基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的下肢關(guān)節(jié)角度估計(jì)

劉克平，滕召緯，孫中波，李婉婷

(長(zhǎng)春工業(yè)大學(xué)電氣與電子工程學(xué)院，吉林長(zhǎng)春 130012)

1 引言

中國(guó)殘疾人聯(lián)合會(huì)2020年發(fā)布統(tǒng)計(jì)數(shù)據(jù)表明，國(guó)內(nèi)已有4312個(gè)殘疾人肢體康復(fù)機(jī)構(gòu)，其中專業(yè)技術(shù)人員19.0萬(wàn)人，而我國(guó)腦卒中40歲以上患者人數(shù)已達(dá)1200萬(wàn)，通過(guò)該數(shù)據(jù)可以得出已有專業(yè)醫(yī)師人數(shù)遠(yuǎn)不足應(yīng)對(duì)現(xiàn)有患者日益增多的情況，進(jìn)而導(dǎo)致大部分患者失去及時(shí)治療的機(jī)會(huì)。為解決這一問(wèn)題，康復(fù)機(jī)器人和人機(jī)交互技術(shù)相繼問(wèn)世并受到了學(xué)者們廣泛關(guān)注，但其難點(diǎn)在于如何利用患者的真實(shí)運(yùn)動(dòng)意圖實(shí)現(xiàn)康復(fù)機(jī)器人的人機(jī)交互控制。針對(duì)上述問(wèn)題，一種基于肌電信號(hào)估計(jì)關(guān)節(jié)角度的識(shí)別技術(shù)隨之被提出。肌電信號(hào)(electromyography，EMG)是肌肉收縮過(guò)程產(chǎn)生的電信號(hào)，因其蘊(yùn)含人體運(yùn)動(dòng)的特征信息，通過(guò)進(jìn)一步的解讀即可識(shí)別人體運(yùn)動(dòng)意圖，從而可以開(kāi)展針對(duì)性的意圖康復(fù)訓(xùn)練。現(xiàn)如今意圖識(shí)別的主流趨勢(shì)為基于人體表面肌電信號(hào)(sEMG)的意圖識(shí)別，所識(shí)別結(jié)果的準(zhǔn)確性直接影響患肢實(shí)際的康復(fù)訓(xùn)練。

基于此，近年來(lái)國(guó)內(nèi)外學(xué)者提出多種方法實(shí)現(xiàn)sEMG的估計(jì)，如神經(jīng)肌肉骨骼模型、線性模型、支持向量機(jī)(SVM)方法和人工神經(jīng)網(wǎng)絡(luò)(ANN)。上述方法都是針對(duì)具體應(yīng)用場(chǎng)景進(jìn)行設(shè)計(jì)，實(shí)驗(yàn)結(jié)果表明能滿足設(shè)計(jì)時(shí)所提要求。K.K.K. Terry等人提出的神經(jīng)肌肉骨骼模型依賴大量生理參數(shù)，如肌肉質(zhì)量、肌肉纖維長(zhǎng)度、肌腱長(zhǎng)度等，針對(duì)上述參數(shù)進(jìn)行算法優(yōu)化，模型預(yù)測(cè)結(jié)果具有較高的準(zhǔn)確性。Y.Masahiro等人基于支持向量機(jī)和肌電信號(hào)與關(guān)節(jié)角之間的線性關(guān)系提出了一種連續(xù)的手部姿態(tài)估計(jì)方法，實(shí)驗(yàn)表明該方法對(duì)于運(yùn)動(dòng)分類具有較高的準(zhǔn)確率，并且可以較好地估計(jì)出實(shí)驗(yàn)對(duì)象的關(guān)節(jié)角。N.A.Shrirao等人通過(guò)采用局部逼近和延遲學(xué)習(xí)方法對(duì)手指關(guān)節(jié)角度進(jìn)行估計(jì)，實(shí)驗(yàn)表明該方法對(duì)假肢手的控制性能良好。李鋒等人提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)控制方法，即使在未知的外界干擾下，實(shí)現(xiàn)了下肢康復(fù)機(jī)器人的步態(tài)跟蹤。

基于此，為了進(jìn)一步提高下肢髖、膝、踝三關(guān)節(jié)角度的預(yù)測(cè)精度，本文提出一種基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的下肢關(guān)節(jié)角度預(yù)測(cè)模型。首先進(jìn)行信號(hào)采集與處理，采集人體下肢三關(guān)節(jié)的表面肌電信號(hào)，測(cè)量實(shí)際運(yùn)動(dòng)時(shí)的角度信息；利用濾波技術(shù)進(jìn)一步處理采樣數(shù)據(jù)得到模型輸入樣本。其次結(jié)合混合策略和反向誤差傳播算法進(jìn)行模型參數(shù)的自適應(yīng)調(diào)整，實(shí)現(xiàn)對(duì)下肢三關(guān)節(jié)角度的預(yù)測(cè)。最后通過(guò)Matlab進(jìn)行仿真，實(shí)驗(yàn)驗(yàn)證本文所提出的AFNN模型相比BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在意圖識(shí)別過(guò)程中具有更好的預(yù)測(cè)精度。

2 數(shù)據(jù)處理和方法提出

2.1 表面肌電信號(hào)信號(hào)采集

表面肌電信號(hào)能在一定程度上反映肌肉運(yùn)動(dòng)時(shí)的活動(dòng)狀態(tài)，通過(guò)對(duì)其進(jìn)行相應(yīng)的時(shí)、頻域分析可以得到時(shí)、頻域特征與相應(yīng)肌肉特征以及運(yùn)動(dòng)的相關(guān)性，得出人體運(yùn)動(dòng)時(shí)的肌肉功能狀態(tài)。通過(guò)實(shí)驗(yàn)獲取了人體下肢運(yùn)動(dòng)時(shí)股直肌(VR)、股外側(cè)肌(VL)、長(zhǎng)伸肌(EP)相應(yīng)的表面肌電信號(hào)，同時(shí)對(duì)髖、膝、踝三個(gè)關(guān)節(jié)角度進(jìn)行測(cè)量并記錄。為了提高所測(cè)量數(shù)據(jù)的準(zhǔn)確性，使用美國(guó)BIOPAC公司開(kāi)發(fā)的MP160肌電信號(hào)采集裝置獲取人體下肢運(yùn)動(dòng)時(shí)各肌肉對(duì)應(yīng)的肌電信息，并結(jié)合中國(guó)匯通公司生產(chǎn)的WT901C485角度傳感器采集下肢三關(guān)節(jié)角度數(shù)據(jù)。進(jìn)行數(shù)據(jù)采集時(shí)需要一名四肢健全的行走者進(jìn)行相應(yīng)的腿部屈伸運(yùn)動(dòng)，將此時(shí)所測(cè)量數(shù)據(jù)作為模型的預(yù)輸入數(shù)據(jù)，如圖1所示。

圖1 表面肌電信號(hào)的測(cè)量

信號(hào)采集過(guò)程中易受到外界環(huán)境的干擾，為了盡可能避免外部干擾，需要對(duì)被測(cè)量人員的皮膚表面進(jìn)行相應(yīng)的去毛發(fā)處理，涂抹適當(dāng)?shù)碾姌O凝膠，降低電極和皮膚之間的阻抗。sEMG采集過(guò)程中使用的氯化銀電極貼間距也會(huì)對(duì)所收集的數(shù)據(jù)產(chǎn)生干擾，所以在本實(shí)驗(yàn)中選取兩個(gè)相鄰電極貼之間距離為2厘米，測(cè)試結(jié)果分別如下圖2和圖3所示。

圖2 原始表面肌電信號(hào)

圖3 實(shí)際三關(guān)節(jié)角度

2.2 sEMG信號(hào)處理

sEMG是在肌肉收縮時(shí)產(chǎn)生的一種微弱的電信號(hào)，其本身具有較高的隨機(jī)性和不穩(wěn)定性，易受到外界環(huán)境的影響。比如，測(cè)試人員的皮膚、毛發(fā)、汗液等；還易被電力系統(tǒng)引起的工頻干擾所影響。除此之外電極貼片的位置過(guò)近也會(huì)對(duì)相鄰電極片所采集信號(hào)產(chǎn)生疊加干擾，基于此如何進(jìn)行噪聲濾除成為信號(hào)采集之后的首要任務(wù)。

表面肌電信號(hào)能量高于電子噪聲水平，頻率范圍介于0-500Hz，主要分布在50-150 Hz之間，肌電信號(hào)的最低頻率為20Hz，本文通過(guò)使用低截止頻率為20Hz、高截止頻率為500Hz的帶通濾波器濾除信號(hào)采集時(shí)的部分噪聲因素。此外我國(guó)工頻干擾頻率為50Hz，處于可用信號(hào)能量集中范圍內(nèi)，因此采用50Hz的陷波濾波器消除工頻干擾。

經(jīng)過(guò)上述濾波環(huán)節(jié)即可得到相應(yīng)噪聲濾除后的表面肌電信號(hào)，盡管如此，由于該信號(hào)的振幅隨機(jī)且波動(dòng)較大，依舊不能作為模型輸入端的可靠數(shù)據(jù)，因此需要進(jìn)行進(jìn)一步的濾波處理。針對(duì)該問(wèn)題，本文通過(guò)如下的全波整流技術(shù)可獲取更穩(wěn)定的信號(hào)數(shù)據(jù)。

sEMG()=|sEMG()|

(1)

其中sEMG()作為原始的表面肌電信號(hào)，sEMG()作為經(jīng)過(guò)全波整流之后的表面肌電信號(hào)。

通過(guò)對(duì)比實(shí)際關(guān)節(jié)角度信號(hào)的采樣率可知實(shí)驗(yàn)環(huán)節(jié)采集的表面肌電信號(hào)采樣率過(guò)大，因此本文對(duì)所得表面肌電信號(hào)進(jìn)行次級(jí)采樣。

(2)

其中為表面肌電信號(hào)的采樣次數(shù)，()為次級(jí)采樣后的表面肌電信號(hào)。經(jīng)過(guò)上述次級(jí)采樣之后，通過(guò)觀察所得線性包絡(luò)線可知表面肌電信號(hào)仍然具有較為嚴(yán)重的震蕩狀態(tài)，為解決這一問(wèn)題，本文采用截止頻率為5的一階低通巴特沃斯濾波器開(kāi)展進(jìn)一步的信號(hào)處理，進(jìn)而獲得較為平滑的表面肌電信號(hào)。

(3)

其中為濾波器階數(shù)，為截止頻率。基于上述信號(hào)處理的全過(guò)程，最終獲得的處理后的表面肌電信號(hào)如圖4所示。

圖4 預(yù)處理后的表面肌電信號(hào)

2.3 構(gòu)建自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型

231 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合模糊推理機(jī)制和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)思想，通過(guò)神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點(diǎn)實(shí)現(xiàn)系統(tǒng)的輸入、輸出信號(hào)的模糊，其隱含節(jié)點(diǎn)表示隸屬度函數(shù)和模糊規(guī)則，利用神經(jīng)網(wǎng)絡(luò)的并行處理能力大幅度提高了傳統(tǒng)模糊系統(tǒng)的推理性能。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示，分別為輸入層、隸屬度函數(shù)層、模糊規(guī)則層和輸出層，每一層都有若干個(gè)神經(jīng)元節(jié)點(diǎn)，相鄰節(jié)點(diǎn)之間通過(guò)具有一定的權(quán)重比進(jìn)行連接。

由于本文基于人體下肢表面肌電信號(hào)開(kāi)展患者運(yùn)動(dòng)意圖識(shí)別研究，因此該自適應(yīng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入端為信號(hào)處理環(huán)節(jié)得到的表面肌電信號(hào)。整個(gè)模型的輸入數(shù)據(jù)如下所示

=[，…，…，]=10000

(4)

其中為100內(nèi)所測(cè)量的、、肌肉的表面肌電信號(hào)。本文將角度傳感器測(cè)量的髖、膝、踝三個(gè)關(guān)節(jié)角度數(shù)據(jù)作為模型的期望輸出，用于對(duì)比自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的預(yù)測(cè)結(jié)果，進(jìn)一步驗(yàn)證該預(yù)測(cè)模型的可靠性，所測(cè)量實(shí)際三個(gè)關(guān)節(jié)角度值如下

=[，…，，…]=10000

(5)

其中為100所測(cè)量的實(shí)際三關(guān)節(jié)角度值，采樣頻率為100。

圖5 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖5中輸出層節(jié)點(diǎn)對(duì)應(yīng)模型的預(yù)測(cè)結(jié)果，隸屬度函數(shù)層節(jié)點(diǎn)(=1，2，…，，>0)表示輸入變量的第個(gè)隸屬度函數(shù)，模糊規(guī)則層節(jié)點(diǎn)，，…，對(duì)應(yīng)不同隸屬度函數(shù)的組合，將這些組合表示為條模糊規(guī)則。大多數(shù)模糊神經(jīng)網(wǎng)絡(luò)模型表示如下

(6)

(7)

(8)

因此，結(jié)合式(6)、(7)、(8)，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型具體可以表示為如下形式

(9)

其中1≤≤為隸屬度函數(shù)的維度，為輸入變量維度，為神經(jīng)網(wǎng)絡(luò)模糊規(guī)則層節(jié)點(diǎn)個(gè)數(shù)。

輸入層信號(hào)表示經(jīng)過(guò)信號(hào)處理之后的sEMG，因?yàn)檫x取高斯函數(shù)作為隸屬度函數(shù)結(jié)合中的隸屬度函數(shù)中心，中的參數(shù)和參數(shù)確定隸屬度函數(shù)的狀態(tài)，稱為前提參數(shù)。前提參數(shù)過(guò)大將促使變小，進(jìn)而造成隸屬度函數(shù)增大，最終導(dǎo)致預(yù)測(cè)結(jié)果大于實(shí)際測(cè)量值；反正，當(dāng)前提參數(shù)過(guò)小時(shí)，模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值將小于真實(shí)數(shù)據(jù)。因此，本文引入多次優(yōu)化前提參數(shù)、的思想，得到最佳參數(shù)和最優(yōu)預(yù)測(cè)精度下的系統(tǒng)模型。

模糊神經(jīng)網(wǎng)絡(luò)通常把模型中的隸屬度函數(shù)組合為模糊規(guī)則，T-S(Takagi-Sugeno)模糊系統(tǒng)是模糊推理和模糊規(guī)則構(gòu)成的一種具有較強(qiáng)自適應(yīng)能力的非線性模糊系統(tǒng)模型。其模糊規(guī)則表達(dá)式如下

：=1，=2，…，=，

=0+1+…

(10)

其中，為模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)的模糊集合；是該模糊系統(tǒng)的參數(shù)；表示通過(guò)模糊規(guī)則獲得的輸出結(jié)果。

232 自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其模型參數(shù)化表達(dá)式確定后，即可通過(guò)對(duì)其結(jié)構(gòu)中的各類參數(shù)開(kāi)展學(xué)習(xí)進(jìn)而得到最優(yōu)的預(yù)測(cè)效果。為了提高學(xué)習(xí)算法的實(shí)時(shí)性和可靠性，模糊神經(jīng)網(wǎng)絡(luò)采用混合策略，一方面通過(guò)反向傳播算法優(yōu)化前提參數(shù)，另一方面基于優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整規(guī)則參數(shù)。具體執(zhí)行過(guò)程如下：初始化前提參數(shù)，基于網(wǎng)絡(luò)結(jié)構(gòu)將輸入信號(hào)傳輸至模糊化層，通過(guò)模糊規(guī)則獲得預(yù)測(cè)結(jié)果，將該數(shù)據(jù)與真實(shí)值間的誤差反向?qū)崟r(shí)傳遞至輸入端，實(shí)現(xiàn)前提參數(shù)的優(yōu)化；利用優(yōu)化后的參數(shù)更新模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，得到與輸出結(jié)果較匹配的隸屬度函數(shù)和模糊規(guī)則，然后利用更新后的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步優(yōu)化規(guī)則參數(shù)，最終實(shí)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)全部參數(shù)的自適應(yīng)更新與優(yōu)化。

通過(guò)式6所示流程圖可知由系統(tǒng)模型確定隸屬度函數(shù)，進(jìn)而可以得出初始化后的訓(xùn)練規(guī)則，經(jīng)過(guò)部分?jǐn)?shù)據(jù)訓(xùn)練后可基于誤差反向傳播理論對(duì)初始規(guī)則中的前提參數(shù)進(jìn)行優(yōu)化，從而得到第一次優(yōu)化后的規(guī)則；進(jìn)而再開(kāi)展訓(xùn)練數(shù)據(jù)的測(cè)試，此時(shí)與真實(shí)數(shù)據(jù)仍存在誤差時(shí)，將誤差再次反饋到更新后的規(guī)則模塊，進(jìn)一步優(yōu)化前提參數(shù)從而得到更加匹配的規(guī)則。與傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)相比，本文提出的AFNN優(yōu)化算法不僅在訓(xùn)練過(guò)程中利用反向誤差傳播算法實(shí)現(xiàn)了前提參數(shù)的一次優(yōu)化，還基于一次優(yōu)化后的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了規(guī)則的再次優(yōu)化，最終獲得高精度且自適應(yīng)的AFNN優(yōu)化模型。

圖6 AFNN的流程圖

基于混合策略和學(xué)習(xí)算法的參數(shù)優(yōu)化方案可以得到預(yù)測(cè)效果最優(yōu)時(shí)的網(wǎng)絡(luò)結(jié)構(gòu)的規(guī)則參數(shù)，不僅優(yōu)化了傳統(tǒng)算法收斂至全局最優(yōu)解的計(jì)算速度，提高了算法預(yù)測(cè)精度，進(jìn)一步提升了算法運(yùn)行整個(gè)過(guò)程的魯棒性。

3 下肢關(guān)節(jié)運(yùn)動(dòng)意圖估計(jì)結(jié)果與分析

為了驗(yàn)證本文所提算法對(duì)于下肢三個(gè)關(guān)節(jié)角度具有較好的預(yù)測(cè)性能，采用MATLAB2016a仿真軟件，基于人體下肢表面肌電信號(hào)和髖、膝、踝三關(guān)節(jié)角度測(cè)量數(shù)據(jù)進(jìn)行自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(AFNN)算法的仿真，并通過(guò)對(duì)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型給出了在預(yù)測(cè)效果上的對(duì)比與分析。

圖7 基于AFNN、RBF、BP的髖關(guān)節(jié)角度與實(shí)際值對(duì)比

由圖7實(shí)驗(yàn)結(jié)果可知：本文提出的AFNN優(yōu)化算法獲得的髖關(guān)節(jié)角度預(yù)測(cè)曲線與真實(shí)測(cè)量數(shù)據(jù)偏差較小，盡管在一定的時(shí)間段內(nèi)存在峰值達(dá)不到的情況，但相比BP和RBF預(yù)測(cè)模型來(lái)說(shuō)對(duì)于實(shí)際值跟蹤效果良好，說(shuō)明本文所提出的自適應(yīng)參數(shù)優(yōu)化方法可以通過(guò)規(guī)則參數(shù)的更新優(yōu)化有效提高預(yù)測(cè)精度，特別是20-100s之間的曲線穩(wěn)定性最優(yōu)；而B(niǎo)P預(yù)測(cè)模型預(yù)測(cè)結(jié)果在20-100s之間波動(dòng)較大并且跟蹤效果較差，存在較大誤差；RBF預(yù)測(cè)模型預(yù)測(cè)結(jié)果同BP預(yù)測(cè)模型一樣跟蹤效果較差，整個(gè)預(yù)測(cè)過(guò)程中曲線抖動(dòng)現(xiàn)象明顯并且在20-90s內(nèi)會(huì)出現(xiàn)峰值過(guò)高的現(xiàn)象，整體表現(xiàn)不佳。通過(guò)對(duì)比可以看出本文所提優(yōu)化算法能夠有效提高預(yù)測(cè)精度，主要是因?yàn)橐M(jìn)了參數(shù)自適應(yīng)優(yōu)化機(jī)制，避免了參數(shù)的固定化，保證了跟蹤效果以及準(zhǔn)確性。

圖8 基于AFNN、RBF、BP的膝關(guān)節(jié)角度與實(shí)際值對(duì)比

根據(jù)圖8可以看出本文所提AFNN預(yù)測(cè)模型在100秒內(nèi)跟蹤膝關(guān)節(jié)過(guò)程中無(wú)明顯波動(dòng)，穩(wěn)定性良好；而B(niǎo)P和RBF預(yù)測(cè)模型的估計(jì)曲線在0-10s及60s-100s之間存在一定的誤差值，特別是在35s-45s之間RBF預(yù)測(cè)模型完全高于實(shí)際值而B(niǎo)P預(yù)測(cè)模型則低于實(shí)際值，存在較大峰值波動(dòng)；盡管AFNN預(yù)測(cè)模型存在一定范圍內(nèi)的波動(dòng)但是能夠在段時(shí)間內(nèi)迅速跟蹤上實(shí)際值。

圖9 基于AFNN、RBF、BP的踝關(guān)節(jié)角度與實(shí)際值對(duì)比

通過(guò)對(duì)圖9對(duì)比可以發(fā)現(xiàn)本文所提AFNN預(yù)測(cè)模型在100s內(nèi)所得踝關(guān)節(jié)角度預(yù)測(cè)曲線與真實(shí)測(cè)量曲線重合效果最佳，與之相比盡管BP和RBF預(yù)測(cè)模型能夠跟蹤上實(shí)際關(guān)節(jié)角度，但是相比曲線波動(dòng)性較大且跟蹤效果不理想；特別是在50s-55s之間可以看出只有AFNN預(yù)測(cè)模型能夠最大限度的跟蹤上實(shí)際值而B(niǎo)P、RBF存在著過(guò)早衰減或超出實(shí)際值的現(xiàn)象。

綜上所述可以得出本文所提AFNN預(yù)測(cè)模型在髖、膝、踝任一關(guān)節(jié)預(yù)測(cè)效果都優(yōu)于BP和RBF預(yù)測(cè)模型，特別是在踝關(guān)節(jié)預(yù)測(cè)中，效果最優(yōu)，驗(yàn)證了本文所提算法的有效性。其原因主要在于所提AFNN在標(biāo)準(zhǔn)模糊神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入基于混合策略和反向傳播算法的參數(shù)優(yōu)化機(jī)制，提高算法收斂速度的同時(shí)，進(jìn)一步改善了傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度不高的問(wèn)題，也保證了系統(tǒng)運(yùn)行時(shí)的穩(wěn)定，同時(shí)驗(yàn)證了本文所提出的自適應(yīng)算法能夠使神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度進(jìn)一步提高。

為了進(jìn)一步驗(yàn)證本文預(yù)測(cè)模型的有效性，選取均方根誤差為預(yù)測(cè)精度的指標(biāo)。參數(shù)均方根誤差公式見(jiàn)下式

(11)

人體腿部髖、膝、踝三個(gè)關(guān)節(jié)角度下三種算法的均方根誤差及預(yù)測(cè)精度提高率見(jiàn)表1。

表1 兩種算法的均方根誤差及提高率對(duì)比

由以上數(shù)據(jù)可知，相比傳統(tǒng)BP和RBF，AFNN的預(yù)測(cè)精度提高了53.37%～92.93%，BP在踝關(guān)節(jié)位置預(yù)測(cè)的誤差為9.8336，RBF在踝關(guān)節(jié)位置預(yù)測(cè)誤差為14.7294，而本文提出的AFNN模型則獲得1.0420的均方根預(yù)測(cè)誤差，說(shuō)明本文所提模型明顯改善了人體下肢關(guān)節(jié)角度預(yù)測(cè)精度不高的問(wèn)題。傳統(tǒng)BP算法仿真時(shí)間平均為24.0021s，RBF算法仿真時(shí)間平均為77.9s，本文所提算法用時(shí)為15.2021s，相比BP，本文算法的收斂速度提高了36.66%；相比RBF，本文算法收斂速度提高了80.49%。其原因在于AFNN通過(guò)自適應(yīng)調(diào)整參數(shù)即時(shí)更新神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型，提高了算法收斂至最優(yōu)值的速度，從而一定程度上降低了系統(tǒng)運(yùn)行的時(shí)間成本。綜上所述，本文提出的AFNN模型在大幅度提高預(yù)測(cè)精度的同時(shí)也減少了算法的運(yùn)算代價(jià)。

4 結(jié)論

本文針對(duì)下肢康復(fù)機(jī)器人意圖識(shí)別精度不足問(wèn)題，利用結(jié)構(gòu)參數(shù)自適應(yīng)調(diào)整機(jī)制改進(jìn)傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)模型，通過(guò)基于反向傳播和誤差調(diào)整的混合算法提高算法的預(yù)測(cè)性能。為了驗(yàn)證所提算法有效性，進(jìn)行與BP和RBF模型的對(duì)比實(shí)驗(yàn)，結(jié)果發(fā)現(xiàn)本文所提AFNN優(yōu)化算法預(yù)測(cè)精度提高了53.37%～92.93%，其收斂速度相比BP和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型提高了36.66%和80.49%，證明本文所提自適應(yīng)參數(shù)優(yōu)化模型結(jié)合神經(jīng)網(wǎng)絡(luò)對(duì)人體下肢髖、膝、踝三個(gè)關(guān)節(jié)角度的預(yù)測(cè)性能遠(yuǎn)高于傳統(tǒng)BP和RBF模型，尤其是在踝關(guān)節(jié)角度預(yù)測(cè)環(huán)節(jié)本文算法優(yōu)越性最為明顯。

綜上所述本文所提改進(jìn)模型能夠有效提高下肢康復(fù)機(jī)器人意圖識(shí)別預(yù)測(cè)精度，可為人體下肢關(guān)節(jié)角度預(yù)測(cè)提供了一種精準(zhǔn)識(shí)別方案，下一步將會(huì)結(jié)合實(shí)際下肢康復(fù)機(jī)器人系統(tǒng)進(jìn)行人機(jī)運(yùn)動(dòng)交互控制方法研究。