在过去20年里，中国脑卒中(cerebral vascular accident, CVA)患病人口显著增加，目前已经高居世界首位[1],医学研究表明，重复运动可激活肢体障碍患者的神经通路，下肢康复机器人(lower limb rehabilitation robot, LLRR)是帮助下肢功能障碍患者重返社会最基本、最有效的手段[2]。

用于LLRR的传感器有生物信号传感器和物理信号传感器两类[3],控制方式可分为力控制、阻抗控制、生物信号控制和自适应控制[4];训练关节包括髋关节、膝关节和踝关节，LLRR可实现对下肢关节的等速训练和等张训练[5]。早期的LLRR大多采用物理信号获取信息，功能单一且缺乏人机交互，常见的物理信号有力信号和角度信号，例如陈隆飞等人设计的下肢康复系统便是通过对关节角度与拉压力的分析实现控制系统的平稳控制[6];近些年来基于生物信号控制的LLRR因其可以实现对患者运动意图的超前判断而得到广泛关注，常见的有脑电、眼电和表面肌电信号，但由于生物电信号的极端非线性，即使是相对成熟的基于表面肌电信号的人机交互控制也不能提供人与机器人之间完全安全的协作能力[7];最近几年对LLRR的研究越来越倾向于沉浸式，交互式控制，注重患者的参与度，如一些大型的外骨骼LLRR已经配备了可以增强人机交互的操控屏[8],在LLRR中加入功能性电刺激的研究也取得了显著的成果[9];近两年受新冠肺炎疫情影响，利用LLRR辅助脑卒中患者远程康复，在临床应用中越来越重要[10]。

鉴于国内外LLRR的研究现状，本文研究设计了一种结合力位控制的多模式下肢康复系统，该系统通过分布式足底和鞋底压力及关节角度作为信号输入，提出了一种下肢动作快速分类的方法，系统设计有人机交互终端[11,12],可以为膝关节和踝关节提供包括被动训练和主动训练在内的丰富训练模式；搭载的远程信息交互平台和康复评估客户端，满足当下LLRR发展的新需求[13]。

1、系统组成

1.1 机械平台

系统采用末端牵引式下肢康复器作为机械平台，设备主体如图1所示。在大腿部支撑杆和小腿部支撑杆之间的关节活动位置安装有膝关节角度传感器，在小腿部支撑杆末端和足部踏板之间的关节活动位置安装有踝关节角度传感器。足部踏板上安装有训练靴，训练靴与足部踏板之间通过鞋底拉压力传感器连接，训练靴的鞋垫下安装有足底压力传感器。

图1下肢康复系统机械平台  

1.2 硬件平台

硬件系统由最小控制系统模组、多元传感模组、运动控制模组、人机交互模组、远程互联模组5部分构成，组成下肢康复控制系统的硬件电路。最小控制系统选取STM32作为主控芯片。多元传感模组集成了关节角度、足底压力和鞋底压力采集电路。运动控制模组包含24 V电源开关，步进电机及驱动器，增量式编码器。人机交互模组由4.3 in(1 in=2.54 cm)TFT电容触摸彩屏和FLASH存储芯片组成。远程互联模组由串口通信模块和WiFi模组芯片组成。以上硬件设备构建的系统整体设计框图如图2所示。

图2下肢康复系统硬件通信链路  

2、软件设计

STM32作为一种先进高性能微处理器，可以搭载常见的实时操作系统(real-time operating system, RTOS)和图形用户界面(graphical user interface, GUI)[14,15,16],系统采用FreeRTOS作为控制系统，搭载LittleVGL交互界面，DSP库辅助信号处理。FreeRTOS属于开源免费的轻量级操作系统，LittleVGL属于小型轻量级嵌入式人机界面(human machine interface, HMI),数字信号处理(digital signal processing, DSP)库可实现MCU的复杂数学运算，配合STM32芯片内部的浮点运算单元(float point unit, FPU),可以非常方便地实现信号处理。

2.1 中断与任务处理

下肢康复系统的运行可分为任务和中断两大部分，中断与任务处理分为系统不可管理中断、系统可管理中断，系统任务3个部分。系统不可管理中断不能被RTOS系统所屏蔽，主要用于系统运行非常重要的中断事件；系统可管理中断可以在康复系统运行过程中被RTOS系统所屏蔽，主要用于存放实时性要求较高的控制事件及数据传输事件；系统任务由RTOS系统提供，可被RTOS系统管理，主要用于实现运动控制，同时在运动控制结束后可以对任务进行挂起或删除。

2.2 数据通信链路

下肢康复系统的数据通信链路是保障康复系统能够稳定、正确和高效运行的前提。

数据通信链路可划分为5部分，以控制系统为核心，包含康复评估客户端、人工智能物联网(AIOT)远程互联、DSP运动控制、直接内存访问(direct memory access, DMA)多元感知和通用同步异步收发器(universal synchronous asynchronous receiver transmitter, USART)调试模组。

康复评估客户端使用LabVIEW2020软件进行设计开发，实现客户端与下肢康复系统之间的数据通信，康复评估用户界面(user interface, UI)如图3所示。

图3下肢康复评估客户端主界面  

使用USB转RS232串口线建立通信连接。评估内容包含4个部分，分别为关节角度评估、腿部肌力评估、肌电评估和评估问答，可以帮助医师快速掌握患者腿部康复的相关生理信息，方便医师制定康复计划。AIOT远程互联采用MQTT协议与阿里云服务器对接，包括Web前端UI和后端数据库，方便医师足不出户实现一对多的康复意见指导。DSP运动控制和DMA多元感知开启了DMA传输和FPU,节省了CPU占用，提高处理速度。USATR调试模组内嵌于系统软件中，系统故障时可通过USART指令进行设备硬件状态获取，方便系统的维护。

3、研究方法

力位混合下肢康复系统采用足底和鞋底力以及膝关节和踝关节角度作为信号输入，通过传感器采集的信号组合状态来判断患者的主动意图，由于传感器采集的信号中包含噪声干扰，需要对其进行处理。

3.1 角度信号处理

下肢康复系统选用型号为RV24YN20F的合成碳膜电位器作为关节角度传感器。使用SG(Savitzky-Golay)卷积平滑算法对角度信号进行平滑滤波，去除关节角度中的毛躁信号[17]。

SG卷积平滑算法是改进的移动平滑算法，思想基于最小二乘法。算法设计思路是在需要平滑滤波的一组采样数据中，指定合适宽度的滤波窗口，并选取适当阶数，拟合一个多项式，根据拟合多项式与实际采样点差值符合最小二乘准则求取多项式系数，进而获得平滑滤波的输出结果。假设角度采样的模拟值个数为N,则可得时域上的二维数据点坐标(xi,yi),其中，i∈[1,…,N]。选取窗口A大小为2H+1,则可以看成窗口A在采样点序列中移动，输出滤波数据。在任意时刻t的窗口内，取窗口内x的坐标序列[-H,-H+1,…,H-1,H],选取多项式阶数为P,构造拟合方程为

xk+r,在窗口大小和多项式阶数确定的情况下，分别令r=0,1,2,…,P,可求得系数向量[C0,C1,C2,…,CP-1,CP]T,进而求出平滑滤波的输出角度序列。

在进行控制系统设计时，对系统一个拉伸和屈曲膝关节和踝关节联动运动角度进行采集，采样深度为3 600个数据点，采样频率为10 Hz,选取SG算法的H=9,P=3,进行3阶SG平滑滤波，滤波前后的采样数据序列如图4所示，图中黑实线为滤波后的信号。分析可以看出，经过SG滤波后的角度信号可以很好地去除毛躁。

图4关节角度滤波前后信号  

3.2 压力信号处理

医学上评估足底力的参数有最大力、最大压力、平均压力等，足底地面反作用力的分布情况和人体健康情况密切相关[18]。研究表明，人在步态行走时，受力点主要集中在足底中侧的第1跖骨头，足底外侧的第4和第5跖骨头，以及足跟部位，其中第2到第5跖骨头处作用力占体质量1/4左右，前脚掌作用力占体重1/3左右，足跟处地面作用力占体重2/3左右[19,20,21],足部力的传递如图5所示。

图5足部力传递机制  

足底和鞋底压力采集，配合关节角度可完成下肢的主动训练，为提高足部压力检测的准确度，系统选择双通道足底和双通道鞋底压力检测，双通道鞋底压力检测采用L型二维力传感器，分别安放于施力比较明显的鞋底前脚掌和鞋跟处，双通道足底压力检测采用柔性力传感器，分别安放在足底第2跖骨头和足跟位置。

为消除信号中峰值附近毛躁信号造成的控制干扰，采用快速中值—均值滤波算法对噪声进行抑制，获取一段时间内的压力采样序列x=[a1,a2,…,a2n,a2n+1],设置滤波阶数为2n+1,输出y(k)为x(k-n),x(k-n+1),…,x(k),…,x(k+n-1),x(k+n)序列的中值，若上述序列中某些元素不在采样序列内，对其进行补零操作，依次求取输出y(k)的值，即为滤波后的输出值。在进行压力采集时，选用滤波器阶数为10,对压力采集数据进行滤波处理。以采集主动训练过程中足底压力的足跟处压力信号进行说明，采样深度为3 000采样点，采样频率为50 Hz,滤波前后的足底信号如图6所示，图中黑实线为滤波后的信号。可以看出，滤波后可以很好地去除峰值附近的毛刺信号。

图6足底压力滤波前后信号  

3.3 力位控制模型

人体腿部膝关节运动可以划分为屈膝和伸膝，踝关节运动可以划分为背屈、跖屈、内收、外展4个动作[22,23,24]。力位控制模型将腿部动作划分为：屈膝、伸膝、背屈、跖屈、不动作5种动作类型，通过鞋底和足底的双通道压力传感器进行动作判断，训练分为5个训练等级，不同训练等级具有不同的压力阈值，4路压力需要满足相应的阈值关系，才能输出正确的关节预判，以“>”表示大于预设阈值，“0”表示不受压力作用，以鞋底压力用作等级阈值，足底压力用作动作识别，关节角度作为运动位置参考，进行表1所示的动作分类。

表1力位混合动作分类

4、实验分析

4.1 系统测试

根据图7所示的系统运行流程可以看出，系统程序划分为3类，1)用于运动控制训练，通过手持触控终端实现训练模式和训练参数设置；2)用于远程交互和客户端康复评估，通过远程Web前端和电脑客户端进行管理和控制；3)系统设置，提供设备交互界面主题设置和设备音量调节等功能，升级用户体验。

图7系统运行流程 

出于控制便捷性，所设计的控制系统GUI将运动控制模式、远程交互、客户端康复评估以独立的App来进行实现，系统GUI主界面如图8(a)所示。主界面提供6个App,前3个App用于康复训练；被动训练下分为膝关节训练、踝关节训练、联动训练3种训练模式；主动训练下分为膝关节主动训练、踝关节主动训练2种模式，主动训练采用等速训练；以上训练功能为康复患者提供了多种训练模式。第4个App用于连接远程服务器，实现康复数据上传与医师的远程康复指导。第5个App用于医师通过电脑客户端对病人进行现场康复评估和运动控制命令下发。第6个App用于修改系统设置，提供给患者更为舒适的康复体验。

图8康复系统GUI界面  

以被动训练下的膝关节被动训练模式进行说明，系统进入训练模式主界面如图8(b)所示。系统进入主界面后会自动复位关节角度到当前训练模式下的初始位置，训练主界面有伸展角度、屈曲角度、训练时间、训练速度4个参数可以进行设置，通过点击对应参数下的上下箭头，可以修改相应的训练角度范围、训练时间以及训练速度，参数设置完成后，点击界面右下角的开始训练，系统界面将被锁定，语音播报开始训练提示音，开始训练图标显示为“结束训练”图标，训练过程中仅有结束训练按钮可控制，用户可通过点击“结束训练”按钮，终止当前训练，系统在训练时间结束后会自动结束训练，手动触发终止训练或者自动结束训练时都有相关的语音提示，同时解锁系统参数修改界面控制按钮，用户可以手动点击界面左下角“手动复位”按钮，复位设备到运动初始位置，如果需要切换到其他训练模式，点击屏幕左上角的返回按钮，选择其他功能模式进行训练即可。

4.2 模型测试

设备训练靴的尺码为45码，压力传感器的位置以40码标准进行安放，实验中选择4名健康受试者，受试者鞋子尺码范围在38～43码之间，且近3天未进行过剧烈运动，受试者依次进行屈膝、伸膝、背屈、跖屈动作，每个环节设备区分出动作后，进行动作时间不少于3 s,各环节动作切换时间间隔不少于5 s,每个动作重复5次，进行2轮动作实验，按此方法可获得4名受试者的10次动作，对动作预判的准确度进行计算，如表2所示。

表2力位混合模型动作识别准确度

可以看出，屈膝、伸膝、跖屈、背屈4个动作的识别准确度分别为0.975,0.925,0.875和0.925,综合准确度为0.925。

4.3 结果讨论

从模型测试的结果可以看出，4个动作中，屈膝的识别率最高达到了97.5 %,膝关节动作识别率要高于踝关节动作识别率，分析其原因，应该是在进行膝关节训练过程中，膝关节的2个动作类别划分，主要依靠鞋底力的测量，而且屈膝和伸膝2个动作，足底力的2个测量通道的信息区分比较明显，因此可以获得较高的识别率。4组动作识别中，踝关节跖屈动作识别率最低，仅有87.5 %,分析原因应该在于，考虑到测试人员足底大小的差异性，2#和4#测试人员的足部上脚面施力位置与足底传感器安放位置存在偏差，使得传感器不能很好地测量足部施力情况，增大了动作识别误差。设计的力位控制模型的综合识别效果为92.5 %,可以很好地识别鞋子尺码在38～43码之间的患者的康复动作，且方便在中小型LLRR上布施。

5、结束语

本文研究设计了一种可以提供多种训练模式的下肢康复系统，提出了一种容易在LLRR上布施的力位混合控制方法，将下肢动作进行了4种划分，获得了92.5 %的动作识别精度，系统采用人机交互界面进行控制输入，增强了人机交互，设计的物联网云平台与康复评估客户端符合当下的发展需求，为LLRR的运动控制提供了一种设计思路，对LLRR的远程康复和定量评估具有一定的参考意义。

参考文献:

[2]薛强,周金满,杨硕.应用于下肢功能障碍者的康复机器人:综述[J].制造业自动化,2022,44(7):50-55.

[3]鲁守银,袁鲁浩.康复机器人的人机交互控制技术研究进展[J].山东建筑大学学报,2021,36(5):91-102.

[6]陈隆飞,方娟,张秋菊,等.基于极点配置算法的下肢康复机器人控制系统设计[J].传感器与微系统,2020,39(1):63-67.

[8]许彧青.助行康复机器人人机交互设计研究综述[J].包装工程,2020,41(8):1-7.

[11]翟延忠,翟宝蓉,马强,等.基于STM32的人机交互终端的设计[J].仪表技术与传感器,2020(2):105-109.

[12]玄兆燕,洪健俊,赵欣.基于STM32的下肢康复机器人控制系统设计[J].机械工程与自动化,2020(6):145-147.

[13]王亚伟,薛建彬,任汉能.基于物联网的上肢远程康复指导系统的研究[J].机械与电子,2020,38(12):46-50.

[14]吴尧辉,冯冲,吴昊珍.基于μC/OS-Ⅲ和emWin的供电综合保护器设计[J].传感器与微系统,2021,40(12):101-104.

[15]隆玲,徐海贤,黄彬武.UCGUI在STM32F107上的移植[J].工业控制计算机,2015,28(8):133-136.

[16]杨亮亮,窦岩杰,张晖.基于FreeRTOS和emWin图形库的工业机械臂示教器软件设计[J].软件工程,2022,25(6):40-44.

[17]吕燕兵.基于SG算法和BP神经网络的角度传感器信号处理研究[J].机械与电子,2020,38(2):30-40.

[18]张素才,武壮,王勇.足底力分布测量系统的研究[J].合肥工业大学学报(自然科学版),2020,43(7):865-870.

基金资助:国家自然科学基金青年科学基金资助项目(62001196);江苏省重点研发计划资助项目(SBE2020648);常州市社会发展项目(CE20225045);

文章来源:孙玉彬,吴全玉,李科岐,等.结合力位控制的多模式下肢康复系统设计[J].传感器与微系统,2024,43(06):93-97.