英文参考材料文献翻译完结.docx

1、英文参考材料文献翻译完结基于反馈神经网络肘关节力矩的动态预测R.Song K.Y.Tong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

2、动数据输入。六例健康体检者，和两个平均角速度（60S 7和90S 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，分别为0.170.03 nm和0.35 + 0.06 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，分别为0.57 t - 0.07 nm和0.73 T 0.11 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

3、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）。探讨中枢神经系统（CNS）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

4、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，19

5、95）。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

6、部网络采用BP算法学习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

7、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：肱二头肌的肌电幅度归一化（BIC），（三），肱三头肌肱桡肌（BRD），角度，角速度和递归反馈转矩形成六个输入节点。输出节点归一化复杂肘关节力矩人工神经网络模型有相应的输入和输出。特色是一个反馈，前一阶段为后一阶段的输入。从选定的肌肉

8、的肌电信号作为输入来反映中枢神经系统的命令信号；角及肘关节角速度作为反映弯管几何参数输入，并从输出转矩反馈作为输入反映的肘关节周围的肌肉和以前的状态。这种反馈是模拟，前一阶段的肌肉力决定的肌腱遵守并将在后续阶段的受力特点（扎亚茨，1989）。这项研究的具体目标是探索是否从选定的肌肉的表面肌电信号记录，结合运动信息，可以预测准确的肘关节力矩，基于输入层的转矩反馈的经常性的网络，在自愿的手臂动作在水平面上进行。此外，通过与模型的比较和不运动的投入研究的运动信息预测精度的影响。第二章 系统设计与实现2.1 实验程序六名健康受试者（男，24-30岁）没有任何神经肌肉疾病史的患者进入本研究。试验前，所有

9、受试者进行了实验方案，给出知情同意。图3显示了实验装置。图3 实验装置，对肱二头肌和肱桡肌肌电电极显示，肱三头肌，肘关节角度定义的手腕姿势和位置在实验中，受试者被要求坐在桌旁。桌子的高度进行调整，所以他们可以休息的手臂在水平面在同一高度的肩，与肩定位在90外展和屈曲45。一个带被用来修复上臂，桌上的支持。前臂被连接到一个定制的支撑架，由固定在与肘关节的旋转轴的支撑架矫形器。支撑架是用来支撑前臂，和主体可以弯曲和无摩擦的肘关节伸展。此外，铝的支撑架的轻便使它不影响的自愿手臂的运动。然后，受试者被指示执行反屈伸肘之间的完全伸展（0）和90屈曲，以不同的速度，用节拍器声制导。节拍器是用来引导运动的运

10、动轨迹。受试者完成一个肘关节屈曲或伸肘段两个节拍器发出哔哔声的时间间隔内。肘必须是在充分伸展位置或在90屈曲位时发出嘟嘟的声音被听到。受试者指示平稳移动在整个范围内而不是两端的延迟。节拍器的频率被设定在0.67赫兹和1赫兹，和相应的平均角速度肘60S 1和90S - 1，分别。在手的位置，三个不同的负载（0公斤，1公斤和2公斤）在这两个频率测试。每个主题完成这些32试验两次，分两块，并且每个审判持续了30秒。试验的第一个块组成的训练集，和试验第二块组成的测试集。至少有1分钟的休息之间的试验，以减少疲劳的影响。肘关节的角位移是由一个灵活的手腕姿势捕捉连接到支撑架。一个远程EMG系统T 10-50

11、0赫兹的带宽每通道是用来捕捉和放大的表面肌电信号从三个选定的肌肉：肱二头肌，肱三头肌和桡肌内侧，这是肌肉群的主要贡献的运动，肘关节屈伸肘。表面肌电信号是银/氯化银电极捕获。*所有的银/氯化银电极被放置在一个双极性配置，2厘米的电极的中心之间的空间。的表面肌电电极的位置如克莱姆等人建议的一样（1998）。表面肌电信号和角度信号的同时记录在1000赫兹的采样率和存储，使用一个16通道AD转换器。2.2数据处理角信号使用3赫兹的截止频率阶Butterworth数字滤波器滤波，低通，和表面肌电信号进行使用与5-500赫兹带宽相同的数字滤波器的带通滤波，然后全波整流和低通带截止频率3 Hz过滤。从角度的

12、第一导数计算的角速度，角加速度和角的二阶导数。角加速度来计算预期的扭矩。MATLAB的信号处理工具箱进行数据处理。所有的数据进行数字采样在100 Hz之前输入的人工神经网络模型。为了避免零或非常大的值，所有的输入和输出扩展到0.1使用线性度的方法。表1显示了正常化的参考标准（禄等人，1999）。表1 规范化标准的输入和输出（运动训练前屈曲为阳性，和运动的推广为负）。MIVF =最大等长伸；智能虚拟环境=最大等长伸。当肘关节在90MIVF并进行智能虚拟环境2.3逆动态模型以下的非线性微分方程描述的关节运动和载荷与支撑架： (1)其中是关节角度，B是该组织的粘性系数，它被假定为零，在本文中，我是主

13、体的前臂的旋转惯性，支撑架和负载。对前臂运动的1自由度，与支撑架和负载以肘为轴转动惯量的前臂可以假定为常数，和表2总结了基于特定主题的人体测量参数，每个主体的转动惯量（温特，1990）。然后，预期肘扭矩自愿水平运动过程中可以从这个逆动力学模型计算了乘法运算的角加速度和转动惯量（Gregor等人，1991；Riener和斯特劳布，1997）。预期没有外力从系统中，并沿该轴可以自由地进行肘运动。2.4人工神经网络模型的肌电图和运动的输入表2 在不同载荷下的人体参数和前臂段的转动惯量系数（RI）一个三层的人工神经网络模型选择地图输入肌电信号与预期的扭矩（见图2）。标准化的肌电幅度的肱二头肌，肱三头肌

14、，肱桡肌，角，角速度，连同一个递归反馈转矩，形成六个输入节点。输出节点是正常的关节力矩的复杂肘。选择的隐藏单元的数量标准第2.6节中描述的斧头。输入和输出节点的激活函数是线性的，和隐藏节点的激活函数的切向乙状结肠，如（2）和（3）所示。 (2) (3)在Neti是神经元网络的输入，将每个输入信号通过相应的连接权重和变量的偏差项的总和。初始连接权值是随机值。错误可能是由反向传播训练方法的改进。在反向传播训练方法在众多的变化，采用maxquardt算法被选定为中型神经网络最快的收敛到几百个神经元（库尔比斯等人，2003）。采用maxquardt算法可以由以下方程描述： (4)是一个向量的权重和偏见

15、，J是包含的网络误差对权值和阀值的第一衍生物的雅可比矩阵，E是网络错误矢量，I是单位矩阵，和是一个规模。的默认设置为0.01之前的训练。MATLAB神经网络工具箱的TT是用来训练和测试的所有数据。误差平方和（SSE）和根均方误差（RMSE）被用来反映其中T是预测的基础上的反馈人工神经网络模型转矩模型的性能，T1是预期的转矩的逆动力学模型的推导，n是样本数。从不同的频率数据（0.67赫兹，1赫兹）和不同的负载（0公斤，1公斤，2公斤）在每个主题的反馈人工神经网络模型进行训练，然后每一主体的人工神经网络模型与试验数据分别进行试验。 (5) (6)2.5 只有肌电输入的人工神经网络模型除了2.4节中

16、描述的反馈人工神经网络模型，另一个三层的经常性的网络只有三肌电图（肌电图输入正常的肱二头肌，肱三头肌，肱桡肌）和复发性反馈的建立是为了比较模型的性能与不运动的投入。该模型的其他部分被作为第2.4节中的模型相同，和模型使用相同的训练数据和测试数据。学生的配对t检验被用来比较这两个模型的均方根误差统计。显著性水平为0.05的所有统计检验。2.6网络结构和迭代次数隐藏节点的数目进行了研究，以达到最佳性能。图4显示了RMSEs的训练数据和测试数据集，通过改变隐层节点数和初始连接权重从主体C.数据获得的数。为每个模型的隐层节点数相同，这是十次训练与不同的随机的初始条件。从不同的初始条件下的平均RMSE为

17、图4所示。图4 网络网络的复杂性和误差之间的关系。（）测试所得平均RMSE，”（）训练所得平均RMSE图5 网络迭代训练次数均方根误差之间的关系；（）由测试计算，”（）由训练计算在训练数据，平均RMSE为隐层节点数的增加而减小。当模型的测试数据进行评估，在初始阶段，平均RMSE下降，当隐层节点数的进一步增加，平均RMSE为增加了更多的隐藏节点的增加，和均方根波动明显。对试验数据的最小RMSE位于隐层节点数从五变化到十。隐层节点数的选择是七在所有的科目。训练迭代的数量也是影响结果的因素。图5显示了迭代次数和训练和测试数据的均方根误差之间的关系。许多研究人员使用一个固定的迭代次数（罗森等人，199

18、9；刘等人，1999；小池和川户，1995）的培训，和他们的停止准则可能导致系统停留在一个局部最小值和可能的鲁棒性与太多的迭代次数减少。如图5所示，虽然训练的均方根误差与迭代次数的增加而降低，试验的误差将增加。为了避免这种情况，培训应该是如果在错误没有多大的起色停止。在本文中，每个盐沼模型的停止准则，坚持训练到预期的转矩和转矩之间的所预测的小于0.5%的50次迭代变化。图6 实验数据记录在审单主题进行屈伸肘关节，1千克加载的指导下，节拍器频率为1Hz。的正常化肌电图幅度BIC：肱二头肌;三：肱三头肌; BRD：实验中肱扭矩=预期扭矩第三章 结果标准化的输入数据，在图6中示出一个典型的实验试斧记

19、录。这个主题有一个1公斤的负载和指导的节拍器在本试验的1赫兹的频率。处理，标准化的肌电信号的二头肌似乎显示较小的调制与肌和肱桡肌相比。有两个原因可以解释这一事实。首先，最大弯曲力矩往往大于最大伸展力矩肘关节，因此，正常化后，二头肌肌电图的振幅是小于的三头肌如果他们代表了同样数量的扭矩。其次，有可能产生肘关节屈肘扭矩在几个肌肉。图中显示，肱桡肌也分享这场运动中的弯曲力矩部分。图7 比较预测的关节力矩和预期的扭矩的试验结果与模型的肌电图和运动的投入。（）从反馈人工神经网络模型预测结果； ）从逆动力学模型计算预期的扭矩。引导声音的频率是（a）-（c）0.67 Hz和（d）-（f）为1 Hz。没有加载

20、数据显示在（a），（d）；（b），（e）表示1公斤的负载数据；c，（f）表示2斤的负载数据3.1 肌电信号和运动输入模型三肌肉的表面肌电信号，结合运动信息，被用来预测肘扭矩时，自愿肘关节屈伸肘进行。图7a-c显示一个典型的预测从一个主题不同的负载转矩，当导音是0.67赫兹的频率。图7d-f显示预测从主体在更高的频率不同的负载转矩。引导声音的频率是1赫兹。表3 绝对误差和相对误差预测与瑞恩的所有科目的肌电图和运动的输入。扭矩范围=最大屈曲扭矩最大伸展力矩；相对误差= RMSE /扭矩范围表3 总结结果，其中包括RMSE，预测的转矩和相对误差的期望值和预测值之间的范围。相对误差除以RMSE由扭矩计

21、算的范围，通过评估和范围的最大值和最小值的预测从每个主题的转矩之间的差异计算。从表3中，预期的扭矩和预测，在训练数据和测试数据中的肌电图和关节运动学模型输入扭矩为0.170.03nm和.0350.06nm之间的RMSE。在训练数据的平均相对误差为2.840.50%，在测试数据中是5.961.54%。3.2只有肌电输入模型表4 绝对误差和肌电图输入只有在所有科目的人工神经网络预测的相对误差。扭矩范围=最大屈曲扭矩最大伸展力矩相对误差= 误差/扭矩范围表4显示的均方根误差，预测的扭矩范围，和肘关节力矩的期望值和预测仅与肌电模型输入值之间的相对误差。均方根误差值预测预期的扭矩和训练数据中的扭矩和测试

22、集0.570.07 nm和0.730.11 nm之间，分别，并在训练数据的平均相对误差为9.721.72%，和，在测试数据，这是12.422.01%。图8 比较预测的关节力矩和实际从只有肌电输入模型试验结果转矩。（）从人工神经网络模型结果预测，”（ ）从逆动力学模型计算预期的扭矩。引导声音的频率是（a）-（C）0.67赫兹和（d）-（f）1赫兹。没有加载的数据显示在（a），（d）；（b），（e）表明，1公斤的负载数据，”（c），（f）表明，2公斤的负载数据图8的a-c示出一个典型的预测来自被摄体的（被引导声音的频率为0.67赫兹）在低速条件下的不同负载转矩与。图8的d-f从这个问题在较高的频率

23、不同的负载（引导声音的频率为1赫兹）中显示了预测的扭矩。所有六个科目，模型输出与肌电图和运动投入了比仅使用肌电信号作为输入，获得更高的精度。均方根误差值的训练数据和测试数据的人工神经网络模型只有肌电输入统计损害大于的人工神经网络模型与肌电图和运动的输入（P0.01）。第四章 分析与结论在这项研究中，建立了一个预测在水平面内的自愿肘关节运动中肘扭矩是一个经常性的人工神经网络逆动态模型。随意运动的不同负载和不同速度的基础上进行人工神经网络模型分析。在建模阶段，神经网络的结构是一个非常重要的问题，影响了预测精度和模型的鲁棒性（布朗和哈里斯，1994；童，1997）。神经网络的复杂性取决于隐藏节点的数

24、目。隐藏节点的最优数量不仅取决于神经网络模型的结构也取决于输入和输出。结果，如图4所示，与当网络已足够复杂时足够数量的隐藏节点取得了优异的泛化的说法是一致的（通，1997；广濑等人，1991）。如果模型的复杂性是不够的问题，不足会发生（隐层节点数小于五，图4）。增加隐节点的个数可以提高模型的性能。如果模型是复杂的映射，训练误差仍然下降，但试验误差的增加。网络可以与噪声。一个较大的测量误差会产生测试数据，因为过度拟合。为了使网络更广义的，它是选择在实验中隐藏节点的适当数量以避免的过拟合非常重要。同时，迭代次数是另一个问题，要考虑达到最佳的结果。培训过程中要停止训练误差没有表现出任何明显的改善。训

25、练过程是在训练误差没有表现出任何显着改善停止。停止准则是一致的，在文献中找到（Au和Kirsch ，2000；黄志强等人，1998）。如果我们的研究结果与以往相比，类似的研究，禄等人。建立了一个三层，完全连接，前馈人工神经网络模型在单关节运动性能的等速肘关节力矩预测从肌电信号（禄等人，1999）。所有受试者的平均RMSE分别为1.67 nm和8.27 nm的试验中学习。禄等人。在恒定的角速度的肌电力矩关系的研究。在他们的实验装置，受试者没有完全自愿的控制，和外力矩是需要保持在一个恒定的速度移动，肘部。该模型只调查了肱二头肌、肱三头肌，和肱桡肌肘关节力矩的贡献被忽视，这可能是错误的一个来源。奥和

26、基尔希使用延迟神经网络预测肩肘关节运动学在人的脊髓损伤个人使用肌电信号（奥和基尔希2000）。平均相对误差为9.2-20.2正常人和10.7-23.4的脊髓受伤的科目。在我们的研究中，平均相对误差为2.84_+在训练数据中的0.50和5.96_+1.54，在测试数据中，添加作为输入，如果关节角度和角速度的弯头。自愿的动态运动，其中包括一个加速和减速阶段，关节力矩不能通过扭矩传感器直接测量。只有在等长收缩试验或在恒定的速度，可以在关节扭矩的扭矩传感器直接测量。因此，逆动力学模型应用于计算在本研究的输出扭矩。在逆动态模型，有两个参数会影响输出转矩角加速度和转动惯量。转动惯量会随荷载的变化（表2）。

27、在我们的研究中，对不同载荷和不同频率的试验是在一个人工神经网络模型训练。然后，训练有素的反馈人工神经网络模型可以适应不同的载荷。在反馈人工神经网络模型的输入，该负载信息不包括在内，只有进行肌电图与运动学。结果可以证明的反馈神经网络可以回应不同载荷和频率的能力。基于肌电和运动输入的反馈人工神经网络模型是一个受特定的模式，也有它的局限性。有十多块肌肉过肘关节，使手臂冗余机械手。本文的主要贡献，使三块肌肉的肌电信号被认为是。更多的肌肉，如臂，可以在进一步的研究中被使用的细金属丝电极提高了反馈人工神经网络模型的性能研究。开发一个健壮的反馈人工神经网络模型来模拟神经肌肉骨骼功能，不仅要的反馈人工神经网络

28、模型的结构被认为是，但足够的训练数据是必要的覆盖不同的情况。致谢 - 作者想在香港理工大学研究委员会的支持表示感谢。该项目是由香港理工大学G-T598和研究资助局，香港理工大学5320/03E。参考文献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

29、HARRIS, C. (1994): Neurofuzzy adaptive modelling and control (Prentice Hall, 1994)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

30、-558CRAM, J. R., KASMAN, G. S., and HOLTZ, J. (1998): Introduction 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

31、-arm movements, Med. Biol. Eng. Comput., 41, pp. 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

32、. V., BROWNING, R. C., and JARVlNEN, M. (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, Hydrobiologia, 504, pp. 133 141HILL, A. V. (1938): The heat of shorteni