒng)停留在一個(gè)局部最小值和可能的魯棒性與太多的迭代次數(shù)減少。如圖5所示，雖然訓(xùn)練的均方根誤差與迭代次數(shù)的增加而降低，試驗(yàn)的誤差將增加。為了避免這種情況，培訓(xùn)應(yīng)該是如果在錯(cuò)誤沒(méi)有多大的起色停止。在本文中，每個(gè)鹽

19、沼模型的停止準(zhǔn)則，堅(jiān)持訓(xùn)練到預(yù)期的轉(zhuǎn)矩和轉(zhuǎn)矩之間的所預(yù)測(cè)的小于0.5%的50次迭代變化。圖6 實(shí)驗(yàn)數(shù)據(jù)記錄在審單主題進(jìn)行屈伸肘關(guān)節(jié)，1千克加載的指導(dǎo)下，節(jié)拍器頻率為1Hz。的正?；‰妶D幅度BIC：肱二頭肌;三：肱三頭肌; BRD：實(shí)驗(yàn)中肱扭矩=預(yù)期扭矩第三章 結(jié)果標(biāo)準(zhǔn)化的輸入數(shù)據(jù)，在圖6中示出一個(gè)典型的實(shí)驗(yàn)試斧記錄。這個(gè)主題有一個(gè)1公斤的負(fù)載和指導(dǎo)的節(jié)拍器在本試驗(yàn)的1赫茲的頻率。處理，標(biāo)準(zhǔn)化的肌電信號(hào)的二頭肌似乎顯示較小的調(diào)制與肌和肱橈肌相比。有兩個(gè)原因可以解釋這一事實(shí)。首先，最大彎曲力矩往往大于最大伸展力矩肘關(guān)節(jié)，因此，正?；?，二頭肌肌電圖的振幅是小于的三頭肌如果他們代表了同樣數(shù)量的扭矩

20、。其次，有可能產(chǎn)生肘關(guān)節(jié)屈肘扭矩在幾個(gè)肌肉。圖中顯示，肱橈肌也分享這場(chǎng)運(yùn)動(dòng)中的彎曲力矩部分。圖7 比較預(yù)測(cè)的關(guān)節(jié)力矩和預(yù)期的扭矩的試驗(yàn)結(jié)果與模型的肌電圖和運(yùn)動(dòng)的投入。（）從反饋人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果； ）從逆動(dòng)力學(xué)模型計(jì)算預(yù)期的扭矩。引導(dǎo)聲音的頻率是（a）-（c）0.67 Hz和（d）-（f）為1 Hz。沒(méi)有加載數(shù)據(jù)顯示在（a），（d）；（b），（e）表示1公斤的負(fù)載數(shù)據(jù)；c，（f）表示2斤的負(fù)載數(shù)據(jù)3.1 肌電信號(hào)和運(yùn)動(dòng)輸入模型三肌肉的表面肌電信號(hào)，結(jié)合運(yùn)動(dòng)信息，被用來(lái)預(yù)測(cè)肘扭矩時(shí)，自愿肘關(guān)節(jié)屈伸肘進(jìn)行。圖7a-c顯示一個(gè)典型的預(yù)測(cè)從一個(gè)主題不同的負(fù)載轉(zhuǎn)矩，當(dāng)導(dǎo)音是0.67赫茲的頻率。圖7

21、d-f顯示預(yù)測(cè)從主體在更高的頻率不同的負(fù)載轉(zhuǎn)矩。引導(dǎo)聲音的頻率是1赫茲。表3 絕對(duì)誤差和相對(duì)誤差預(yù)測(cè)與瑞恩的所有科目的肌電圖和運(yùn)動(dòng)的輸入。扭矩范圍=最大屈曲扭矩最大伸展力矩；相對(duì)誤差= RMSE /扭矩范圍表3 總結(jié)結(jié)果，其中包括RMSE，預(yù)測(cè)的轉(zhuǎn)矩和相對(duì)誤差的期望值和預(yù)測(cè)值之間的范圍。相對(duì)誤差除以RMSE由扭矩計(jì)算的范圍，通過(guò)評(píng)估和范圍的最大值和最小值的預(yù)測(cè)從每個(gè)主題的轉(zhuǎn)矩之間的差異計(jì)算。從表3中，預(yù)期的扭矩和預(yù)測(cè)，在訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)中的肌電圖和關(guān)節(jié)運(yùn)動(dòng)學(xué)模型輸入扭矩為0.17±0.03nm和.035±0.06nm之間的RMSE。在訓(xùn)練數(shù)據(jù)的平均相對(duì)誤差為2.84

22、77;0.50%，在測(cè)試數(shù)據(jù)中是5.96±1.54%。3.2只有肌電輸入模型表4 絕對(duì)誤差和肌電圖輸入只有在所有科目的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的相對(duì)誤差。扭矩范圍=最大屈曲扭矩最大伸展力矩相對(duì)誤差= 誤差/扭矩范圍表4顯示的均方根誤差，預(yù)測(cè)的扭矩范圍，和肘關(guān)節(jié)力矩的期望值和預(yù)測(cè)僅與肌電模型輸入值之間的相對(duì)誤差。均方根誤差值預(yù)測(cè)預(yù)期的扭矩和訓(xùn)練數(shù)據(jù)中的扭矩和測(cè)試集0.57±0.07 nm和0.73±0.11 nm之間，分別，并在訓(xùn)練數(shù)據(jù)的平均相對(duì)誤差為9.72±1.72%，和，在測(cè)試數(shù)據(jù)，這是12.42±2.01%。圖8 比較預(yù)測(cè)的關(guān)節(jié)力矩和實(shí)際從只有肌

23、電輸入模型試驗(yàn)結(jié)果轉(zhuǎn)矩。（）從人工神經(jīng)網(wǎng)絡(luò)模型結(jié)果預(yù)測(cè)，”（ ）從逆動(dòng)力學(xué)模型計(jì)算預(yù)期的扭矩。引導(dǎo)聲音的頻率是（a）-（C）0.67赫茲和（d）-（f）1赫茲。沒(méi)有加載的數(shù)據(jù)顯示在（a），（d）；（b），（e）表明，1公斤的負(fù)載數(shù)據(jù)，”（c），（f）表明，2公斤的負(fù)載數(shù)據(jù)圖8的a-c示出一個(gè)典型的預(yù)測(cè)來(lái)自被攝體的（被引導(dǎo)聲音的頻率為0.67赫茲）在低速條件下的不同負(fù)載轉(zhuǎn)矩與。圖8的d-f從這個(gè)問(wèn)題在較高的頻率不同的負(fù)載（引導(dǎo)聲音的頻率為1赫茲）中顯示了預(yù)測(cè)的扭矩。所有六個(gè)科目，模型輸出與肌電圖和運(yùn)動(dòng)投入了比僅使用肌電信號(hào)作為輸入，獲得更高的精度。均方根誤差值的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)模

24、型只有肌電輸入統(tǒng)計(jì)損害大于的人工神經(jīng)網(wǎng)絡(luò)模型與肌電圖和運(yùn)動(dòng)的輸入（P0.01）。第四章 分析與結(jié)論在這項(xiàng)研究中，建立了一個(gè)預(yù)測(cè)在水平面內(nèi)的自愿肘關(guān)節(jié)運(yùn)動(dòng)中肘扭矩是一個(gè)經(jīng)常性的人工神經(jīng)網(wǎng)絡(luò)逆動(dòng)態(tài)模型。隨意運(yùn)動(dòng)的不同負(fù)載和不同速度的基礎(chǔ)上進(jìn)行人工神經(jīng)網(wǎng)絡(luò)模型分析。在建模階段，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是一個(gè)非常重要的問(wèn)題，影響了預(yù)測(cè)精度和模型的魯棒性（布朗和哈里斯，1994；童，1997）。神經(jīng)網(wǎng)絡(luò)的復(fù)雜性取決于隱藏節(jié)點(diǎn)的數(shù)目。隱藏節(jié)點(diǎn)的最優(yōu)數(shù)量不僅取決于神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)也取決于輸入和輸出。結(jié)果，如圖4所示，與當(dāng)網(wǎng)絡(luò)已足夠復(fù)雜時(shí)足夠數(shù)量的隱藏節(jié)點(diǎn)取得了優(yōu)異的泛化的說(shuō)法是一致的（通，1997；廣瀨等人，199

25、1）。如果模型的復(fù)雜性是不夠的問(wèn)題，不足會(huì)發(fā)生（隱層節(jié)點(diǎn)數(shù)小于五，圖4）。增加隱節(jié)點(diǎn)的個(gè)數(shù)可以提高模型的性能。如果模型是復(fù)雜的映射，訓(xùn)練誤差仍然下降，但試驗(yàn)誤差的增加。網(wǎng)絡(luò)可以與噪聲。一個(gè)較大的測(cè)量誤差會(huì)產(chǎn)生測(cè)試數(shù)據(jù)，因?yàn)檫^(guò)度擬合。為了使網(wǎng)絡(luò)更廣義的，它是選擇在實(shí)驗(yàn)中隱藏節(jié)點(diǎn)的適當(dāng)數(shù)量以避免的過(guò)擬合非常重要。同時(shí)，迭代次數(shù)是另一個(gè)問(wèn)題，要考慮達(dá)到最佳的結(jié)果。培訓(xùn)過(guò)程中要停止訓(xùn)練誤差沒(méi)有表現(xiàn)出任何明顯的改善。訓(xùn)練過(guò)程是在訓(xùn)練誤差沒(méi)有表現(xiàn)出任何顯著改善停止。停止準(zhǔn)則是一致的，在文獻(xiàn)中找到（Au和Kirsch ，2000；黃志強(qiáng)等人，1998）。如果我們的研究結(jié)果與以往相比，類似的研究，祿等人。建立

26、了一個(gè)三層，完全連接，前饋人工神經(jīng)網(wǎng)絡(luò)模型在單關(guān)節(jié)運(yùn)動(dòng)性能的等速肘關(guān)節(jié)力矩預(yù)測(cè)從肌電信號(hào)（祿等人，1999）。所有受試者的平均RMSE分別為1.67 nm和8.27 nm的試驗(yàn)中學(xué)習(xí)。祿等人。在恒定的角速度的肌電力矩關(guān)系的研究。在他們的實(shí)驗(yàn)裝置，受試者沒(méi)有完全自愿的控制，和外力矩是需要保持在一個(gè)恒定的速度移動(dòng)，肘部。該模型只調(diào)查了肱二頭肌、肱三頭肌，和肱橈肌肘關(guān)節(jié)力矩的貢獻(xiàn)被忽視，這可能是錯(cuò)誤的一個(gè)來(lái)源。奧和基爾希使用延遲神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)肩肘關(guān)節(jié)運(yùn)動(dòng)學(xué)在人的脊髓損傷個(gè)人使用肌電信號(hào)（奧和基爾希2000）。平均相對(duì)誤差為9.2-20.2正常人和10.7-23.4的脊髓受傷的科目。在我們的研究中，平均

27、相對(duì)誤差為2.84_+在訓(xùn)練數(shù)據(jù)中的0.50和5.96_+1.54，在測(cè)試數(shù)據(jù)中，添加作為輸入，如果關(guān)節(jié)角度和角速度的彎頭。自愿的動(dòng)態(tài)運(yùn)動(dòng)，其中包括一個(gè)加速和減速階段，關(guān)節(jié)力矩不能通過(guò)扭矩傳感器直接測(cè)量。只有在等長(zhǎng)收縮試驗(yàn)或在恒定的速度，可以在關(guān)節(jié)扭矩的扭矩傳感器直接測(cè)量。因此，逆動(dòng)力學(xué)模型應(yīng)用于計(jì)算在本研究的輸出扭矩。在逆動(dòng)態(tài)模型，有兩個(gè)參數(shù)會(huì)影響輸出轉(zhuǎn)矩角加速度和轉(zhuǎn)動(dòng)慣量。轉(zhuǎn)動(dòng)慣量會(huì)隨荷載的變化（表2）。在我們的研究中，對(duì)不同載荷和不同頻率的試驗(yàn)是在一個(gè)人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練。然后，訓(xùn)練有素的反饋人工神經(jīng)網(wǎng)絡(luò)模型可以適應(yīng)不同的載荷。在反饋人工神經(jīng)網(wǎng)絡(luò)模型的輸入，該負(fù)載信息不包括在內(nèi)，只有進(jìn)行

28、肌電圖與運(yùn)動(dòng)學(xué)。結(jié)果可以證明的反饋神經(jīng)網(wǎng)絡(luò)可以回應(yīng)不同載荷和頻率的能力?；诩‰姾瓦\(yùn)動(dòng)輸入的反饋人工神經(jīng)網(wǎng)絡(luò)模型是一個(gè)受特定的模式，也有它的局限性。有十多塊肌肉過(guò)肘關(guān)節(jié)，使手臂冗余機(jī)械手。本文的主要貢獻(xiàn)，使三塊肌肉的肌電信號(hào)被認(rèn)為是。更多的肌肉，如臂，可以在進(jìn)一步的研究中被使用的細(xì)金屬絲電極提高了反饋人工神經(jīng)網(wǎng)絡(luò)模型的性能研究。開(kāi)發(fā)一個(gè)健壯的反饋人工神經(jīng)網(wǎng)絡(luò)模型來(lái)模擬神經(jīng)肌肉骨骼功能，不僅要的反饋人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)被認(rèn)為是，但足夠的訓(xùn)練數(shù)據(jù)是必要的覆蓋不同的情況。致謝 - 作者想在香港理工大學(xué)研究委員會(huì)的支持表示感謝。該項(xiàng)目是由香港理工大學(xué)G-T598和研究資助局，香港理工大學(xué)5320/0

29、3E。參考文獻(xiàn)Au, A. T. C. and KIRSCH, R. F. (2000): EMG-based prediction of shoulder and elbow kinematics in able-bodied and spinal cord injured individuals', IEEE Trans. Rehab. Eng., 8, pp. 471 480BROWN, M., and HARRIS, C. (1994): 'Neurofuzzy adaptive modelling and control' (Prentice Hall, 19

30、94)CHERON, G., DRAYE, J. P., BOURGEIOS, M., and LmERT, G. (1996): 'A dynamic neural network identification of electromyography and arm trajectory relationship during complex movements', IEEE Trans. Biomed. Eng., 43, pp. 552-558CRAM, J. R., KASMAN, G. S., and HOLTZ, J. (1998): 'Introducti

31、on to surface electromyography' (Aspen Publishers, Gaithersburg,1998)DIPIETRO, L., SABATINI, A. M., and DARIO, P. (2003): 'Artificial neural network model of the mapping between electromyographic activation and trajectory patterns in free-arm movements', Med. Biol. Eng. Comput., 41, pp.

32、125 132FENG, J., MAK, A. F. T., and Koo, T. K. K. (1999): 'A surface EMG driven musculoskeletal model of the elbow flexion-extension movement in normal subjects and in subjects with spasticity', J. Musculoskel. Res., 3, pp. 109 123GREGOR, R. J., KOMI, P. V., BROWNING, R. C., and JARVlNEN, M.

33、 (1991): 'A comparison of the triceps surae and residual muscle moments at the ankle during cycling', J. Biomech., 24, pp. 287 297GURBUZ, H., KIVRAK, E., SOYUPAK, S., and YERLI, S. V. (2003): Predicting dominant phytoplankton quantities in a reservoir by using neural networks', Hydrobiol

34、ogia, 504, pp. 133 141HILL, A. V. (1938): 'The heat of shortening and the dynamic constants of muscle', Proc. R. Soc. Lond. Biol., 126, pp. 136 195HIROSE, Y., YAMASHITA, K., and HIJIYA, S. (1991): 'Back-propagation algorithm which varies the number of hidden units', Neural Netw., 4,

35、pp. 61 66KOIKE, Y., and KAWATO, M. (1995): 'Estimation of dynamic joint torques and trajectory formation from surface electromyography signals using a neural network model', Biol. Cybernet., 73, pp. 291 300LIU, M. M., HERZOG, W., and SAVELBERG, H. C. M. (1999): 'Dynamic muscle force pred

36、ictions from EMG: an artificial neural network approach', J. Electromyogr. Kinesiol., 9, pp. 391 4OOLLOYD, D. G., and BESIER, T. F. (2003): 'An EMG-driven musculoskeletal model to estimate muscle forces and knee joint moments in vivo', J. Biomech., 36, pp. 765 776LUH, J. J., CHANG, G. C.

37、, CHENG, C. K., LAI, J. S., and Kuo, E. S. (1999): 'Isokinetic elbow joint torques estimation from surface EMG and joint kinematic data: using an artificial neural network model', J. Electromyogr. Kinesiol., 9, pp. 173 183MANAL, K., GONZALEZ, R. V., LLOYD, D. G., and BUCHANAN, T. S. (2002):

38、'A real-time EMG-driven virtual arm', Comput. Biol. Med., 32, pp. 25-36MISENER, D. L. and MORIN, t. L. (1995): 'An EMG to force model for the human elbow derived from surface EMG'. IEEE-EMBC de CMBEC, pp. 1205 1206RIENER, R., and STRAUBE, A. (1997): 'Inverse dynamics as a tool fo

39、r motion analysis: arm tracking movements in cerebellar patients', J. Neurosci. Meth., 72, pp. 87-96ROSEN, J., FUCHS, M. B., and ARCAN, M. (1999): 'Performances of hill-type and neural network muscle models towards a myosignal based exoskeleton', Comput. Biomed. Res., 32, pp. 415 439TONG

40、, K. Y. (1997): 'Artificial neural network control of FES gait using virtual kinematic sensors'. PhD thesis, University of Strathclyde, UKUCHIYAMA, T., BESSHO, T., and AKAZAWA, K. (1998): 'Static torqueangle relation of human elbow joint estimated with artificial neural network technique

41、', J. Biomech., 31, pp. 545 554WANG, L., and BUCHANAN, T. S. (2002): 'Prediction of joint moments using a neural network model of muscle activations from EMG signals', IEEE Trans. Neut. Syst. Rehab. Eng., 10, pp. 30 37WINTER, D. A. (1990): 'Biomechanics and motor control of human movement' (Wiley, New York, 1990)WINTERS, J. M., and STARK, L. (1988): 'Estima