提到“義肢”，你可能會想到給失去手臂或腿腳的人裝的假肢。
隨著科技的發展，“義肢”早已不斷進化，現在它有了新的名字——
仿生肢體。
從英文組詞的構成來解釋，仿生Bionic =生物Biology +電子Electronics，仿生肢體不是一個被動的假體，
它將生物學原理、感測器技術、人工智慧和驅動裝置技術應用到假肢上，成為會思考的、人體的一部分。
人們最理想的，當然是仿生肢體能變得和原來的身體一樣行動，而能讓殘障人士產生真實感受、並自如地控制仿生肢體的一項重要技術就是運動意圖識別與技術。
想知道目前仿生肢體研究中涉及到的運動意圖控識別發展情況嗎？
關於運動意圖識別
北京大學工學院機器人研究小組最近在Cyborg and Bionic Systems 期刊上發表了一篇論文，專門就仿生下肢中最先進的運動意圖識別技術進行了綜述，包括目前運動意圖識別的研究現狀、方法、進展、挑戰以及未來前景等。
人的運動涉及人、仿生肢體和環境之間的互動。運動意圖識別是透過處理來自殘肢的肌肉訊號與仿生肢體的感測訊號等，從而解碼人的運動情況的一種技術。
運動意圖識別是實現仿生肢體控制的基礎和前提。
對於仿生下肢來說，它需要模擬患者缺失關節的生物力學，而不同關節的運動學和動力學在不同的運動模式下差異很大，因此，要想自如地控制仿生肢體，首先要識別人類的運動意圖，
意圖識別主要包括：運動模式識別、步態事件檢測和連續的步態相位估計等
，接下來我們每個都展開說說。
運動模式識別
下肢仿生肢體穿戴者平時行走時，常見的運動模式有坐、站、平地行走（LG）、上樓梯（SA）、下樓梯 （SD）、上斜坡（RA）和下斜坡（RD）、轉身等。其中，平地行走（LG）、上樓梯（SA）、下樓梯 （SD）、上斜坡（RA）和下斜坡（RD）（如下圖所示）具有較明顯的週期或準週期特性。
為了識別幾種常見的運動模式，需要將從感測器收集到的資料集（帶有相應標籤的訓練資料）輸入到分類演算法中，構建分類器；當訊號輸入到分類器時，分類器將輸出識別結果。
概括起來雖然簡單，但在實際的研究中還是很複雜的：
1、首先，需要注意的是輸入的感測訊號
多種感測器已經被廣泛用於仿生下肢中，如殘肢的肌肉訊號，包括表面肌電圖（sEMG）感測器（電極貼在殘肢肌肉表面，記錄肌肉表面的電訊號）以及一種非接觸電容感測器（記錄殘肢肌肉等的形變訊號）。
除了殘肢的肌肉訊號外，仿生肢體還由不同型別的機械感測器整合：測角計、加速度計、陀螺儀、磁力計、慣性測量單位（IMU）、應變片等。機械感測器比肌電感測器更容易與仿生肢體整合；但它測量的是已經發生的運動資訊，與肌電訊號相比存在延遲。
另外，腦電圖（EEG）訊號也可以反映運動資訊，但它是一種非平穩訊號，在下肢運動意圖識別中存在解析度低這一不足。
2、接下來，是對感測器訊號的預處理
不同的感知感測訊號用來記錄下肢運動的不同功能和物理資訊。從感測器中獲得的原始訊號易被偽影和噪聲汙染，是不能直接使用的，因此需要訊號濾波器對原始感測訊號進行預處理，以消除噪聲，並提供更有效的資訊。
在上面說過的幾種感測器中，機械感測器的訊號比較穩健，它們的濾波過程很容易操作；相比之下，肌電訊號較弱，要放大的同時還要去除噪聲。
進行濾波後，各類感測訊號打包在一起形成資料流，再進行訊號的動態特徵提取，不同的訊號具有不同的特徵提取方法。
3、構建分類器，並輸出識別結果
將各種運動資料進行特徵提取後進行標記，即形成訓練資料集。運動模式識別分類演算法包括動態貝葉斯網路（DBN），線性判別分析（LDA），二次判別分析（QDA），高斯混合模型（GMM），支援向量機（SVM），人工神經網路和卷積神經網路（CNN）等。
步態事件檢測
我們平時走路的時候，可以很自然地轉換步態，比如從平地到上樓梯。但對於仿生下肢穿戴者來說，當仿生腿要轉換到新的運動模式時，需要提前識別出該新的運動模式，以便做出相應的響應。
一般來說，可以將一個步態週期分為幾個不同的步態階段，一個步態週期從腳跟著地開始，然後在下一個腳跟著地結束；步態階段通常分為站立階段和擺動階段。
怎樣區分從站立階段過渡到擺動階段了呢？
可以使用一種閾值決策方法來檢測，該方法直接基於輸出的感測器訊號，當訊號達到一定閾值時，就觸發了步態事件檢測。該方法的準確率較高，不到1μs即可識別擺動和站立階段。
連續步態估計
與步態事件檢測不同的是，連續步態相位可以被定義為一個單調遞增的函式，一個步態週期中從腳跟著地時的0% 到下一次腳跟著地時的 100%。
目前，在仿生下肢的連續步態階段估計中常用的有三種方法：
第一種方法是計算前幾個步態週期的平均持續時間作為分母，然後計算相對於每個步態週期的平均持續時間的時間百分比（即步態相位，從0到100%）。這種方法相對簡單，但由於平均持續時間與當前步態週期時間長度存在差異，精度會比較低。
第二種方法是設計或利用特定的演算法來估計連續步態相位，如自適應振盪器和擴充套件的卡爾曼濾波器。
它們有各自的優缺點：自適應振盪器可以獲得較高的估計精度、良好的自適應性，但會受到步態變化的影響，應用於非穩態運動時精度會下降。擴充套件的卡爾曼濾波器能夠快速適應步態間的步態變化，但其估計精度仍有待提高。
第三種方法是基於極角方法。
這種方法是透過建立人體腿部脛骨角的極角與步態相位的擬合函式，實現連續步態相位估計；或利用腿部極角位置及其相應的積分計算連續相位。
這種方法基於人體本身的獨特特徵，具有良好的適應能力、穩健性和平滑性，其不足是有時會對步態變化很敏感，易受到訊號漂移的影響。
未來還需努力
有人說，100 年內，身體殘障這一概念將不復存在。
這是人們對未來仿生肢體技術的美好願景，貼合人體的柔軟感測與意圖識別技術的結合，確實讓仿生肢體越來越智慧。
然而，目前的運動意圖識別技術還不能完全滿足控制仿生肢體的需求，大部分的識別研究都是在結構化環境中進行的，與在現實世界中的實際應用還有一定的距離。
此外，運動意圖識別的自適應性問題尚未得到很好的解決，自適應問題非常複雜，對從硬體到軟體（感測器、識別演算法、控制策略、假肢設計等）的要求都很高，這將需要更多的跨學科合作。
文章轉載自機器人大講堂
— END —
一週HOT影片推薦
MORE丨黑科技推薦
