基于多核学习极限学习机的助行机器人运动相容性识别

下肢外骨骼作为一种可穿戴设备可以保护人体、增强人体的力量、激发人体的自我修复能力,已经在康复领域广泛使用。由于外骨骼机器人实际运动意图与期望运动意图存在一定差异(即运动不相容),容易造成穿戴者不舒适。为了提高运动相容性识别的准确率,本文针对步幅过大、步幅过小、步幅相容采用多核学习极限学习机(ELM)的方法进行了识别。表面肌电信号(sEMG)包含了大量的步态信息,能够很好地应用于运动相容性的识别,首先从时域、频域、时频域等角度提取了表面肌电信号特征,然后利用灰狼算法优化极限学习机核函数参数,最后用多核极限学习机理论,获得最优的分类模型。实验结果表明,基于多核学习极限学习机的助行机器人运动相容性识别准确率较单核极限学习机有明显提高。     

基于K近邻的下肢动作模式识别方法

目前肌电信号识别技术存在数据量少、识别率低的问题。该文以下肢动作为对象,采集平地行走、上楼、下楼、坐下和起立5种动作的表面肌电信号（Surface electromyography,sEMG）,在提取sEMG特征的基础上,提出一种基于K近邻（K-nearest neighbors, KNN）的下肢动作模式识别方法。同时对比其他传统机器学习识别方法,通过试验可知,该文所提方法识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供理论支撑。     

外骨骼穿戴式康复机器人研究综述

本文介绍了几种典型的外骨骼穿戴式康复机器人系统,包括外骨骼上肢、下肢和手指康复系统。分析外骨骼穿戴式康复系统的结构特点和功能原理,总结外骨骼康复系统的核心技术,展望未来的发展趋势。     

基于多源生物信号的下肢步态相识别

为提高人体下肢步态相识别的准确性,研究了融合表面肌电信号(sEMG)、膝关节角度和足底压力信号的人体下肢步态相识别方法。首先, 将sEMG信号进行小波包分解提取多尺度能量和多尺度模糊熵特征;然后,对提取的sEMG信号特征值采用主成分分析（PCA）方法进行降维处理,并与足底压力特征值和膝关节能量特征值构成一组特征向量;最后,将特征向量输入粒子群优化最小二乘支持向量机（PSO-LSSVM）对人体下肢运动信息进行步态相识别。实验结果表明,所提方法相较于其他方法有较高的识别准确率和有效性。     

医疗助力下肢外骨骼设计及动力学仿真分析

针对人体下肢受伤康复等问题,设计了医疗助力下肢外骨骼机器人.对下肢外骨骼系统进行了基本结构设计,把下肢运动分单腿、双腿支撑的不同时期,进行了下肢外骨骼系统动力学计算.通过Lagrange方程,得到各关节力矩计算公式,建立了三维模型,利用基于接口的协同仿真技术并结合ADAMS和MATLAB软件对外骨骼进行联合仿真,得到单腿支撑时期各关节角度变化曲线及力矩变化曲线,对比仿真数据和理论计算数据,验证了理论模型的合理性.通过下肢外骨骼仿真分析设计,为后期下肢外骨骼运动控制及模型制造提供重要数据与理论基础.     

基于人机闭链的下肢康复外骨骼机构运动学分析

针对下肢康复外骨骼在使用过程中出现的运动偏差，基于人体-外骨骼运动模型与调整模型，完成了下肢康复外骨骼的结构设计与运动学分析。运用人机偏差变量理论和人机相容理论，在人体-外骨骼运动模型上添加被动自由度，建立了人体-外骨骼调整模型。根据2种模型设计了下肢康复外骨骼，该外骨骼提供运动模式和调整模式，可通过人机滑动偏差检测装置切换使用模式。通过建立单侧外骨骼机械腿运动学模型，求解其运动方程和连杆变换矩阵。运用MATLAB和ADAMS软件对外骨骼模型和人体-外骨骼模型进行运动学仿真，并对比分析仿真结果。结果表明：下肢康复外骨骼在矢状面内的运动空间可以覆盖人体末端运动轨迹，该外骨骼各关节仿真运动趋势与理论运动趋势基本一致；调整模式能够补偿运动模式产生的运动偏差，验证了下肢康复外骨骼机构设计的合理性。研究表明基于人机闭链设计的下肢康复外骨骼机构能够较好地补偿运动偏差，避免因人机滑动引起的人体二次损伤，为外骨骼的实用化设计与研究提供了理论基础。     

膝关节外骨骼机器人自适应变刚度承载优化研究

针对人体膝关节转动瞬心的运动规律,以及下肢在支撑相运动过程中需要外骨骼提供较高的辅助承重刚度、摆动相中外骨骼与膝关节运动空间相匹配兼容等特点,提出一种新型自适应变刚度膝关节外骨骼机器人.以此为研究原型,采用拉格朗日法构建了膝关节外骨骼转动部分系统动力学模型,并以此为基础在Matlab平台上开展了其负载优化仿真研究,最终...     

基于弹性装置驱动的外骨骼助行效能评价

目前,被动式助行外骨骼的能量转化效率较低.基于人体步态特征及人在行走过程中产生的重力势能和动能,分析了外骨骼的助力原理,并采用多级能量锁止机构设计了一款下肢被动式外骨骼.建立了外骨骼的动力学仿真模型,以体重和行走速度为变量,对外骨骼储能性能进行了仿真分析.以肌电信号为依据对外骨骼的助力性能进行了研究,对比了在穿戴/未穿...     

基于自回归模型和学习矢量量化神经网络的手指动作识别

手指的力量和动作是反映手指协同运动、评价手部运动机能的重要参数。本文提出了一种以自回归（Auto-regressive,AR）模型和学习矢量量化（Learning Vector Quantization,LVQ）网络相结合的表面肌电信号处理方法。13名受试者参与了目标力量为4N、6N、8N等三个力量等级的指力跟踪实验,对指力信号和前臂指浅屈肌（flex digitorum superficials,FDS）、指伸肌（extensor digitorum,ED）的表面肌电信号进行了同步记录;通过对采集到的肌电信号进行预处理,提取AR系数作为其特征值;然后设计了一个LVQ神经网络,对同等力量水平下食指、中指的动作进行模式分类,分类正确率在80％以上。实验表明,表面肌电信号（surface Eleetromyography,sEMG）与手指动作具有相关性,使用AR结合LVQ的sEMG有较高的识别率。     

基于多信息融合的下肢外骨骼机器人感知系统研究

人体运动感知系统是外骨骼机器人柔顺控制和人机耦合的关键。通过分析外骨骼机器人的下肢动态模型,提出了一种支撑相选择位置控制、摆动相选择交互力导纳控制的人机协同控制方法。根据该方法开发了一种基于多信息融合的下肢外骨骼机器人感知系统,以人体下肢关节角度、人机交互力和足底压力为运动状态感知量,利用变增益卡尔曼滤波算法和Savitzky-Golay滤波算法分别对IMU传感器数据进行姿态角度解算和对FSR压力数据进行预处理,获得步态特征并通过试验来验证该方法的可靠性。试验结果表明：角度解算算法具有高精度、高稳定性的特点,交互力感知方法和FSR压力数据处理算法具有可行性,验证了所开发的感知系统能够可靠地获取关节角度、人机交互力和足底压力并融合处理,以及准确地识别穿戴者的步态特征。研究结果为外骨骼机器人感知系统的优化提供一定参考,促进了外骨骼机器人控制系统及策略的发展。