共查询到15条相似文献,搜索用时 171 毫秒
1.
2.
3.
4.
5.
手部康复装置是用于手部功能恢复治疗的装置,刚性装置柔性不足、贴合性差,容易造成二次伤害;软体装置驱动力小,且复杂软体装置不易制作。为克服刚性装置与软体装置的缺点,提出了一种结合软体关节与刚性指节的可穿戴手部康复装置。分析人手的生物结构,设计软体关节结构并分析其弯曲特性,基于刚软结合设计气动手指执行器,并进行有限元应力与变形分析;完成软体硅胶关节模具和手部康复装置的制作;搭建气动手指执行器测试实验平台,测试刚软结合手指执行器的弯曲特性和指尖力,并进行手部康复装置对不同形状物体的抓取实验。结果表明所设计的刚软结合可穿戴手部康复装置可实现手部抓握等运动功能的康复训练。 相似文献
6.
7.
软体机器人是近年来的研究热点,涉及信号检测、控制、致动等多个方面。基于弹性体材料设计制备了一种符合人体手指运动规律的弯曲致动器及其仿生手和电容式可拉伸传感器。仿生手总共设计有14个弯曲关节,且每个弯曲关节都由外部管道独立控制,当外部气压达到50 k Pa时,手指关节能够实现90o的弯曲变形,最大指尖压力为210m N。可拉伸应变传感器在200%应变下表现出良好的稳定性和可逆性,将传感器贴在手指关节上具有监测手指运动的功能。最后,将传感器贴于手套上作为可穿戴器件,通过单片机控制系统采集手套上传感器由于手指弯曲产生的信号,信号经蓝牙传输,实现对气动回路的有效控制,最终完成对仿生手的远程实时操控。研究结果可应用于远程交互、生命科学等领域。 相似文献
8.
在分析人手生物学特性的基础上,提出了一种新的外骨骼式机械手,用于创伤手指的术后康复治疗。基于模块化思想设计了外骨骼手机构本体,该外骨骼手可以适应不同人手长度,能够驱动手指进行独立的弯曲和内收/外展康复运动;康复过程要求外骨骼手能够实时反馈手指关节的角度和力信息,同时保证康复力始终垂直作用于指骨以避免损坏关节周围的软组织。对外骨骼手关节单自由度和二自由度构型进行了分析,建立了外骨骼手的运动学模型,给出了外骨骼手的运动学和动力学方程。以ARM微处理器为核心,建立了基于SPI总线的外骨骼手控制系统。最后,进行了外骨骼手的运动学和动力学仿真验证及食指弯曲方向康复实验研究。实验结果表明,创伤手指康复外骨骼手系统康复原理和方法正确可行,实验的重复性误差5%,表明外骨骼手系统能够满足创伤手指康复要求。 相似文献
9.
在分析了人手生物学特性的基础上,提出了一种新的外骨骼式机械手,用于创伤手指的术后康复治疗。基于模块化思想设计了外骨骼手机构本体,该外骨骼手的特点是可以适应不同人手长度,能够驱动手指进行独立的弯曲和内收/外展康复运动,康复过程中为避免对关节周围软组织的损坏能够保证康复力始终垂直作用于指骨,且能实时反馈手指的关节角度、力信息。对外骨骼手关节单自由度和二自由度构型进行了分析,建立了外骨骼手的运动学模型,给出了外骨骼手的运动学和动力学方程。以ARM微处理器为核心建立了基于SPI总线的外骨骼手控制系统。最后,进行了外骨骼手的动力学仿真验证和食指弯曲方向康复实验研究。实验结果表明,外骨骼手系统可靠,康复原理和方法正确可行,能够满足创伤手指康复要求。 相似文献
10.
《机械制造与自动化》2016,(6):216-219
针对传统的手腕康复训练器存在柔性不足,结构复杂,成本高昂等问题,基于一种可产生弯曲变形的气动柔性驱动器,设计出一种手腕运动康复装置。阐述了气动柔性驱动器和手腕康复装置的设计与制作方法,实验结果表明该手腕康复装置能有效地驱动手腕做运动康复训练,并具有很好的柔性。 相似文献
11.
12.
手指内部力矩受表面肌电信号、肌力、手部姿态等因素影响而无法直接获取,为了实时且准确地获取手指各关节力矩以及耦合力矩并应用于手部康复机器人的交互控制中,提出了一种基于表面肌电信号和肌肉骨骼模型的手指多关节力矩和耦合力矩分析与实时获取方法。首先设计了自适应手指关节角度采集系统,通过实验同步采集指浅屈肌与指伸肌的肌电信号以及手指各关节的角度数据,建立手指多关节力矩模型,从而获取手指各关节力矩。然后建立手指D-H模型,结合虚功原理获取手指的耦合力矩。最后,辨识了手指多关节力矩模型的参数,并通过OpenSim软件获取了仿真力矩。计算力矩与仿真力矩的对比结果显示:4名被试3个关节力矩的均方根误差分别为0.156 7、0.097 425、0.084 95,证明了该方法能够实时并准确的获取手指各关节力矩和耦合力矩,能够满足手部康复机器人交互控制准确性和实时性的需求。 相似文献
13.
为了满足手部运动功能康复器的主动康复训练对多种人手动作模式识别的需求,分析了表面肌电信号采样通道设置布局、训练样本制作、特征提取方式、模式分类器结构参数等因素对手部动作识别的影响,设计了针对前臂的表面肌电信号采集方案,分别基于时域统计量、自回归模型系数、小波包分解系数特征设计了BP神经网络分类器。实验结果表明:对6种单指动作、13种多指动作、20种手部动作的最佳平均识别率分别为98.5%、92.4%、90.9%,计算时间小于190 ms,验证了所提出方法的有效性和实用性。 相似文献
14.