CN107469295B - 一种基于位置的康复机器人主动意图识别方法 - Google Patents

Abstract

本发明公开了一种基于位置的康复机器人主动意图识别方法，属于康复机器人领域。本发明主要包括以下步骤：将关节最大连续旋转角度或者最大连续运动距离定义为一周；将上述定义的一周划分为若干个扇区；定义识别区的大小；定义两个变量驱动比和误差比；设置用于存储各个扇区伺服电机电枢电流值和关节速度的变量，读取电枢电流值和关节速度并进行判断；定义变量切换因子；设定切换阈值。本发明以电流和速度作为患者意图识别的依据，具有结构简单，不额外增加其他装置，体积小，安全可靠，极端位置偶然因素的影响小，识别正确率高的特点，外骨骼式机器人和末端牵引式机器人均可适用。

Description

一种基于位置的康复机器人主动意图识别方法

技术领域

本发明涉及一种基于位置的康复机器人主动意图识别方法，属于康复机器人领域。

背景技术

随着我国社会人口结构持续恶化，老龄化程度加深，相应的脑卒中等老年病发病率增高，需要康复治疗的患者逐渐增多，康复机器人的应用与推广不仅提高了患者康复训练的效率，也解决了治疗师不足的问题。传统的康复机器人的训练模式主要是被动牵引训练和主动抗阻训练，而随着对运动治疗技术研究的深入和控制技术的进步，各种高效的训练模式被开发。其中，主被动训练作为最为有效的康复训练模式，得到了广泛的推广，并在临床应用中取得了良好的效果。主被动训练是一种融合了被动训练与主动训练优点的训练方法，在这一训练模式中，患者可以自主完成被动与主动模式的切换，这极大的提高了患者康复训练的积极性，而治疗师也可通过比较患者一次训练过程中主动与被动的训练时间评估患者的恢复情况。

患者的意图识别是主被动训练模式的重要环节之一，康复机器人控制器需要根据患者的意图识别结果完成被动模式与主动模式的切换。患者意图识别结果直接影响了控制效果，从而影响了康复训练的效率。

目前，大多康复机器人采用肌电信号来实现对患者意图的判断，但由于每个患者所产生的肌电信号强度不同，同时肌电信号的采集容易受到干扰，所以在实际过程中以肌电信号作为判断患者意图的依据并不可靠，因人而异，且无法保证实时性。申请号为201510895139.1的中国专利提供了一种以患者的关节力矩作为判断患者运动意图的依据的方法，用力矩来判断患者运动意图的方式比肌电信号可靠，但是在实际的康复训练过程中，对于外骨骼机器人来说，偏瘫患者的肢体各关节可能会偏离外骨骼机器人的关节，导致采集到的患者关节的力矩值并不准确；而对于末端牵引式机器人来说，末端关节的力矩是患者各个关节力矩综合作用的结果，影响因素很多，最终判断结果可能并不可靠。申请号为CN201610554032.5的中国专利提供了一种通过对肌电信号、足底压力和角速度信号的分析得到患者运动意图的方法，这种方法比单一的以肌电信号或者以关节力矩为判断依据的方法要可靠，但是该方法同时需要肌电信号采集设备、六维力传感器等，成本较高，且识别算法复杂，对处理器的性能要求较高，进一步增加了康复机器人的成本。

发明内容

基于现有技术的以上缺点，本发明所要解决的技术问题是提供一种基于位置的康复机器人识别患者主被动意图的方法，该方法以电流和速度作为患者意图识别的依据，具有结构简单，不额外增加其他装置，体积小，安全可靠，极端位置偶然因素的影响小，识别正确率高的特点，外骨骼式机器人和末端牵引式机器人均可适用。由于没有增加肌电信号采集设备和六维力传感器等专门用于意图识别的传感器，降低了成本，因此该方法特别适用于需要控制成本的场合。

本发明的目的是这样实现的：

一种基于位置的康复机器人主动意图识别方法，其特征在于，包含以下步骤：

步骤一将关节最大连续旋转角度或者最大连续运动距离定义为一周；如果关节最大连续旋转角度并不受限制，则一周定为360度。

步骤二将上述定义的一周划分为若干个扇区；扇区划分数量根据系统采样周期和关节最大速度决定，扇区划分的数量越多，意图识别的连续性越强，但数据统计的难度越大；每个扇区的大小可以相同，也可以不同，根据关节位于该位置附近时偶然因素出现的频率决定，优选地，在某一位置时，如果附近偶然因素较多，为防止该偶然因素对意图识别影响的时间过长，可以将该位置附近的扇区大小取大一些，以便及早消除该偶然因素的影响；同时，扇区的大小也会影响到对患者意图识别的速度。

步骤三定义识别区的大小；识别区是指任意时刻的关节位置所在的扇区及之前的若干个扇区，康复机器人识别某一位置时的患者意图是根据该位置所在的扇区及之前的若干个扇区的数据来识别的，而不是只根据该扇区的数据来识别，意图识别的结果是整个识别区内患者意图的综合结果；识别区的大小根据对患者意图识别速度的需要决定，识别区越小，对患者意图识别的速度越快，但越容易受到偶然因素的干扰导致意图识别错误。

步骤四定义两个变量驱动比B_T和误差比B_e，两个变量不仅与电流或速度有关，同时还与时间和位置有关，避免某些极端位置的影响。

驱动比主要表示在识别区内电机处于发电状态的时间比例，通过电流的正负来表示电机的工作特性，其具体计算公式为：

式中，B_T为所求的驱动比，n为识别区包含的扇区数，i为扇区编号，t_qi为第i扇区内伺服电机处于发电状态的时间，t_i为在第i扇区内运动的总时间。

误差比主要表示识别区内速度偏差为正对应的时间占整个识别区总时间的比例，速度偏差是指主被动模式下实际速度与给定速度的差值；误差比的具体计算公式为：

式中，B_e为所求的误差比，n为识别区包含的扇区数，i为扇区编号，t_ei为第i扇区内速度偏差为正对应的时间，t_i为在第i扇区内运动的总时间。

步骤五设置用于存储各个扇区伺服电机电枢电流值和关节速度的变量，读取电枢电流值和关节速度并进行判断，利用步骤四的计算公式求出驱动比和误差比。

步骤六定义变量切换因子B_s，该变量可以用于判断患者的训练意图，其具体计算公式为：

B_s＝k_s(B_e+B_T)

式中，k_s为切换因子的敏感系数，对于不同程度的患者可以通过修改k_s的大小来改变切换的难度。

将步骤五求得的驱动比和误差比带入该式中可得到切换因子，切换因子实时更新，识别区的大小和扇区的大小均会影响到切换因子的更新效果。

步骤七设定切换阈值；通过实验或者经验数据来获得较为合适的切换阈值，比较切换因子和切换阈值的大小，当在被动模式下，切换因子达到切换阈值时，认为患者有进入主动模式的意图，启动主被动切换；当切换至主动模式后，如果切换因子低于切换阈值时，认为患者有进入被动模式的意图，模式切换至被动。

循环统计驱动比和误差比，这一过程具有明显的记忆特性，需要至少一次完整周期的累积才能使切换因子达到设定的阈值，触发模式切换，同时，由于驱动比、误差比和扇区的划分与时间和位置有关，避免某些极端位置的影响，这样可以有效提高识别的正确率。

为实现上述目的，应用本发明所述方法的康复机器人应具有电流采集功能、速度检测功能和零位检测功能。

进一步地，电流采集功能是指采集伺服电机电枢电流的功能。

进一步地，速度检测功能是指检测关节旋转速度或者移动速度的功能。

进一步地，零位检测功能是指检测关节零位的功能，用于消除可能存在的累积误差。

附图说明

图1为本发明所述意图识别方法的流程图。

图2为本发明实施例提供的上肢康复机器人机械机构图。

图3为本发明实施例提供的识别区内扇区划分示意图。

图4为本发明实施例求驱动比对应的算法模型。

图5为本发明实施例求误差比对应的算法模型。

图6为本发明实施例求切换因子对应的算法模型。

具体实施方式

下面结合附图对本发明做详细地描述：

为了使本发明的技术方案更加清楚明白，下面结合实施例，对本发明进行进一步的详细说明。应当理解，该实施例仅仅对本发明的一种实施方式进行描述，并非对本发明的范围进行限定，该实施例仅是本发明的一种实施例，而不是全部的实施例。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，均属于本发明保护的范围。

本实施例的目的是提供一种康复机器人识别患者主被动意图的方法，本实施例优选的康复机器人机械结构如图1所示，该康复机器人用于患者上肢的康复训练，患者握住把手，由把手带动患者的手臂按照预定的轨迹运动。

该康复机器人具有主被动的康复模式，即当前是被动模式的情况下，当识别出患者有主动的意图时，能自动切换到主动模式。

该康复机器人具有电流采集功能、速度检测功能和零位检测功能。

优选地，电流采集功能是通过STM32的ADC实现的。

优选地，速度检测功能是通过连接电机的编码器实现的。通过检测电机的转速来检测关节的旋转速度。

优选地，零位检测功能是通过霍尔传感器实现的。

本实施例的具体实施过程包括以下步骤：

(1)定义一周的大小。由于该康复机器人把手的最大连续旋转角度不受限制，因此将一周定为360度。

(2)将上述定义的一周均分为若干个扇区，扇区划分数量根据系统采样周期和关节最大速度决定。该康复机器人的采样周期为0.005秒，把手的最大旋转速度为60转/分钟，关节各位置偶然因素的影响几乎一致，为保证每个分区都可以有一定数量信号做判断，综合考虑，将一周均分为16个扇区，每个扇区的大小为22.5度，并对这16个扇区编号，如图2所示，编号分别为B1、B2、B3至B16，方便后续数据统计。

(3)定义识别区的大小。根据该康复机器人的实际情况，将识别区的大小定义为16个扇区，这样有利于算法模型的建立。识别区为16个扇区就意味着康复机器人识别某一位置时的患者意图是根据该位置之前的16个扇区(包括该位置所在的扇区)的数据来识别的，这样可以提高识别的正确率，降低偶然因素的影响。

(4)定义驱动比B_T和误差比B_e，两个变量不仅与电流或速度有关，同时还与时间和位置有关，减轻某些极端位置的影响。

a.驱动比主要表示在识别区内电机处于发电状态的时间比例，通过电流的正负来表示电机的工作特性，其具体计算公式为：

式中，B_T为所求的驱动比，i为扇区编号，t_qi为第i扇区内电机电枢电流为负的时间，t_i为在第i扇区内运动的总时间。

b.误差比主要表示识别区内速度偏差为正对应的时间占整个识别区总时间的比例，速度偏差是指主被动模式下实际速度与给定速度的差值，优选地，本实施例设定主被动模式的给定速度为20转/分钟。误差比的具体计算公式为：

式中，B_e为所求的误差比，i为扇区编号，t_qi为第i扇区内速度偏差为正对应的时间，t_i为在第i扇区内运动的总时间。

(5)设置用于存储各个扇区伺服电机电枢电流值和关节速度的变量，读取电枢电流值和关节速度并进行判断，利用步骤4的计算公式求出驱动比和误差比。优选地，本实施例采用Matlab/Simulink中的stateflow工具箱搭建16个扇区的扇区存储器，由位置触发对应分区的统计程序，最终计算得到驱动比和误差比。求驱动比对应的算法模型如图3所示，求驱动比时，根据位置将一周均分为16个分区，名称分别为bt1、bt2、bt3、bt4、bt5、bt6、bt7、bt8、bt9、bt10、bt11、bt12、bt13、bt14、bt15、bt16，每一个分区中都有对应的统计程序，本图示例性地给出了第二个分区bt2中的统计程序，其他分区中的统计程序与此类似，将统计变量bti2和btj2换成分别对应于各分区名称的bti1、btj1、bti3、btj3、bti4、btj4、bti5、btj5直至bti16、btj16，将状态名称be2_init、bt2_f和bt2_z换成分别对应于各分区名称的be1_init、bt1_f、bt1_z、be3_init、bt3_f、bt3_z、be4_init、bt4_f、bt4_z、be5_init、bt5_f、bt5_z直至be16_init、bt16_f、bt16_z。当程序经过初始化状态init_bt之后，首先进入分区bt1，进入该统计区域后，先在初始化状态be1_init将对应的统计变量bti1和btj1初始化为0，然后根据电机的电枢电流ir_l2决定进入bt1_f状态和bt1_z状态中的一个。如果电机的电枢电流ir_l2小于摩擦补偿电流d_ir的相反数，则进入bt1_z状态，即认为电机处于发电状态，否则，就进入bt1_f状态，即认为电机处于电动状态。当进入和处于bt1_z状态时，对应的统计变量bti1每隔一个采样周期加1，因此可以认为bti1的值就是第一个分区中电机处于发电状态的时间；当进入和处于bt1_f状态时，对应的统计变量btj1每隔一个采样周期加1，因此可以认为btj1的值就是第一个分区中电机处于电动状态的时间。进入bt1_z和bt1_f这两个状态中的一个之后，如果满足进入另外一个状态的条件，就会迁移至另外一个状态，激活对应的统计变量。当关节位置p大于π/8后，状态就会由bt1迁移至bt2，从而激活bt2分区的统计程序，进而激活bt2分区的统计变量bti2和btj2。以此类推，当关节位置p分别大于2π/8、3π/8、4π/8、5π/8直至15π/8时，依次激活bt3、bt4、bt5、bt6的统计程序，当关节位置p小于π/8时，激活bt1的统计程序，重新统计bt1分区的数据，实现循环。求误差比对应的算法模型如图4所示，与求驱动比时类似，当求误差比时，根据位置将一周均分为16个分区，名称分别为be1、be2、be3、be4、be5、be6、be7、be8、be9、be10、be11、be12、be13、be14、be15、be16，每一个分区中都有对应的统计程序，本图示例性地给出了第二个分区be2中的统计程序，其他分区中的统计程序与此类似，将统计变量bei2和bej2换成分别对应于各分区名称的bei1、bej1、bei3、bej3、bei4、bej4、bei5、bej5直至bei16、bej16，将状态名称be2_init、be2_f和be2_z换成分别对应于各分区名称的be1_init、be1_f、be1_z、be3_init、be3_f、be3_z、be4_init、be4_f、be4_z、be5_init、be5_f、be5_z直至be16_init、be16_f、be16_z。当程序经过初始化状态init_be之后，首先进入分区be1，进入该统计区域后，先在初始化状态be1_init将对应的统计变量bei1和bej1初始化为0，然后根据关节的实际速度vr决定进入be1_f状态和be1_z状态中的一个。如果关节的实际速度vr大于关节的给定速度vd和速度的摩擦补偿值d_v之和，则进入be1_z状态，即认为速度偏差为正，否则，就进入be1_f状态，即认为速度偏差为负或零。当进入和处于be1_z状态时，对应的统计变量bei1每隔一个采样周期加1，因此可以认为bei1的值就是第一个分区中速度偏差为正的时间；当进入和处于be1_f状态时，对应的统计变量bej1每隔一个采样周期加1，因此可以认为bej1的值就是第一个分区中速度偏差为负或零的时间。进入be1_z和be1_f这两个状态中的一个之后，如果满足进入另外一个状态的条件，就会迁移至另外一个状态，激活对应的统计变量。当关节位置p大于π/8后，状态就会由be1迁移至be2，从而激活be2分区的统计程序，进而激活be2分区的统计变量bei2和bej2。以此类推，当关节位置p分别大于2π/8、3π/8、4π/8、5π/8直至15π/8时，依次激活be3、be4、be5、be6的统计程序，当关节位置p小于π/8时，激活be1的统计程序，重新统计be1分区的数据，实现循环。求切换因子对应的算法模型如图5所示，程序无条件的迁移至init_bs状态，表示该状态始终激活，进入和处于该状态时，将求误差比过程中求得的统计变量bei1、bei2、bei3、bei4直至bei16相加即可求出识别区内速度偏差为正的时间Te，将统计变量bej1、bej2、bej3、bej4直至bej16相加即可求出识别区内速度偏差为负或零的时间To，用速度偏差为正的时间Te除以总时间即可求得误差比Be。将求驱动比过程中求得的统计变量bti1、bti2、bti3、bti4直至bti16相加即可求出识别区内电机处于发电状态的时间Tq，用电机处于发电状态的时间Tq除以总时间即可求得驱动比Bs。Bs_flag是标志变量，用于程序的调试和诊断。

(6)求变量切换因子B_s，该变量可以用于判断患者的训练意图，其具体计算公式为：

B_s＝k_s(B_e+B_T)

式中，k_s为切换因子的敏感系数，优选的，本实施例将切换因子的敏感系数定为0.5。

将步骤5求得的驱动比和误差比带入该式中可得到切换因子。

(7)设定切换因子的切换阈值。优选地，本实施例通过实验取切换因子的切换阈值为0.8，当在被动模式下，切换因子达到0.8时，认为患者有进入主动模式的意图，启动主被动切换。当切换至主动模式后，如果切换因子低于0.8时，认为患者有进入被动模式的意图，模式切换至被动。

康复机器人识别某一位置时的患者意图是根据该位置之前的接近一周的数据来识别的，有效降低了偶然因素的影响，正确地划分扇区也能提高识别的正确率。

Claims (1)

1.一种基于位置的康复机器人主动意图识别方法，其特征在于，包含以下步骤：

步骤一 将关节最大连续旋转角度或者最大连续运动距离定义为一周；如果关节最大连续旋转角度并不受限制，则一周定为360度；

步骤二 将上述定义的一周划分为若干个扇区；扇区划分数量根据系统采样周期和关节最大速度决定，扇区划分的数量越多，意图识别的连续性越强，但数据统计的难度越大；每个扇区的大小可以相同，也可以不同，根据关节位于该位置附近时偶然因素出现的频率决定，在某一位置时，如果附近偶然因素较多，为防止该偶然因素对意图识别影响的时间过长，可以将该位置附近的扇区大小取大一些，以便及早消除该偶然因素的影响；同时，扇区的大小也会影响到对患者意图识别的速度；

步骤三 定义识别区的大小；识别区是指任意时刻的关节位置所在的扇区及之前的若干个扇区，康复机器人识别某一位置时的患者意图是根据该位置所在的扇区及之前的若干个扇区的数据来识别的，而不是只根据该扇区的数据来识别，意图识别的结果是整个识别区内患者意图的综合结果；识别区的大小根据对患者意图识别速度的需要决定，识别区越小，对患者意图识别的速度越快，但越容易受到偶然因素的干扰导致意图识别错误；

步骤四 定义两个变量驱动比B_T和误差比B_e，两个变量不仅与电流或速度有关，同时还与时间和位置有关，避免某些极端位置的影响；

驱动比主要表示在识别区内电机处于发电状态的时间比例，通过电流的正负来表示电机的工作特性，其具体计算公式为：

式中，B_T为所求的驱动比，n为识别区包含的扇区数，i为扇区编号，t_qi为第i扇区内伺服电机处于发电状态的时间，t_i为在第i扇区内运动的总时间；

误差比主要表示识别区内速度偏差为正对应的时间占整个识别区总时间的比例，速度偏差是指主被动模式下实际速度与给定速度的差值；误差比的具体计算公式为：

式中，B_e为所求的误差比，n为识别区包含的扇区数，i为扇区编号，t_ei为第i扇区内速度偏差为正对应的时间，t_i为在第i扇区内运动的总时间；

步骤五 设置用于存储各个扇区伺服电机电枢电流值和关节速度的变量，读取电枢电流值和关节速度并进行判断，利用步骤四的计算公式求出驱动比和误差比；

步骤六 定义变量切换因子B_s，该变量可以用于判断患者的训练意图，其具体计算公式为：

B_s＝k_s(B_e+B_T)

式中，k_s为切换因子的敏感系数，对于不同程度的患者可以通过修改k_s的大小来改变切换的难度；

将步骤五求得的驱动比和误差比带入该式中可得到切换因子，切换因子实时更新，识别区的大小和扇区的大小均会影响到切换因子的更新效果；

步骤七 设定切换阈值；通过实验或者经验数据来获得较为合适的切换阈值，比较切换因子和切换阈值的大小，当在被动模式下，切换因子达到切换阈值时，认为患者有进入主动模式的意图，启动主被动切换；当切换至主动模式后，如果切换因子低于切换阈值时，认为患者有进入被动模式的意图，模式切换至被动。