基于Simulink的下肢外骨骼机器人模糊PID控制与仿真分析

为研究下肢外骨骼的轨迹跟踪控制,结合人体生物学特点及户外助力要求,设计了一款可穿戴式下肢外骨骼机器人。针对PID控制在轨迹跟踪时无法消除扰动的问题,为实现下肢外骨骼的柔顺控制,设计了一种模糊PID控制算法。首先在Solid Works上进行外骨骼结构设计,然后将外骨骼模型导入Simulink中搭建动力学仿真模型,对髋、膝、踝六关节驱动输入正常人体行走的力矩信息,在仿真模型中分别用普通PID控制器与模糊PID控制器对比控制效果,并对比了步态输入曲线与实际跟踪曲线。通过仿真结果对比可知,模糊PID控制相较于普通PID控制具有响应速度快、抗干扰能力强等优点。     

基于稳态视觉诱发电位的相频特性分类算法研究

目前基于稳态视觉诱发电位（SSVEP）的脑-机接口在人机协作中受到广泛关注,现有面向SSVEP信号的相位与频率信息的深度学习分类方法,仍存在由于信息利用不充分导致的SSVEP信号分类效果较差等问题。而目前已出现多种分类算法用于解决上述问题。本文基于迁移学习思想提出一种用于SSVEP信号分类的深度神经网络模型,将快速傅里叶变换后的复向量作为输入,对各个导联的实、虚部向量进行卷积,学习对应的相频特性。该模型分为两部分：第一部分利用所有被试者之间的统计共性获得相位和频率信息的全局相频特征模块;第二部分利用训练好的全局相频特征模块对局部相频特征模块进行初始化,通过局部相频特征模块的进一步强化学习对训练参数进行微调,以减少每个被试者之间的个体差异。在公开数据集BETA上进行测试,在时窗长度为1.5 s时,平均准确率和平均信息传输率分别为89.98%和71.80 bit/min。实验结果表明,与其他方法相比,本文的分类算法模型取得了较为不错的分类效果,所设计的全局、局部相频特征模块能够改善个体差异因素对分类结果的影响,为深入挖掘、利用SSVEP信号中的相位和频率信息提供了全新思路。     

基于SSVEP信号的下肢外骨骼机器人控制系统研究

为了降低脑控下肢外骨骼机器人的研发成本,促进脑机接口技术的快速发展,提出一种基于深度学习与Matlab/Simulink联合仿真控制方法。该方法建立具有多个自由度的下肢外骨骼机器人样机模型,并进行运动学仿真,验证模型的合理性。利用EEGLAB对SSVEP信号进行滤波预处理,通过FFT变换将信号从时域转换到频域,提取SSVEP信号的频域特征。结合深度学习理论对特征进行分类,将分类结果转换成控制指令,控制仿真模型进行运动。实验结果表明,该方法控制的平均准确率达到了79.8%,验证了其可行性。