1.1 研究目的及意义

进入二十一世纪以来，随着社会工业化的高速发展，人们生活变得更加便利的同时，也产生了很多不利因素。世界上每年由于交通事故、火灾等造成肢体创伤甚至残疾的人数逐年递增。人类借由身体器官、四肢感受外部信息，进行日常活动。如果肢体受到影响，肢体上的残疾给他们的日常活动带来不便。当今社会，残疾人士对于生活质量提升的要求也十分迫切，各种残疾病人辅助器具是帮助他们改善状况、补偿功能最直接有效的手段之一，因此研究易于使用的智能假肢、康复机器人来弥补残疾人丧失的肢体功能是一项造福社会和人类的事业，而智能假肢、康复机器人等事实上是一种人机接口。

HMI是Human Machine Interface 的缩写，“人机接口”，也叫人机界面。人机界面（又称用户界面或使用者界面）是系统和用户之间进行交互和信息交换的媒介， 它实现信息的内部形式与人类可以接受形式之间的转换。凡参与人机信息交流的领域都存在着人机界面，广泛应用与康复机器人的研究与开发。

常用于生物/机械人机接口的生理信号有：脑电信号（Electroencephalogram,EEG），外周神经源（Peripheral Nerve Source, PNS）和肌电信号（Electromyography），而肌电信号又分为表面肌电信号和侵入式肌电信号，表面肌电信号（surface Electromyography, sEMG）信号因其抗干扰性好易获取，且包含丰富的运动控制信息，在人机交互接口中得到了广泛的应用^[2]。

肌电控制人机接口为人和智能设备提供了信息交互的重要通道，在日常生活、工业协作控制和康复医疗等众多领域有着广泛的应用前景，特别是在运动辅助及康复训练方面，sEMG信号是一种重要的智能假肢和康复训练机器人系统的控制源。sEMG信号中包含的丰富信息能够反映肢体的运动意图和运动状态，为智能康复辅助设备提供多种不同模式的运动控制指令，与其它依靠按钮或者人工语音操控的辅助设备相比，肌电控制有着更好的控制本能性，患者使用起来更加灵活自然，也更能从心理上接纳。基于sEMG的人机交互，常用的方法有离散动作模式分类和连续运动估计。

离散动作分类是目前研究最多, 方法最成熟的研究，被广泛应用于康复机器人等医疗领域，但仍存在一些缺陷：1) 动作类型是事先定义的, sEMG受到干扰小, 极少考虑人执行任务时, 遇到的非理想情形, 如有未知动作类型出现、传感器出现损坏等;2) 对动作的描述过于简单, 没有统一标准, 比如伸掌动作, 不同测试者可能有不同习惯, 并且伸掌的力度也有区别, 而这些都会对算法性能评判产生影响; 3)多数结论仅通过短时实验获得, 未考虑长时运动过程中 (比如识别手指按键动作时, 连续敲键 1 小时)模型性能的变化。从而无法实现机器人关节像人体关节一样连续自如运动，而保证机器人运动与人体运动高度匹配是实现多类机器人系统安全控制的先决条件，如应用于助力／助老的外骨骼机器人、辅助肢体疾病患者康复训练的医疗康复机器人等，因此通过sEMG估计连续的人体关节运动量是当前理论与应用研究的关键点。

1.2 国内外研究现状

目前，连续运动估计主要包括关节力/力矩和关节角度的连续估计，常用的方法主要有两类。

(1)结合肌肉生理学建立以sEMG为输入的关节动力学模型，进而计算关节力矩／角加速度等量。该方法的优点是建立的模型能够解释运动的产生过程. 应用最多的肌肉力模型是Hill 模型 它是一种生理现象学模型, 其中含有多个无法直接量测的生理参数, 因此有效的参数辨识方法必不可少。但是存在的问题是：构建的模型结构复杂，含有许多无法直接量测的生理学参数，难以实际应用。

(2）直接建立关联 sEMG 和关节运动量的回归模型，其中人工神经网络方法应用最普遍，但是存在的问题是：神经网络的结构形式对预测结果影响很大，却没有规范方法定义合适的网络结构，并且网络参数确定过度依赖于训练数据，当测试数据和训练数据有差异时，易造成网络输出偏离真实值。该方法优点是建模过程直接,对 sEMG 的利用不受限. 其中神经网络应用最普遍, 但是神经网络的结构形式对预测结果影响很大, 却没有规范方法定义合适网络结构, 并且网络参数确定依赖于学习数据, 当测试数据和学习数据有差异时 (特别是由肌肉状态变化 (如疲劳) 引起的差异), 易造成网络输出较大偏离真实值. 与神经网络模型相比, 线性或多项式模型稳定性高, 但是模型对 sEMG 和关节运动量的非线性关系描述不充分, 其泛化能力需要进一步提高。随着人工神经网络理论的渐趋成熟，它所具有的学习能力、多输入并行处理能力、非线性逼近和容错能力以及自适应能力，使其在估计关节力矩时具备更高的可靠性、实时性与灵活性。因此，NARX等人工神经网络得以应用于智能假肢和康复机器人等领域的开发与应用。