踝关节外骨骼可用来提高人的行走效率,辅助老年人、运动功能障碍患者等进行日常活动或康复训练,但外骨骼的助行模式会对穿戴者的下肢肌肉激活与协调模式产生影响。本文利用一款绳驱动踝关节外骨骼,设计了不同助力时机与助力大小组合的助行模式,采集了7名穿戴者在跑步机上以1.25 m/s速度水平行走时的下肢表面肌电信号,研究不同助行模式对穿戴者下肢肌肉激活与协调模式的影响。实验结果表明,比目鱼肌激活程度在踝关节外骨骼助力时有明显降低,在助力时机为步态周期49%、助力大小为0.7 N·m/kg时,最高可降低(38.5 ± 10.8)%。并且,相对于助力时机,助力大小对比目鱼肌激活程度影响更为显著。踝关节外骨骼不同模式助行时,所测量下肢肌肉可分解为5个基本协同模式,且合适的助力时机与助力大小条件下,下肢肌肉协调模式和正常行走相比改变较小。此外,比目鱼肌-胫骨前肌、股直肌-半腱肌的协同收缩度在外骨骼助力时比正常行走均有升高。本研究有助于理解健康穿戴者如何调整自身的神经肌肉控制机制来适应不同外骨骼助力,并为选择合适的助行模式以及合理利用外骨骼提高行走效率提供依据。
引用本文: 王伟, 丁建全, 汪毅, 刘艺程, 张娟娟, 刘景泰. 踝关节外骨骼助行模式对下肢肌肉激活与协调模式的影响. 生物医学工程学杂志, 2022, 39(1): 75-83. doi: 10.7507/1001-5515.202107040 复制
引言
人体自主运动本质上是在中枢神经系统(central nervous system,CNS)的支配下,相关肌肉、关节以及骨骼联合运动产生的[1]。人体拥有数量众多的骨骼肌,以便实现高度灵活的自主运动,但这些骨骼肌仍然遵循有限的协调模式来完成人体各种运动[2]。这种神经系统内在的协调模式被定义为肌肉协同(muscle synergy,MS),是指完成特定运动时一组肌肉的共同激活。肌肉协同可以极大程度地降低中枢神经系统对于骨骼肌控制的复杂度,并且可以反映骨骼肌在收缩时间和收缩强度两个维度上的特征和相互关系[3]。Ivanenko等[4]研究了人不同行走速度以及负重条件下的下肢肌肉协调模式,发现尽管单个骨骼肌的激活程度可能随着速度和负重不同而发生变化,但这些行走条件下所测量的下肢骨骼肌均可用5个肌肉协调模式进行描述。Cappellini等[5]通过研究表明人行走和跑步有着共同的协同模式,腿部肌肉在每个协调模式中也有相近的收缩强度,但在其中一个协调模式的激活时间上两种运动表现出明显差异。由于骨骼肌的活动源自大脑和脊髓,肌肉协同分析可以揭示神经-肌肉系统之间的联系,有利于增进对病理性步态损伤、运动技能学习以及辅助装置作用的理解[6-9]。
近年来,随着机械工程学与生物医学工程学的发展,下肢外骨骼机器人作为一类能够对人体步行运动进行辅助的设备,已逐渐被用来提高健康人的行走效率,或者辅助脑卒中、脑瘫、腓骨肌无力等运动功能障碍患者或行动不便的老年人进行日常活动以及康复训练。已有研究证实了踝关节外骨骼对于提高人的行走效率、降低能量消耗,以及改善运动障碍患者步态特性方面的有效性[10-11]。如Collins等[12]开发的被动弹性外骨骼,可有效降低健康穿戴者行走时的机体能量消耗。Gomez-Vargas等[13]开发的T-FLEX动力踝关节外骨骼可以明显改善脑卒中患者的下肢关节运动范围,降低步态异常度。Orekhov等[14]开发的轻量型自主式踝关节外骨骼,可以明显提高轻度脑瘫儿童的行走速度,降低行走能量消耗。除机体能量消耗与步态特征的改变之外,使用者穿戴外骨骼行走时,外骨骼辅助位置附近的肌肉激活以及肌肉协同模式也会受到影响。Takahashi等[15]开发的动力踝关节外骨骼,可使得受试者行走时患侧比目鱼肌激活程度明显下降。Li等[16]定量分析了下肢外骨骼辅助膝关节和髋关节对人体行走时下肢肌肉协调模式的影响,结果显示穿戴外骨骼助行时肌肉协同有明显改变。李怀仙[17]研究发现负重行走时,外骨骼对膝关节进行辅助降低了膝伸肌的肌肉激活,改变了下肢肌肉协同的权重。然而,以上研究多只针对外骨骼提供某种特定的助行模式,助行模式的变化往往会对使用者的穿戴体验、肌肉活动、步态模式等产生显著影响[18-19],但目前仍然缺乏外骨骼不同助行模式辅助时健康穿戴者下肢肌肉激活与协调模式变化方面的研究。
因此,本文研究了踝关节外骨骼助行时,不同助力时机以及助力大小组成的多种助行模式对人体下肢肌肉收缩与协调模式的影响。本文在课题组设计和开发的绳驱动轻量型踝关节外骨骼助行系统基础上,招募了多名健康受试者在跑步机上穿戴外骨骼水平行走,并施加由不同助力时机以及助力大小组成的助行模式,同时运用无线表面肌电测量系统采集助力侧的下肢肌肉表面肌电信号(surface electromyography,sEMG)。随后,对不同外骨骼辅助模式助力行走和正常无外骨骼行走时人体下肢肌肉收缩强度进行了定量分析,通过协同收缩系数分析了拮抗肌和主动肌之间协调性的变化。最后,通过非负矩阵分解方法对采集的sEMG进行肌肉协同提取,分析了不同外骨骼助力模式对人体下肢肌肉协同的影响,此外也分析了不同行走速度时外骨骼助行肌肉协同的变化。本研究希望有助于深入对人体神经肌肉系统对于外骨骼不同辅助模式的调整与学习策略的理解,以期为选择合适的助行模式以及合理利用外骨骼提高行走效率提供依据。
1 方法与实验
1.1 实验设备
本文使用的踝关节外骨骼采用了仿生结构,如图1所示,电机动力通过鲍登绳索传递到外骨骼,且助力方向与人小腿跖屈肌收缩方向一致,从而辅助穿戴者进行踝关节跖屈运动。结构主体分为小腿框架、足部框架与后足悬臂三个部分,为了保证轻量化,三部分均由碳纤维材料制作。小腿框架近端处采用魔术贴绑带与穿戴者小腿相固定,以提高穿戴舒适性。足部框架连接了外骨骼踝关节轴与固定于外骨骼鞋跖趾关节处的前脚掌板,从而保证外骨骼与脚踝的同步运动。鲍登绳索一端与电机输出轴相连,另一端穿过小腿框架辅助固定杆连接到固定在足后悬臂上的拉力传感器。电机转动使鲍登绳索向上拉动足后悬臂,产生平行于小腿跖屈肌的拉力,从而提供踝关节跖屈辅助力矩,如图1所示。足后悬臂在此提供了一定的柔顺性,可以提高人机交互的舒适性与安全性[20]。此外,在外骨骼鞋足跟的外侧安装了触碰开关用来检测足跟触地事件,以此作为步态周期的起始。为了最大程度减轻设备的附加质量,摆脱设备质量与体积的限制,同时能够为人体行走提供足够的助力,外骨骼驱动系统与控制系统均离体放置。踝关节外骨骼主体结构总重量为577 g。
1.2 外骨骼助力设计
踝关节外骨骼在每个步态周期的助力力矩轨迹参照人行走时的生理踝关节力矩进行设计,如图2所示,并通过定义4个参数来描述该力矩轨迹的形式[18],分别为峰值时间、峰值力矩、上升时间、下降时间,各参数含义如下:① 峰值时间:辅助力矩达到最大值的时刻,用步态周期百分比表示;② 峰值力矩:辅助力矩的最大值,以 N∙m/kg表示;③ 上升时间:辅助力矩在支撑初期从0 N∙m/kg上升到力矩峰值的时间,用步态周期百分比表示;④ 下降时间:辅助力矩从力矩峰值下降到0 N∙m/kg的时间,用步态周期百分比表示。
为了提供精确、快速的助力力矩跟踪控制,本文采用了比例微分结合自适应迭代学习(proportional derivative with adaptive iterative learning control,PD-AILC)的力矩跟踪控制方法。AILC控制器与PD控制器并联结合,PD控制器能够实现快速无超调力矩跟踪,AILC控制器用以快速消除力矩跟踪误差。根据前期实验,PD-AILC控制器的力矩跟踪误差RMSE小于1 N∙m,可以满足实验要求。
为了研究助力时机与助力大小对穿戴者下肢肌肉激活以及协调模式的影响,在此设计了不同的峰值时间以及峰值力矩的助力模式。助力时机的调节是通过外骨骼力矩轨迹中峰值时间参数的改变进行调整,根据健康人行走时步态周期中生理踝关节力矩的峰值时刻[20],将峰值时间参数范围限制在步态周期的45%~53%之间,并设置了46%、49%、52% 三种不同的外骨骼助力峰值时间,分别代表外骨骼助力时机早、助力时机适中以及助力时机晚。助力大小的调节是通过力矩轨迹中峰值力矩参数的改变来进行,考虑到要能够提供一定程度助力又不会引起受试者身体的强烈不舒适,设置了0.3、0.5、0.7 N∙m/kg三种不同的助力峰值力矩,分别代表较小的外骨骼助力、适中的助力以及较大的助力。施加的9种不同助力模式如表1所示。上升时间和下降时间由于在助行时对穿戴者主观感受的影响较小,在此根据个人行走偏好进行设置。
1.3 受试者信息
本文招募了7名身体健康、半年内无下肢肌肉骨骼疾病以及有一定外骨骼使用经验的男性受试者进行实验,年龄(24.0 ± 3.4)岁,身高(176.3 ± 5.5)cm,体重(65.6 ± 7.1)kg。实验经南开大学伦理审查委员会批准,实验前所有受试者均阅读了实验说明,自愿参加实验,并签署了知情同意书。
1.4 实验方案
实验共分为两个阶段进行。第一阶段为适应阶段,用于训练和熟悉外骨骼助行;第二阶段为数据采集阶段,用于在助行过程中采集受试者的下肢肌电信号。
受试者在第一天进行第一阶段适应练习。受试者按要求穿戴踝关节外骨骼,在跑台上以1.25 m/s速度水平行走。过程中,从峰值力矩由低到高逐渐施加1.1中的9种助力模式,每个模式持续一段时间,以确保受试者能够适应这些外骨骼助力条件。
受试者在休息一天后进行第二阶段数据采集实验,以避免疲劳对实验的影响。采集之前按照标准流程对受试者皮肤进行处理[21],粘贴表面肌电测量传感器,并通过弹性绷带进行绑缚以确保实验过程中传感器不会滑动与脱落。受试者经过5 min热身之后,开始在跑步机上以1.25 m/s的速度水平行走,持续2 min,期间不穿外骨骼,测量正常行走(normal walking,NW)时的sEMG信号。随后,受试者穿戴外骨骼在跑台上以1.25 m/s速度水平行走,同时以随机顺序被施加9种助力模式,即ASS1~ASS9,每种助力模式持续2 min。受试者在每组行走测试之间都进行适当休息以排除肌肉疲劳对实验结果的影响。
1.5 数据处理与分析
在每个行走条件中,通过无线表面肌电测量系统Trigno(Delsys,美国)采集最后30 s的sEMG信号进行分析,采样频率为5 000 Hz。共采集外骨骼助力侧下肢8块骨骼肌的sEMG信号:胫骨前肌、比目鱼肌、内侧腓肠肌、外侧腓肠肌、股直肌、股内侧肌、股外侧肌以及半腱肌,如图3所示。根据生理解剖特性,胫骨前肌、比目鱼肌、腓肠肌内侧与腓肠肌外侧在人体行走时踝关节跖背屈运动中起到主要作用,同时腓肠肌内侧与腓肠肌外侧也参与膝关节屈伸运动。股直肌、股外侧肌、股内侧肌和半腱肌在行走时对于膝关节的屈伸以及髋关节的屈曲和伸展均起到一定作用。采集到的原始sEMG信号采用高通滤波(2阶巴特沃斯滤波器,Fc = 20 Hz)、全波整流以及低通滤波(2阶巴特沃斯滤波器,Fc = 10 Hz)进行预处理,并进行归一化。sEMG信号经过预处理后,计算均方根值(root mean square,RMS)来定量描述肌肉激活程度。本研究使用配对t检验,对不同助力模式和正常行走之间的下肢肌肉活跃度RMS值进行比较,使用ANOVA对比了不同助力时机以及不同助力大小之间的下肢肌肉活跃度RMS值,P ≤ 0.05表示组间差异具有统计学意义。
1.6 肌肉协同模式提取与分析
通过非负矩阵分解算法(non-negative matrix factorization,NMF)[22]来提取所测量下肢肌肉sEMG信号中的肌肉协同模式。对于预处理后的sEMG信号,构建如下多通道sEMG信号原始矩阵:
'/> |
其中,M为测量的sEMG信号通道数,N为sEMG信号采样点个数, 为分解的肌肉协同个数, 为分解后的激活权值矩阵, 为分解后的激活时序矩阵, 为重构矩阵。根据Ivanenko等[4]的研究,人正常行走时的下肢肌肉可以分解为5个协同模式,因此,在本文中设定k = 5。
除此之外,为了解外骨骼助力如何影响步态模式中主动肌和拮抗肌的协同收缩策略,在此利用协同收缩度指标(co-contraction index,CCI)[23]比较了助力模式和正常行走模式的比目鱼肌-胫骨前肌、股直肌-半腱肌的协同收缩度,计算公式为:
其中, 与 分别表示在一个步态周期中胫骨前肌和比目鱼肌共同激活的区域、股直肌和半腱肌共同激活的区域,、、、 分别表示胫骨前肌、比目鱼肌、股直肌、半腱肌单独激活的区域。
2 结果分析与讨论
2.1 下肢肌肉激活程度
图4与图5显示了正常行走与外骨骼助力行走时的助力侧小腿和大腿sEMG曲线,图6为对应的肌肉激活程度RMS值。
所测量的下肢肌肉中,比目鱼肌激活程度RMS值在所有外骨骼助力模式中比NW模式均有明显降低,sEMG曲线在峰值处有明显下降,且具有统计学意义。在ASS6模式下,RMS值为0.299 ± 0.064,相比于正常行走降低了(38.5 ± 10.8)%(P ≤ 0.05)。此外,通过方差分析,比目鱼肌激活程度在低力矩、中力矩与大力矩辅助时差异具有统计学意义(P ≤ 0.05),但在早助力、中助力与晚助力之间的差异无统计学意义。在小腿肌肉中,其余测量肌肉激活程度RMS值与正常行走时相比有一定变化,但其差异不具有统计学意义。相比于小腿肌肉,大腿肌肉活跃度在踝关节外骨骼助力时受影响较小,如图5所示。其中,股直肌在外骨骼助力时,sEMG曲线在站立阶段有所升高,在摆动阶段有所降低,这可能是由于踝关节助力增加了蹬地推离时刻的推进力,从而帮助膝关节伸展,减少了股直肌的收缩作用,但与此同时增加了落地缓冲时的冲击力,从而引起支撑初期的激活程度升高。对于半腱肌,sEMG曲线在站立阶段后期幅值随着外骨骼峰值时间靠后有明显升高,这可能是因为随着助力时间变晚,蹬地推离时间延长,步长增大,使得支撑后期的髋关节伸展角度增大,导致髋伸肌激活程度增加。
根据上述分析,踝关节外骨骼助力对助力侧的比目鱼肌影响较大。根据解剖特性,比目鱼肌慢肌纤维比例较高,在行走中起到主要作用[24],而内、外侧腓肠肌由于快肌纤维成分较多,在跑步、跳跃等动作中作用显著。由于本文中的踝关节外骨骼助力作用主要体现在行走蹬地推离阶段,因此比目鱼肌肌肉激活程度的下降也表明了该外骨骼助行的有效性,此结果也符合Jackson等[25]关于踝关节外骨骼助力的研究。在ASS6模式下,比目鱼肌与外侧腓肠肌激活程度降低幅度最大,其他肌肉激活程度也没有明显升高。这表明踝关节外骨骼助行模式的改变会对下肢肌肉激活有较为显著的影响,合适的助力时机与助力大小能够更大程度地减少跖屈肌的激活,进而减少肌肉收缩的能量消耗,有助于提高行走效率。
2.2 下肢肌肉协同模式
所提取的肌肉协同模式激活权值和激活时序如图7和图8所示。对于肌肉协同1~4,外骨骼助力时的激活时序与正常行走相比较为一致,但各个肌肉在不同协同模式中的激活权值有所改变。对于肌肉协同5,除了各个肌肉在该协同模式中的激活权值有所改变外,在外骨骼助力时间较晚时,该协同模式的激活时序也有所改变。
协同模式1主要以胫骨前肌激活为主,表现为站立初期与摆动期的激活。此外,还包含有少量股直肌、股内侧肌和股外侧肌激活成分,但当施加外骨骼助力后,其权值逐渐减小。可能原因在于外骨骼助力辅助了部分伸膝运动,虽然助力直接作用于踝关节,但行走时下肢髋、膝、踝关节是一个协调运动过程,因此单个关节的助力可能对相邻关节产生一定影响。协同模式2主要以比目鱼肌、内外侧腓肠肌激活为主,表现为从站立初期激活程度逐渐上升,到支撑后期达到峰值。协同模式3以内、外侧腓肠肌激活为主,表现为支撑中期迅速上升并在支撑后期到达峰值,体现了腓肠肌快速收缩的特性。该模式中比目鱼肌激活权值相比内、外侧腓肠肌较低,并且在施加助力后权值有所降低,结合其激活时序,表明踝关节外骨骼的助力在蹬地推离阶段作用明显,主要减弱了小腿三头肌中比目鱼肌的收缩活动。协同模式4以股四头肌激活为主,表现为步态站立初期激活。协同模式5主要为半腱肌激活,体现在摆动后期伸髋运动以及脚跟触地时支撑体重时激活。在外骨骼助力峰值时间较晚时,该模式的激活时序在摆动阶段有明显升高。
根据以上分析,在当前实验条件下,外骨骼助力峰值时间在46%与49%时,下肢肌肉协同模式相较于正常行走时激活时序无明显改变,协同内肌肉激活权值有较小改变;而助力峰值时间在52%时,会引起髋伸肌肌肉协同激活时序在摆动阶段的增加,相比人体正常行走模式有所改变。该结果表明人体下肢肌肉协调模式在外骨骼辅助时会受到影响,尤其在不合适的辅助模式时,这也符合Li[16]的研究,但当辅助模式较为合适时,这种影响较小,并接近于人体自然行走的协调模式。
对于不同的行走速度条件,Cappellini等[5]研究表明下肢肌肉活动依然可以用5个基本的肌肉协同组合进行描述。随着行走速度的加快,大部分下肢肌肉会有更大的激活,但激活时间仍然能由5个肌肉协同模式决定。在此,我们对2名受试者分析了不同行走速度踝关节外骨骼不同助力模式的肌肉协同模式,行走速度为1 m/s(-20% Baseline,慢速)、1.25 m/s(0% Baseline,中速)、1.5 m/s(+20% Baseline,快速),行走坡度为0°。结果表明,在不同行走速度下,不同外骨骼辅助模式助力行走时,依然可以将测量肌肉分解为5个基本肌肉协同模式,但在涉及小腿三头肌的协同模式2和3中,激活权值和激活时序均有明显改变。
2.3 下肢肌肉协同收缩度
外骨骼助力时比目鱼肌-胫骨前肌、股直肌-半腱肌的协同收缩度如图9所示。 在外骨骼助力时比NW模式均有升高,在ASS9模式下升高(36.9 ± 28.5)%(P ≤ 0.05),在ASS6模式下升高(36.2 ± 22.6)%(P ≤ 0.05),均具有统计学意义。在外骨骼助力时比NW模式均有升高,在ASS6模式下升高(36.2 ± 38.6)%,具有较大个体差异性,但变化不具有统计学意义。股直肌和半腱肌的协同收缩度升高主要体现在摆动阶段半腱肌激活的增加。
3 结论
为了深入理解人体神经肌肉系统对于踝关节外骨骼助行模式的调整与学习方式,进而为选择合适的助行模式以及合理利用外骨骼提高行走效率提供依据,本文研究了踝关节外骨骼助行时,不同助力时机以及助力大小组成的多种助行模式对人体下肢肌肉收缩与协调模式的影响。本文利用一款绳驱动踝关节外骨骼,设计了不同助力时机与助力大小组合的外骨骼助行模式,采集了多名健康被试者的下肢sEMG,定量分析了下肢相关肌肉激活的变化,并进行肌肉协同提取,分析了不同外骨骼助力模式对人体下肢协调模式的影响。结果表明比目鱼肌激活程度在踝关节外骨骼助力时有明显降低,在助力时机为步态周期49%,助力大小为0.7 N∙m/kg时降低程度最大。助力力矩峰值的大小对比目鱼肌激活程度有明显影响。在外骨骼助行时,所测量下肢肌肉依然可分解为5个肌肉协同模式,且对于合适的助力时机与助力大小,下肢肌肉协调模式和正常行走相比改变较小。此外,外骨骼的助力会增加主动肌与拮抗肌之间的协同收缩度。综上所述,通过合理选择外骨骼助力模式能够最大程度减少穿戴者相关位置的肌肉激活程度,提高行走效率,并接近于人体自然行走的协调模式。
重要声明
利益冲突声明:本文全体作者均声明不存在利益冲突。
作者贡献声明:刘景泰、张娟娟负责实验设计、文章构思及审阅;王伟负责外骨骼系统开发、文章构思、实验设计、数据分析与稿件撰写;丁建全、汪毅、刘艺程负责数据采集、处理与分析。
伦理声明:本研究通过南开大学伦理委员会的审批。
引言
人体自主运动本质上是在中枢神经系统(central nervous system,CNS)的支配下,相关肌肉、关节以及骨骼联合运动产生的[1]。人体拥有数量众多的骨骼肌,以便实现高度灵活的自主运动,但这些骨骼肌仍然遵循有限的协调模式来完成人体各种运动[2]。这种神经系统内在的协调模式被定义为肌肉协同(muscle synergy,MS),是指完成特定运动时一组肌肉的共同激活。肌肉协同可以极大程度地降低中枢神经系统对于骨骼肌控制的复杂度,并且可以反映骨骼肌在收缩时间和收缩强度两个维度上的特征和相互关系[3]。Ivanenko等[4]研究了人不同行走速度以及负重条件下的下肢肌肉协调模式,发现尽管单个骨骼肌的激活程度可能随着速度和负重不同而发生变化,但这些行走条件下所测量的下肢骨骼肌均可用5个肌肉协调模式进行描述。Cappellini等[5]通过研究表明人行走和跑步有着共同的协同模式,腿部肌肉在每个协调模式中也有相近的收缩强度,但在其中一个协调模式的激活时间上两种运动表现出明显差异。由于骨骼肌的活动源自大脑和脊髓,肌肉协同分析可以揭示神经-肌肉系统之间的联系,有利于增进对病理性步态损伤、运动技能学习以及辅助装置作用的理解[6-9]。
近年来,随着机械工程学与生物医学工程学的发展,下肢外骨骼机器人作为一类能够对人体步行运动进行辅助的设备,已逐渐被用来提高健康人的行走效率,或者辅助脑卒中、脑瘫、腓骨肌无力等运动功能障碍患者或行动不便的老年人进行日常活动以及康复训练。已有研究证实了踝关节外骨骼对于提高人的行走效率、降低能量消耗,以及改善运动障碍患者步态特性方面的有效性[10-11]。如Collins等[12]开发的被动弹性外骨骼,可有效降低健康穿戴者行走时的机体能量消耗。Gomez-Vargas等[13]开发的T-FLEX动力踝关节外骨骼可以明显改善脑卒中患者的下肢关节运动范围,降低步态异常度。Orekhov等[14]开发的轻量型自主式踝关节外骨骼,可以明显提高轻度脑瘫儿童的行走速度,降低行走能量消耗。除机体能量消耗与步态特征的改变之外,使用者穿戴外骨骼行走时,外骨骼辅助位置附近的肌肉激活以及肌肉协同模式也会受到影响。Takahashi等[15]开发的动力踝关节外骨骼,可使得受试者行走时患侧比目鱼肌激活程度明显下降。Li等[16]定量分析了下肢外骨骼辅助膝关节和髋关节对人体行走时下肢肌肉协调模式的影响,结果显示穿戴外骨骼助行时肌肉协同有明显改变。李怀仙[17]研究发现负重行走时,外骨骼对膝关节进行辅助降低了膝伸肌的肌肉激活,改变了下肢肌肉协同的权重。然而,以上研究多只针对外骨骼提供某种特定的助行模式,助行模式的变化往往会对使用者的穿戴体验、肌肉活动、步态模式等产生显著影响[18-19],但目前仍然缺乏外骨骼不同助行模式辅助时健康穿戴者下肢肌肉激活与协调模式变化方面的研究。
因此,本文研究了踝关节外骨骼助行时,不同助力时机以及助力大小组成的多种助行模式对人体下肢肌肉收缩与协调模式的影响。本文在课题组设计和开发的绳驱动轻量型踝关节外骨骼助行系统基础上,招募了多名健康受试者在跑步机上穿戴外骨骼水平行走,并施加由不同助力时机以及助力大小组成的助行模式,同时运用无线表面肌电测量系统采集助力侧的下肢肌肉表面肌电信号(surface electromyography,sEMG)。随后,对不同外骨骼辅助模式助力行走和正常无外骨骼行走时人体下肢肌肉收缩强度进行了定量分析,通过协同收缩系数分析了拮抗肌和主动肌之间协调性的变化。最后,通过非负矩阵分解方法对采集的sEMG进行肌肉协同提取,分析了不同外骨骼助力模式对人体下肢肌肉协同的影响,此外也分析了不同行走速度时外骨骼助行肌肉协同的变化。本研究希望有助于深入对人体神经肌肉系统对于外骨骼不同辅助模式的调整与学习策略的理解,以期为选择合适的助行模式以及合理利用外骨骼提高行走效率提供依据。
1 方法与实验
1.1 实验设备
本文使用的踝关节外骨骼采用了仿生结构,如图1所示,电机动力通过鲍登绳索传递到外骨骼,且助力方向与人小腿跖屈肌收缩方向一致,从而辅助穿戴者进行踝关节跖屈运动。结构主体分为小腿框架、足部框架与后足悬臂三个部分,为了保证轻量化,三部分均由碳纤维材料制作。小腿框架近端处采用魔术贴绑带与穿戴者小腿相固定,以提高穿戴舒适性。足部框架连接了外骨骼踝关节轴与固定于外骨骼鞋跖趾关节处的前脚掌板,从而保证外骨骼与脚踝的同步运动。鲍登绳索一端与电机输出轴相连,另一端穿过小腿框架辅助固定杆连接到固定在足后悬臂上的拉力传感器。电机转动使鲍登绳索向上拉动足后悬臂,产生平行于小腿跖屈肌的拉力,从而提供踝关节跖屈辅助力矩,如图1所示。足后悬臂在此提供了一定的柔顺性,可以提高人机交互的舒适性与安全性[20]。此外,在外骨骼鞋足跟的外侧安装了触碰开关用来检测足跟触地事件,以此作为步态周期的起始。为了最大程度减轻设备的附加质量,摆脱设备质量与体积的限制,同时能够为人体行走提供足够的助力,外骨骼驱动系统与控制系统均离体放置。踝关节外骨骼主体结构总重量为577 g。
1.2 外骨骼助力设计
踝关节外骨骼在每个步态周期的助力力矩轨迹参照人行走时的生理踝关节力矩进行设计,如图2所示,并通过定义4个参数来描述该力矩轨迹的形式[18],分别为峰值时间、峰值力矩、上升时间、下降时间,各参数含义如下:① 峰值时间:辅助力矩达到最大值的时刻,用步态周期百分比表示;② 峰值力矩:辅助力矩的最大值,以 N∙m/kg表示;③ 上升时间:辅助力矩在支撑初期从0 N∙m/kg上升到力矩峰值的时间,用步态周期百分比表示;④ 下降时间:辅助力矩从力矩峰值下降到0 N∙m/kg的时间,用步态周期百分比表示。
为了提供精确、快速的助力力矩跟踪控制,本文采用了比例微分结合自适应迭代学习(proportional derivative with adaptive iterative learning control,PD-AILC)的力矩跟踪控制方法。AILC控制器与PD控制器并联结合,PD控制器能够实现快速无超调力矩跟踪,AILC控制器用以快速消除力矩跟踪误差。根据前期实验,PD-AILC控制器的力矩跟踪误差RMSE小于1 N∙m,可以满足实验要求。
为了研究助力时机与助力大小对穿戴者下肢肌肉激活以及协调模式的影响,在此设计了不同的峰值时间以及峰值力矩的助力模式。助力时机的调节是通过外骨骼力矩轨迹中峰值时间参数的改变进行调整,根据健康人行走时步态周期中生理踝关节力矩的峰值时刻[20],将峰值时间参数范围限制在步态周期的45%~53%之间,并设置了46%、49%、52% 三种不同的外骨骼助力峰值时间,分别代表外骨骼助力时机早、助力时机适中以及助力时机晚。助力大小的调节是通过力矩轨迹中峰值力矩参数的改变来进行,考虑到要能够提供一定程度助力又不会引起受试者身体的强烈不舒适,设置了0.3、0.5、0.7 N∙m/kg三种不同的助力峰值力矩,分别代表较小的外骨骼助力、适中的助力以及较大的助力。施加的9种不同助力模式如表1所示。上升时间和下降时间由于在助行时对穿戴者主观感受的影响较小,在此根据个人行走偏好进行设置。
1.3 受试者信息
本文招募了7名身体健康、半年内无下肢肌肉骨骼疾病以及有一定外骨骼使用经验的男性受试者进行实验,年龄(24.0 ± 3.4)岁,身高(176.3 ± 5.5)cm,体重(65.6 ± 7.1)kg。实验经南开大学伦理审查委员会批准,实验前所有受试者均阅读了实验说明,自愿参加实验,并签署了知情同意书。
1.4 实验方案
实验共分为两个阶段进行。第一阶段为适应阶段,用于训练和熟悉外骨骼助行;第二阶段为数据采集阶段,用于在助行过程中采集受试者的下肢肌电信号。
受试者在第一天进行第一阶段适应练习。受试者按要求穿戴踝关节外骨骼,在跑台上以1.25 m/s速度水平行走。过程中,从峰值力矩由低到高逐渐施加1.1中的9种助力模式,每个模式持续一段时间,以确保受试者能够适应这些外骨骼助力条件。
受试者在休息一天后进行第二阶段数据采集实验,以避免疲劳对实验的影响。采集之前按照标准流程对受试者皮肤进行处理[21],粘贴表面肌电测量传感器,并通过弹性绷带进行绑缚以确保实验过程中传感器不会滑动与脱落。受试者经过5 min热身之后,开始在跑步机上以1.25 m/s的速度水平行走,持续2 min,期间不穿外骨骼,测量正常行走(normal walking,NW)时的sEMG信号。随后,受试者穿戴外骨骼在跑台上以1.25 m/s速度水平行走,同时以随机顺序被施加9种助力模式,即ASS1~ASS9,每种助力模式持续2 min。受试者在每组行走测试之间都进行适当休息以排除肌肉疲劳对实验结果的影响。
1.5 数据处理与分析
在每个行走条件中,通过无线表面肌电测量系统Trigno(Delsys,美国)采集最后30 s的sEMG信号进行分析,采样频率为5 000 Hz。共采集外骨骼助力侧下肢8块骨骼肌的sEMG信号:胫骨前肌、比目鱼肌、内侧腓肠肌、外侧腓肠肌、股直肌、股内侧肌、股外侧肌以及半腱肌,如图3所示。根据生理解剖特性,胫骨前肌、比目鱼肌、腓肠肌内侧与腓肠肌外侧在人体行走时踝关节跖背屈运动中起到主要作用,同时腓肠肌内侧与腓肠肌外侧也参与膝关节屈伸运动。股直肌、股外侧肌、股内侧肌和半腱肌在行走时对于膝关节的屈伸以及髋关节的屈曲和伸展均起到一定作用。采集到的原始sEMG信号采用高通滤波(2阶巴特沃斯滤波器,Fc = 20 Hz)、全波整流以及低通滤波(2阶巴特沃斯滤波器,Fc = 10 Hz)进行预处理,并进行归一化。sEMG信号经过预处理后,计算均方根值(root mean square,RMS)来定量描述肌肉激活程度。本研究使用配对t检验,对不同助力模式和正常行走之间的下肢肌肉活跃度RMS值进行比较,使用ANOVA对比了不同助力时机以及不同助力大小之间的下肢肌肉活跃度RMS值,P ≤ 0.05表示组间差异具有统计学意义。
1.6 肌肉协同模式提取与分析
通过非负矩阵分解算法(non-negative matrix factorization,NMF)[22]来提取所测量下肢肌肉sEMG信号中的肌肉协同模式。对于预处理后的sEMG信号,构建如下多通道sEMG信号原始矩阵:
'/> |
其中,M为测量的sEMG信号通道数,N为sEMG信号采样点个数, 为分解的肌肉协同个数, 为分解后的激活权值矩阵, 为分解后的激活时序矩阵, 为重构矩阵。根据Ivanenko等[4]的研究,人正常行走时的下肢肌肉可以分解为5个协同模式,因此,在本文中设定k = 5。
除此之外,为了解外骨骼助力如何影响步态模式中主动肌和拮抗肌的协同收缩策略,在此利用协同收缩度指标(co-contraction index,CCI)[23]比较了助力模式和正常行走模式的比目鱼肌-胫骨前肌、股直肌-半腱肌的协同收缩度,计算公式为:
其中, 与 分别表示在一个步态周期中胫骨前肌和比目鱼肌共同激活的区域、股直肌和半腱肌共同激活的区域,、、、 分别表示胫骨前肌、比目鱼肌、股直肌、半腱肌单独激活的区域。
2 结果分析与讨论
2.1 下肢肌肉激活程度
图4与图5显示了正常行走与外骨骼助力行走时的助力侧小腿和大腿sEMG曲线,图6为对应的肌肉激活程度RMS值。
所测量的下肢肌肉中,比目鱼肌激活程度RMS值在所有外骨骼助力模式中比NW模式均有明显降低,sEMG曲线在峰值处有明显下降,且具有统计学意义。在ASS6模式下,RMS值为0.299 ± 0.064,相比于正常行走降低了(38.5 ± 10.8)%(P ≤ 0.05)。此外,通过方差分析,比目鱼肌激活程度在低力矩、中力矩与大力矩辅助时差异具有统计学意义(P ≤ 0.05),但在早助力、中助力与晚助力之间的差异无统计学意义。在小腿肌肉中,其余测量肌肉激活程度RMS值与正常行走时相比有一定变化,但其差异不具有统计学意义。相比于小腿肌肉,大腿肌肉活跃度在踝关节外骨骼助力时受影响较小,如图5所示。其中,股直肌在外骨骼助力时,sEMG曲线在站立阶段有所升高,在摆动阶段有所降低,这可能是由于踝关节助力增加了蹬地推离时刻的推进力,从而帮助膝关节伸展,减少了股直肌的收缩作用,但与此同时增加了落地缓冲时的冲击力,从而引起支撑初期的激活程度升高。对于半腱肌,sEMG曲线在站立阶段后期幅值随着外骨骼峰值时间靠后有明显升高,这可能是因为随着助力时间变晚,蹬地推离时间延长,步长增大,使得支撑后期的髋关节伸展角度增大,导致髋伸肌激活程度增加。
根据上述分析,踝关节外骨骼助力对助力侧的比目鱼肌影响较大。根据解剖特性,比目鱼肌慢肌纤维比例较高,在行走中起到主要作用[24],而内、外侧腓肠肌由于快肌纤维成分较多,在跑步、跳跃等动作中作用显著。由于本文中的踝关节外骨骼助力作用主要体现在行走蹬地推离阶段,因此比目鱼肌肌肉激活程度的下降也表明了该外骨骼助行的有效性,此结果也符合Jackson等[25]关于踝关节外骨骼助力的研究。在ASS6模式下,比目鱼肌与外侧腓肠肌激活程度降低幅度最大,其他肌肉激活程度也没有明显升高。这表明踝关节外骨骼助行模式的改变会对下肢肌肉激活有较为显著的影响,合适的助力时机与助力大小能够更大程度地减少跖屈肌的激活,进而减少肌肉收缩的能量消耗,有助于提高行走效率。
2.2 下肢肌肉协同模式
所提取的肌肉协同模式激活权值和激活时序如图7和图8所示。对于肌肉协同1~4,外骨骼助力时的激活时序与正常行走相比较为一致,但各个肌肉在不同协同模式中的激活权值有所改变。对于肌肉协同5,除了各个肌肉在该协同模式中的激活权值有所改变外,在外骨骼助力时间较晚时,该协同模式的激活时序也有所改变。
协同模式1主要以胫骨前肌激活为主,表现为站立初期与摆动期的激活。此外,还包含有少量股直肌、股内侧肌和股外侧肌激活成分,但当施加外骨骼助力后,其权值逐渐减小。可能原因在于外骨骼助力辅助了部分伸膝运动,虽然助力直接作用于踝关节,但行走时下肢髋、膝、踝关节是一个协调运动过程,因此单个关节的助力可能对相邻关节产生一定影响。协同模式2主要以比目鱼肌、内外侧腓肠肌激活为主,表现为从站立初期激活程度逐渐上升,到支撑后期达到峰值。协同模式3以内、外侧腓肠肌激活为主,表现为支撑中期迅速上升并在支撑后期到达峰值,体现了腓肠肌快速收缩的特性。该模式中比目鱼肌激活权值相比内、外侧腓肠肌较低,并且在施加助力后权值有所降低,结合其激活时序,表明踝关节外骨骼的助力在蹬地推离阶段作用明显,主要减弱了小腿三头肌中比目鱼肌的收缩活动。协同模式4以股四头肌激活为主,表现为步态站立初期激活。协同模式5主要为半腱肌激活,体现在摆动后期伸髋运动以及脚跟触地时支撑体重时激活。在外骨骼助力峰值时间较晚时,该模式的激活时序在摆动阶段有明显升高。
根据以上分析,在当前实验条件下,外骨骼助力峰值时间在46%与49%时,下肢肌肉协同模式相较于正常行走时激活时序无明显改变,协同内肌肉激活权值有较小改变;而助力峰值时间在52%时,会引起髋伸肌肌肉协同激活时序在摆动阶段的增加,相比人体正常行走模式有所改变。该结果表明人体下肢肌肉协调模式在外骨骼辅助时会受到影响,尤其在不合适的辅助模式时,这也符合Li[16]的研究,但当辅助模式较为合适时,这种影响较小,并接近于人体自然行走的协调模式。
对于不同的行走速度条件,Cappellini等[5]研究表明下肢肌肉活动依然可以用5个基本的肌肉协同组合进行描述。随着行走速度的加快,大部分下肢肌肉会有更大的激活,但激活时间仍然能由5个肌肉协同模式决定。在此,我们对2名受试者分析了不同行走速度踝关节外骨骼不同助力模式的肌肉协同模式,行走速度为1 m/s(-20% Baseline,慢速)、1.25 m/s(0% Baseline,中速)、1.5 m/s(+20% Baseline,快速),行走坡度为0°。结果表明,在不同行走速度下,不同外骨骼辅助模式助力行走时,依然可以将测量肌肉分解为5个基本肌肉协同模式,但在涉及小腿三头肌的协同模式2和3中,激活权值和激活时序均有明显改变。
2.3 下肢肌肉协同收缩度
外骨骼助力时比目鱼肌-胫骨前肌、股直肌-半腱肌的协同收缩度如图9所示。 在外骨骼助力时比NW模式均有升高,在ASS9模式下升高(36.9 ± 28.5)%(P ≤ 0.05),在ASS6模式下升高(36.2 ± 22.6)%(P ≤ 0.05),均具有统计学意义。在外骨骼助力时比NW模式均有升高,在ASS6模式下升高(36.2 ± 38.6)%,具有较大个体差异性,但变化不具有统计学意义。股直肌和半腱肌的协同收缩度升高主要体现在摆动阶段半腱肌激活的增加。
3 结论
为了深入理解人体神经肌肉系统对于踝关节外骨骼助行模式的调整与学习方式,进而为选择合适的助行模式以及合理利用外骨骼提高行走效率提供依据,本文研究了踝关节外骨骼助行时,不同助力时机以及助力大小组成的多种助行模式对人体下肢肌肉收缩与协调模式的影响。本文利用一款绳驱动踝关节外骨骼,设计了不同助力时机与助力大小组合的外骨骼助行模式,采集了多名健康被试者的下肢sEMG,定量分析了下肢相关肌肉激活的变化,并进行肌肉协同提取,分析了不同外骨骼助力模式对人体下肢协调模式的影响。结果表明比目鱼肌激活程度在踝关节外骨骼助力时有明显降低,在助力时机为步态周期49%,助力大小为0.7 N∙m/kg时降低程度最大。助力力矩峰值的大小对比目鱼肌激活程度有明显影响。在外骨骼助行时,所测量下肢肌肉依然可分解为5个肌肉协同模式,且对于合适的助力时机与助力大小,下肢肌肉协调模式和正常行走相比改变较小。此外,外骨骼的助力会增加主动肌与拮抗肌之间的协同收缩度。综上所述,通过合理选择外骨骼助力模式能够最大程度减少穿戴者相关位置的肌肉激活程度,提高行走效率,并接近于人体自然行走的协调模式。
重要声明
利益冲突声明:本文全体作者均声明不存在利益冲突。
作者贡献声明:刘景泰、张娟娟负责实验设计、文章构思及审阅;王伟负责外骨骼系统开发、文章构思、实验设计、数据分析与稿件撰写;丁建全、汪毅、刘艺程负责数据采集、处理与分析。
伦理声明:本研究通过南开大学伦理委员会的审批。