CN108785997B - 一种基于变导纳的下肢康复机器人柔顺控制方法 - Google Patents

Abstract

一种基于变导纳的下肢康复机器人柔顺控制方法，其内容包括：利用Delsys肌电采集系统和运动捕获设备同步采集患者健侧下肢与患侧下肢的表面肌电信号和运动信息，结合足底压力传感器采集下肢康复机器人与患者之间的人机交互力，并通过信息融合获取患者的下肢运动意图；利用OpenSim软件建立人体下肢肌肉骨骼模型，计算出下肢屈伸运动相关肌肉的肌力值，结合患侧镜像健侧方法和GS‑LSELM算法建立人体下肢的肌电‑肌力辨识模型，辨识出患侧下肢肌力值；建立基于肌力力矩和下肢康复机器人偏离期望关节轨迹偏差的变导纳模型，修正期望轨迹并结合实际轨迹求得偏差输入位置控制器，最终实现对患者期望轨迹的跟踪和下肢康复机器人的主动柔顺控制。

Description

一种基于变导纳的下肢康复机器人柔顺控制方法

技术领域

本发明涉及下肢康复机器人控制领域，尤其涉及一种基于变导纳的下肢康复机器人柔顺控制方法。

背景技术

近年来，因脑卒中和外伤等导致运动功能受损的患者数量逐年增加，严重影响了患者的日常生活。临床研究表明，通过合理的康复训练，患者患侧的运动功能可以得到不同程度恢复，甚至痊愈。传统康复治疗手段需要医师完成，效率低下且工作强度大，无法满足日益增加的患者康复需求。随着机器人技术的发展，智能康复机器人可以有效提高患者的康复效率，同时大大降低康复医师的工作强度。对现有文献检索发现，康复机器人的控制方式主要分为被动控制和主动控制两种。同时，为了提高康复机器人控制的个体适应性，引入表面肌电信号、脑电信号、力/位混合信号等实现人机交互控制。但上述信号多用于人体运动意图识别，即实现康复机器人控制方式切换；也有研究康复机器人自适应控制方法，但控制过程的柔顺性仍无法有效保证。例如，基于交互力反馈的阻抗控制方法，由于其模型中的阻抗参数固定不变，缺乏针对患者不同康复训练阶段而进行自适应调整，同时康复机器人控制的柔顺性也较差。综上所述，目前仍然缺乏一种高效的下肢康复机器人柔顺控制方法。

发明内容

本发明目的在于提供一种基于变导纳的下肢康复机器人柔顺控制方法，这种方法提高了下肢偏瘫患者康复训练过程中的柔顺性和个体适应性，同时有效提升了康复机器人系统的人机交互水平。

为了解决上述存在的技术问题实现上述目的，本发明是通过以下技术方案实现的：

一种基于变导纳的下肢康复机器人柔顺控制方法，本发明所述方法内容包括以下步骤：

步骤1，利用Delsys肌电采集系统和运动捕获设备同步采集患者健侧下肢与患侧下肢的表面肌电信号和运动信息；利用足底压力传感器采集下肢康复机器人与患者之间的人机交互力；对比分析健侧与患侧肌电信号，实现主被动控制切换；对患侧下肢的肌电信号和人机交互力进行信息融合并分析，识别患者的下肢运动意图，得到患者运动的期望轨迹；

步骤2，利用OpenSim软件建立人体下肢肌肉骨骼模型，将采集到的患者健侧下肢运动信息导入该人体下肢肌肉骨骼模型中，经逆运动学、逆动力学分析和肌肉力优化后计算出下肢屈伸运动相关肌肉的肌力值；

步骤3，利用基于黄金分割的最小二乘极限学习机(GS-LSELM)算法建立人体下肢的肌电-肌力辨识模型，并利用采集到的患者健侧下肢肌电信号特征值和步骤2中得到的肌力值进行模型训练；然后将采集到的患者患侧下肢肌电信号作为输入，运用患侧镜像健侧方法和所建立的肌电-肌力辨识模型辨识出患侧下肢肌力值，并结合人体大腿和小腿长度计算出肌力力矩；

步骤4，建立基于肌力力矩和下肢康复机器人偏离期望关节轨迹偏差的变导纳模型；利用患侧肌电信号计算患侧的肌肉活动度并引入所述的变导纳模型中，对所述变导纳模型的参数进行调整，进而根据肌肉活动度水平和肌力力矩的变化调整下肢康复机器人期望轨迹偏差，实现对期望轨迹的修正；

步骤5，将采集到的患侧下肢运动信息进行逆运动学分析，得出下肢康复机器人的实际运动轨迹，并结合步骤4中修正后的期望轨迹得到轨迹偏差，输入到位置控制器中实现对患者的期望轨迹跟踪。

进一步的，对在步骤1中所述采集到的患者健侧下肢与患侧下肢表面肌电信号和运动信息进行预处理，并提取表面肌电信号特征值：积分肌电值iEMG和均方根值RMS；以健侧肌电信号特征向量为参考，通过对比分析健侧与患侧下肢肌电信号特征值，进行患者主、被动训练模式自适应切换；利用模糊神经网络将患侧下肢表面肌电信号和运动信息进行融合，辨识出患者下肢运动意图，得到患侧下肢运动期望轨迹。

进一步的，在步骤2中，所述利用OpenSim软件创建人体下肢肌肉骨骼模型，将采集到的患者健侧下肢运动信息导入该人体下肢肌肉骨骼模型中，经逆运动学、逆动力学分析和肌肉力优化后计算出下肢屈伸运动相关肌肉的肌力值；就是根据实际测量人体下肢得到人体下肢肌肉骨骼参数，包括肌肉肌腱长度、肌纤维长度等；将采集到的患者健侧下肢运动信息和人体肌肉骨骼参数经逆运动学、逆动力学和肌肉力优化后导入人体下肢肌肉骨骼模型中，通过仿真计算得出下肢屈伸运动肌肉肌力值。

进一步的，在步骤3中，所述利用基于黄金分割的最小二乘极限学习机(GS-LSELM)算法建立人体下肢的肌电-肌力辨识模型，并利用采集到的患者健侧下肢肌电信号特征值和步骤2中得到的肌力值进行模型训练；就是利用极限学习机(ELM)算法建立人体下肢屈伸运动中肌电-肌力辨识模型，并运用最小二乘法优化极限学习机的输入权重和偏置，进一步采用黄金分割算法优化隐含层节点数，精简网络结构的同时获取最优预测精度；利用采集得到的健侧下肢肌电信号和步骤2中计算得到的下肢屈伸运动肌力值进行模型训练和修正，得到优化后的肌电-肌力辨识模型。步骤4，建立基于肌力力矩和下肢康复机器人偏离期望关节轨迹偏差的变导纳模型；利用患侧肌电信号计算患侧的肌肉活动度并引入所述的变导纳模型中，对所述变导纳模型的参数进行调整，进而根据肌肉活动度水平和肌力力矩的变化调整下肢康复机器人期望轨迹偏差，实现对期望轨迹的修正；

进一步的，在步骤4中，所述基于肌力力矩和下肢康复机器人偏离期望关节轨迹偏差的变导纳模型为：

式中，τ为患侧下肢肌力力矩；Δq为下肢康复机器人运动轨迹偏差，即关节角度偏差；g(q)为重力补偿；K＝Ke+Kd为刚度系数，D＝De+Dd为阻尼系数，M＝Me+Md为惯性系数；Ke、De、Me分别为下肢康复机器人的刚度系数、阻尼系数和惯性系数，Kd、Dd、Md分别为人体下肢的刚度系数、阻尼系数和惯性系数，并随人体下肢肌肉活动度水平时变。最后，结合实际运动轨迹与轨迹偏差得到期望轨迹，并输入到位置控制器中，实现下肢康复机器人系统的主动、柔顺运动。

由于采用上述技术方案，本发明与现有技术相比，具有这样的有益效果：

本发明方法利用Delsys肌电采集设备和运动捕获设备同步采集患者健侧与患侧下肢的表面肌电信号和运动信息，并采用足底压力传感器获取人机交互力；通过Opensim软件和GS-LSELM算法建立人体下肢的肌电-肌力辨识模型，实现人体下肢运动意图和主动肌力的获取；引入变导纳模型并运用肌肉活动度水平和肌力力矩的变化调整导纳参数，实现患者下肢期望轨迹的实时跟踪和柔顺控制。这既提高了下肢偏瘫患者康复训练过程中的柔顺性和个体适应性，同时又有效提升了康复机器人系统的人机交互水平。

附图说明

图1是本发明的原理框图；

图2是本发明的人体下肢表面肌电电极分布示意图；

图3是本发明的下肢康复机器人结构示意图；

图4是本发明的卧式下肢康复训练模式。

附图注释：1-1为股二头肌、1-2为股直肌；2-1为大腿支撑杆、2-2为大腿支撑套、2-3为旋转副、2-4为小腿支撑杆、2-5为小腿支撑套、2-6为踏板、2-7为基座、2-8为滑轨、2-9为滚珠丝杠。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步说明：

参见图1和图4，本发明所述的一种基于变导纳的下肢康复机器人柔顺控制方法为：利用Delsys肌电采集系统和运动捕获设备同步采集患者下肢表面肌电信号和运动信息，并对患侧与健侧下肢的肌电信号进行对比分析，据此对患者进行康复训练的主、被动模式切换；其次，利用模糊神经网络进行患者下肢肌电信号和人机交互力信息融合，辨识出患者下肢运动意图，得到患者下肢期望轨迹，同时对患者下肢运动信息进行逆运动学分析得到实际的运动轨迹；然后，将运动信息导入OpenSim软件的人体下肢肌肉骨骼模型中得到健侧肌力，并结合患侧镜像健侧方法及GS-LSELM算法建立患侧肌电-肌力辨识模型，实现对下肢患侧肌力值的预测，并将由肌力值计算得到的肌力力矩引入变导纳模型中，结合肌肉活动度运用变导纳控制方法对患者实际期望轨迹进行实时修正，得到体现患者患侧运动意图和运动状态的期望轨迹，最终实现对患者期望轨迹的跟踪和对下肢康复机器人的主动柔顺控制。其具体实施方法包括以下步骤：

步骤1，识别患者下肢运动意图，实现主、被动康复训练模式切换：

1)利用Delsys肌电采集系统和运动捕获设备同步采集患者健侧下肢与患侧下肢的表面肌电信号和运动信息，并对采集到的肌电信号进行预处理；所述表面肌电信号具体包括采集患者下肢股二头肌的表面肌电信号和股直肌的表面肌电信号，并进行10～200Hz带通滤波和去除50Hz工频及谐波，提取表面肌电信号特征值，构成肌电特征向量S。通过同步采集到的运动信息获取下肢髋关节和膝关节角度特征向量V；利用足底压力传感器采集患者与下肢康复机器人之间的人机交互力特征向量F。上述三种特征的含义具体如下：

肌电特征：

积分肌电值(iEMG)反映了肌肉动作时运动单元的数量及每个运动单元的放电大小：

(2)式中，EMG(t)为采集的肌电信号，t为时间变量，T为分析肌电信号的周期；

均方根值(RMS)为肌肉放电的有效值，其大小由肌电的幅值变化决定，能在一定程度上反映出此时肌力的大小及运动速度趋势：

(3)式中，EMG(t)为采集的肌电信号，t为时间变量，T为分析肌电信号的周期。

为方便运算和分析，将积分肌电值(iEMG)和均方根值(RMS)进行归一化处理：

(4)式和(5)式中，iEMG_max和iEMG_min分别为iEMG最大值和最小值，RMS_max和RMS_min分别为RMS最大值和最小值。

利用NiEMG和NRMS构建肌电特征向量S＝[NiEMG；NRMS]。

关节角度信号：

利用运动捕获设备采集下肢膝关节和髋关节的加速度信号，通过积分得到角速度信号

和角度信号θ，构成关节角度向量

人机交互力信息：

利用足底压力传感器采集患者足底与下肢康复机器人之间的交互力F。设第i个周期内的平均交互力为

则人机交互力变化值为

并构成交互力特征向量F＝[ΔF_i]。

2)利用模糊神经网络建立肌电信号和人机交互力与患者下肢运动期望轨迹之间的映射模型Q＝f(S,F)，通过信息融合辨识出患者下肢屈伸运动意图，得到期望轨迹。本实施例中，模糊神经网络采用二输入单输出的五层拓扑结构：输入层、模糊化层、模糊规则层、模糊决策层和输出层；将肌电特征向量S和人机交互力特征向量F输入至模糊神经网络中，获得患者下肢屈伸运动期望轨迹Q。

3)以患者健侧下肢正常静息状态下的肌电信号特征值作为参照，将患者患侧与健侧肌电信号特征值之比κ表征患者下肢训练过程中的肌肉疲劳程度，并通过多次训练实验设定主、被动训练模式的切换阈值[κ_minκ_max]，反馈给位置控制器进行主、被动切换。本实施例设定κ_min＝0.3，κ_max＝0.6，当κ＜κ_min时，患者停止训练进行休息；当κ_min＜κ＜κ_max时，患者在下肢康复机器人带动下按照预设轨迹进行被动康复训练；而当κ＞κ_max时，患者按照期望轨迹进行主动康复训练。

步骤2，利用OpenSim软件建立下肢肌肉骨骼模型并计算肌肉肌力值：

1)根据人体的实际生理信息设置患者的下肢肌肉生理学参数，包括肌肉肌腱长度、肌纤维长度、肌腱松弛程度等；

2)通过OpenSim软件建立患者下肢肌肉骨骼模型，并利用软件中的Scale模块及患者的下肢生理学参数匹配该下肢肌肉骨骼模型；

3)将运动捕获设备同步采集到的患者健侧下肢运动信息经逆动力学和肌肉力优化后导入下肢肌肉骨骼模型中，经过OpenSim软件计算得出下肢健侧屈伸运动的肌力值。

步骤3，利用GS-LSELM算法建立肌电-肌力辨识模型，并结合患侧镜像健侧方法预测患侧下肢肌力值：

1)选取下肢健侧肱二头肌和胫骨前肌的表面肌电信号特征向量并归一化作为肌电-肌力辨识模型输入信号，选取下肢健侧的肌力值作为输出值；

2)利用极限学习机建立肌电-肌力辨识模型，将健侧下肢屈伸肌电信号特征向量和步骤2中得到的健侧肌力值进行肌电-肌力辨识模型训练。本实施例的输入为下肢健侧肌电特征向量S＝[s₁,s₂,…,s_n]^T，输出为下肢健侧肌力值F＝[F₁,F₂,…,F_n]^T，样本数为n，激励函数选择为sigmode函数：

构建下肢的肌电-肌力辨识模型：

(7)式中，s_i为患侧下肢肌电特征向量，F为患侧肌力预测值，L为隐含层节点数，G_i为隐含层激励函数，α_i＝[α_i1,α_i2,…,α_in]^T为第i个隐含层节点与输入节点之间的权值，b_i为第i个隐含层节点阈值，β_i＝[β_i1,β_i2,…,β_iL]^T为输出层节点与第i个隐含层节点的连接权值。

3)利用最小二乘法优化极限学习机的输入权重和偏置，并结合黄金分割算法优化隐含层节点数，精简网络结构的同时获取最优预测精度。将下肢的肌电-肌力辨识模型简化为：F＝H·β。其中，H为隐层输出矩阵，变形后得：

其中，

由最小二乘法优化输入权重α和偏置b，降低随机数规模，从而精简网络结构。当输入权重和偏置确定后，选择均方根误差RMSE为成本函数，

为肌力预测值，F_(i)为肌力计算值，搜索区间为[a,b]，采用黄金分割法搜索到最优隐含层节点数L。

4)将患侧下肢肌电信号特征向量输入肌电-肌力辨识模型中，预测出患侧下肢肌力值。

步骤4，建立人机耦合系统变导纳模型：

1)建立下肢肌力力矩和下肢康复机器人偏离期望关节轨迹偏差的变导纳模型，变导纳控制器模型如下：

(12)式中，τ为患侧下肢肌力力矩；Δq为下肢康复机器人运动轨迹偏差，即关节角度偏差；g(q)为重力补偿；K＝Ke+Kd为刚度系数，D＝De+Dd为阻尼系数，M＝Me+Md为惯性系数；Ke、De、Me分别为下肢康复机器人的刚度系数、阻尼系数和惯性系数，Kd、Dd、Md分别为人体下肢的刚度系数、阻尼系数和惯性系数，并随人体下肢肌肉活动度水平时变。

2)计算肌肉活动度，并对变导纳参数进行调整。对患侧肌电信号特征值进行归一化处理后，定义表征下肢伸屈过程中的肌肉贡献率MCR为：

式中，NiEMG_i(θ)为关节角度θ下归一化后的积分肌电值，i为肌肉块。定义

为伸展状态下的肌肉贡献率，

为屈曲状态下的肌肉贡献率，肌肉贡献率在0-1之间，数值越大表示肌肉贡献率越高。

进一步量化伸屈过程中肌肉整体活动水平MAL：

本实施例中，所述人体下肢变导纳系数分别为：K_d＝MAL_(θ)·K_d0、D_d＝MAL_(θ)·D_d0、M_d＝MAL_(θ)·M_d0。其中，K_d0、D_d0、M_d0分别为人体初始导纳参数。

3)依据实际情况测量患者下肢生理参数(力臂)，并与步骤3中计算得到的患侧肌力结合计算出肌力力矩，导入变导纳模型中，进而计算轨迹偏差；

步骤5，将运动捕获设备采集到的患侧下肢运动信息进行逆运动学分析，得到下肢康复机器人的实际运动轨迹，并与步骤4中修正后的期望轨迹作差得到轨迹偏差，并输入位置控制器驱动下肢康复机器人各关节运动，实现对患者的期望轨迹跟踪和下肢康复机器人的柔顺控制。

参照图2，肌电电极1-1、1-2分别采集股二头肌和股直肌的表面肌电信号。

参照图3，本实施例所采用的下肢康复训练装置为一种卧式下肢康复机器人，实现下肢髋关节弯曲/伸展和膝关节弯曲/伸展两个自由度的屈伸训练。康复训练装置主要由踏板2-6、基座2-7、滑轨2-8、滚珠丝杠2-9、下肢机械腿、驱动电机组成；所述下肢康复机器人包括大腿支撑杆2-1、大腿支撑套2-2、小腿支撑杆2-4、小腿支撑套2-5和旋转副2-3，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相连，驱动电机安置在基座中并通过滚珠丝杠与机械腿的末端相连，带动机械腿末端在滑轨内滑动。踏板2-6为人体与康复机器人的力交互点，三个足底压力传感器被安置在踏板2-6表面用于测量人机交互力。

参照图4，结合图1中的一种基于变导纳的下肢康复机器人柔顺控制方法，本实施例采用了一种卧式下肢康复训练模式。令患者平躺于工作平台上，腿部与下肢康复机器人固定进行康复训练。

以上所述的实施例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 (2)

1.一种基于变导纳的下肢康复机器人柔顺控制方法，其特征在于：所述方法内容包括以下步骤：

步骤1，利用Delsys肌电采集系统和运动捕获设备同步采集患者健侧下肢与患侧下肢的表面肌电信号和运动信息；利用足底压力传感器采集下肢康复机器人与患者之间的人机交互力；对比分析健侧与患侧肌电信号，实现主被动控制切换；对患侧下肢的肌电信号和人机交互力进行信息融合并分析，识别患者的下肢运动意图，得到患者运动的期望轨迹；

将积分肌电值iEMG及其均方根值RMS进行归一化处理得到肌电特征向量S＝[NiEMG；NRMS]；iEMG_max和iEMG_min分别为iEMG最大值和最小值，RMS_max和RMS_min分别为RMS最大值和最小值

所述运动信息包括关节角度向量

为角速度信号，θ为角度信号；

人机交互力信息包括交互力特征向量F＝[ΔF_i]；第i个周期内的平均交互力为

则人机交互力变化值为

利用模糊神经网络建立肌电信号和人机交互力与患者下肢运动期望轨迹之间的映射模型Q＝f(S,F)，模糊神经网络采用二输入单输出的五层拓扑结构：输入层、模糊化层、模糊规则层、模糊决策层和输出层；将肌电特征向量S和人机交互力特征向量F输入至模糊神经网络中，获得患者下肢屈伸运动期望轨迹Q；以患者健侧下肢正常静息状态下的肌电信号特征值作为参照，将患者患侧与健侧肌电信号特征值之比κ表征患者下肢训练过程中的肌肉疲劳程度，设定主、被动训练模式的切换阈值[κ_minκ_max]，反馈给位置控制器进行主、被动切换；当κ＜κ_min时，患者停止训练进行休息；当κ_min＜κ＜κ_max时，患者在下肢康复机器人带动下按照预设轨迹进行被动康复训练；而当κ＞κ_max时，患者按照期望轨迹进行主动康复训练；

步骤2，利用OpenSim软件建立人体下肢肌肉骨骼模型，将采集到的患者健侧下肢运动信息导入该人体下肢肌肉骨骼模型中，经逆运动学、逆动力学分析和肌肉力优化后计算出下肢屈伸运动相关肌肉的肌力值；

步骤3，利用基于黄金分割的最小二乘极限学习机算法建立人体下肢的肌电-肌力辨识模型，输入为下肢健侧肌电特征向量S＝[s₁,s₂,…,s_n]^T，输出为下肢健侧肌力值F＝[F₁,F₂,…,F_n]^T，样本数为n，激励函数：

式中e为自然对数的底；

构建下肢的肌电-肌力辨识模型：

式中，s_i为患侧下肢肌电特征向量，F为患侧肌力预测值，L为隐含层节点数，G_i为隐含层激励函数，α_i＝[α_i1,α_i2,…,α_in]^T为第i个隐含层节点与输入节点之间的权值，b_i为第i个隐含层节点阈值，β_i＝[β_i1,β_i2,…,β_iL]^T为输出层节点与第i个隐含层节点的连接权值；由最小二乘法优化输入权重α和偏置b，选择均方根误差RMSE为成本函数，采用黄金分割法搜索到最优隐含层节点数L；将采集到的患者患侧下肢肌电信号作为输入，运用患侧镜像健侧方法和所建立的肌电-肌力辨识模型辨识出患侧下肢肌力值，并结合人体大腿和小腿长度计算出肌力力矩；

步骤4，建立基于肌力力矩和下肢康复机器人偏离期望关节轨迹偏差的变导纳模型：

(12)式中，τ为患侧下肢肌力力矩；Δq为下肢康复机器人运动轨迹偏差，即关节角度偏差；g(q)为重力补偿；K＝Ke+Kd为刚度系数，D＝De+Dd为阻尼系数，M＝Me+Md为惯性系数；Ke、De、Me分别为下肢康复机器人的刚度系数、阻尼系数和惯性系数，Kd、Dd、Md分别为人体下肢的刚度系数、阻尼系数和惯性系数，并随人体下肢肌肉活动度水平时变；

利用患侧肌电信号计算患侧的肌肉活动度并引入所述的变导纳模型中，对所述变导纳模型的参数进行调整，进而根据肌肉活动度水平和肌力力矩的变化调整下肢康复机器人期望轨迹偏差，实现对期望轨迹的修正；

步骤5，将采集到的患侧下肢运动信息进行逆运动学分析，得出下肢康复机器人的实际运动轨迹，并结合步骤4中修正后的期望轨迹得到轨迹偏差，输入到位置控制器中实现对患者的期望轨迹跟踪。

2.根据权利要求1所述的一种基于变导纳的下肢康复机器人柔顺控制方法，其特征在于：κ_min＝0.3，κ_max＝0.6。

Images