CN106109174A - 一种基于肌电反馈式阻抗自适应的康复机器人控制方法 - Google Patents

Abstract

一种基于肌电反馈式阻抗自适应的康复机器人控制方法，由肌电信号特征值、足底压力信号和角速度信号识别出训练对象关节伸屈状态，确定肢体运动意图，结合患侧镜像健侧的方法给出用于描述患侧肌肉活动程度的肌电信号特征量；设定目标阻抗方程，描述机器人的末端运动轨迹偏差和末端受力之间的函数关系，构建随患侧肌肉活动水平和关节角度而自适应调整的阻抗参数，根据初始期望静态平衡力，分析肌电信号得到疲劳程度分级，微调期望静态平衡力。再结合位置控制器实现下肢康复机器人自适应跟踪期望轨迹。本发明建立自适应调整阻抗参数和分级调整静态平衡力的方法，使康复训练过程具有个体适应性，控制过程更加自然、柔顺并且安全可靠。

Description

一种基于肌电反馈式阻抗自适应的康复机器人控制方法

技术领域

本发明涉及康复机器人自适应控制领域，尤其涉及一种基于肌电反馈式阻抗自适应的康复机器人控制方法。

背景技术

目前，康复机器人的控制方法主要有被动控制和主动控制两大类。被动控制方法通过设定期望轨迹，采用位置控制方式跟踪期望轨迹，实现康复机器人运动控制。但被动控制方法存在个体适应性差，且在整个康复训练过程中缺乏训练对象的主动参与；主动控制方法又叫交互控制，根据交互信号的不同，主动控制又分为两类:(1)基于力反馈信号的交互控制。其中最常用的是阻抗控制方法，被认为是最适于康复机器人控制的方法之一。通过动力学模型给出目标阻抗方程，定量描述机器人末端运动轨迹偏差和末端受力之间的函数关系，利用力传感器获取其末端受力信息即可得到运动轨迹偏差值，进而确定实际运动轨迹并输入到位置控制器中实现康复机器人主动柔顺控制。但由于阻抗控制模型中的阻抗参数固定不变，缺乏自适应调整能力；(2)基于生物电信号的交互控制。通过采集人体生物电信号并作为控制信号引入康复机器人，其中应用最广泛的是表面肌电信号，具体包括以下两种方式：1)肌电触发方式：通过肌电信号特征识别训练对象的动作意图，触发康复机器人按照期望轨迹运动。但肌电信号的动作意图识别率不高，且实时性无法有效保证，同时康复机器人运动过程中未体现人机交互能力。2)肌电信号持续反馈控制方式：康复机器人提供的辅助力正比于训练对象肢体肌电信号的幅值，进而实现康复机器人运动轨迹的持续反馈控制，一定程度上体现了人机交互功能。但其可靠性无法有效保证，容易出现意外导致二次受伤。

综上所述，目前还缺少一种更好的康复机器人控制方法。

发明内容

本发明目的在于提供一种增加人机交互能力、增强康复训练的主动柔顺性、控制过程安全自然、适应性强的基于肌电反馈式阻抗自适应的康复机器人控制方法。

为实现上述目的，本发明所述方法包括以下步骤：

步骤1，利用肌电采集设备采集肌电信号；利用足底压力传感器获取人机交互力F_int；利用运动捕获设备获取关节角度信号和角速度信号；通过对肌电信号、足底压力和角速度信号的分析，得到关节运动意图；

步骤2，提取肌电信号特征值：均方根值RMS和积分肌电值iEMG，结合关节角度信号和关节运动意图得到表征肌肉贡献率的特征量再利用患侧镜像健侧的方法得到用于描述不同伸屈状态下患侧肌肉活动水平的特征量MAL_(θ)；

步骤3，将MAL_(θ)引入阻抗方程，阻抗参数表征成MAL_(θ)的函数，实现阻抗参数随关节角度和肌肉活动水平自适应调整；

步骤4，提取肌电信号特征值：平均功率频率MPF和平均瞬时频率MIF，用于疲劳程度分级并引入静态平衡力F_d，根据疲劳级别对期望静态平衡力进行微调；

步骤5，根据实际人机交互力F_int与期望静态平衡力F_d的偏差和自适应变化的阻抗参数给予训练对象辅助，实现主、被动控制的柔性切换。

进一步的，步骤1中，通过肌电采集设备采集肌电信号，提取肌电信号特征值：积分肌电值iEMG和积分肌电差值DiEMG并归一化得到归一化后的积分肌电值NiEMG和积分肌电差值NDiEMG，作为支持向量机SVM的输入，支持向量机SVM的输出为关节伸屈状态；人机交互力F_int的变化表征关节伸屈状态；角速度变化可以辨识关节伸屈状态。综合分析肌电信号、足底压力和角速度信号的辨识结果，若至少有两个相同，则将此结果作为最终识别出的肢体运动意图。

进一步的，在步骤2中，通过患侧镜像健侧的方法得到描述患侧肌肉相对于健侧的激活程度的特征量

构建肌电特征值用于描述患侧肌肉活动水平。

进一步的，在步骤3中，阻抗方程为：

式中，X_d、X分别表示机器人的参考轨迹和实际轨迹；B_(θ)为阻尼系数矩阵；K_(θ)为刚度系数矩阵；F_e＝F_d-F_int为阻抗力，F_d为期望的静态平衡力，F_int为实际的人机交互力；K_(θ)随训练肌肉活动水平MAL_(θ)以及关节角度θ而改变；将MAL_(θ)引入阻抗方程，并构建随关节角度和肌肉活动水平变化的阻抗参数B_(θ)、K_(θ)，从而实现阻抗参数的自适应调整；

所述阻抗参数B_(θ)、K_(θ)可以表示成以下形式：

伸展时阻抗参数为：B_e(θ)＝κ·B₀×MAL_e(θ)；K_e(θ)＝ρ·K₀×MAL_e(θ)；

屈曲时阻抗参数为：B_f(θ)＝κ·B₀×MAL_f(θ)；K_f(θ)＝ρ·K₀×MAL_f(θ)；

式中，B₀、K₀为初始阻抗参数；κ、ρ分别为B₀、K₀的系数，用于调整初始阻抗参数，MAL_e(θ)表示伸展状态下肌肉活动水平；MAL_f(θ)表示屈曲状态下肌肉活动水平；

从而根据关节角度和肌肉活动水平自适应调整阻抗参数。

进一步的，在步骤4中，根据不同级别的疲劳程度对初始期望静态平衡力微调，即F_d-ΔF_d(i)；其中初始的期望静态平衡力F_d是医师对训练对象身体状况综合评价后设定，ΔF_d(i)为第i个疲劳级别的期望静态平衡力的调整量。

与现有技术相比，本发明具有如下优点：

1、直接由患者的实际人机交互力F_int与静态平衡力F_d的偏差给予辅助即按需辅助，实现了主被动控制的柔性切换；

2、构建随患侧肌肉活动水平和关节角度的变化而自适应调整的阻抗参数，凸显康复训练过程中人机交互的特点；

3、康复训练过程中会根据训练对象肢体的疲劳程度等级，对静态平衡力F_d进行微调；使整个康复过程具有个体适应性，控制过程更加自然、柔顺并且安全可靠。

附图说明

图1是一种卧式末端式康复机器人的结构示意图。

图2是实施例1中下肢表面电极分布示意图。

图3是本发明方法的控制结构图。

附图标号：1为滑轨、2为基座、3为滚珠丝杠、4-1为大腿支撑杆、4-2为小腿支撑杆、5-1为大腿支撑套、5-2为小腿支撑套、6为旋转副、7为转动副、8为踏板。9-1为采集股直肌肌电信号的电极、9-2为采集股外侧肌肌电信号的电极、9-3为采集股内侧肌肌电信号的电极、9-4为采集半腱肌肌电信号的电极、9-5为采集股二头肌肌电信号的电极。

具体实施方式

下面结合附图对本发明做进一步说明：

本发明所述方法包括以下步骤：

步骤1，为提高训练对象运动意图的识别率，避免因识别率低，控制异常而导致训练对象的二次损伤，采用决策级多源信号融合的方法。应用Delsys四点式银条电极设备采集表面肌电信号，提取肌电信号特征值：积分肌电值iEMG和积分肌电差值DiEMG并归一化得到归一化后的积分肌电值NiEMG和积分肌电差值NDiEMG，作为支持向量机SVM的输入，支持向量机SVM的输出为关节伸屈状态；足底压力传感器获取人机交互力F_int，交互力的变化表征关节的伸屈状态；若交互力变小则表明训练对象有屈曲的意图，若交互力变大则表明训练对象有伸展的意图；运动捕获设备获取关节角度和角速度信号，角速度可以辨识关节的伸屈状态。角度变大即角速度为正值，对应训练对象有伸展的意图；角度变小即角速度为负值，对应训练对象有屈曲的意图。对上述各特征结果应用决策级多源信号融合方法分析，得到最终的关节运动意图，该辨识结果比单一信号更可靠，提高了识别率，避免因识别失误、控制异常导致训练对象的二次损伤。

提取肌电信号特征值：均方根值(RMS)、积分肌电值(iEMG)并对其归一化，形成具有统计学意义的输入信号，结合关节角度信号和关节运动意图得到表征肌肉贡献率的特征量再利用患侧镜像健侧的方法得到用于描述不同伸屈状态下患侧肌肉活动水平的特征量MAL_(θ)。

人机交互力F_int的变化表征关节伸屈状态；综合分析肌电信号、足底压力和角速度信号的辨识结果，若至少有两个相同，则将此结果作为最终识别出的肢体运动意图。

步骤2，提取肌电信号特征值：均方根值RMS和积分肌电值iEMG，结合关节角度信号和关节运动意图得到表征肌肉贡献率的特征量再利用患侧镜像健侧的方法得到用于描述不同伸屈状态下患侧肌肉活动水平的特征量MAL_(θ)；通过患侧镜像健侧的方法得到描述患侧肌肉相对于健侧的激活程度的特征量

构建肌电特征值用于描述患侧肌肉活动水平。

步骤3，将MAL_(θ)引入阻抗方程，阻抗参数表征成MAL_(θ)的函数，实现阻抗参数随关节角度和肌肉活动水平自适应调整；

阻抗方程为：

式中，X_d、X分别表示机器人的参考轨迹和实际轨迹；B_(θ)为阻尼系数矩阵；K_(θ)为刚度系数矩阵；F_e＝F_d-F_int为阻抗力，F_d为期望的静态平衡力，F_int为实际的人机交互力；K_(θ)随训练肌肉活动水平MAL_(θ)以及关节角度θ而改变；将MAL_(θ)引入阻抗方程，并构建随关节角度和肌肉活动水平变化的阻抗参数B_(θ)、K_(θ)，从而实现阻抗参数的自适应调整；

所述阻抗参数B_(θ)、K_(θ)可以表示成以下形式：

伸展时阻抗参数为：B_e(θ)＝κ·B₀×MAL_e(θ)；K_e(θ)＝ρ·K₀×MAL_e(θ)；

屈曲时阻抗参数为：B_f(θ)＝κ·B₀×MAL_f(θ)；K_f(θ)＝ρ·K₀×MAL_f(θ)；

式中，B₀、K₀为初始阻抗参数；κ、ρ分别为B₀、K₀的系数，用于调整初始阻抗参数，MAL_e(θ)表示伸展状态下肌肉活动水平；MAL_f(θ)表示屈曲状态下肌肉活动水平。

从而根据关节角度和肌肉活动水平自适应调整阻抗参数。

步骤4，提取肌电信号特征值：平均功率频率MPF和平均瞬时频率MIF，用于疲劳程度分级并引入静态平衡力F_d，根据疲劳级别对期望静态平衡力进行微调，即F_d-ΔF_d(i)；其中初始的期望静态平衡力F_d是医师对训练对象身体状况综合评价后设定。

步骤5，根据实际人机交互力F_int与期望静态平衡力F_d的偏差和自适应变化的阻抗参数给予训练对象辅助，实现主、被动控制的柔性切换。

实施例1：

结合图1：本实施例下肢康复训练装置是一种卧式康复机器人，用于实现下肢单自由度伸屈运动。机构包括滑轨1、基座2、下肢机械腿、滚珠丝杠3、驱动电机、踏板8；所述下肢机械腿包括小腿支撑杆4-2、小腿支撑套5-2中间以旋转副6连接，其中大腿支撑套和小腿支撑套用于固定患者下肢，大腿支撑杆上端与基座通过旋转副连接，小腿支撑杆的下端与滚珠丝杠以转动副7相连，驱动电机安置在基座中并通过滚珠与机械腿的末端相连，带动机械腿末端在滑轨内滑动。踏板8为人体与康复机器人的交互点，三个足底压力传感器被安置在踏板8表面用于测量人机交互力。

结合图2，表面电极9-1、9-2、9-3、9-4、9-5分别采集股直肌、股外侧肌、股内侧肌、半腱肌、股二头肌的肌电信号。图3为本发明方法的控制结构图。由图3所示，采用典型的双闭环控制系统模型。A是位置控制模块，B是基于位置的阻抗控制模块。C是参数更新模块。首先，应用Delsys四点式银条电极设备采集表面肌电信号并特征提取，运动捕获设备采集关节角度θ、角速度和FSR402力敏传感器采集足底压力信息F_int，运用决策级信息融合识别患者动作意图。其次，构建描述肌肉活动水平特征量并结合运动意图实时更新阻抗参数，同时通过肌电信号特征值进行疲劳评价分级调整期望静态平衡力F_d进而调整位置修正量X_e。最后将位置跟踪的期望值X_d与位置修正量X_e进行比较，得到实际参考位置量X_r并输入到闭环的位置控制器中，从而实现对X_r的精确位置跟踪，最终实现自适应的阻抗控制。

具体过程如下，采用决策级多源信号融合法识别患者下肢关节运动意图：

肌电信号：

将下肢伸肌群和屈肌群sEMG的NiEMG和NDiEMG特征指标作为SVM的输入，输出为屈曲/伸展状态，进而辨识出关节运动意图。特征指标含义具体如下：

积分肌电值(iEMG)是指肌电信号整流滤波后求单位时间内曲线下面积的总和，它可反映肌电信号随时间的强弱变化。

$iEMG=\underset{t}{\overset{t+T}{\∫}}\left|EMG\left(t\right)\right|dt---\left(2\right)$

式中，EMG(t)为预处理后的肌电信号，T为sEMG的分析周期。

定义特征指标DiEMG(i)来定量描述sEMG能量在时间维度上的变化趋势。

DiEMG(i)＝iEMG(i-1)-iEMG(i) (3)

为便于比较sEMG的iEMG和DiEMG指标变化趋势，将其进行归一化处理：

$NiEMG=\frac{iEMG\left(i\right)-{\mathrm{iEMG}}_{\min }}{{\mathrm{iEMG}}_{\max }-{\mathrm{iEMG}}_{\min }}---\left(4\right)$

$NiEMG=\frac{iEMG\left(i\right)-{\mathrm{iEMG}}_{\min }}{{\mathrm{iEMG}}_{\max }-{\mathrm{iEMG}}_{\min }}---\left(5\right)$

式中，iEMG_max、iEMG_min分别为iEMG最大值和最小值，DiEMG_max、DiEMG_min分别为DiEMG最大值和最小值。

足底压力信号：

通过足底压力传感器测得人机交互力F_int。设第i时刻人机交互力为F_int(i)，则在一个周期内人机交互力均值为

${\stackrel{\‾}{F}}_{kT}=\frac{\underset{i=(k-1)n+1}{\overset{kn}{\Σ}}{F}_{int\left(i\right)}}{n}---\left(6\right)$

式中，n为采样点数。

表示人机交互力的变化。当ΔF>0，即人机交互力变大表示患者下肢的伸展状态；当ΔF<0，即人机交互力变小表示患者下肢的屈曲状态。

关节角速度信号：

运动捕获设备获取运动信息并解算出关节角速度当即膝关节角度增大表示患者下肢的伸展状态；当即膝关节角度减小表示患者下肢的屈曲状态。从而由关节角速度识别出患者关节的运动意图。

融合上述三种识别结果，确定最终的判别结果并输入到控制器中。具体融合方法如下：

设Δx_i，i＝1,2,3为上述三种识别结果，其中Δx_i＝-1,0,1分别表示患者下肢的屈曲、不变、伸展状态。设规定至少存在两种相同识别结果时，将重合的识别结果确定为最终判别结果，即ΔX≥2，表示患者有伸展意图；-2<ΔX<2表示患者保持原姿势；ΔX≤-2表示患者有屈曲意图。综合分析上述三种识别结果基础上得到的判别结果比单一信号的识别结果更可靠，提高了患者运动意图的识别率。同时避免了因识别失误、控制异常而导致训练对象的二次损伤。

为量化患者肌肉活动水平，构建肌电特征量分别描述肌肉贡献率和患侧肌肉相对于健侧的激活程度。具体步骤如下：

首先计算肌电信号均方根值RMS。

$RMS=\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}{v}_i^2.\frac{1}{N}}---\left(7\right)$

式中，v_i为第i个肌电信号幅值，N为采样点数。

鉴于肌电信号的随机性和非平稳性，对均方根值进行归一化处理。

$NRMS=\frac{RMS-{\mathrm{RMS}}_{\min }}{{\mathrm{RMS}}_{\max }-{\mathrm{RMS}}_{\min }}---\left(8\right)$

式中，RMS_max、RMS_min分别为RMS最大值和最小值

假设下肢膝关节屈伸动作由以下五块肌肉实现：股直肌(VR)、股内侧肌(MV)、股外侧肌(VL)、股二头肌(BFC)、半腱肌(SM)。结合图2，通过肌电采集设备和运动捕获设备同时获取患者健侧和患侧的上述肌肉的肌电信号和膝关节角度信号，原始信号预处理和归一化后分别得到5组数据即NRMS值，健侧：VR_(θ)、VL_(θ)、MV_(θ)、SM_(θ)、BFC_(θ)和患侧：PVR_(θ)、PVL_(θ)、PMV_(θ)、PSM_(θ)、PBFC_(θ)。

则关节伸屈运动过程中肌肉贡献率为：

${\mathrm{MCR}}_{\left(\mathrm{\&theta;}\right)}^i=\frac{{\mathrm{iEMG}}_i\left(\mathrm{\&theta;}\right)}{{\mathrm{\&Sigma;iEMG}}_i\left(\mathrm{\&theta;}\right)}\&times;100\%,i=1,2,3,4,5---\left(9\right)$

结合上述决策级多源信号融合法得到的关节运动意图，表示伸展状态下肌肉贡献率；表示屈曲状态下肌肉贡献率。每块肌肉贡献率在0-1之间，数值越大表示该角度下肌肉贡献率越高。

定义变量RVR_(θ)用于量化关节运动过程中患侧股直肌相对于健侧的激活程度，数值在0-1之间。数值越大表明激活程度越高，越接近健康活动水平。表达式如下：

${\mathrm{\&lambda;}}_{\left(\mathrm{\&theta;}\right)}^1={\mathrm{RVR}}_{\left(\mathrm{\&theta;}\right)}=\frac{{\mathrm{PVR}}_{\left(\mathrm{\&theta;}\right)}}{{\mathrm{VR}}_{\left(\mathrm{\&theta;}\right)}}---\left(10\right)$

同理得到衡量其它肌肉激活程度的特征量

进而量化肌肉活动水平的表达式如下：

${\mathrm{MAL}}_{\left(\mathrm{\&theta;}\right)}=\underset{i=1}{\overset{N}{\&Sigma;}}({\mathrm{MCR}}_{\left(\mathrm{\&theta;}\right)}^i\&times;{\mathrm{\&lambda;}}_{\left(\mathrm{\&theta;}\right)}^i),i=1,2,3,4,5---\left(11\right)$

结合上述决策级多源信号融合法得到的关节运动意图，MAL_e(θ)表示伸展状态下肌肉活动水平；MAL_f(θ)表示屈曲状态下肌肉活动水平。从数值上分析，数值越大，该角度下患者肌肉活动水平越高；数值越低，该角度下患者肌肉活动水平越低，则需要的辅助越大。

将描述患侧肌肉活动水平的特征量MAL_(θ)引入阻抗参数中，从而实现了阻抗参数随患侧肌肉活动水平和关节角度自适应调整的目标。具体如下：

伸展：

B_e(θ)＝κ·B₀×MAL_e(θ) (12)

K_e(θ)＝ρ·K₀×MAL_e(θ) (13)

屈曲：

B_f(θ)＝κ·B₀×MAL_f(θ) (14)

K_f(θ)＝ρ·K₀×MAL_f(θ) (15)

式中，B₀、K₀为初始阻抗参数；κ、ρ分别为B₀、K₀的系数，用于调整初始阻抗参数，MAL_e(θ)表示伸展状态下肌肉活动水平；MAL_f(θ)表示屈曲状态下肌肉活动水平。

提取肌电信号特征值：平均功率频率MPF和平均瞬时频率MIF用于表征患者疲劳程度并分级。具体如下：

$MPF=\frac{\underset{0}{\overset{\mathrm{\&infin;}}{\&Integral;}}f\&CenterDot;P\left(f\right)df}{\underset{0}{\overset{\mathrm{\&infin;}}{\&Integral;}}P\left(f\right)df}---\left(16\right)$

其中P(f)为功率谱函数，f为变量频率。

$MIF\left(j\right)=\frac{\underset{t=1}{\overset{m}{\&Sigma;}}{w}_j\left(t\right){a^2}_j\left(t\right)}{\underset{t=1}{\overset{m}{\&Sigma;}}{a^2}_j\left(t\right)}---\left(17\right)$

$MIF=\frac{{\mathrm{\&Sigma;}}_{j=1}^n\left|\right|a_j\left|\right|MIF\left(j\right)}{{\mathrm{\&Sigma;}}_{j=1}^n\left|\right|a_j\left|\right|}---\left(18\right)$

式中，MIF(j)为第j层平均瞬时频率，a_j(t)为sEMG经EEMD分解后第j个MIF分量的幅值，w_j(t)为对EEMD分解后的MIF分量进行希尔伯特变换得到sEMG的瞬时频率。

相关文献表明，随着患者疲劳程度的增加，肌电信号的MPF和MIF减小。因此这里采用阈值法对患者疲劳程度进行分级。

设MPF₀，MIF₀为患者肌电特征量的初始值。

第一级：ε₁<MPF<MPF₀；μ₁<MIF<MIF₀

第二级：ε₂<MPF<ε₁；μ₂<MIF<μ₁

第三级：ε₃<MPF<ε₂；μ₃<MIF<μ₂

式中，当MPF和MIF同时满足阈值条件时，才符合相应疲劳级别。

根据医师对训练对象身体状况的评价给出期望静态平衡力F_d，结合上述疲劳级别判别法对初始期望静态平衡力微调，即F_d-ΔF_d(i)，i＝1,2,3为疲劳级别。实时判定下肢疲劳级别，自适应减少期望静态平衡力以防止患者的二次受伤。

由足底压力传感器测得患者和机器人末端的人机交互力F_int，与期望的静态平衡力F_d比较后获得目标阻抗力F_e,即F_e＝F_d-F_int。对目标阻抗方程变形得：

$F_e=B_{\left(\mathrm{\&theta;}\right)}\stackrel{\&CenterDot;}{e}+K_{\left(\mathrm{\&theta;}\right)}e---\left(19\right)$

F_e＝(B_(θ)s+K_(θ))e (20)

$X_e=e=\frac{F_e}{(B_{\left(\mathrm{\&theta;}\right)}s+K_{\left(\mathrm{\&theta;}\right)})}---\left(21\right)$

即由外环阻抗方程产生随肌肉活动水平和关节角度自适应调整位置修正量X_e。对位置跟踪的期望值X_d与位置修正量X_e进行比较，得到实际参考位置量X_r输入到闭环的位置控制器中，从而实现对X_r的精确位置跟踪。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于肌电反馈式阻抗自适应的康复机器人控制方法，其特征在于，所述方法包括以下步骤：

步骤1，利用肌电采集设备采集肌电信号；利用足底压力传感器获取人机交互力F_int；利用运动捕获设备获取关节角度信号和角速度信号；通过对肌电信号、足底压力和角速度信号的分析，得到关节运动意图；

步骤2，提取肌电信号特征值：均方根值RMS和积分肌电值iEMG，结合关节角度信号和关节运动意图得到表征肌肉贡献率的特征量再利用患侧镜像健侧的方法得到用于描述不同伸屈状态下患侧肌肉活动水平的特征量MAL_(θ)；

步骤3，将MAL_(θ)引入阻抗方程，阻抗参数表征成MAL_(θ)的函数，实现阻抗参数随关节角度和肌肉活动水平自适应调整；

步骤4，提取肌电信号特征值：平均功率频率MPF和平均瞬时频率MIF，用于疲劳程度分级并引入静态平衡力F_d，根据疲劳级别对期望静态平衡力进行微调；

步骤5，根据实际人机耦合力F_int与期望静态平衡力F_d的偏差和自适应变化的阻抗参数给予训练对象辅助，实现主、被动控制的柔性切换。

2.根据权利要求1所述的一种基于肌电反馈式阻抗自适应的康复机器人控制方法，其特征在于，步骤1中，通过肌电采集设备采集肌电信号，提取肌电信号特征值：积分肌电值iEMG和积分肌电差值DiEMG并归一化得到归一化后的积分肌电值NiEMG和积分肌电差值NDiEMG，作为支持向量机SVM的输入，支持向量机SVM的输出为关节伸屈状态；人机交互力F_int的变化表征关节伸屈状态；角速度变化可以辨识关节伸屈状态；综合分析肌电信号、足底压力和角速度信号的辨识结果，若至少有两个相同，则将此结果作为最终识别出的肢体运动意图。

3.根据权利要求1所述的一种基于肌电反馈式阻抗自适应的康复机器人控制方法，其特征在于：在步骤2中，通过患侧镜像健侧的方法得到描述患侧肌肉相对于健侧的激活程度的特征量

构建肌电特征值用于描述患侧肌肉活动水平。

4.根据权利要求1所述的一种基于肌电反馈式阻抗自适应的康复机器人控制方法，其特征在于，在步骤3中，阻抗方程为：

式中，X_d、X分别表示机器人的参考轨迹和实际轨迹；B_(θ)为阻尼系数矩阵；K_(θ)为刚度系数矩阵；F_e＝F_d-F_int为阻抗力，F_d为期望的静态平衡力，F_int为实际的人机交互力；K_(θ)随训练肌肉活动水平MAL_(θ)以及关节角度θ而改变；将MAL_(θ)引入阻抗方程，并构建随关节角度和肌肉活动水平变化的阻抗参数B_(θ)、K_(θ)，从而实现阻抗参数的自适应调整；

所述阻抗参数B_(θ)、K_(θ)可以表示成以下形式：

伸展时阻抗参数为：B_e(θ)＝κ·B₀×MAL_e(θ)；K_e(θ)＝ρ·K₀×MAL_e(θ)；

屈曲时阻抗参数为：B_f(θ)＝κ·B₀×MAL_f(θ)；K_f(θ)＝ρ·K₀×MAL_f(θ)；

式中，B₀、K₀为初始阻抗参数；κ、ρ分别为B₀、K₀的系数，用于调整初始阻抗参数，MAL_e(θ)表示伸展状态下肌肉活动水平；MAL_f(θ)表示屈曲状态下肌肉活动水平；

从而根据关节角度和肌肉活动水平自适应调整阻抗参数。

5.根据权利要求1所述的一种基于肌电反馈式阻抗自适应的康复机器人控制方法，其特征在于，在步骤4中，根据不同级别的疲劳程度对初始期望静态平衡力微调，即F_d-ΔF_d(i)；其中初始的期望静态平衡力F_d是医师对训练对象身体状况综合评价后设定，ΔF_d(i)为第i个疲劳级别的期望静态平衡力调整量。