编辑推荐：
为解决下肢康复中侧步行训练指导及外骨骼控制问题，研究人员开展基于表面肌电信号（EMG）的侧步行态识别与髋关节角度预测研究。“孪生兄弟” 模型表现优异，识别准确率达 98.81%，预测 RMSE 低，为外骨骼应用等提供支撑。
在下肢康复领域，髋关节内收肌和外展肌无力会给患者带来诸多困扰，异常步态不仅影响患者行动，还增加了摔倒等风险。通过髋关节锻炼增强这些肌肉力量至关重要，而侧步行就是一种对髋关节外展肌十分有益的锻炼方式。以往人们常用弹性带辅助侧步行，但这种方式在阻力控制上缺乏统一性和精准性，难以满足有效康复训练的需求。此时，髋关节外骨骼应运而生，它能提供可控的阻力和支撑，在侧步行训练中增强肌肉激活，助力患者进行更有效的康复训练。
然而，外骨骼要想发挥良好的控制性能，精准的步态识别和连续的关节角度预测是关键前提。在众多用于步态研究的生理信号中，表面肌电信号（EMG）脱颖而出。它能实时反映肌肉活动状态，而且在实际运动前约 50 - 100ms 就会出现，提前透露运动意图，这大大降低了机器人应用中的延迟问题。此前已有一些研究利用 EMG 信号来识别意图和控制机器人设备，但针对侧步行的步态识别和关节角度预测研究却极为匮乏，现有的针对正常向前步行设计的算法，由于前向和侧向关键步态差异显著，无法直接应用于侧步行。
为了填补这一研究空白，深圳先进技术研究院的研究人员开展了一项极具意义的研究。他们精心打造了一个名为 “孪生兄弟” 的模型，这是一个融合了卷积神经网络（CNN）、长短期记忆网络（LSTM）、神经网络（NNs）以及挤压激发注意力机制（SEAM）的双任务学习框架。研究人员收集了 10 名受试者在侧步行时 6 块肌肉的 EMG 信号，将完整的侧步行步态周期巧妙地划分为窄双支撑（NDS）、引导脚摆动（GFS）、宽双支撑（WDS）和跟随腿摆动（FLS）四个阶段，并持续对双腿的髋关节角度进行估计。
在研究过程中，研究人员采用了一系列关键技术方法。首先搭建了包含电机、微控制器、PC、肌电仪、惯性测量单元（IMU）和足底压力传感器的外骨骼实验平台，用于数据采集。对采集到的信号，运用巴特沃斯滤波器和 50Hz 陷波滤波器处理 EMG 信号，用卡尔曼滤波器处理髋关节角度信号，同时通过足底压力信号划分步态阶段，并对信号进行重采样和特征提取。“孪生兄弟” 模型由 “哥哥” 模块和 “弟弟” 模块组成，“哥哥” 模块负责步态识别，“弟弟” 模块进行髋关节角度预测，二者协同工作。此外，还选用了支持向量机（SVM）、K 近邻（KNN）等多种模型作为对比，通过多种评估指标对模型性能进行全面衡量。
在实验结果方面，研究人员进行了多项实验并取得了丰硕成果。在模型参数设计实验中，经过反复测试，确定了 250ms 的滑动窗口长度和 3ms 的滑动增量，此时模型对四个步态阶段的识别效果最佳。在步态识别实验中，“孪生兄弟” 模型展现出卓越的性能，其总识别准确率（均值 ± 标准差）高达 98.81% ± 0.14%，远超 CNN - LSTM（97.24% ± 0.46% ）、CNN（96.22% ± 0.72% ）等对比模型。通过混淆矩阵、ROC 曲线等多种评估指标进一步分析发现，该模型在每个步态阶段的识别准确率都超过 95%，且 AUC、Recall 和 F1 - score 等指标也表现出色。在髋关节角度预测实验中，“孪生兄弟” 模型同样表现优异，其对左腿髋关节角度预测的均方根误差（RMSE）为 0.9183° ± 0.024°，R2 为 0.9853 ± 0.006；对右腿的 RMSE 为 1.0511° ± 0.027°，R2 为 0.9808 ± 0.008，相比 SVM、LSTM 和线性判别分析（LDA）等模型，RMSE 更低，R2 更高。在线上实验中，模型对髋关节角度的实时预测也表现良好，RMSE 和 R2 的结果进一步验证了其实际应用潜力。在步态阶段百分比预测实验中，模型预测的 RMSE 和 R2 分别为 0.152° ± 0.014° 和 0.986 ± 0.011 。在先进步态阶段识别能力研究中，发现模型在短时间预测（2 - 5 个滑动增量）任务中表现出色，但随着预测时间窗口延长，性能会逐渐下降。在不同测试集比例下的髋关节角度预测性能评估实验中，结果表明模型在不同信号长度下性能相对稳定。
研究结论和讨论部分指出，“孪生兄弟” 模型在侧步行态识别和髋关节角度预测方面展现出了巨大的优势，相比其他模型具有更高的准确性和更好的性能。这一研究成果为基于 EMG 信号的侧步行研究提供了重要参考，有望应用于外骨骼侧方抗阻训练等实际场景。不过，该研究目前的数据均来自健康人，未来研究人员计划收集更多患者数据，进一步完善模型并在实际的外骨骼系统中进行验证。此外，该模型不仅在下肢康复外骨骼领域有应用潜力，对于假肢使用者、老年人的步态监测和跌倒预防等方面也具有重要意义。例如，能帮助假肢更好地适配使用者动作，实时监测老年人行走状态，提前预警跌倒风险等。这一研究成果发表在《Cyborg and Bionic Systems》上，为生命科学和健康医学领域的相关研究开辟了新的道路，推动了相关技术在实际应用中的发展。
