概率神经网络在下肢运动趋势判断中的应用

针对下肢助力外骨骼控制系统中对于穿戴者运动意图识别准确性和实时性的需求,提出一种基于肌肉激活度的人体下肢关节运动趋势的判断方法。表面肌肉的肌肉激活度可以通过肌电信号得到。首先给出典型下肢表面肌肉对应的关节活动,以地面广义作用力和运动角度数据求得肌肉激活度;然后以肌肉激活度为特征,基于概率神经网络识别关节运动趋势。实验结果表明:该方法对于平地行走的踝关节的跖屈/背屈的总准确率为79.5%,膝关节的伸直/弯曲的总准确率为85.5%;髋关节弯曲/伸直的总正确率为80.8%。     

坐卧式下肢康复机器人的被动训练控制

考虑到下肢康复机器人很难获得精确、完整的数学模型,而且在建立模型时需要进行合理的近似处理,因此忽略了外部干扰、参数误差、未建模的动态和摩擦等不确定因素,这些原因导致控制性能不佳。基于此提出了一种基于计算力矩法的神经网络鲁棒控制器,通过计算力矩法对标称模型进行控制,RBF神经网络控制器对系统中未知的不确定项进行补偿,而自适应鲁棒控制器则用来补偿神经网络的逼近误差及外部的干扰,从而提高了系统的动态性能和控制精度,并对算法的稳定性进行了证明。通过实验验证,证明了控制算法的有效性,在被动训练时具有较好的轨迹跟踪性能。     

欠驱动康复外骨骼手的设计及试验

为了解决手部丧失运动能力患者的康复训练以及日常生活不便的问题,设计了欠驱动康复外骨骼手。研究了人手的生理结构,由关节间存在的耦合运动,设计了多连杆以及齿轮传动系统,实现欠驱动康复训练。利用解析法建立了单个手指的运动学模型,通过单个手指的运动学模型建立4指的拟合抓握模型,并进行了模拟仿真。建立样机并进行样机实验及运动学仿真,通过结果的对比分析,外骨骼手运动实现了预期的运动且运动合理、误差小。     

基于SAE和LSTM的下肢外骨骼步态预测方法

提出一种基于栈式自动编码器（Stacked Auto Encoder,SAE）和长短时记忆（Long Short-Term Memory,LSTM）神经网络相结合的步态预测方法解决下肢外骨骼机器人跟随控制问题。人体在行走过程中下肢步态具有一定的周期性,通过将下肢运动信息作为输入,步态作为输出,构建SAE-LSTM神经网络模型,并利用Keras对SAE-LSTM神经网络进行搭建和验证。实验结果表明,SAE-LSTM神经网络根据之前时间段的步态序列有效地预测出下一时刻的步态信息,平均准确率能够达到92.9%以上。     

无动力下肢负重外骨骼人机动力学及其储能元件刚度优化EI北大核心CSCD

为提高人体搬运效率,降低人体关节损害,提高外骨骼能量利用效率,基于人机动力学对一种无动力辅助负重下肢外骨骼的储能元件刚度进行优化。应用牛顿-欧拉动力学方程建立人机耦合动力学模型,得到各关节力矩与大小腿长度和质量、关节转角及弹簧刚度关系的数学模型。将三维动作捕捉系统采集的角度数据代入动力学方程中,通过MATLAB进行计算得到关节力矩动态变化规律。建立人机系统各部分的能量流动模型,并进行步态周期内的能量流动分析,以储能元件刚度为参数,储能元件的能量流动为约束条件,各关节平均力矩最小为目标建立优化模型,通过与AnyBody人体仿真软件获得的人体模型作对比验证优化结果的正确性。结果表明,穿戴优化后外骨骼减轻了下肢着地时对人体的冲击,有效降低了人体能耗和下肢关节转矩。     

基于钢琴触键动作的教育辅助型外骨骼机械手设计

为了掌握钢琴弹奏技能,初学者往往需要在教师的帮助下不断重复训练并纠正错误的触键动作.这种方法训练强度大,单调乏味,教学效果与教师的经验相关.近年来,用于辅助人手运动的外骨骼机械手研究逐渐增加,但结构复杂、运动精度较低、缺少反馈与运动评价等问题仍然存在.针对这些问题,首先采用leap motion建立手指触键动作测量平台,采集手指触键动作参数值,获得手指弹琴触键运动曲线;然后设计一款用于钢琴教学训练的外骨骼钢琴教学机械手.该机械手采用特有的欠驱动传动方式,实现远指节DIP、近指节PIP与掌指节MCP的耦合运动.最后,对钢琴教学机械手进行仿真分析,以及进行人手穿戴弹奏实验,验证了钢琴教学机械手结构可靠,动作还原精度较高,能够满足钢琴弹奏动作练习要求.该钢琴教学机械手结构简单、穿戴方便,可辅助钢琴弹奏初学者自学.