熊保平 史武翔 林昱 黄美兰 杜民,4

0 引言

人体关节力矩测量是当前生物医学领域最具挑战性的课题之一[1]。关节力矩值可应用于康复训练[2-3]、运动员的训练评估[4-5]、假肢及矫形器设计[6-7]等领域。

但由于人体结构和运动过程各肌肉协调的复杂性，还难以在活体上直接测量人体关节力矩值。目前有测力法[8-9]、反向生物力学分析法[10-11]和正向生物力学分析法[12-14]这三种主要的间接测量方法。但这些测量方法存在模型参数校正的时间复杂度高和个体误差等问题。而以数据为驱动的人工智能技术正好可以在训练过程中校正模型参数，适应个体特征且操作简便，使其越来越多地应用于人体关节力矩智能预测中。例如，Uchiyama等[15]利用肩与肘之间肌肉的综合肌电信号以及肩和肘关节角作为人工神经网络的输入项预测肘关节屈伸力矩大小。Luh等[16]利用肌电信号以及肘关节屈伸自由度的角度和角速度作为输入预测肘关节屈伸力矩值。Song 和Tong等[17]把肌电信号，以及肘关节屈伸自由度的角度和角速度作为人工神经网络的输入项预测肘关节屈伸力矩。在Hahn[18]的论文中甚至把年龄、性别、身高、体重以及肌电信号作为神经网络的输入预测膝关节的屈伸力矩。Ardestani等[19]提出利用力板数据和肌电信号作为输入训练人工神经网络预测的髋关节屈伸、旋转、收展以及膝关节屈伸等关节自由度力矩值。还有文献把杠铃的重量和运动轨迹作为神经网络的输入预测下肢髋、膝和踝等关节各个自由度力矩值[20]。……