5 DOF穿戴式上肢康复机器人控制方法研究

提出了一种面向偏瘫患者,可实现单关节和多关节运动的5自由度穿戴式上肢康复机器人的控制新方法.根据偏瘫患者上肢单侧受损的特点,该机器人利用偏瘫患者的健肢运动的表面肌电信号(sEMG)驱动康复机械臂辅助患者患肢实现康复训练.利用肌电绝对值积分(IAV)和自回归参数模型法(AR model)对选定的上肢四块肌肉运动产生的sEMG信号进行分析,所提取的特征分别作为基于Levenberg-Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.这一方法有利于提高患者运动积极性,保持正确运动的感觉,并为研究患者受损上肢表面肌电信号与肌肉运动的关系打下了基础.     

采用深度学习和表面肌电信号的上肢动作识别

使用上肢表面肌电信号对上肢动作进行识别是实现康复机器人持续被动运动和主动辅助运动模式的重要方法。为了提高基于表面肌电信号(surface electromyography, sEMG)的上肢动作识别精度,分别采用了分段时域信号和拼接频谱图的两种肌电动作识别方法。分段时域信号方法采用融合卷积神经网络(convolutional neural network, CNN)、长短时记忆网络(Long Short-term Memory, LSTM)和注意力机制的自建网络对上肢动作进行识别;拼接频谱图方法将预处理后的时域信号通过短时傅里叶变换(Short-Time Fourier Transform, STFT)转换为对应频谱图,利用两种微调的预训练模型VGG16和Resnet50对所有通道竖直拼接的频谱图提取特征并将特征拼接,结合支持向量机对上肢动作进行识别。实验结果表明,所提出的两种方法在采集的受试者肌电信号数据集上均表现出90%以上的识别精度,可有效区分不同的上肢动作。     

熵在不同等级偏瘫患者sEMG运动检测中的应用

不同等级偏瘫患者的表面肌电信号（sEMG）受噪声影响不同,研究适合从偏瘫患者的肌电信号中检测肌肉活动的算法.对Brunnstrom分级Ⅰ-Ⅴ级偏瘫患者,采集双侧共同腕伸运动时前臂原动肌的肌电信号,将健康侧的信号作为对照组.采用运动/静息比方法,计算信号信噪比（SNR）,对信号进行绝对值均值（MAV）、模糊熵（FuzzyEn）、样本熵（SampEn）、近似熵（ApEn）的滑动窗运算,比较在不同等级患者中各特征算法的优劣.在不同等级偏瘫患者中,患侧肌电信号的SNR与患者等级呈正相关性.与MAV法相比,3种熵值算法对Ⅱ-Ⅴ级偏瘫患者sEMG运动检测的适应性更好,有检测弱肌力患者潜在运动信号的潜力,其中FuzzyEn比其他熵值算法的适应性更好.对噪声的敏感性方面,FuzzyEn受影响最小.     

外骨骼式上肢康复机器人力辅助控制

针对由脑中风引起的偏瘫患者,提出了一种新型的5 DOF外骨骼式上肢康复机器人.为激励患者肢体的主动运动意识,促进患肢康复,提出了机器人辅助运动模式.上肢复合运动力辅助控制通过实时获取各关节力矩信号来判断人体上肢的运动意图所产生的作用力方向与大小.为实时跟随患者上肢运动意图,利用比例控制器对肢体末端运动速度进行控制,从而驱动各关节完成运动.实验结果表明该方法较好地实现了患者肢体空间复合运动的实时力辅助.     

基于表面肌电信号双谱分析的动作分类

为了提高人体上肢动作识别正确率,提出了一种基于表面肌电信号双谱分析的动作分类方法,以信息增益作为表面肌电信号起止点分割效果衡量标准,结合TKE算子提取出肌肉运动起止区间的表面肌电信号,对提取到的表面肌电信号进行双谱变换,提取双谱的正反对角切片作为表面肌电信号特征,以概率神经网络作为分类器,以100次10折交叉验证为一次动作分类实验,计算10次分类实验的平均正确率,最终得到正对角切片、反对角切片和正反对角切片的分类正确率分别为94.56%、90.93%和95.48%.     

基于线性判别分析的表面肌电信号动作模式识别

表面肌电信号(SEMG)属于非平稳的生物电信号,特点是信号微弱、易受干扰.为了有效提取表面肌电信号(SEMG)特征、更好地识别人体上肢运动的模式,针对表面肌电信号的特点提出了一种线性判别分析人体前臂运动特征的识别方法.通过虚拟仪器同时采集桡侧腕屈肌和肱桡肌两路的表面肌电信号,取平均绝对值(MAV)和均方根(RMS)为特征参数,应用线性判别分析(LDA)方法对样本特征矩阵进行模式识别.与其他特征识别方式的对比实验表明,此方法的动作识别率更高,能够成功地从表面肌电信号中识别握拳、展拳、手腕内翻和手腕外翻4种动作,动作的平均识别率达到了99.5%.     

改进AR模型特征提取及分类

目前,表面肌电信号（sEMG）是手势动作识别研究的重要信号源.本文以肌电信号为对象,从非平稳与非线性的角度出发,采用ICA独立成分分析和经验模式分解的方法,消除表面肌电信号中的工频干扰,对处理后的信号建立AR模型.将模型系数作为信号的特征,对6种手势动作进行模式识别.实验表明,该方法获得的特征具有较好的分类效果.     

基于NNE技术的手臂运动模式识别算法研究

本文将神经网络集成(Neural network ensemble,NNE)算法应用于人体手臂运动模式识别领域中,通过对手臂不同运动模式下的表面肌电信号(sEMG)的采集、分析与处理,识别出与其对应的手臂运动模式。主要利用小波包分解(WPD)算法提取表面肌电信号的时-频特征向量,利用集成神经网络对表面肌电信号特征向量进行模式识别;神经网络集成模型由Bagging算法生成,参与集成的个体神经网络均为BP神经网络,集成神经网络的输出由单个神经网络的输出通过相对多数投票法产生。最后,对手臂4个不同运动模式下的表面肌电信号进行了模式识别实验。实验结果表明,与个体神经网络相比,集成神经网络可以显著地提高手臂动作的识别率,证明了将神经网络集成技术用于手臂运动模式识别的有效性和可行性。     

基于CMAC神经网络的康复机器人的智能控制技术

康复机器人是目前的热点方向之一.建立了五自由度上肢康复机器人的CMAC神经网络控制模型.在此模型基础上,通过对正常人肌电信号的训练学习,修正了网络的权值,得到了较为理想的控制模型.最后,通过病人的肌电信号,得到了良好的输出结果.仿真实例表明,CMAC方法比其他神经网络方法收敛快,学习精度高,且具有更好的网络泛化能力,可以用于五自由度上肢康复机器人的智能控制.     

基于表面肌电信号进行手部动作发起检测方法

实时且准确地识别手部动作,是表面肌电信号应用的重要方面,而通过其进行手部动作的发起检测是一个技术难点。为了解决这一问题,该文提出一种通过表面肌电信号进行手部动作发起检测的方法,将TKE算子应用于sEMG信号的预处理,通过设计二值化状态函数,并针对消除噪声对肌电信号的影响,提出启发式滤波策略。建立手部动作发起的表面肌电仿真模型,通过比对应用几种算子对仿真模型进行发起检测,证明TKE算子方法的有效性。利用肌电信号采集与处理系统进行实验验证。结果表明,该检测方法能够对手部动作发起进行高精度的实时检测。     

上肢康复外骨骼机器人控制方法进展研究

上肢康复外骨骼机器人主要用于为上肢运动功能障碍患者提供科学有效的康复训练,以实现患肢运动功能恢复及日常生活自理。该文从控制策略的角度综述了近年来上肢康复外骨骼机器人的研究进展。首先,从不同时期的康复治疗需求的角度出发,对已有的控制策略进行主动、被动控制分类,并对不同的控制方法进行概述,分析了各控制方法的当前研究现状。最后,对上肢康复外骨骼机器人发展中一些关键的挑战进行讨论并展望了未来的研究方向。     

基于改进支持向量机的人手动作模式识别方法

为了提高基于表面肌电信号（sEMG）控制的手部运动康复器对人手多种动作模式的识别率,比较常规支持向量机（SVM）多类分类器的特点,提出改进的决策树支持向量机多类分类方法.该方法引入基于sEMG特征向量的类间距离可分性测度来指导决策树的构建,能够为每个SVM子分类器的训练提供识别率较高的样本划分方案,在提高决策树内部节点分类成功率的同时,简化了分类器结构.通过实验对比可知,新方法在20种手部动作模式的识别训练过程中,单项动作最低识别率较常规决策树方式提高了7.1%,平均识别率达到88.9%,训练速度较一对一支持向量机分类器提高了5.8%.     

WAM机器人辅助上肢康复训练技术应用研究

运用WAM机器人辅助偏瘫上肢进行康复训练,从机器人运动参数和传统医学评估方法两方面分析验证康复训练的有效性.基于WAM机器人搭建实验平台,设计"十"字和"米"字康复训练方式,添加趣味性游戏,招募上肢偏瘫患者跟踪进行康复训练与评估.采集WAM机器人的轨迹和转矩信息,分析康复训练前后轨迹跟踪误差和转矩变化,评价患肢的运动功...     

上肢康复训练轨迹定制优化及柔顺跟踪控制

卒中后早期的被动康复训练可以促进患者脑神经重塑甚至重获肢体运动能力。针对多数上肢康复机器人将参数化规则曲线作为被动训练的轨迹,没能融合康复医师的经验及患者的个体特征,或者缺乏三维个性轨迹的光滑优化以及训练过程中的安全柔顺交互的问题。本文基于新型末端牵引式3自由度上肢康复机器人开展轨迹个性化定制优化以及跟踪控制研究。首先,在笛卡尔空间应用导纳算法及力补偿策略实现理疗师对轨迹的定制。然后,用道格拉斯-普克法压缩原始轨迹数据得到型值点,保留初始轨迹的拓扑形状。用非均匀有理B样条曲线(NURBS)进行插值,并融合动态切换概率和t变异改进蝴蝶优化算法(BOA)优化拟合的轨迹。最后,设计基于RBF网络的滑模自适应以及速度前馈加PID的控制策略实现末端轨迹跟踪,并增加导纳-阻抗控制形成基于力阈值的多模式柔顺跟踪控制,保证较大人机交互力时的安全。结果表明定制机器人末端轨迹的拖动力在5N以内;改进的BOA算法具有更高的收敛速度和精度,优化的轨迹曲率和更小;轨迹跟踪控制策略可以将跟踪误差控制在6mm内;模式切换在0.3s内响应并顺应较大交互力而提高训练的安全性。     

基于多层脑功能网络特征的动作意图识别

基于脑电信号完成对步态特征的解码分析并就动作意图做出可靠识别和预测,是基于脑机接口的人机混合康复训练系统和智能助行机器人中的核心问题。为实现对站立、坐下以及静止状态这些最基本步态过程的分类识别,提出了基于多层脑功能网络分析的特征表示方法,结合对各类脑功能网络特征的统计分析,确定对不同动作敏感的网络特征量,并结合支持向量机、线性判别分析、逻辑回归以及朴素贝叶斯算法完成对不同动作过程的分类识别。实验结果表明,所提出的方法可较好地实现对上述动作意图的识别,针对13名被试者对站立、坐下和静止状态的识别准确率均高于71%,最高达到77%。对多层动态脑功能网络的分析结果表明,下肢运动过程的发生会弱化脑区间的相互依赖关系,导致网络拓扑连接结构变得逐渐稀疏。研究结果对理解下肢运动过程中大脑认知过程变化,开展基于脑机接口的下肢康复策略研究和康复系统开发具有一定的参考价值。     

Introducing semantic information into motion graph

To improve motion graph based motion synthesis,semantic control was introduced.Hybrid motion features including both numerical and user-defined semantic relational features were extracted to encode the characteristic aspects contained in the character's poses of the given motion sequences.Motion templates were then automatically derived from the training motions for capturing the spatio-temporal characteristics of an entire given class of semantically related motions.The data streams of motion documents wer...     

面向双侧训练的前臂外骨骼肌肉力-电关系识别模型

为了使前臂外骨骼系统能准确识别健肢运动的肌力水平,并带动患肢进行双侧训练,提出基于表面肌电的肌肉自主收缩力-电关系识别模型.通过4名被试者,实验采集前臂4种抓握力度下的肌电信号和握力值.利用单因素方差分析与多重比较产生的同类子集,提取11个具有显著性差异的肌电时域指标作为特征值.采用Elman神经网络构建力-电关系分类模型和肌力预测模型,并与基于支持向量机和基因表达式编程的预测模型进行性能比较.实验结果表明:Elman模型能够成功识别4种不同握力水平,建模效率高于基因表达式编程模型,肌力预测的泛化性能优于支持向量机模型.开发一个前臂外骨骼,在双侧训练的控制中验证了方法的有效性.