CN105288933B - 并联下肢康复机器人自适应训练控制方法及康复机器人 - Google Patents
并联下肢康复机器人自适应训练控制方法及康复机器人 Download PDFInfo
- Publication number
- CN105288933B CN105288933B CN201510812527.9A CN201510812527A CN105288933B CN 105288933 B CN105288933 B CN 105288933B CN 201510812527 A CN201510812527 A CN 201510812527A CN 105288933 B CN105288933 B CN 105288933B
- Authority
- CN
- China
- Prior art keywords
- robot
- lower limb
- power
- muscle
- patient
- 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.)
- Active
Links
Abstract
本发明公开了一种并联下肢康复机器人自适应训练控制方法及康复机器人,根据采集的肌电信号估计下肢肌肉活动和收缩力状态,并依此自适应调节机器人的阻抗模型参数;同时获取患者与机器人间的交互作用力,通过识别结果和阻抗模型实现对机器人运动的计算和修正;康复机器人主控制部分提供在线轨迹规划及运动学逆解,将控制指令发送至相应关节的控制器和驱动器,实现机器人的自适应训练控制。本发明能够在康复过程中实现智能化,对改善患者康复效果、提高患者康复的主动性和积极性,具有十分重要的现实意义和应用价值。
Description
技术领域
本发明涉及辅助医疗康复机器人控制领域,具体地指一种并联下肢康复机器人的基于肌肉状态评估的自适应训练控制方法。该方法通过采集人体下肢表面肌电信号并经过处理运算,在线评估相关肌肉的收缩力状态,以自适应调节人机阻抗模型参数,驱动康复机器人以不同的顺应程度辅助训练。本发明方法适用于医疗康复机器人及假肢控制等领域。
背景技术
老年人、残疾人和由中风、偏瘫等原因造成肢体运动障碍人群的康复问题已成为一个亟待解决的社会问题,传统肢体功能障碍的康复治疗主要依赖于治疗师一对一的徒手训练,难以实现高强度、有针对性和重复性的康复训练要求,且康复治疗师人数严重缺乏,其康复训练评价的方法也多为主观评价,不能够实时监测治疗效果并优化康复策略。将机器人技术应用于康复医疗领域,不仅可以将康复医师从繁重的训练任务中解放出来,减轻医疗人员的负担,而且可以帮助患者进行更加科学有效的康复训练,并可详细客观地记录训练过程中的运动数据,供医师评价康复训练效果并优化相应的控制策略。
康复训练机器人能否达到较好的康复和治疗效果,取决于其能否根据患者的不同康复阶段实施不同的训练模式和控制策略。机器人的被动控制虽然可以辅助患者进行一定的运动训练,但患者一直处于被动康复状态,缺乏康复的主动性和协作性。现有的康复系统多采用阻抗控制方法。MIT-Manus康复机器人在患者执行预定轨迹的主动运动时采用阻抗控制策略调节机器人柔顺性,Lokomat也使用阻抗控制器实时调节康复机器人对患者的辅助力。此类方法虽然引入了患者与机器人之间的交互作用力,但在康复初期患者不足以产生驱动机器人的作用力时,难以实现患者在康复训练中的主动参与。而且传统阻抗控制器中阻抗参数往往是固定的,这在康复机器人的控制中具有很大的局限性。由于不同的阻抗参数会使机器人在辅助患者运动时表现出不同的顺应程度,如果阻抗参数设置过低,使得机器人顺应性太大,造成患者在运动过程中可能超出其生理运动范围而遭受二次损伤;反之,如果阻抗参数设置过大,会使机器人顺应性太小,患者在运动过程中一直处于被动状态从而难以实现主动康复训练。由于患者的运动能力和恢复水平是随着时间不断变化的,而阻抗控制的选择需要匹配患者的运动能力和康复水平,这使得选择合适的阻抗参数变的困难。
当前的肌体康复评估多是基于交互力、运动速度、关节角度等信息的,而这些信息在机器人参与运动时很难准确反映患肢本身的恢复水平,且患者在运动过程中的肌张力变化和肌肉痉挛是难以检测和评判的。因此,迫切需要在康复机器人系统中引入与患者运动相关的生理信息来评价患者的肌肉活动水平,从而根据患者自身状态定制设计不同阶段的训练模式。肌电信号(electromyography,缩写EMG)是神经肌肉系统活动时的生物电信号,人体运动时所产生的EMG信号能够反映肢体的运动状态以及肢体的健康情况。Meng等人计算肌电信号的均方根值(root mean square,缩写RMS),并将其引入到控制过程中,利用它对肌肉活动水平进行评估,但该方法对患者肌肉活动水平和康复状态仅能进行简单地定性分析。Kiguchi等人采用模糊神经算法建立了肌电信号与关节输出力矩之间的关系,然而该方法没有考虑肌电信号与关节力矩转化的中间过程,即不能判断与运动相关的每块肌肉对相应力矩的贡献量。因此,如何利用康复训练过程中患肢的EMG信号反馈,计算肌肉活动水平、预测肌肉作用力和评价肌体恢复水平,并基于预测结果自适应调节阻抗控制模型,是实现机器人根据患者康复阶段来提供不同辅助模式的关键所在。
中国专利ZL200610079973.4公开一种利用肌电信号提供机械帮助的康复机器人系统及训练方法,将感测到的肌电信号输入到控制部分,并根据需要设置的恒定力矩计算出将要提供给患部关节的附加力矩。此发明仅采用简单的EMG信号幅度特征和线性函数来建立EMG信号与输出力矩的映射关系,不足以表现患者的肌肉活动状态。中国专利ZL201210052562.1公开一种绳牵引上肢康复机器人及其控制方法,根据患者肩肘关节的肌电信号实时计算机器人所需提供的辅助力和关节角度参数。同样,此发明仅对肌电信号的包络幅值进行归一化,没有深入分析相关肌肉的活动状态和运动能力。中国专利ZL200710168725.1公开一种穿戴式手功能康复机器人及其控制系统,通过检测患者手多通道肌电信号获取其主动运动意图,并结合角度和力传感器得到患肢状态。此发明仅将EMG信号整流放大后输入到控制器中,但并未详述如何提取和评估其患肢状态,EMG在控制中的作用也未详细阐释。
中国专利ZL201010561379.5公开了一种下肢康复机器人运动控制方法,可实施被动训练和主动训练两种工作模式,实时检测患者作用于机器人的关节驱动力,并利用阻抗控制器将交互力矩转化为步态轨迹修正量。此发明未涉及肌电信号的提取和分析,缺乏对患肢肌肉状态的监测和评估,所采用的阻抗模型参数也是固定不变的,无法产生与康复水平相适应的机器人顺应程度。中国专利ZL201110103103.7公开了一种步态康复训练机器人控制系统,可按照人正常行走的姿态进行被动模式和主动模式训练,利用所获取的足底压力信号来判断训练者的运动意图,对康复机器人的行走速度进行实时控制。同样,肌电信号未被引入控制系统中,对肢体的评估仅依赖于物理传感器。中国专利ZL201210225997.1和ZL201210226579.4公开了一种坐卧式下肢康复机器人及相应的主动训练控制方法,通过肌电信号采集、功能性电刺激和运动控制系统实现被动训练、助力训练或主动训练。在主动训练时采集肌肉在放松状态和最大收缩状态的肌电信号绝对均值,通过弹簧式/阻尼式(阻抗模型的特殊形式)控制策略将其转化为关节位置/速度指令。此发明未涉及到对肌肉活动状态的评估,其阻抗模型是固定不变的,机器人的控制也仅由肌肉的收缩强度(即肌电信号幅值)来决定,然而肌电信号是不稳定且持续变化的,这种阻抗控制方法难以保证输出的平滑和稳定。
通过上述分析比较可知,目前康复设备的控制方法还不能很好地满足对智能化、柔顺性、交互式、自适应控制的需求。康复机器人的训练模式应更加丰富有效,并且针对不同病情和不同恢复期的患者康复机器人的运动模式应具备适应性。目前的康复训练系统很少在整体运行周期中引入EMG信号来实现机器人的自主、智能、优化控制,无法在机器人训练过程中实时检测患肢的肌肉活动和康复状态,不能根据肌肉运行状态自适应修正阻抗模型,缺乏对患肢肌肉活动情况和收缩力的评价,所以很难适应于不同患者的不同康复周期。
发明内容
本发明的目的在于提供一种并联下肢康复机器人自适应训练控制方法及康复机器人,通过采集人体表面肌电信号评估其肌肉活动状态和运动能力,以此为基础自适应调节机器人的阻抗控制模型参数,以适应不同患者或不同康复阶段对康复训练的需求。
为实现上述目的,本发明所设计的一种并联下肢康复机器人自适应训练控制方法,其特殊之处在于,所述训练控制方法包括如下步骤:
1)采集患者下肢肌肉的原始肌电信号E0(t)并进行全波整流,再将经过全波整流后的肌电信号E1(t)进行归一化处理和平滑处理得到E2(t),t为采集时间;
2)利用所述经过平滑处理的肌电信号E2(t)计算肌肉神经响应特征u(t),并利用肌肉神经响应特征u(t)计算肌肉激活度特征a(t);
3)利用所述肌肉神经响应特征u(t)、肌肉激活度特征a(t)和希尔模型计算肌肉纤维力Fmf和肌腱力Fmt,并根据所述肌肉纤维力Fmf和肌腱力Fmt计算肌肉收缩力Fmus;
4)采集患者下肢与机器人相互作用时的人机交互力Fint,并进行降噪和标定处理;
5)利用所述人机交互力Fint建立康复机器人的目标阻抗模型即
其中Bd为阻尼矩阵,Kd为刚度矩阵,Xd为机器人初始期望位置向量,X为修正后的位置向量,X=[x,y,z],Xd=[xd,yd,zd],Fint=[Fx,Fy,Fz];
6)根据所述步骤3)中的肌肉收缩力Fmus自适应调节所述目标阻抗模型;
7)基于所述目标阻抗模型在虚拟管道内修正机器人运动轨迹;
8)利用所述机器人运动轨迹进行在线的轨迹规划和运动控制。
优选地,所述步骤2)中肌肉神经响应特征u(t)的计算公式为:
u(t)=γE2(t-d)-β1u(t-1)-β2u(t-2)
β1=c1+c2,β2=c1·c2且|c1|<1,|c2|<1,γ-β1-β2=1.0
其中γ、β1、β2分别为肌肉神经响应特征方程的第一参数、第二参数和第三参数,且满足β1=c1+c2,β2=c1·c2,|c1|<1,|c2|<1,γ-β1-β2=1.0的约束条件,其中c1,c2是为定义β1,β2约束条件而引入的第一约束参数和第二约束参数,d为时间延迟,t为采集时间。
优选地,所述步骤2)中肌肉激活度特征a(t)的计算公式为:其中A为非线性形状因子且满足-3<A<0,e为自然常数,t为采集时间。
优选地,所述步骤3)中肌肉纤维力Fmf的计算方法为:
其中
其中为与肌肉纤维长度相关的主动收缩力,为与肌肉纤维收缩速度相关的主动收缩力,为与肌肉纤维长度相关的被动收缩力,为肌肉能产生的最大等长收缩力,Lm为肌肉纤维长度,为归一化后的肌肉纤维长度,为归一化后的肌肉纤维收缩速度,为肌肉的最大收缩速度,α为肌肉在长度时的羽状角,为最大等长收缩速度时的肌肉纤维长度,e为自然常数。
优选地,所述步骤3)中肌腱力Fmt的计算方法为:
其中Lt为肌腱长度,为肌腱松弛长度,ε为肌腱应变系数,一般取值0.033,e为自然常数。
优选地,所述步骤3)中根据所述肌肉纤维力Fmf和肌腱力Fmt计算肌肉收缩力Fmus的计算方法为:
比较所述肌肉纤维力Fmf和肌腱力Fmt,当满足Fmt=Fmfcosα时,当前的肌肉纤维长度Lm为真实长度;当不满足该等式时,改变肌肉纤维长度Lm,重复计算所述肌肉纤维力Fmf和肌腱力Fmt,直到找到满足Fmt=Fmfcosα的最佳的肌肉纤维长度Lm,其中α为肌肉在长度时的羽状角,为最大等长收缩速度时的肌肉纤维长度。
优选地,所述步骤6)中自适应调节所述目标阻抗模型的方法表示为:
其中
B0和K0分别为初始的阻尼参数和刚度参数,Fmusi为所述步骤3)中计算得到的第i块肌肉的肌肉收缩力,ωi为第i块肌肉在特定动作中的权重系数,i为自然数。
所述步骤7)中在虚拟管道内修正机器人运动轨迹的方法表示为:
采用圆形轨迹,在运动过程中实时采集人机交互力Fint=[Fx,Fy,Fz],将所述人机交互力Fint输入目标阻抗模型计算出位置修正量ΔX=[Δx,Δy,Δz];为了使得修正后的运行轨迹平滑连续,将X和Y方向的修正量转化成对圆周半径的修正,即
同时满足:
其中xd和yd为初始期望运动位置,x和y为修正后的运动位置,θ为使之产生圆周运动的角度,形成以最小直径Rmin和最大直径Rmax为半径的圆弧形成虚拟管道,其设定可参考理疗师的意见调整。
一种实现上述并联下肢康复机器人自适应训练控制方法的康复机器人,所述康复机器人包括:并联机器人平台、肌电信号采集装置、力信号采集装置、控制界面和主控制箱;
所述机器人平台包括可动上平台、固定下平台和执行机构,用于根据控制信号带动患者下肢进行康复运动训练;
所述肌电信号采集装置利用粘贴在患者下肢肌肉表面的电极片,实时采集肌电信号E0(t);
所述力信号采集装置安装在患者下肢与康复机器人之间,实时采集人机交互力Fint;
所述控制界面用于实现信息传递和控制方法,根据所述肌电信号E0(t)和人机交互力Fint实时计算机器人的期望轨迹及运动学逆解,并向所述主控制箱发送关节运动控制指令;
所述主控制箱包括DSP运动控制器、伺服电机和驱动器,在获取所述控制界面发送的指令后,发送控制信号给机器人平台,以驱动机器人带动患者下肢进行康复运动训练。
进一步地,所述机器人平台的执行机构由六支滚珠丝杠执行机构组成,所述六支滚珠丝杠执行机构分别通过虎克铰和球铰与可动上平台、固定下平台相连,所述可动上平台设有脚套用于固定患者下肢,通过控制所述可动上平台带动患者下肢实现六维空间的平移和旋转运动。
本发明所采用的技术方案是:根据采集的肌电信号估计下肢肌肉活动和收缩力状态,并依此自适应调节机器人的阻抗模型参数;同时获取患者与机器人间的交互作用力,通过识别结果和阻抗模型实现对机器人运动轨迹和速度的计算;康复机器人主控制部分根据计算得到的轨迹和速度修正量,提供在线轨迹规划及运动学逆解,将控制指令发送至相应关节的控制器和驱动器,实现机器人的自适应训练控制。本发明研究基于EMG信号的肌肉活动状态建模方法,通过在线预测和阻抗控制方法自适应调节康复机器人所提供的运动轨迹,使其更适用于特定患者。在老龄化社会日益严重和各类肢体损伤患者日益增多的情况下,本发明能够在康复过程中实现智能化,对改善患者康复效果、提高患者康复的主动性和积极性,具有十分重要的现实意义和应用价值。
本发明与现有的下肢康复机器人训练控制方法相比具有如下突出特点:
1.本发明提出了一种基于肌电信号的肌肉纤维力、肌肉肌腱力及肌肉收缩力的计算方法。不同于传统的利用肌电信号计算关节力矩,此方法可在线计算评估受试者每块肌肉的肌肉活动状态和收缩力,为分析患者肢体运动能力和康复水平,及实现匹配患者能力的康复手段,提供了直接、科学的依据。
2.本发明提出了一种匹配患者肌肉活动状态的自适应康复控制方法,并通过虚拟管道方法保证其训练安全。不同于传统的阻抗控制方法,这里根据患者肌肉活动能力自适应调节机器人的阻抗模型参数,驱动康复机器人以不同的刚度和阻尼来完成训练。虚拟管道方法可保证机器人运动在特定安全范围之内,在保证安全性的同时最大程度提高患者的运动自由。
3.本发明可自动根据患者的不同康复阶段实施不同的训练模式和控制策略。由于患者的运动能力和恢复水平是随着时间不断变化的,肌肉活动状态可直接反映患者的康复进程。本发明在全周期控制过程中引入肌电信号,通过肌体活动状态自动调节机器人辅助模式。不仅克服了现有方法在训练过程中无法实时检测患肢康复状态、难以适应不同患者的问题,而且可提高康复方法的智能化,使其适应患者的整个康复周期。
附图说明
图1为本发明并联下肢康复机器人的系统结构框图。
图2为本发明并联下肢康复机器人自适应训练控制方法的流程图。
图3为本发明并联下肢康复机器人自适应训练控制方法的控制总体流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
如图1所示,本发明所涉及的一种并联下肢康复机器人包括:并联机器人平台1、肌电信号采集装置2、力信号采集装置3、控制界面4和主控制箱5。
机器人平台1包括可动上平台、固定下平台和执行机构,用于根据控制信号带动患者下肢进行康复运动训练。执行机构由六支滚珠丝杠执行机构组成,六支滚珠丝杠执行机构分别通过虎克铰和球铰与可动上平台、固定下平台相连,可动上平台设有脚套用于固定患者下肢,通过控制可动上平台带动患者下肢实现六维空间的平移和旋转运动。
肌电信号采集装置2利用粘贴在患者下肢肌肉表面的电极片,实时采集肌电信号E0(t)。肌电信号采集装置2采用贴片电极撷取四通道肌电信号E0(t),经过放大器AD8295后,输入至50Hz工频陷波器,后经过20~500Hz的带通滤波,最后送至电平抬升电路,调理后的信号进行模数转换,将采样得到的肌电信号数字序列传输至上位机的控制界面4。
力信号采集装置3安装在患者下肢与康复机器人之间,实时采集人机交互力Fint。力信号采集装置3采用FUTEK MTA400三维力传感器测量其在x、y、z方向的作用力,力传感器的输出信号经10针数据总线ZCC930采集,后经过三只信号放大器和滤波电路作用后,传输至力传感信号采集卡USB210,采集卡可提供1KHz采样率,并提供外部通用的USB接口与上位机通信,可将x、y、z三路力传感信号发送至上位机的控制界面4进行分析或存储。
控制界面4用于实现信息传递和控制方法,根据肌电信号E0(t)和人机交互力Fintt实时计算机器人的期望轨迹及运动学逆解,并向主控制箱5发送关节运动控制指令;控制界面4包括机器人控制界面、肌电信号采集处理界面、力信号采集处理界面,可提供通用的指令接收端口,以获取肌力预测值和力反馈数据,并由控制软件实时计算期望轨迹及运动学逆解;也用于提供用户输入、运动参数查询、视觉反馈及数据管理等。
主控制箱5包括DSP运动控制器、伺服电机和驱动器,在获取控制界面4发送的指令后,发送控制信号给机器人平台1,以驱动机器人带动患者下肢进行康复运动训练。主控制箱5在获取各个关节的位移及速度控制指令后,将命令通过USB-CAN总线发送至基于DSP的运动控制器,由DSP根据控制算法生成PWM波,作为伺服驱动器的输入,并由此驱动伺服电机以实现机器人的运动控制。
实施例是一名25岁男性志愿者,在运动过程中采集其小腿四块肌肉(腓骨长肌、胫骨长肌、趾长伸肌、腓骨短肌)的肌电信号,以及下肢与机器人相互作用时的力反馈信号,通过发明中的肌肉状态评估方法和自适应阻抗控制方法,实现康复机器人的自适应训练控制。附图1是本发明实施例的机器人控制系统总体结构框图,具体的实验设置步骤如下:
1)并联康复机器人及其控制部分安装连接
连接六自由度机器人平台1、主控制箱5和USB-CAN通信总线,将PC机与运动控制器柜连接。打开机器人主动控制软件,建立机器人控制软件与肌电信号、力传感器处理软件之间的可靠通信,本例使用TCP协议、本地IP地址为127.0.0.1,端口号为2000。设置完成后运行程序,点击机器人控制软件“开始接收”按钮,软件创建一个TCP Socket类开启本地服务器,同时驱动机器人运动到准备状态位置。完成后软件弹出窗口“服务器已开启,等待发送力或肌电信号”,完成并联康复机器人主控制系统的安装与连接。
2)表面肌电信号采集与处理部分安装连接
连接肌电电极连接线和采集卡的D15接口,将PC机与肌电信号采集卡连接。打开肌电信号处理软件,并在网络连接方式中指定正确的通信协议、IP地址及端口号,建立肌电信号处理软件与机器人控制软件之间的可靠通信,完成肌电采集与处理部分的安装与连接。
3)力信号采集装置3安装连接
连接FUTEK三维力传感器、10针数据总线ZCC930和USB210数据采集卡;将PC机与力传感器信号采集卡的三个通道通过USB连接。打开力传感器信号处理软件,并在软件程序中指定正确的通信协议、IP地址及端口号。建立力传感器处理软件与机器人控制之间的可靠通信,完成力力信号采集装置3的安装与连接。
完成机器人安装连接与实验设置之后,在下肢运动过程中实时采集其表面肌电信号,评估其肌肉活动状态和肌肉收缩能力,以此为基础自适应调节机器人的阻抗模型参数,在虚拟管道范围内修正机器人运动轨迹,以适应不同患者或不同康复阶段对康复训练的需求。
利用本发明的机器人对患者进行康复训练时,患者下肢通过矫形器固定于机器人上平台,同时采集其下肢肌电信号和交互力信号,然后通过下文描述的肌肉状态评估和自适应阻抗控制方法在线修正机器人运动轨迹和速度,实现其主动康复训练。
如图2所示,本发明并联下肢康复机器人自适应训练控制方法的具体步骤包括:
1)采集患者下肢肌肉的原始肌电信号E0(t)并进行全波整流,再将经过全波整流后的肌电信号E1(t)进行归一化处理和平滑处理得到E2(t),t为采集时间。
利用肌电信号采集卡获取患者下肢受试肌肉的原始肌电信号E0(t),将采集到的肌电信号E0(t)通过高通滤波器(巴特沃斯4阶,15Hz)消除直流分量和低频噪声(由于电极片的移动或放大器质量问题产生)的干扰,得到处理后的肌电信号E1(t)。
对肌电信号E1(t)进行全波整流,再将所得的信号进行归一化处理,归一化采用的是肌电信号整流滤波后的幅度与该肌肉最大自主收缩时的最大幅度的比值,归一化之后通过低通滤波器(巴特沃斯4阶,3Hz)进行平滑处理,得到处理后的肌电信号E2(t)。
2)利用经过平滑处理的肌电信号E2(t)计算肌肉神经响应特征u(t),并利用肌肉神经响应特征u(t)计算肌肉激活度特征a(t)。
肌肉神经响应特征u(t)的计算公式为:
u(t)=γE2(t-d)-β1u(t-1)-β2u(t-2)
β1=c1+c2,β2=c1·c2且|c1|<1,|c2|<1,γ-β1-β2=1.0
其中γ、β1、β2分别为肌肉神经响应特征方程的第一参数、第二参数和第三参数,且满足β1=c1+c2,β2=c1·c2,|c1|<1,|c2|<1,γ-β1-β2=1.0的约束条件,其中c1,c2是为定义β1,β2约束条件而引入的第一约束参数和第二约束参数,d为时间延迟,t为采集时间。
肌肉激活度特征a(t)的计算公式为:其中A为非线性形状因子且满足-3<A<0,e为自然常数,t为采集时间。
3)所述肌肉神经响应特征u(t)、肌肉激活度特征a(t)和希尔模型计算肌肉纤维力Fmf和肌腱力Fmt,并根据肌肉纤维力Fmf和肌腱力Fmt计算肌肉收缩力Fmus。
由希尔肌肉模型,肌肉长度Lmt,肌肉纤维长度Lm和肌腱长度Lt存在如下关系:
Lmt=Lmcosα+Lt
其中α为肌肉在长度时的羽状角,是最大等长收缩速度时的肌肉纤维长度。
假设当前的肌肉纤维长度为Lm0,计算肌肉纤维收缩速度为Vm0,对Lm0和Vm0归一化后得到和由下式计算当前肌肉纤维收缩力Fmf0:
其中
其中为肌肉能产生的最大等长收缩力,Lm为肌肉纤维长度,为归一化后的肌肉纤维长度,为归一化后的肌肉纤维收缩速度,为肌肉的最大收缩速度,α为肌肉在长度时的羽状角,为最大等长收缩速度时的肌肉纤维长度,e为自然常数。
由希尔肌肉模型可得到肌腱长度Lt0,利用肌腱长度与力之间的关系式计算肌腱力Fmt0:
其中为肌腱松弛长度,该长度下肌肉纤维收缩力转移,肌腱表现为非线性弹簧特性。ε是肌腱应变系数,一般取值0.033。
比较肌肉纤维力Fmf和肌腱力Fmt,当满足Fmt=Fmfcosα时,当前的肌肉纤维长度Lm为真实长度;当不满足该等式时,改变肌肉纤维长度Lm,重复计算肌肉纤维力Fmf和肌腱力Fmt,直到找到满足Fmt=Fmfcosα的最佳的肌肉纤维长度Lm。则最终计算的肌肉收缩力可表示为:Fmus=Fmt=Fmfcosα。
4)采集患者下肢与机器人相互作用时的人机交互力Fint,并进行降噪和标定处理。
采集原始交互力信号,通过降噪标定得到处理后的人机交互力Fint。Fint=[Fx,Fy,Fz]。利用FUTEK力传感器采集x,y,z三个方向上的人机交互作用力Fx,Fy,Fz,并实时传输至上位机。通过记录力传感器负载和力传感器输出的电压值,利用线性递增的负载建立力传感器各个通道与其作用力之间的线性关系,实现对人机交互力Fint的降噪和标定。
5)利用人机交互力Fint建立康复机器人的目标阻抗模型即
其中Bd为阻尼矩阵,Kd为刚度矩阵,Xd为机器人初始期望位置向量,X为修正后的位置向量,X=[x,y,z],Xd=[xd,yd,zd],Fint=[Fx,Fy,Fz]。
基于二阶微分方程,建立机器人的目标阻抗模型。采用如下形式来描述:
其中Md,Bd,Kd分别为目标惯性、阻尼和刚度矩阵,Xd为机器人初始期望位置向量,X为修正后的位置向量,Fint为交互力向量,这里X=[x,y,z],Xd=[xd,yd,zd],Fint=[Fx,Fy,Fz];考虑在康复过程中机器人速度变化慢,加速度Md可忽略不计,将上述阻抗模型简化为:
即
6)根据步骤3)中的肌肉收缩力Fmus自适应调节目标阻抗模型。
不同的阻抗参数会使机器人辅助训练时表现出不同的柔顺程度,为了使机器人训练更智能地适应不同康复程度的患者使用,其阻抗模型需要根据患者的肌肉活动程度自适应调节。当患者的肌肉收缩力Fmus增大时,使刚度参数Kd减小,则患者对轨迹位移的修正量增加;此外,当患者的肌肉收缩力Fmus变化量增大时,阻尼参数Bd变小,从而使得机器人的速度加快,反之亦然。根据上述发明构思,通过检测到的肌电信号E2(t)计算出每块肌肉的收缩力Fmus,根据当前的肌肉收缩力Fmuss来调整阻抗参数,进而改变机器人的柔顺性。调整的规则如下:
其中
B0和K0为初始的阻尼和刚度参数,Fmusi为方法1中计算得到的第i块肌肉的肌肉收缩力,ωi表示第i块肌肉在特定动作中的权重系数。
7)基于目标阻抗模型在虚拟管道内修正机器人运动轨迹;
根据人机交互力Fint修正机器人预定轨迹,为避免由于患者的不恰当运动而导致过度偏离生理轨迹范围,造成二次损伤,本发明在参考轨迹中设定一个虚拟的管道,保证患者在管道范围内进行安全运动,这里以圆形轨迹为例,介绍“虚拟管道”阻抗控制方法;
在运动过程中实时检测人机交互力Fint=[Fx,Fy,Fz],将交互力输入基于肌肉收缩力调节的阻抗模型:计算出位置修正量ΔX=[Δx,Δy,Δz]。为了使得修正后的运行轨迹平滑连续,将X和Y方向的修正量转化成对圆周半径的修正,即
同时满足:
其中xd和yd为初始期望运动位置,x和y为修正后的运动位置,θ为使之产生圆周运动的角度变化,以最小半径Rmin和最大半径Rmax为半径的圆弧形成虚拟管道,其设定可参考理疗师的意见调整。
8)利用机器人运动轨迹进行在线的轨迹规划和运动控制。
利用肌肉活动和阻抗模型得到修正后的轨迹后,在PC控制界面4进行在线的轨迹规划和运动控制。将整个连续运动的时间区间分段,在不同的子区间内计算各关节的变化曲线,再经过运动学逆解求得各关节轨迹和速度值,通过DSP运动控制器精确驱动机器人平台1完成相应动作,进而实现康复机器人的自适应训练控制,控制过程可反馈至控制界面4。
根据上述实施例过程,附图3为本发明基于肌肉活动评估的自适应训练控制方法流程图,可对本发明的技术方案进行进一步详细说明:在下肢运动过程中实时采集肌电信号和力信息,在线评估其肌肉活动收缩力,依此为基础调节机器人阻抗模型,实现机器人的在线轨迹规划及运动控制,完成与患者康复水平相适应的训练控制方法。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种并联下肢康复机器人自适应训练控制方法,其特征在于:所述训练控制方法包括如下步骤:
1)采集患者下肢肌肉的原始肌电信号E0(t)并进行全波整流,再将经过全波整流后的肌电信号E1(t)进行归一化处理和平滑处理得到E2(t),t为采集时间;
2)利用所述经过平滑处理的肌电信号E2(t)计算肌肉神经响应特征u(t),并利用肌肉神经响应特征u(t)计算肌肉激活度特征a(t);
3)利用所述肌肉神经响应特征u(t)、肌肉激活度特征a(t)和希尔模型计算肌肉纤维力Fmf和肌腱力Fmt,并根据所述肌肉纤维力Fmf和肌腱力Fmt计算肌肉收缩力Fmus;
4)采集患者下肢与机器人相互作用时的人机交互力Fint,并进行降噪和标定处理;
5)利用所述人机交互力Fint建立康复机器人的目标阻抗模型即
其中Bd为阻尼矩阵,Kd为刚度矩阵,Xd为机器人初始期望位置向量,X为修正后的位置向量,X=[x,y,z],Xd=[xd,yd,zd],Fint=[Fx,Fy,Fz];
6)根据所述步骤3)中的肌肉收缩力Fmus自适应调节所述目标阻抗模型;
7)基于所述目标阻抗模型在虚拟管道内修正机器人运动轨迹;根据所述人机交互力Fint修正机器人预定轨迹,为避免由于患者的不恰当运动而导致过度偏离生理轨迹范围,造成二次损伤,在参考轨迹中设定虚拟管道;
8)利用所述机器人运动轨迹进行在线的轨迹规划和运动控制。
2.根据权利要求1所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤2)中肌肉神经响应特征u(t)的计算公式为:
u(t)=γE2(t-d)-β1u(t-1)-β2u(t-2)
β1=c1+c2,β2=c1·c2且|c1|<1,|c2|<1,γ-β1-β2=1.0
其中γ、β1、β2分别为肌肉神经响应特征方程的第一参数、第二参数和第三参数,且满足β1=c1+c2,β2=c1·c2,|c1|<1,|c2|<1,γ-β1-β2=1.0的约束条件,其中c1,c2是为定义β1,β2约束条件而引入的第一约束参数和第二约束参数,d为时间延迟。
3.根据权利要求2所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤2)中肌肉激活度特征a(t)的计算公式为:其中A为非线性形状因子且满足-3<A<0,e为自然常数。
4.根据权利要求1所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤3)中肌肉纤维力Fmf的计算方法为:
其中
其中为与肌肉纤维长度相关的主动收缩力,为与肌肉纤维收缩速度相关的主动收缩力,为与肌肉纤维长度相关的被动收缩力,为肌肉能产生的最大等长收缩力,Lm为肌肉纤维长度,为归一化后的肌肉纤维长度,为归一化后的肌肉纤维收缩速度,为肌肉的最大收缩速度,α为肌肉在长度时的羽状角,为最大等长收缩速度时的肌肉纤维长度,e为自然常数。
5.根据权利要求4所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤3)中肌腱力Fmt的计算方法为:
其中Lt为肌腱长度,为肌腱松弛长度,ε为肌腱应变系数,一般取值0.033,e为自然常数。
6.根据权利要求5所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤3)中根据所述肌肉纤维力Fmf和肌腱力Fmt计算肌肉收缩力Fmus的计算方法为:
比较所述肌肉纤维力Fmf和肌腱力Fmt,当满足Fmt=Fmfcosα时,当前的肌肉纤维长度Lm为真实长度;当不满足该等式时,改变肌肉纤维长度Lm,重复计算所述肌肉纤维力Fmf和肌腱力Fmt,直到找到满足Fmt=Fmfcosα的最佳的肌肉纤维长度Lm,其中α为肌肉在长度时的羽状角,为最大等长收缩速度时的肌肉纤维长度。
7.根据权利要求1所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤6)中自适应调节所述目标阻抗模型的方法表示为:
其中
B0和K0分别为初始的阻尼参数和刚度参数,Fmusi为所述步骤3)中计算得到的第i块肌肉的肌肉收缩力,ωi为第i块肌肉在特定动作中的权重系数,i为自然数。
8.根据权利要求1所述的并联下肢康复机器人自适应训练控制方法,其特征在于:所述步骤7)中在虚拟管道内修正机器人运动轨迹的方法表示为:
采用圆形轨迹,在运动过程中实时采集人机交互力Fint=[Fx,Fy,Fz],将所述人机交互力Fint输入目标阻抗模型计算出位置修正量ΔX=[Δx,Δy,Δz];为了使得修正后的运行轨迹平滑连续,将X和Y方向的修正量转化成对圆周半径的修正,即
同时满足:
其中xd和yd为初始期望运动位置,x和y为修正后的运动位置,θ为使之产生圆周运动的角度,形成以最小直径Rmin和最大直径Rmax为半径的圆弧形成虚拟管道。
9.一种实现权利要求1~8任一项所述并联下肢康复机器人自适应训练控制方法的康复机器人,其特征在于:所述康复机器人包括:并联机器人平台(1)、肌电信号采集装置(2)、力信号采集装置(3)、控制界面(4)和主控制箱(5);
所述机器人平台(1)包括可动上平台、固定下平台和执行机构,用于根据控制信号带动患者下肢进行康复运动训练;
所述肌电信号采集装置(2)利用粘贴在患者下肢肌肉表面的电极片,实时采集肌电信号E0(t);
所述力信号采集装置(3)安装在患者下肢与康复机器人之间,实时采集人机交互力Fint;
所述控制界面(4)用于实现信息传递和控制方法,根据所述肌电信号E0(t)和人机交互力Fint实时计算机器人的期望轨迹及运动学逆解,并向所述主控制箱(5)发送运动控制指令;
所述主控制箱(5)包括DSP运动控制器、伺服电机和驱动器,在获取所述控制界面(4)发送的指令后,发送控制信号给机器人平台(1),以驱动机器人带动患者下肢进行康复运动训练。
10.根据权利要求9所述的并联下肢康复机器人自适应训练控制方法的康复机器人,其特征在于:所述机器人平台(1)的执行机构由六支滚珠丝杠执行机构组成,所述六支滚珠丝杠执行机构分别通过虎克铰和球铰与可动上平台、固定下平台相连,所述可动上平台设有脚套用于固定患者下肢,通过控制所述可动上平台带动患者下肢实现六维空间的平移和旋转运动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510812527.9A CN105288933B (zh) | 2015-11-20 | 2015-11-20 | 并联下肢康复机器人自适应训练控制方法及康复机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510812527.9A CN105288933B (zh) | 2015-11-20 | 2015-11-20 | 并联下肢康复机器人自适应训练控制方法及康复机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105288933A CN105288933A (zh) | 2016-02-03 |
CN105288933B true CN105288933B (zh) | 2017-07-07 |
Family
ID=55187175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510812527.9A Active CN105288933B (zh) | 2015-11-20 | 2015-11-20 | 并联下肢康复机器人自适应训练控制方法及康复机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105288933B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI601556B (zh) * | 2016-08-04 | 2017-10-11 | 崑山科技大學 | 自動協調雙肢阻抗之雙肢健身器 |
WO2018175004A1 (en) | 2017-03-22 | 2018-09-27 | Parker-Hannifin Corporation | Mobility assistance devices with automated assessment and adjustment control |
CN107894709A (zh) * | 2017-04-24 | 2018-04-10 | 长春工业大学 | 基于自适应评价网络冗余机器人视觉伺服控制 |
CN109199783B (zh) * | 2017-07-04 | 2020-06-09 | 中国科学院沈阳自动化研究所 | 一种利用sEMG来控制踝关节康复设备刚度的控制方法 |
CN109907936B (zh) * | 2017-12-13 | 2022-06-14 | 上海电气集团股份有限公司 | 基于虚拟现实的上肢康复训练设备 |
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 |
CN109044352B (zh) * | 2018-06-22 | 2021-03-02 | 福州大学 | 一种确定预测人体关节力矩的人工智能输入变量的方法 |
CN108994833B (zh) * | 2018-07-26 | 2020-08-28 | 北京机械设备研究所 | 一种基于肌电活跃度反馈的关节助力控制方法 |
CN110090005B (zh) * | 2019-05-30 | 2021-09-28 | 北京积水潭医院 | 医疗数据处理装置 |
CN110355761B (zh) * | 2019-07-15 | 2022-06-14 | 武汉理工大学 | 一种基于关节刚度和肌肉疲劳的康复机器人控制方法 |
CN110523060B (zh) * | 2019-08-29 | 2021-09-24 | 深圳市问库信息技术有限公司 | 肌力恢复与姿势纠正辅助装置 |
CN110974616A (zh) * | 2019-12-12 | 2020-04-10 | 上海理工大学 | 一种适用于脊髓受损患者的下肢康复设备 |
CN111640495A (zh) * | 2020-05-29 | 2020-09-08 | 北京机械设备研究所 | 基于阻抗控制的变力跟踪控制方法及装置 |
CN112587242B (zh) * | 2020-12-11 | 2023-02-03 | 山东威高手术机器人有限公司 | 手术机器人主手模拟方法、主手和应用 |
CN112716750B (zh) * | 2020-12-24 | 2022-09-16 | 湖北英特搏智能机器有限公司 | 基于三维力传感器的康复机器人力交互控制方法 |
CN112932897B (zh) * | 2021-01-28 | 2023-11-28 | 上海电气集团股份有限公司 | 一种康复机器人运动的方法、装置及其康复机器人 |
CN113081666B (zh) * | 2021-03-24 | 2023-05-12 | 上海傅利叶智能科技有限公司 | 康复机器人的虚拟限位的方法、装置和康复机器人 |
CN113069315B (zh) * | 2021-03-24 | 2024-02-20 | 上海傅利叶智能科技有限公司 | 机器人提供助力的方法、装置和康复机器人 |
CN113100789B (zh) * | 2021-04-16 | 2022-10-21 | 西北工业大学 | 一种膝关节内外侧受力实时分析系统 |
CN113576463B (zh) * | 2021-07-31 | 2022-05-10 | 福州大学 | 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统 |
CN113730185A (zh) * | 2021-08-23 | 2021-12-03 | 深圳华鹊景医疗科技有限公司 | 康复机器人群控制系统及方法 |
CN115228053B (zh) * | 2022-07-04 | 2023-04-25 | 暨南大学附属第一医院(广州华侨医院) | 一种脚踝术后外侧肌群训练装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061984A (zh) * | 2006-04-29 | 2007-10-31 | 香港理工大学 | 利用肌电信号提供机械帮助的康复机器人系统及训练方法 |
KR101065420B1 (ko) * | 2008-12-16 | 2011-09-16 | 한양대학교 산학협력단 | 상지거동을 위한 착용형 로봇장치 |
CN202342398U (zh) * | 2011-11-08 | 2012-07-25 | 武汉理工大学 | 多自由度下肢手术与康复训练机器人 |
CN102631276A (zh) * | 2011-12-31 | 2012-08-15 | 中国科学院深圳先进技术研究院 | 康复训练机器人中的交互方法及系统 |
CN102698411A (zh) * | 2012-06-29 | 2012-10-03 | 中国科学院自动化研究所 | 坐卧式下肢康复机器人及相应的主动训练控制方法 |
-
2015
- 2015-11-20 CN CN201510812527.9A patent/CN105288933B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101061984A (zh) * | 2006-04-29 | 2007-10-31 | 香港理工大学 | 利用肌电信号提供机械帮助的康复机器人系统及训练方法 |
KR101065420B1 (ko) * | 2008-12-16 | 2011-09-16 | 한양대학교 산학협력단 | 상지거동을 위한 착용형 로봇장치 |
CN202342398U (zh) * | 2011-11-08 | 2012-07-25 | 武汉理工大学 | 多自由度下肢手术与康复训练机器人 |
CN102631276A (zh) * | 2011-12-31 | 2012-08-15 | 中国科学院深圳先进技术研究院 | 康复训练机器人中的交互方法及系统 |
CN102698411A (zh) * | 2012-06-29 | 2012-10-03 | 中国科学院自动化研究所 | 坐卧式下肢康复机器人及相应的主动训练控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105288933A (zh) | 2016-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105288933B (zh) | 并联下肢康复机器人自适应训练控制方法及康复机器人 | |
CN110653817B (zh) | 一种基于神经网络的外骨骼机器人助力控制系统与方法 | |
CN109394476B (zh) | 脑肌信息自动意图识别与上肢智能控制方法及系统 | |
CN108785997B (zh) | 一种基于变导纳的下肢康复机器人柔顺控制方法 | |
CN109549821B (zh) | 基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法 | |
CN107397649B (zh) | 一种基于径向基神经网络上肢外骨骼运动意图识别方法 | |
Li et al. | sEMG-based joint force control for an upper-limb power-assist exoskeleton robot | |
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 | |
US9238137B2 (en) | Neuromuscular stimulation | |
US8359123B2 (en) | Robotic system and training method for rehabilitation using EMG signals to provide mechanical help | |
Lu et al. | Development of a sEMG-based torque estimation control strategy for a soft elbow exoskeleton | |
CN103431976A (zh) | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 | |
Yang et al. | An intention-based online bilateral training system for upper limb motor rehabilitation | |
Meng et al. | Active interaction control applied to a lower limb rehabilitation robot by using EMG recognition and impedance model | |
CN110038290A (zh) | 一种肌力康复辅助装置 | |
Liu et al. | Gait trajectory prediction for lower-limb exoskeleton based on Deep Spatial-Temporal Model (DSTM) | |
Xiao | Proportional myoelectric and compensating control of a cable-conduit mechanism-driven upper limb exoskeleton | |
CN112842824A (zh) | 一种用于下肢康复恢复的训练方法 | |
Wu et al. | Adaptive cooperative control of a soft elbow rehabilitation exoskeleton based on improved joint torque estimation | |
Lalitharatne et al. | Evaluation of fuzzy-neuro modifiers for compensation of the effects of muscle fatigue on EMG-based control to be used in upper-limb power-assist exoskeletons | |
Li et al. | Joint torque closed-loop estimation using NARX neural network based on sEMG signals | |
CN108994833A (zh) | 一种基于肌电活跃度反馈的关节助力控制方法 | |
Zhou et al. | sEMG-driven functional electrical stimulation tuning via muscle force | |
Wang et al. | Improving walking economy with an ankle exoskeleton prior to human-in-the-loop optimization | |
CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |