CN101874758A - 辅助运动系统及其控制方法 - Google Patents

Abstract

本发明提供了一种辅助运动系统及其控制方法，所述系统包括：数据采集单元，采集肢体多个部位的肌电信号；信号处理单元，分别提取每个部位的肌电信号的时域特征和频率特征，采用并行模式分类算法对肢体的多关节协同动作类型进行训练和识别；电机驱动器，根据动作类型驱动机械执行机构进行动作；机械执行机构，在电机驱动器的驱动下辅助肢体完成相应动作。本发明提供的系统及其控制方法，用户可以设定机械执行结构为“主动训练”或“被动训练”来选择训练模式，该系统能自动感知使用者的动作意图，配合完成不同强度和速度的训练需要，能提高运动功能康复效果。

Description

辅助运动系统及其控制方法

【技术领域】

本发明涉及康复医疗器械技术，尤其涉及一种辅助运动系统及其控制方法。

【背景技术】

据卫生部统计，我国每年新发显示脑卒中(或脑中风)患者约200多万人，累计存活的脑中风患者已达600～700万人，其中3/4患者会留下不同程度的身体残疾。而我国脑中风发生率正在以年增幅2％～3％的速度迅猛发展，远高于世界脑卒中年增幅1.7％的水平。脑中风患者急性期过后常留有各种功能障碍，包括运动功能障碍、失语症、认知障碍、吞咽障碍等，其中部分或全部丧失肢体运动功能是脑中风最严重的后遗症。据统计，大约只有14％的脑中风存活者可以通过药物治疗恢复他们的运动功能，而大多数存活者遭受不同程度的运动功能障碍，其中大约50％的存活者有着永久的严重身体运行障碍(如偏瘫)。对于脑中风后的瘫痪患者，物理治疗是自身运动功能恢复的重要手段。除了传统的由物理治疗师来进行的肢体训练外，运动功能康复技术也已经应用到了康复治疗中。

目前，临床使用的辅助运动系统能够在一定程度上向患者提供简单的训练方案，提高康复治疗的效果。现有的辅助运动系统主要分为主动训练和被动训练两大类。目前，多数辅助运动系统在训练过程中，不能对患者提供主动作用力，而仅仅提供阻力或支撑，容易让患者完全依赖于机器人完成动作，从而有可能导致瘫肢产生异常运动模式。

另有一些辅助运动系统能在训练过程中提供主动作用力来帮助患者完成一定的动作，但系统涉及相对简单，不能满足临床患者对不同功能状态的训练要求。即，辅助运动系统所能提供的训练工作只是简单的曲线或直线轨迹，往往与临床训练的要求不符，不能在康复早期给患者以更多的正确运动感觉的刺激，一般这些动作与日常功能性动作相差甚远，对于患者恢复日常生活能力帮助不大。并且，目前的辅助运动系统的训练方式，对患者来说仅仅是被动的运动康复治疗，缺乏对患者主动参与性的刺激，运行功能康复效果受到一定程度的影响。

【发明内容】

基于此，有必要提供一种能提高运动功能康复效果的辅助运动系统。

一种辅助运动系统，包括：数据采集单元，采集肢体上多个部位的肌电信号；信号处理单元，分别提取每个部位的肌电信号的时域特征和频率特征，采用并行模式分类算法对肢体的多关节协同动作类型进行训练和识别；电机驱动器，根据所述动作类型驱动机械执行机构进行动作；机械执行机构，在所述电机驱动器的驱动下辅助肢体完成相应动作。

优选地，所述数据采集单元包括：表面电极，贴附于肢体的多个部位的肌肉表面，采集每个部位的肌电信号；多通道前置放大器，对表面电极采集到的肌电信号进行放大及滤波处理；模数转换器，将所述多通道前置放大器处理后的肌电信号、机械执行机构的速度和力矩等反馈信息量化为数字信号，并发送至所述信号处理单元。

优选地，所述信号处理单元包括：肌电信号预处理单元，对肌电信号进行软件滤波消噪；多个特征提取单元，采用移动窗的方式分别提取每个部位的肌电信号的时域特征和频域特征，组合成每个通道的肌电特征向量，每个部位对应一个通道，所有通道的肌电特征向量组合成肌电特征矩阵；多个分类器，采用并行模式分类算法对各个部位的动作信息进行训练和识别，从而实时预测出肢体的多关节协同动作类型并输出。

优选地，在主动训练模式下，所述电机驱动器根据肌电信号的幅值控制机械执行机构的动作速度，所述机械执行机构采集所述机械执行机构的动作速度和动作的力矩并反馈至所述信号处理单元，所述信号处理单元根据预设动作任务的恒定力矩及反馈的速度和力矩计算附加力矩，所述电机驱动器根据所述附加力矩调整机械执行机构的附加力矩完成预设的动作任务。

优选地，在被动训练模式下，所述电机驱动器根据用户选定的动作任务，控制机械执行机构按照所述动作任务的动作类型和动作强度以恒定力矩执行相应动作类型，带动肢体进行动作。

此外，还有必要提供一种能提高辅助运动效果的控制辅助运动系统动作的方法。

一种控制辅助运动系统动作的方法，包括：A.采集肢体上多个部位的肌电信号；B.分别提取每个部位的肌电信号的时域特征和频率特征，采用并行模式分类算法对肢体的多关节协同动作类型进行训练和识别，从而实时预测肢体的多关节协同动作类型并输出；C.根据所述动作类型驱动机械执行机构辅助肢体完成相应动作。

优选地，所述步骤A包括：将表面电极贴附于肢体的多个部位的肌肉表面上，采集每个部位的肌电信号，对所述肌电信号进行放大和滤波处理，将处理后的肌电信号量化为数字信号。

优选地，所述步骤B具体是：对肌电信号进行软件滤波消噪，采用移动窗的方式分别提取每个部位的肌电信号的时域特征和频率特征，每个部位对应一个通道，将提取的特征组合成每个通道的肌电特征向量，所有通道的肌电特征向量组合成肌电特征矩阵，采用并行模式分类算法对各个部位的动作信息进行训练和识别，从而实时预测肢体的多关节协同动作类型并输出。

优选地，所述方法还包括：在主动训练模式下，根据肌电信号的幅值控制机械执行机构的动作速度，采集机械执行机构动作的速度和力矩，根据预设动作任务的恒定力矩以及采集到的动作速度和力矩计算附加力矩，根据附加力矩控制调整机械执行结构的附加力矩，完成预设的动作任务。

优选地，所述方法还包括：在被动训练模式下，根据用户选定的动作任务，控制机械执行机构按照所述动作任务的动作类型和动作强度以恒定力矩执行相应动作类型，带动肢体进行动作。

上述辅助运动系统及其控制方法，通过并行模式分类算法对各单关节动作信息进行训练和识别，从而得到肢体的多个关节协同运动的动作类型，实现了多种动作类型的模式识别，根据识别的动作类型控制机械执行机构执行相应动作，所得到的动作类型更接近日常生活中的动作，运动轨迹更趋于自然。

此外，在主动训练模式下，机械执行机构动作的速度和力矩又可反馈至信号处理单元，构成闭环系统，根据相应的恒定力矩计算出提供助力或阻力的附加力矩，实现了主动训练模式下的助动调控，能够完成特定阻尼下的动作任务，使患者不会完全依赖于机器人完成动作，大大增强了系统的稳定性、智能化和人性化，激发使用者的成就感和使用兴趣，降低了他们的精神负担，进一步提高了辅助运动的效果。

【附图说明】

图1是一个实施例中辅助运动系统的结构示意图；

图2是一个实施例中信号处理单元的结构示意图；

图3是一个实施例中控制辅助运动系统动作的方法的流程图。

【具体实施方式】

如图1所示，一种辅助运动系统，包括数据采集单元10、信号处理单元20、电机驱动器30和机械执行机构40，其中：

数据采集单元10用于采集肢体多个部位的肌电信号。该实施例中，数据采集单元10包括表面电极101、多通道前置放大器102和模数转换器103，表面电极101贴附于肢体的多个部位的肌肉表面上，通常会贴附于肢体的多个关节上，根据肢体瘫痪程度及期望恢复动作数据的不同，电极的数目和位置也有所不同。一般可设置3～12个表面电极101，分别贴附于肩部、上臂、前臂及手部的肌肉表面上。表面电极101采集每个部位的肌电信号，通过多通道前置放大器101进行放大和滤波处理，其中滤波带宽可为5～450赫兹，滤波处理后的肌电信号则通过模数转换器103量化为数字信号(数字的肌电信号)，其中量化的采样频率可设置为500～1000赫兹。

信号处理单元20用于对肌电信号进行特征提取，分别提取出每个部位的肌电信号的时域特征和频域特征，采用并行模式分类算法对多关节协同动作类型进行训练和识别。如图2所示，在一个实施例中，信号处理单元20包括多个特征提取单元201、多个分类器202。对应多个肌电信号采集部位相应设置多个特征提取单元201和分类器202，每个部位对应一个通道，该通道上的特征提取单元201采用移动窗的方式提取肌电信号的时域特征(如平均绝对值、平均斜率绝对值、样点幅值差、过零率等)和频域特征(如平均功率频率、中值频率、峰值频率等)信息来描述肌电特征，组合在一起形成该通道肌电特征向量，所有通道的肌电特征向量则组合为肌电特征矩阵。在对肌电信号进行特征提取前，还可设置肌电信号预处理单元(图中未示出)，用于对肌电信号进行软件滤波消噪，可以采用Butterworth、Chebyshev Ⅰ、Chebyshev Ⅱ或Elliptic IIR数字滤波器中的一种进行滤波消噪。分类器202则采用并行LDA(Linear DiscriminationAnalysis，线性判别分析法)模式分类算法对各个部位的动作信息进行训练，使其“记忆”所包含的单关节动作类型，然后分类器202对每个关节的动作类型进行实时预测。最后根据各单关节动作类型得到肢体的多关节协同动作类型并输出。在一个实施例中，信号处理单元20运行在计算机上，通过数据采集卡采集肌电信号。

电机驱动器30用于根据输出的动作类型驱动机械执行机构40执行动作；机械执行机构40则在电机驱动器30的驱动下辅助肢体完成相应动作。该实施例中，辅助运动系统的运动模式分为主动训练模式和被动训练模式。在主动训练模式下，使用者根据自身需要设定恒定的动作任务(例如“抬起”、“放下”、“伸出”等动作任务)，这些动作任务可量化为多个强度等级(例如4～6个)，使用者可通过选择相应强度等级的动作任务或输入具体数值来设定恒定的动作任务。上述分类器202作出的动作分类结果作为电机驱动器30的控制输入信号，实时控制机械执行机构40执行相应的动作，肌电信号的幅值用于调控机械执行机构动作的速度。该实施例中，在机械执行机构40中设置速度传感器和力矩传感器，分别用来采集动作的速度和力矩，并反馈至信号处理单元20。根据预先设定的动作任务相应难度等级的恒定力矩，可计算出应给使用者提供的附加力矩(提供助力或阻力)，根据该附加力矩调整机械执行机构40的附加力矩，从而完成预设的特定阻尼下的动作任务。在另一个实施例中，也可采集机械执行机构40运动的角度及加速度等，反馈至信号处理单元20，计算附加力矩。肌电信号的幅值、动作完成速度、附加力矩等信息可显示在计算机的显示屏上，使使用者能实时了解训练情况。

在被动训练模式下，使用者根据自身需要在计算机上选定动作任务，动作任务可量化为多个强度等级(例如5个强度等级)。机械执行机构40按照使用者选定的动作任务“指令”，按照动作任务的动作类型和动作强度以相应强度等级设定值的恒定力矩执行相应动作类型，带动肢体进行动作。同时，机械执行机构40的力矩和速度等运动参数传递给计算机，显示在计算机的显示屏上。

如图3所示，一种控制辅助运动系统动作的方法，包括以下步骤：

步骤S10，采集肢体多个部位的肌电信号。该实施例中，在肢体的多个部位的肌肉表面上贴附表面电极101，通常贴在肢体的多个关节上，根据肢体瘫痪程度及期望恢复动作数据的不同，电极的数目和位置也有所不同。一般可设置3～12个表面电极101，分别贴附于肩部、上臂、前臂及手部的肌肉表面上。表面电极101采集每个部位的肌电信号，在进行放大和滤波处理后，量化为数字信号。

步骤S20，分别提取每个部位的肌电信号的时域特征和频域特征，采用并行模式分类算法对肢体的多关节协同动作类型进行训练和识别。该实施例中，每个部位对应一个通道，每个通道上设置特征提取单元201和分类器202，特征提取单元201对该通道上收到的肌电信号进行特征提取，包括采用时域法提取肌电信号的时域特征(如平均绝对值、平均斜率绝对值、样点幅值差、过零率等)和采用频域法提取频域特征(如平均功率频率、中值频率、峰值频率等)，组合在一起形成通道肌电特征向量，所有通道的肌电特征向量则组合为肌电特征矩阵。在对肌电信号进行特征提取前，还可对肌电信号进行软件滤波消噪声，可以采用Butterworth、Chebyshev Ⅰ、Chebyshev Ⅱ或Elliptic IIR数字滤波器中的一种进行滤波消噪。每个通道的分类器202采用并行LDA模式分类算法对各个部位的动作信息进行训练和识别，使其“记住”所包含的动作类型，从而实时预测出肢体的多关节协同动作类型并输出。

步骤S30，根据动作类型驱动机械执行机构40辅助肢体完成相应动作。其中，动作模式分为主动训练模式和被动训练模式两种。在主动训练模式下，使用者根据自身需要设定恒定的动作任务，这些动作任务可量化为多个难度等级(例如4～6个)。分类器202作出的动作分类结果作为电机驱动器30的控制输入信号，实时控制机械执行机构40执行相应的动作，肌电信号的幅值用于调控机械执行机构动作的速度。该实施例中，在机械执行机构40中设置速度传感器和力矩传感器，分别用来采集动作的速度和力矩，采集动作的速度和力矩并反馈至信号处理单元20。根据预先设定的动作任务相应难度等级的恒定力矩，可计算出应给使用者提供的附加力矩(提供助力或阻力)，根据该附加力矩调整机械执行机构40的附加力矩，从而完成预设的特定阻尼下的动作任务。

在被动训练模式下，使用者根据自身需要在计算机上选定动作任务，动作任务可量化为多个强度等级(例如5个强度等级)。机械执行机构40按照使用者选定的动作任务“指令”，按照动作任务的动作类型和动作强度以相应强度等级设定值的恒定力矩执行相应动作类型，带动肢体进行动作。

应当说明的是，本发明所提供的辅助运动系统及其控制方法可以应用于运动功能障碍患者的康复训练中，也可以应用于假肢中。另外，除了可以采集肢体的肌电信号外，还可以采集其它生物电信号(如人机接口技术的脑电信号和周围神经电信号，以及侵入式深层肌电信号)作为信息源，通过这些信息也可识别出动作类型进而控制肢体的运动。此外，在进行肌电信号特征提取时，除了采用上述时域法和频域法外，还可采用时域频域结合法、高阶谱及混沌与分形等方法实现特征提取。

上述辅助运动系统及其控制方法，通过并行模式分类算法对各单关节动作类型进行训练和识别，从而得到肢体的多关节协同运动的动作类型，实现了多种动作类型的模式识别，根据识别的动作类型控制机械执行机构执行相应动作，既满足了使用者自身意愿，又在一定程度上摆脱了对康复医师的依赖；所得到的动作类型更接近日常生活中的动作，运动轨迹趋向于自然，因此能够在康复早期给患者以更多正确而有效的运动感觉刺激，提高运动功能康复效果。

此外，在主动训练模式下，机械执行机构动作的速度和力矩又可反馈至信号处理单元，构成闭环系统，根据相应的恒定力矩计算出提供助力或阻力的附加力矩，实现了主动训练模式下的助动调控，能够完成特定阻尼下的动作任务，使患者不会完全依赖于机器人完成动作，大大增强了康复训练系统的稳定性、智能化和人性化，激发使用者的成就感和使用兴趣，降低了他们的精神负担，进一步提高了运动功能康复效果。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种辅助运动系统，其特征在于，包括：

数据采集单元，采集肢体多个部位的肌电信号；

信号处理单元，分别提取每个部位的肌电信号的时域特征和频率特征，采用并行模式分类算法对肢体的多关节协同动作类型进行训练和识别；

电机驱动器，根据所述动作类型驱动机械执行机构进行动作；

机械执行机构，在所述电机驱动器的驱动下辅助肢体完成相应动作。

2.根据权利要求1所述的辅助运动系统，其特征在于，所述数据采集单元包括：

表面电极，贴附于肢体的多个部位的肌肉表面，采集每个部位的肌电信号；

多通道前置放大器，对表面电极采集到的肌电信号进行放大及滤波处理；

模数转换器，将所述多通道前置放大器处理后的肌电信号、机械执行机构的反馈信息量化为数字信号，并发送至所述信号处理单元。

3.根据权利要求1所述的辅助运动系统，其特征在于，所述信号处理单元包括：

肌电信号预处理单元，对肌电信号进行软件滤波消噪；

多个特征提取单元，采用移动窗的方式分别提取每个部位的肌电信号的时域特征和频域特征，组合成每个通道的肌电特征向量，每个部位对应一个通道，所有通道的肌电特征向量组合成肌电特征矩阵；

多个分类器，采用并行模式分类算法对各部位的动作信息进行训练和识别，从而实时预测肢体的多关节协同动作类型并输出。

4.根据权利要求1或3所述的辅助运动系统，其特征在于，在主动训练模式下，所述电机驱动器根据肌电信号的幅值控制机械执行机构的动作速度，所述机械执行机构采集所述机械执行机构的动作速度和动作的力矩并反馈至所述信号处理单元，所述信号处理单元根据预设动作任务的恒定力矩及反馈的速度和力矩计算附加力矩，所述电机驱动器根据所述附加力矩调整机械执行机构的附加力矩完成预设的动作任务。

5.根据权利要求1或3所述的辅助运动系统，其特征在于，在被动训练模式下，所述电机驱动器根据用户选定的动作任务，控制机械执行机构按照所述动作任务的动作类型和动作强度以恒定力矩执行相应动作类型，带动肢体进行动作。

6.一种控制辅助运动系统动作的方法，包括：

A.采集肢体多个部位的肌电信号；

B.分别提取每个部位的肌电信号的时域特征和频率特征，采用并行模式分类算法对肢体的多关节协同动作类型进行训练和识别；

C.根据所述动作类型驱动机械执行机构辅助肢体完成相应动作。

7.根据权利要求6所述的控制辅助运动系统动作的方法，其特征在于，所述步骤A包括：

将表面电极贴附于肢体的多个部位的肌肉表面上，采集每个部位的肌电信号，对所述肌电信号进行放大和滤波处理，将处理后的肌电信号量化为数字信号。

8.根据权利要求6所述的控制辅助运动系统动作的方法，其特征在于，所述步骤B具体是：

对肌电信号进行软件滤波消噪，采用移动窗的方式分别提取每个部位的肌电信号的时域特征和频率特征，每个部位对应一个通道，将提取的特征组合成每个通道的肌电特征向量，所有通道的肌电特征向量组合成肌电特征矩阵，采用并行模式分类算法对各部位的动作信息进行训练和识别，从而实时预测出肢体的多关节协同动作类型并输出。

9.根据权利要求6或8所述的控制辅助运动系统动作的方法，其特征在于，所述方法还包括：

在主动训练模式下，根据肌电信号的幅值控制机械执行机构的动作速度，采集机械执行机构动作的速度和力矩，根据预设动作任务的恒定力矩以及采集到的动作速度和力矩计算附加力矩，根据附加力矩控制调整机械执行结构的附加力矩，完成预设的动作任务。

10.根据权利要求6或8所述的控制辅助运动系统动作的方法，其特征在于，所述方法还包括：

在被动训练模式下，根据用户选定的动作任务，控制机械执行机构按照所述动作任务的动作类型和动作强度以恒定力矩执行相应动作类型，带动肢体进行动作。

Images