缺血性糖尿病下肢病变的膝下动脉成形术

目的探讨膝下动脉的球囊成形术在治疗糖尿病缺血性下肢病变中的价值。方法对５３例糖尿病合并缺血性下肢病变患者６４侧缺血性下肢进行膝下动脉Deep球囊扩张成形术。对比患者手术前后临床症状的改变及足部溃疡的变化。结果５３例患者共１１９支动脉分支接受PTA治疗，５０例患者的１０１个分支成功地开通，技术成功率为８４．９％，所有５０例患者的临床症状均明显缓解，足部溃疡均变小，无需截肢。结论膝下动脉的球囊成形术是治疗缺血性糖尿病下肢病变安全有效的微创手段     

基于行人下肢防护的前保险杠改进分析

利用有限元方法,建立了小腿冲击器与汽车前部结构的碰撞模型,用以评价某款车保险杠系统对小腿损伤的影响。通过增加吸能部件、副保险杠加强板等方式减轻行人下肢的损伤,并通过正交试验设计研究了吸能部件的材料、吸能部件前后面之间的距离、副保险杠加强板的厚度以及副保险杠加强板前后面之间的距离对行人下肢损伤的影响。研究结果表明,经正交试验设计后的前保险杠系统能有效地减小小腿冲击器的胫骨加速度以及膝关节弯曲角度,使得下肢保护指标满足Eu-roNCAP法规要求。优化设计后的前保险杠系统更好的防护行人下肢的损伤。     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

基于Joystick的卧式下肢康复训练机器人示教再现功能分析

针对由脑中风引起的下肢偏瘫患者,将康复医学和机器人学相结合,在已有的卧式下肢康复机器人的机械系统平台上,利用运动控制卡及VC++开发环境为基础,研究卧式下肢康复训练机器人的示教功能。本文通过对已有机械系统平台的分析,并考虑到示教过程中的人机耦合的特殊性,选用Joystick作为示教工具,同时给出了软件流程图及人机对话界面。实验结果表明,Joystick示教反应迅速,能满足示教要求。     

基于多源信息和粒子群优化算法的下肢运动模式识别

为了提高人体下肢多运动模式识别的准确性,提出一种基于多源信息和粒子群优化算法-误差反向传播(PSO-BP)神经网络的识别方法.建立下肢多源信息采集系统,该系统由下肢表面肌电信号、髋关节角度、髋关节加速度组成.选择肌电信号偏度、峭度和功率谱比值为肌电信号特征,髋关节角度细分模式均值比为腿部角度信号特征,加速度标准差、能量峰值、两轴相关性系数为髋关节加速度特征.按照主成分分析(PCA)方法融合上述特征值,利用PSO-BP进行识别.实验结果表明:该方法识别率为95.75%,平均识别时间为1.234 8s.     

基于下肢动力学检测分析的站起康复训练机器人控制

提出了人体站起轨迹控制方法(TCM)和阻尼控制方法(ICM)。采用这两种控制方法可以实现对机器人系统的控制,使患者能安全、有效地进行下肢站起运动康复训练。在患者站起过程中,下肢各肢段旋转角、身体运动轨迹、地面反力(GRF)、压力中心(COP)和绳索张力等参数可由康复机器人系统中的相应传感器实时检测得出,并通过实时运算得出髋、膝、踝各关节力矩,用于反馈控制。试验结果表明,该方法可以保证患者实现安全、舒适、有效的站起训练,适用于站起康复训练机器人控制系统。     

仿人机器人7DOF腿部的运动分析与仿真

传统的6自由度腿部逆运动学求解可以得到唯一解,仿人机器人7自由度腿部由于冗余自由度的存在,其逆运动学求解比6自由度腿部更难.本文采用D-H方法对现有的仿人机器人7自由度的下肢进行运动学建模与分析,用位姿分离法求解步行运动中的逆运动学解,在LMS Virtual.Lab仿真平台上仿真,为解决机器人的动力学问题做必要的准备.     

可穿戴机器人的研究现状和面临的挑战

本文以基于外骨骼的研究进展和社会不断增长的需求为背景,阐述可穿戴机器人的研究现状以及具有代表性的传感器技术.同时,对使用特殊的基于跑步机平台的康复疗法和使用功能性电刺激疗法来完成运动修复的情况进行了回顾.最后讨论了可穿戴机器人在智能空间中集成方面的问题,并提出了一些重要的关键技术.     

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.