肌肉协同约束的肌电和优化耦合的肌肉力计算模型制造技术

本发明专利技术涉及生物力学技术领域，且公开了肌肉协同约束的肌电和优化耦合的肌肉力计算模型，包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim。该用于肌肉协同约束的肌电和优化耦合的肌肉力计算模型，通过使用校准良好的肌电驱动模型，以合理的可靠性预测未测量的肌肉兴奋，有助于解决从表面电极无法触及的深层肌肉收集肌电信号的困难，这对于使用肌电驱动的肌肉骨骼模型预测肌肉力时有着重要的作用，当肌电图数据收集有限时，该方法有助于评估康复或手术治疗后的人体神经肌肉控制和生物力学。肉控制和生物力学。肉控制和生物力学。

【技术实现步骤摘要】
肌肉协同约束的肌电和优化耦合的肌肉力计算模型


[0001]本专利技术涉及生物力学
，具体为肌肉协同约束的肌电和优化耦合的肌肉力计算模型。

技术介绍

[0002]生物力学领域对于肌肉收缩力问题研究的主流方法是通过优化计算，基于优化方法的肌力模型一般假设人体在某项运动中肌力分配方式唯一，且肌肉间以最高效方式运行，例如，可通过优化“能量消耗最小”、“关节面压力最小”等目标函数实现肌肉力分布计算。
[0003]然而，关节肌群这种复杂的超静定结构在没有实验测量的肌电信号(EMG)或者已知肌肉贡献比例的前提下，其优化解并不唯一，并且在主动肌和拮抗肌共收缩作用的影响下其结果往往失准，Sartori等人提出使用基于EMG驱动的肌力分布模型来解决以上问题，但是精确地确定肌电
‑
肌力关系十分困难，主要原因有两个：一是很难精确得到单块肌电和肌力，二是很难确定肌电和肌力两种信号的时间差，Lloyd、李翰君提出肌电驱动和优化耦合的肌肉力分布计算模型，在EMG驱动的肌力模型基础上，将优化目标设为逆动力学计算得到的关节力矩与EMG正向动力学推导的关节力矩间误差。
[0004]针对部分肌群的肌电信号不能完全测量，一些研究者提出改进EMG和优化耦合模型，Sartori等人设计了EMG参与的优化模型，对于实验测得EMG信号的肌肉，其激活信号在优化过程中只进行微调，而未测量EMG信号的肌肉，其激活信号则完全通过静态优化过程获得。
[0005]但是，以上研究未对预测的肌肉激活模式的合理性进行验证，同时由于静态优化过程不考虑时间连续性，因此很可能得出与实际不符的、非连续的肌肉激活及肌力结果；针对这一问题，另外一部分学者通过引入肌肉协同概念，来辅助预测未能通过实验测量的肌肉激活模式，Bianco等人使用交叉验证的方法，利用8组已测肌肉信号预测了8组“未测”肌肉的激活状态，该方法的问题是在使用肌肉协同概念时，“未测”组肌肉在肌肉协同中权重系数均设为已知，这限制了该方法的应用范围。
[0006]本专利技术基于OpenSim肌骨模型，在考虑肌肉协同效应的基础上，将计算肌肉力的EMG驱动方法和优化方法结合，构建考虑肌肉协同约束下的EMG和优化耦合模型，以期得到较为准确的肌肉激活模式并计算得到相应的肌肉力。

技术实现思路

[0007](一)解决的技术问题
[0008]针对现有技术的不足，本专利技术提供了肌肉协同约束的肌电和优化耦合的肌肉力计算模型，具备校准良好的肌电驱动模型，以合理的可靠性预测未测量的肌肉兴奋等优点，解决了现有技术中未对预测的肌肉激活模式的合理性进行验证，同时由于静态优化过程不考虑时间连续性，因此很可能得出与实际不符的、非连续的肌肉激活及肌力结果的问题。
[0009](二)技术方案
[0010]为实现上述的目的，本专利技术提供如下技术方案：肌肉协同约束的肌电和优化耦合的肌肉力计算模型，包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim；
[0011]获取当前时刻实验者的运动数据和外力参数，并将其输入OpenSim中进行计算机仿真；
[0012]通过逆动力学算法，获取运动过程中的关节力矩参数，作为参考力矩评估肌肉协同约束的肌电和优化耦合的肌肉力计算模型的精度；
[0013]接着通过肌肉分析算法获得肌肉的运动学数据，运动学数据将作为EMG驱动模型中的输入参数；
[0014]所述输入参数以及实验室测量得到的EMG信号参数输入到EMG驱动模型，优化过程为每个肌肉肌腱致动器校准化参数；
[0015]然后通过肌肉协同分析推算未测的肌肉激活，将所有已知和未知肌肉激活数据带入EMG驱动的肌力分配模型中得到关节力矩；
[0016]接下来将通过与OpenSim中计算得到的净关节力矩对比优化以上参数，最终得到的肌肉激活情况，最后通过OpenSim计算得到的肌肉激活情况与实验室通过测量得到的肌电信号进行对比。
[0017]优选的，所述EMG驱动模型包括Surrogate肌肉几何模型和希尔肌肉肌腱模型。
[0018]优选的，所述输入参数包括肌肉肌腱长度和肌肉力矩臂。
[0019]优选的，所述优化过程目标函数为
[0020]优选的，所述净关节力矩优化函数为M＝r
·
F
oM
·
[a
·
f
l
(l
M
(t))
·
f
v
(v
M
(t))+f
p
(l
M
(t))]cos
ɑ
。
[0021]优选的，所述肌肉肌腱致动器校准化参数，包括肌电延迟、激活时间常数、激活非线性常数、EMG比例因子、最适纤维长度、肌腱松弛长度以及定义肌肉肌腱长度、速度和力矩臂。
[0022](三)有益效果
[0023]与现有技术相比，本专利技术提供了肌肉协同约束的肌电和优化耦合的肌肉力计算模型，具备以下有益效果：
[0024]1、通过使用校准良好的肌电驱动模型，以合理的可靠性预测未测量的肌肉兴奋，有助于解决从表面电极无法触及的深层肌肉收集肌电信号的困难，这对于使用肌电驱动的肌肉骨骼模型预测肌肉力时有着重要的作用。
[0025]2、当肌电图数据收集有限时，该方法有助于评估康复或手术治疗后的人体神经肌肉控制和生物力学。
附图说明
[0026]图1为本专利技术提出的肌肉协同约束的肌电和优化耦合的肌肉力计算模型的EMG驱动模型与静态优化耦合算法技术路线图；
[0027]图2为本专利技术提出的肌肉协同约束的肌电和优化耦合的肌肉力计算模型的屈肘至
90度过程肱二头肌原始肌电图。
[0028]图3为本专利技术提出的肌肉协同约束的肌电和优化耦合的肌肉力计算模型中肌肉激活对比图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]实施例1：
[0031]参照附图1
‑
2,肌肉协同约束的肌电和优化耦合的肌肉力计算模型，包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim；
[0032]EMG驱动模型包括Surrogate肌肉几何模型和希尔肌肉肌腱模型；
[0033]EMG驱动模型为现有技术；
[0034]获取当前时刻实验者的运动数据和外力参数，并将其输入OpenSim中进行计算机仿真；
[0035]通过逆动力学算法，获取运动过程中的关节力矩参数，作为参考力矩评估肌肉协同约束的肌电和优化耦合的肌肉力计算模型的精度；
[0036]接着通过肌肉分析算法获得肌肉的运动学数据，运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.肌肉协同约束的肌电和优化耦合的肌肉力计算模型，其特征在于：包括EMG驱动模型、动力学算法、肌肉分析算法、肌肉协同分析和OpenSim；获取当前时刻实验者的运动数据和外力参数，并将其输入OpenSim中进行计算机仿真；通过逆动力学算法，获取运动过程中的关节力矩参数，作为参考力矩评估肌肉协同约束的肌电和优化耦合的肌肉力计算模型的精度；接着通过肌肉分析算法获得肌肉的运动学数据，运动学数据将作为EMG驱动模型中的输入参数；所述输入参数以及实验室测量得到的EMG信号参数输入到EMG驱动模型，优化过程为每个肌肉肌腱致动器校准化参数；然后通过肌肉协同分析推算未测的肌肉激活，将所有已知和未知肌肉激活数据带入EMG驱动的肌力分配模型中得到关节力矩；接下来将通过与OpenSim中计算得到的净关节力矩对比优化以上参数，最终得到的肌肉激活情况，最后通过OpenSim计算得到的肌肉激活情况与实验室通过测...

【专利技术属性】
技术研发人员：刘程林，刘玉洁，陈雪，庞磊，霍波，
申请(专利权)人：首都体育学院，
类型：发明
国别省市：