CN103970012A - 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统 - Google Patents
基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统 Download PDFInfo
- Publication number
- CN103970012A CN103970012A CN201410067180.5A CN201410067180A CN103970012A CN 103970012 A CN103970012 A CN 103970012A CN 201410067180 A CN201410067180 A CN 201410067180A CN 103970012 A CN103970012 A CN 103970012A
- Authority
- CN
- China
- Prior art keywords
- robot
- suffering limb
- resistance
- discrete
- control
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Rehabilitation Tools (AREA)
Abstract
本发明提供一种基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统,该方法包括:根据肌力训练过程中患肢主动作用力、患肢实际运动位置与平衡位置之差,建立二阶时变患肢生物阻抗模型;根据患肢生物阻尼估计值和刚度估计值对患肢在目标阻力作用下的肌力状态进行评估;依据患肢肌力状态评估以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口将患肢肌力/机器人工作连续状态转换为与区域状态切换及患者安全相关的离散事件;基于混杂自动机理论配置离散事件决策控制器;配置机器人辅助训练PD力跟踪控制器,利用本发明可提高机器人辅助肌力训练系统的控制柔顺性和安全性。
Description
技术领域
本发明涉及康复机器人传感与治疗控制领域,具体而言涉及一种基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统。
背景技术
现代社会随着世界各国相继进入老龄化,在老龄化过程中会产生大量的脑卒中或中风病患者,此类患者通常由于脑血管血栓或脑血管破裂出血而导致脑供血中断,从而使相应的运动、感觉和认知等功能遭到丧失或受到损害。现代神经康复医学及其临床研究结果表明中枢神经系统具有高度的可塑性,对因脑卒中等疾病引起的肢体功能障碍,通过科学合理的康复治疗训练可以在一定程度上恢复其受损的肢体功能。
中风康复治疗的最终目的除改善患者肢体运动功能外,最重要的就是通过抗阻训练增强肌力,使患者尽早恢复基本日常生活能力。康复机器人技术是近年来发展起来的一种新的运动神经康复治疗技术,在机器人辅助肌力训练过程中,肢体功能康复训练方法如何通过机器人治疗控制策略得以实现,是提高肌力训练效果的关键所在。国内外相关研究机构对康复机器人辅助肌力训练的治疗控制方法已开展了较多的研究,并在肌力训练效果方面取得了一定的成效,但治疗控制方法大多是直接根据机器人与患肢之间的相互作用力或患肢表面肌电信号进行控制器设计,上述两类信号易受噪声干扰,影响控制器设计精度,降低了康复训练效果。此外,现有治疗控制方法大多是分别从机器人连续变量运动控制或医师离散事件决策控制角度进行设计,未能将机器人辅助康复系统这种非纯一特性(混杂特性)融于统一框架内,易受人机交互行为复杂程度制约,具有一定的局限性。
发明内容
针对现有技术存在的缺陷或不足,本发明目的在于提供一种基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统,利用本发明的控制方法、控制系统可以提高机器人辅助肌力训练系统的控制柔顺性和安全性。
本发明的上述目的通过独立权利要求的技术特征实现,从属权利要求以另选或有利的方式发展独立权利要求的技术特征。
为达成上述目的,本发明所采用的技术方案如下:
一种基于生物阻抗辨识的机器人辅助肌力混杂控制方法,包括以下步骤:
步骤1、根据肌力训练过程中患肢主动作用力 、患肢实际运动位置与平衡位置之差,运用遗忘因子自适应调整的最小二乘递推辨识算法建立如下二阶时变患肢生物阻抗模型:
其中,、分别为患肢生物阻尼和生物刚度,为患肢主动作用力,为患肢实际运动位置与平衡位置之差,为患肢运动速度变化;
步骤2、根据患肢生物阻尼估计值和刚度估计值,对患肢在目标阻力作用下的肌力状态进行评估,其中患肢生物阻尼估计值和刚度估计值的表达如下:
,
式中,,为采样周期;
步骤3、依据步骤2的患肢肌力状态评估,以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口,,将患肢肌力/机器人工作连续状态转换为如下与区域状态切换及患者安全相关的离散事件;
步骤4、基于混杂自动机理论配置离散事件决策控制器;以及
步骤5、使机器人末端施加给患肢的实际阻力更好地逼近于步骤4离散决策控制器所确定的目标阻力,配置下述机器人辅助训练PD力跟踪控制器、即比例-微分力跟踪控制器:
其中,,分别为PD力跟踪控制器增益,,分别为离散决策控制器所确定的目标阻力和机器人末端施加给患肢的实际阻力,为根据力跟踪控制器得到的施加给机器人相应关节的力矩。
进一步的实施例中,前述步骤2中,根据患肢生物阻尼估计值和刚度估计值,对患肢在目标阻力作用下的肌力状态进行评估,其实现包括:
① 首先分析训练起始一段时间内患肢生物阻尼、刚度变化,如果二者在达到第一个峰值并延时一段时间后其估计值趋于稳定,则进一步按照下述方法计算后续周期生物阻尼、刚度的平均变化量,
,
,
其中,、分别为患肢生物阻尼、刚度估计值,、为一段时间内患肢生物阻尼、刚度平均值,、分别为患肢生物阻尼、刚度平均变化值,、、分别为起始、终止和采样时间,、分别表示第和次平均变化值计算:
(i) 当满足条件与之一时,表明机器人末端施加的阻力匹配于患肢当前的承受能力,其中和分别为生物阻尼、刚度平均变化值阈值下限;
(ii) 当同时满足条件与时,表明机器人末端施加的阻力小于患肢当前的承受能力,其中和为防止意外干扰导致生物阻抗参数估计结果出现异常而设置的生物阻尼、刚度平均变化值阈值上限;
② 如果前述二者在达到第一个峰值并延时一段时间后其估计值反复发生变化,则表明机器人末端施加的阻力大于患肢当前的承受能力,并分别置患肢生物阻尼、刚度平均变化值、。
进一步的实施例中,前述步骤3的实现包括以下步骤:
① 依据步骤2的患肢肌力状态评估,定义患肢肌力状态转换离散事件:
(i) 患肢承受阻力过大事件:机器人末端施加的阻力大于患肢当前的承受能力;
(ii) 患肢承受阻力正常事件:机器人末端施加的阻力匹配于患肢当前的承受能力;
(iii) 患肢承受阻力过小事件:机器人末端施加的阻力小于患肢当前的承受能力;
② 依据机器人工作状态及其工作参数是否超过事先定义的阈值,定义机器人工作状态转换离散事件:
(i) 机器人异常停止工作事件:机器人工作参数,即工作电压、末端运行速度及末端负载,超出事先定义的阈值范围;
(ii) 机器人正常停止工作事件:根据临床治疗方案,训练过程中单节训练结束患者需要休息或整个肌力训练周期结束时,机器人应正常停止工作;
(iii) 机器人恢复正常工作事件:机器人正/异常停止工作后,机器人应恢复工作。
进一步的实施例中,前述步骤4的实现包括以下步骤:
① 定义离散事件决策控制器控制状态,并通过离散/连续转换接口(:)产生控制输出向量,具体如下:
(i) 离散控制状态:随机确定施加在机器人末端的初始阻力;控制向量:康复机器人系统以
初始阻力开始工作;
(ii) 离散控制状态:增大施加在机器人末端的阻力; 控制向量:机器人系统增加阻力;
(iii) 离散控制状态:减小施加在机器人末端的阻力; 控制向量:机器人系统减小阻力;
(iv) 离散控制状态:保持施加在机器人末端的阻力; 控制向量:机器人系统保持当前阻力;
(v) 离散控制状态:取消施加在机器人末端的阻力; 控制向量:机器人系统停止工作;
② 当机器人/患肢肌力状态监督模块监测到前述步骤3所定义的离散事件时,根据离散事件性质和离散事件决策控制器控制状态,确定如下决策控制规则:
(i) 当监测到患肢承受阻力过大事件时,激活离散控制状态,减小施加在机器人末端的阻力;
(ii) 当监测到患肢承受阻力正常事件时,激活离散控制状态,保持施加在机器人末端的阻力;
(iii) 当监测到患肢承受阻力过小事件时,激活离散控制状态,增大施加在机器人末端的阻力;
(iv) 当监测到机器人系统异常停止工作事件时,激活离散控制状态,取消施加在机器人末端的阻力,机器人系统停止工作;
(v) 当监测到机器人系统正常停止工作事件时,激活离散控制状态,取消施加在机器人末端的阻力,机器人系统停止工作;
(vi) 当监测到机器人系统恢复正常工作事件时,激活离散控制状态,以保持施加在机器人末端的阻力恢复工作。
本发明的另一方面还提出一种基于生物阻抗辨识的机器人辅助肌力混杂控制系统,包括离散事件动态系统、连续变量控制系统以及离散/连续转换接口,
在连续变量控制系统中,依据患肢肌力状态评估,以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口,,将患肢肌力/机器人工作连续状态转换为如下与区域状态切换及患者安全相关的离散事件;
在离散事件动态系统中,基于混杂自动机理论配置离散事件决策控制器:首先,定义离散事件决策控制器控制状态,并通过离散/连续转换接口(:)产生控制输出向量;其中,当离散事件动态系统中机器人/患肢肌力状态监督模块监测到前述定义的离散事件时,根据离散事件性质和离散事件决策控制器控制状态,配置决策控制规则;
在连续变量控制系统中,配置下述机器人辅助训练PD力跟踪控制器、即比例-微分力跟踪控制器:
其中,,分别为PD力跟踪控制器增益,,分别为离散决策控制器所确定的目标阻力和机器人末端施加给患肢的实际阻力,为根据力跟踪控制器得到的施加给机器人相应关节的力矩。
由以上本发明的技术方案可知,本发明所提出的基于生物阻抗辨识的机器人辅助肌力混杂控制方法与控制系统,与现有技术相比,其显著优点在于:
(1)通过建立患肢二阶生物阻尼-刚度时变模型,其阻尼和刚度能实时准确地反映出训练过程中患肢的肌力恢复水平,克服了现有治疗控制器直接根据机器人与患肢之间的相互作用力或患肢表面肌电信号进行控制器设计的局限;
(2)从本质上将机器人辅助康复训练系统所蕴含的连续/离散混杂特性有机地融于统一框架内,克服了现有治疗控制方法分别从连续或离散角度进行治疗控制的局限;
(3)由于采用混杂自动机形式设计离散事件决策控制器,其控制状态内容和数目可以根据训练内容和目标的不同进行相应调整,因此,该治疗控制方法不仅仅只适用于机器人辅助肌力训练过程,还可以应用于机器人辅助患者进行被动、主动等其它形式康复治疗控制,在康复机器人治疗控制领域具有极大适用性和实用性。
附图说明
图1为本发明一实施方式基于生物阻抗辨识的机器人辅助肌力混杂控制方法的流程示意图。
图2为基于生物阻抗辨识的机器人辅助肌力混杂控制系统框图。
图3是图1实施例中基于混杂自动机的离散事件决策控制器的一个示例性示意图。
图4是基于图1实施例的患肢主动作用力与生物阻尼、刚度参数辨识结果。
图5是基于图1实施例的患肢生物阻抗平均变化、混杂控制调节过程及目标阻力跟踪控制结果。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
图1所示为发明一实施方式基于生物阻抗辨识的机器人辅助肌力混杂控制方法的实现流程,其中,一种基于生物阻抗辨识的机器人辅助肌力混杂控制方法,包括以下步骤:
步骤1、根据肌力训练过程中患肢主动作用力、患肢实际运动位置与平衡位置之差,运用遗忘因子自适应调整的最小二乘递推辨识算法建立如下二阶时变患肢生物阻抗模型:
其中,、分别为患肢生物阻尼和生物刚度,为患肢主动作用力,为患肢实际运动位置与平衡位置之差,为患肢运动速度变化;
步骤2、根据患肢生物阻尼估计值和刚度估计值,对患肢在目标阻力作用下的肌力状态进行评估,其中患肢生物阻尼估计值和刚度估计值的表达如下:
,
式中,,为采样周期;
步骤3、依据步骤2的患肢肌力状态评估,以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口,,将患肢肌力/机器人工作连续状态转换为如下与区域状态切换及患者安全相关的离散事件;
步骤4、基于混杂自动机理论配置离散事件决策控制器;以及
步骤5、使机器人末端施加给患肢的实际阻力更好地逼近于步骤4离散决策控制器所确定的目标阻力,配置下述机器人辅助训练PD力跟踪控制器、即比例-微分力跟踪控制器:
其中,,分别为PD力跟踪控制器增益,,分别为离散决策控制器所确定的目标阻力和机器人末端施加给患肢的实际阻力,为根据力跟踪控制器得到的施加给机器人相应关节的力矩。
作为可选的实施方式,前述步骤1中,运用遗忘因子自适应调整的最小二乘递推辨识算法建立患肢二阶生物阻抗时变模型方法如下:
首先,运用双边线性Z变换,将患肢二阶线性时变生物阻抗模型表述为下述差分方程:
其中,为采样周期。
其次,将患肢生物阻抗差分模型进一步地表示为下述递推形式:
其中分别为待估计参数矢量、输入/输出递归矢量;
再次,运用下述遗忘因子自适应调整的最小二乘递推辨识算法,
其中为遗忘因子,为遗忘步长,为调整参,为协方差矩阵;
最后,运用上述辨识方法,患肢生物阻尼、刚度估计值、可以分别表示为:
, 。
本实施例中,作为优选的方式,前述步骤2中,根据患肢生物阻尼估计值和刚度估计值,对患肢在目标阻力作用下的肌力状态进行评估,其实现包括:
① 首先分析训练起始一段时间内患肢生物阻尼、刚度变化,如果二者在达到第一个峰值并延时一段时间后其估计值趋于稳定,则进一步按照下述方法计算后续周期生物阻尼、刚度的平均变化量,
,
,
其中,、分别为患肢生物阻尼、刚度估计值,、为一段时间内患肢生物阻尼、刚度平均值,、分别为患肢生物阻尼、刚度平均变化值,、、分别为起始、终止和采样时间,、分别表示第和次平均变化值计算:
(i) 当满足条件与之一时,表明机器人末端施加的阻力匹配于患肢当前的承受能力,其中和分别为生物阻尼、刚度平均变化值阈值下限;
(ii) 当同时满足条件与时,表明机器人末端施加的阻力小于患肢当前的承受能力,其中和为防止意外干扰导致生物阻抗参数估计结果出现异常而设置的生物阻尼、刚度平均变化值阈值上限;
② 如果前述二者在达到第一个峰值并延时一段时间后其估计值反复发生变化,则表明机器人末端施加的阻力大于患肢当前的承受能力,并分别置患肢生物阻尼、刚度平均变化值、。
进一步的实施例中,前述步骤3的实现包括以下步骤:
① 依据步骤2的患肢肌力状态评估,定义患肢肌力状态转换离散事件:
(i) 患肢承受阻力过大事件:机器人末端施加的阻力大于患肢当前的承受能力;
(ii) 患肢承受阻力正常事件:机器人末端施加的阻力匹配于患肢当前的承受能力;
(iii) 患肢承受阻力过小事件:机器人末端施加的阻力小于患肢当前的承受能力;
② 依据机器人工作状态及其工作参数是否超过事先定义的阈值,定义机器人工作状态转换离散事件:
(i) 机器人异常停止工作事件:机器人工作参数,即工作电压、末端运行速度及末端负载,超出事先定义的阈值范围;
(ii) 机器人正常停止工作事件:根据临床治疗方案,训练过程中单节训练结束患者需要休息或整个肌力训练周期结束时,机器人应正常停止工作;
(iii) 机器人恢复正常工作事件:机器人正/异常停止工作后,机器人应恢复工作。
作为可选的实施方式,所述工作电压、末端运行速度及末端负载的阈值范围为:的最大值为55V,的最小值为30V,的最大值为1.5m/s,的最大值为2.5Kg。
进一步的实施例中,前述步骤4的实现包括以下步骤:
① 定义离散事件决策控制器控制状态,并通过离散/连续转换接口(:)产生控制输出向量,具体如下:
(i) 离散控制状态:随机确定施加在机器人末端的初始阻力;控制向量:康复机器人系统以初始阻力开始工作;
(ii) 离散控制状态:增大施加在机器人末端的阻力; 控制向量:机器人系统增加阻力;
(iii) 离散控制状态:减小施加在机器人末端的阻力; 控制向量:机器人系统减小阻力;
(iv) 离散控制状态:保持施加在机器人末端的阻力; 控制向量:机器人系统保持当前阻力;
(v) 离散控制状态:取消施加在机器人末端的阻力; 控制向量:机器人系统停止工作;
② 当机器人/患肢肌力状态监督模块监测到前述步骤3所定义的离散事件时,根据离散事件性质和离散事件决策控制器控制状态,确定如下决策控制规则:
(i) 当监测到患肢承受阻力过大事件时,激活离散控制状态,减小施加在机器人末端的阻力;
(ii) 当监测到患肢承受阻力正常事件时,激活离散控制状态,保持施加在机器人末端的阻力;
(iii) 当监测到患肢承受阻力过小事件时,激活离散控制状态,增大施加在机器人末端的阻力;
(iv) 当监测到机器人系统异常停止工作事件时,激活离散控制状态,取消施加在机器人末端的阻力,机器人系统停止工作;
(v) 当监测到机器人系统正常停止工作事件时,激活离散控制状态,取消施加在机器人末端的阻力,机器人系统停止工作;
(vi) 当监测到机器人系统恢复正常工作事件时,激活离散控制状态,以保持施加在机器人末端的阻力恢复工作。
如图2所示的附图,本发明的一实施例还提出一种基于生物阻抗辨识的机器人辅助肌力混杂控制系统,包括离散事件动态系统、连续变量控制系统以及离散/连续转换接口,
在连续变量控制系统中,依据患肢肌力状态评估,以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口,,将患肢肌力/机器人工作连续状态转换为如下与区域状态切换及患者安全相关的离散事件;
在离散事件动态系统中,基于混杂自动机理论配置离散事件决策控制器:首先,定义离散事件决策控制器控制状态,并通过离散/连续转换接口(:)产生控制输出向量;其中,当离散事件动态系统中机器人/患肢肌力状态监督模块监测到前述定义的离散事件时,根据离散事件性质和离散事件决策控制器控制状态,配置决策控制规则;
在连续变量控制系统中,配置下述机器人辅助训练PD力跟踪控制器、即比例-微分力跟踪控制器:
其中,,分别为PD力跟踪控制器增益,,分别为离散决策控制器所确定的目标阻力和机器人末端施加给患肢的实际阻力,为根据力跟踪控制器得到的施加给机器人相应关节的力矩。
下面结合附图1-5以及上述实施例的说明,对实施例的具体实施进行详细的描述。
在某医院的康复医学中心选取1例门诊病例进行为期10周的临床肌力训练( X + OZ + 平面内沿半正弦轨迹进行向上伸展训练),其初始肌力水平依据MRC肌力细分评定准则确定为4+级(能抗中等以上阻力),所能克服最大阻力为25N。依据临床康复实验方案,在10周临床肌力训练过程中,每隔1天进行1次训练,每次由2节训练构成,每节进行20周期重复训练。
附图4给出了患肢主动用力情况下生物阻尼、刚度参数辨识结果。由图4可以看出,当患肢主动增大作用力时,生物阻尼和刚度估计值相应增大,进一步验证了生物阻尼和刚度参数较好地反应出患肢肌力的变化特性。依据上述结论对所选病例开展抗阻训练,依据临床渐进抗阻原则,取所能克服最大阻力的80%(20N)作为肌力训练初始阻力,生物阻尼和刚度平均变化上、下限阈值分别确定为,,治疗控制器目标阻力变化量为3N。
附图5给出了所选门诊病例在120个周期肌力训练过程中患肢平均生物阻抗变化((a))、混杂控制器调节过程((b))、参考阻力调整与实际阻力跟踪((c))控制结果。由附图5的(a)-(b)可以看出,在康复医师确定的20N初始阻力作用下(离散控制状态Q1激活并通过离散/连续转换接口产生控制向量c1),在起始20个训练周期内,患肢平均生物阻抗变化均能同时满足条件和由步骤2与步骤3可知,将会产生患肢承受阻力过小事件σ3,根据步骤4和附图3离散决策控制规则,离散控制状态Q2将会激活并通过转换接口产生控制向量c2,进而将目标阻力增加到26N;在26N目标阻力作用下,患肢在后续20个训练周期内其平均生物阻抗变化均能满足条件与之一, 根据步骤2与步骤3可知机器人末端施加的阻力较好地匹配于患肢当前的承受能力,离散控制状态Q4和连续控制向量c4交替激活;在第40个训练周期结束时,机器人控制监测模块监测到机器人系统正常停止工作事件σ5,离散控制状态Q5和连续控制向量c5激活,取消当前施加在机器人末端的阻力直至监测到机器人系统恢复正常工作事件σ6,离散控制状态Q4激活并通过连续控制向量c4恢复上周期训练结束时施加在机器人末端的阻力26N;在第50和80个训练周期结束患肢平均生物阻抗变化分别再次同时满足离散事件σ3产生条件时,离散事件决策控制器将机器人末端的阻力由26N通过29N并最终增加到32N;患肢在32N阻力作用下训练至第90个周期结束时,生物阻尼、刚度平均变化值同时满足条件和依据步骤2和步骤3将会产生患肢承受阻力过大事件σ1,机器人系统通过激活离散控制状态Q3和连续控制向量c3将目标阻力重新减小至29N;在29N阻力作用下,患肢持续进行30个周期训练后在第120个周期训练结束时,患肢平均生物阻抗变化达到离散事件σ3产生条件,将机器人末端目标阻力增加到32N。附图5的(c)给出了以每个周期实际阻力平均值为单位的力跟踪控制结果,为保证肌力训练过程中实际阻力能较好地跟踪目标阻力且施加过程较为平稳,通过反复试验,力跟踪控制器增益KP、KD分别确定为23和85,由图可以看出,在力跟踪控制器作用下,机器人末端产生的实际阻力虽存在一定的跟踪误差,但仍能较好地跟踪离散事件决策控制器产生的目标阻力。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (6)
1.一种基于生物阻抗辨识的机器人辅助肌力混杂控制方法,其特征在于,包括以下步骤:
步骤1、根据肌力训练过程中患肢主动作用力 、患肢实际运动位置与平衡位置之差,运用遗忘因子自适应调整的最小二乘递推辨识算法建立如下二阶时变患肢生物阻抗模型:
其中,、分别为患肢生物阻尼和生物刚度,为患肢主动作用力,为患肢实际运动位置与平衡位置之差,为患肢运动速度变化;
步骤2、根据患肢生物阻尼估计值和刚度估计值,对患肢在目标阻力作用下的肌力状态进行评估,其中患肢生物阻尼估计值和刚度估计值的表达如下:
,
式中,,为采样周期;
步骤3、依据步骤2的患肢肌力状态评估,以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口,,将患肢肌力/机器人工作连续状态转换为如下与区域状态切换及患者安全相关的离散事件;
步骤4、基于混杂自动机理论配置离散事件决策控制器;以及
步骤5、使机器人末端施加给患肢的实际阻力更好地逼近于步骤4离散决策控制器所确定的目标阻力,配置下述机器人辅助训练PD力跟踪控制器、即比例-微分力跟踪控制器:
其中,,分别为PD力跟踪控制器增益,,分别为离散决策控制器所确定的目标阻力和机器人末端施加给患肢的实际阻力,为根据力跟踪控制器得到的施加给机器人相应关节的力矩。
2.根据权利要求1所述的基于生物阻抗辨识的机器人辅助肌力混杂控制方法,其特征在于,前述步骤2中,根据患肢生物阻尼估计值和刚度估计值,对患肢在目标阻力作用下的肌力状态进行评估,其实现包括:
① 首先分析训练起始一段时间内患肢生物阻尼、刚度变化,如果二者在达到第一个峰值并延时一段时间后其估计值趋于稳定,则进一步按照下述方法计算后续周期生物阻尼、刚度的平均变化量,
,
,
其中,、分别为患肢生物阻尼、刚度估计值,、为一段时间内患肢生物阻尼、刚度平均值,、分别为患肢生物阻尼、刚度平均变化值,、、分别为起始、终止和采样时间,、分别表示第和次平均变化值计算:
(i) 当满足条件与之一时,表明机器人末端施加的阻力匹配于患肢当前的承受能力,其中和分别为生物阻尼、刚度平均变化值阈值下限;
(ii) 当同时满足条件与时,表明机器人末端施加的阻力小于患肢当前的承受能力,其中和为防止意外干扰导致生物阻抗参数估计结果出现异常而设置的生物阻尼、刚度平均变化值阈值上限;
② 如果前述二者在达到第一个峰值并延时一段时间后其估计值反复发生变化,则表明机器人末端施加的阻力大于患肢当前的承受能力,并分别置患肢生物阻尼、刚度平均变化值、。
3.根据权利要求2所述的基于生物阻抗辨识的机器人辅助肌力混杂控制方法,其特征在于,前述步骤3的实现包括以下步骤:
① 依据步骤2的患肢肌力状态评估,定义患肢肌力状态转换离散事件:
(i) 患肢承受阻力过大事件:机器人末端施加的阻力大于患肢当前的承受能力;
(ii) 患肢承受阻力正常事件:机器人末端施加的阻力匹配于患肢当前的承受能力;
(iii) 患肢承受阻力过小事件:机器人末端施加的阻力小于患肢当前的承受能力;
② 依据机器人工作状态及其工作参数是否超过事先定义的阈值,定义机器人工作状态转换离散事件:
(i) 机器人异常停止工作事件:机器人工作参数,即工作电压、末端运行速度及末端负载,超出事先定义的阈值范围;
(ii) 机器人正常停止工作事件:根据临床治疗方案,训练过程中单节训练结束患者需要休息或整个肌力训练周期结束时,机器人应正常停止工作;
(iii) 机器人恢复正常工作事件:机器人正/异常停止工作后,机器人应恢复工作。
4.根据权利要求3所述的基于生物阻抗辨识的机器人辅助肌力混杂控制方法,其特征在于,所述工作电压、末端运行速度及末端负载的阈值范围为:的最大值为55V,的最小值为30V,的最大值为1.5m/s,的最大值为2.5Kg。
5.根据权利要求3或4所述的基于生物阻抗辨识的机器人辅助肌力混杂控制方法,其特征在于,前述步骤4的实现包括以下步骤:
① 定义离散事件决策控制器控制状态,并通过离散/连续转换接口(:)产生控制输出向量,具体如下:
(i) 离散控制状态:随机确定施加在机器人末端的初始阻力;控制向量:康复机器人系统以
初始阻力开始工作;
(ii) 离散控制状态:增大施加在机器人末端的阻力; 控制向量:机器人系统增加阻力;
(iii) 离散控制状态:减小施加在机器人末端的阻力; 控制向量:机器人系统减小阻力;
(iv) 离散控制状态:保持施加在机器人末端的阻力; 控制向量:机器人系统保持当前阻力;
(v) 离散控制状态:取消施加在机器人末端的阻力; 控制向量:机器人系统停止工作;
② 当机器人/患肢肌力状态监督模块监测到前述步骤3所定义的离散事件时,根据离散事件性质和离散事件决策控制器控制状态,确定如下决策控制规则:
(i) 当监测到患肢承受阻力过大事件时,激活离散控制状态,减小施加在机器人末端的阻力;
(ii) 当监测到患肢承受阻力正常事件时,激活离散控制状态,保持施加在机器人末端的阻力;
(iii) 当监测到患肢承受阻力过小事件时,激活离散控制状态,增大施加在机器人末端的阻力;
(iv) 当监测到机器人系统异常停止工作事件时,激活离散控制状态,取消施加在机器人末端的阻力,机器人系统停止工作;
(v) 当监测到机器人系统正常停止工作事件时,激活离散控制状态,取消施加在机器人末端的阻力,机器人系统停止工作;
(vi) 当监测到机器人系统恢复正常工作事件时,激活离散控制状态,以保持施加在机器人末端的阻力恢复工作。
6.一种基于前述权利要求1所述方法实现的基于生物阻抗辨识的机器人辅助肌力混杂控制系统,其特征在于,包括离散事件动态系统、连续变量控制系统以及离散/连续转换接口,其中:
在连续变量控制系统中,依据患肢肌力状态评估,以及机器人工作状态及其工作参数是否超过事先定义的阈值,定义并通过连续/离散转换接口,,将患肢肌力/机器人工作连续状态转换为如下与区域状态切换及患者安全相关的离散事件;
在离散事件动态系统中,基于混杂自动机理论配置离散事件决策控制器:首先,定义离散事件决策控制器控制状态,并通过离散/连续转换接口(:)产生控制输出向量;其中,当离散事件动态系统中机器人/患肢肌力状态监督模块监测到前述定义的离散事件时,根据离散事件性质和离散事件决策控制器控制状态,配置决策控制规则;
在连续变量控制系统中,配置下述机器人辅助训练PD力跟踪控制器、即比例-微分力跟踪控制器:
其中,,分别为PD力跟踪控制器增益,,分别为离散决策控制器所确定的目标阻力和机器人末端施加给患肢的实际阻力,为根据力跟踪控制器得到的施加给机器人相应关节的力矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410067180.5A CN103970012A (zh) | 2014-02-26 | 2014-02-26 | 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410067180.5A CN103970012A (zh) | 2014-02-26 | 2014-02-26 | 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103970012A true CN103970012A (zh) | 2014-08-06 |
Family
ID=51239655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410067180.5A Pending CN103970012A (zh) | 2014-02-26 | 2014-02-26 | 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103970012A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104644378A (zh) * | 2015-02-13 | 2015-05-27 | 中国科学院自动化研究所 | 基于阻抗控制的康复训练方法 |
CN106726341A (zh) * | 2016-12-06 | 2017-05-31 | 西安交通大学 | 基于人机阻抗匹配模型的变刚度肘关节康复机器人及其控制方法 |
CN108392795A (zh) * | 2018-02-05 | 2018-08-14 | 哈尔滨工程大学 | 一种基于多信息融合的康复机器人多模态控制方法 |
CN109758734A (zh) * | 2019-01-03 | 2019-05-17 | 华中科技大学 | 一种具有肌力反馈功能的多模式肌力训练装置及方法 |
CN110134242A (zh) * | 2019-05-17 | 2019-08-16 | 北京理工大学 | 一种基于表面肌电信号的手臂刚度辨识方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002085581A2 (en) * | 2001-04-20 | 2002-10-31 | Board Of Trustees Operating Michigan State University | A hybrid robot motion task level control system |
US20060149582A1 (en) * | 2004-10-18 | 2006-07-06 | Peter Hawkins | Acting on a subject system |
US20080287827A1 (en) * | 2007-05-17 | 2008-11-20 | Vanderbilt University | System, method and device for positioning a target located within soft tissue in a path of an instrument |
CN102873675A (zh) * | 2012-09-19 | 2013-01-16 | 浙江工业大学 | 仿生农作物采摘机器人 |
CN103116279A (zh) * | 2013-01-16 | 2013-05-22 | 大连理工大学 | 脑控机器人系统的模糊离散事件共享控制方法 |
-
2014
- 2014-02-26 CN CN201410067180.5A patent/CN103970012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002085581A2 (en) * | 2001-04-20 | 2002-10-31 | Board Of Trustees Operating Michigan State University | A hybrid robot motion task level control system |
US20060149582A1 (en) * | 2004-10-18 | 2006-07-06 | Peter Hawkins | Acting on a subject system |
US20080287827A1 (en) * | 2007-05-17 | 2008-11-20 | Vanderbilt University | System, method and device for positioning a target located within soft tissue in a path of an instrument |
CN102873675A (zh) * | 2012-09-19 | 2013-01-16 | 浙江工业大学 | 仿生农作物采摘机器人 |
CN103116279A (zh) * | 2013-01-16 | 2013-05-22 | 大连理工大学 | 脑控机器人系统的模糊离散事件共享控制方法 |
Non-Patent Citations (1)
Title |
---|
徐国政等: "基于分层触发控制的机器人辅助肌力训练临床实验研究", 《机器人》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104644378A (zh) * | 2015-02-13 | 2015-05-27 | 中国科学院自动化研究所 | 基于阻抗控制的康复训练方法 |
CN104644378B (zh) * | 2015-02-13 | 2017-06-13 | 中国科学院自动化研究所 | 基于阻抗控制的康复机器人 |
CN106726341A (zh) * | 2016-12-06 | 2017-05-31 | 西安交通大学 | 基于人机阻抗匹配模型的变刚度肘关节康复机器人及其控制方法 |
CN108392795A (zh) * | 2018-02-05 | 2018-08-14 | 哈尔滨工程大学 | 一种基于多信息融合的康复机器人多模态控制方法 |
CN108392795B (zh) * | 2018-02-05 | 2019-11-01 | 哈尔滨工程大学 | 一种基于多信息融合的康复机器人多模态控制方法 |
CN109758734A (zh) * | 2019-01-03 | 2019-05-17 | 华中科技大学 | 一种具有肌力反馈功能的多模式肌力训练装置及方法 |
CN110134242A (zh) * | 2019-05-17 | 2019-08-16 | 北京理工大学 | 一种基于表面肌电信号的手臂刚度辨识方法及系统 |
CN110134242B (zh) * | 2019-05-17 | 2020-07-24 | 北京理工大学 | 一种基于表面肌电信号的手臂刚度辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103970012A (zh) | 基于生物阻抗辨识的机器人辅助肌力混杂控制方法及控制系统 | |
CN108392795B (zh) | 一种基于多信息融合的康复机器人多模态控制方法 | |
CN105963100B (zh) | 按患者运动所需辅助的下肢康复机器人自适应控制方法 | |
CN105853140B (zh) | 基于视觉运动诱发的脑控下肢主被动协同康复训练系统 | |
US10092205B2 (en) | Methods for closed-loop neural-machine interface systems for the control of wearable exoskeletons and prosthetic devices | |
CN108785997A (zh) | 一种基于变导纳的下肢康复机器人柔顺控制方法 | |
Kawai et al. | Closed-loop position and cadence tracking control for FES-cycling exploiting pedal force direction with antagonistic biarticular muscles | |
CN104951082B (zh) | 一种利用随机共振增强脑电信号的脑机接口方法 | |
CN107753241A (zh) | 一种下肢康复治疗智能外骨骼机器人的控制方法 | |
CN101596338A (zh) | 基于bp神经网络整定pid的功能性电刺激精密控制方法 | |
CN101711908B (zh) | 针对下肢的层级式功能性电刺激康复系统 | |
Badesa et al. | Dynamic adaptive system for robot-assisted motion rehabilitation | |
CN101794114B (zh) | 助行功能性电刺激系统中遗传算法整定控制参数的方法 | |
CN112025682B (zh) | 基于肌肉协同理论的柔性外骨骼机器人控制方法及系统 | |
CN106693178A (zh) | 一种基于自主意愿的上肢康复功能性电刺激闭环控制方法 | |
Pang et al. | Study on the sEMG driven upper limb exoskeleton rehabilitation device in bilateral rehabilitation | |
Zhang et al. | Modeling biological motor control for human locomotion with functional electrical stimulation | |
CN113040785A (zh) | 一种基于运动想象上肢运动康复治疗方法 | |
Qiu et al. | Exoskeleton active walking assistance control framework based on frequency adaptive dynamics movement primitives | |
Tu et al. | Design of a wearable rehabilitation robot integrated with functional electrical stimulation | |
CN103926831A (zh) | 基于混杂理论的机器人辅助肌力训练控制方法及系统 | |
Barbosa et al. | Control techniques for neuromuscular electrical stimulation: A brief survey | |
Guo et al. | Control of a lower limb exoskeleton robot by upper limb semg signal | |
Ge et al. | Experimental design of lower-limb movement recognition based on support vector machine | |
Li et al. | Adaptive sliding mode control for biped robots with sEMG signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140806 |