CN109394472A - 一种基于神经网络分类器的康复机器人运动意图识别方法 - Google Patents

一种基于神经网络分类器的康复机器人运动意图识别方法 Download PDF

Info

Publication number
CN109394472A
CN109394472A CN201811128019.9A CN201811128019A CN109394472A CN 109394472 A CN109394472 A CN 109394472A CN 201811128019 A CN201811128019 A CN 201811128019A CN 109394472 A CN109394472 A CN 109394472A
Authority
CN
China
Prior art keywords
neural network
current value
motor current
joint motor
network classifier
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
Application number
CN201811128019.9A
Other languages
English (en)
Inventor
刘启军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Jerman Intelligent Technology Co Ltd
Original Assignee
Ningbo Jerman Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Jerman Intelligent Technology Co Ltd filed Critical Ningbo Jerman Intelligent Technology Co Ltd
Priority to CN201811128019.9A priority Critical patent/CN109394472A/zh
Publication of CN109394472A publication Critical patent/CN109394472A/zh
Pending legal-status Critical Current

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02Stretching or bending or torsioning apparatus for exercising
    • A61H1/0237Stretching or bending or torsioning apparatus for exercising for the lower limbs
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/12Driving means
    • A61H2201/1207Driving means with electric or magnetic drive
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/50Control means thereof
    • A61H2201/5058Sensors or detectors
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61HPHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2205/00Devices for specific parts of the body
    • A61H2205/10Leg

Landscapes

  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pain & Pain Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rehabilitation Therapy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Rehabilitation Tools (AREA)

Abstract

一种基于神经网络分类器的康复机器人运动意图识别方法,通过采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号;小波阀值去噪的数据预处理,最后通过神经网络分类器的运动意图识别启动。本申请基于人机交互作用信息,采集康复机器人各个关节的电机电流大小,运用神经网络分类器算法,识别了人体站立、左腿迈步、右腿迈步等三种运动状态,对于人类福祉事业和老龄化社会保障体系具有现实的意义,并将产生明显的社会效益。

Description

一种基于神经网络分类器的康复机器人运动意图识别方法
技术领域
本发明属于康复机器人运动意图机器学习领域,尤其涉及一种基于神经网络分类器的康复机器人运动意图识别方法。
背景技术
下肢康复机器人,是能够帮助下肢残疾或下肢瘫痪患者像正常人一样行走的人机一体化系统。近年来,由于人口老龄化、脑中风、交通事故等造成下肢肢体损伤或偏瘫的人数越来越多。
康复机器人,特别是康复外骨骼机器人,其控制归根到底是实现人机协调运动,获取人体运动意图显得至关重要。人体运动意图的获取主要有两种方式,基于生物力学信息以及基于人机交互作用信息。基于生物力学信息是指在人体上安装相应的传感器,通过测得的信号估计人体的运动意图,常用的生物力学信号有肌电信号(EMG),但是,肌电传感器需要紧贴人体表面,使用不便(人体皮肤表面出汗会影响测量的准确度,长时间粘附容易导致传感器脱落)。基于人机交互信息获取人体运动意图,是在外骨骼机构上安装力/力矩传感器或检测外骨骼关节电机电流或力矩,通过测得的人机交互信息获取人体关节的运动轨迹,避免了EMG传感器的诸多不便。
发明内容
本发明提供一种基于神经网络分类器的康复机器人运动意图识别方法,解决外骨骼机器人启动时,人体站立、左腿迈步、右腿迈步等三种运动状态的识别问题。
一种基于神经网络分类器的康复机器人运动意图识别方法,包括如下步骤:
(1)采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号;
(2)采用小波阀值对四路关节电流信号进行滤波去噪,
(3)采用加窗方法,把去噪后的四路关节电流信号进行离散化,并同时给出对应的人体运动状态,即站立、左腿迈步、右腿迈步的三个状态的一种,
(4)把离散化的四路关节电流信号作为神经网络的输入,对应的人体运动状态作为神经网络的输出,训练神经网络,构建运动意图的神经网络分类器,
(5)把运动意图神经网络分类器部署在服务器上,
(6)启动外骨骼康复机器人控制系统,
(7)外骨骼康复机器人控制系统接收到运动意图信号后,执行步态程序,
在上述步骤(6)与步骤(7)之间还包括如下步骤:
(1)实时采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号,
(2)采用小波阀值对四路关节电流信号进行滤波去噪,
(3)采用加窗方法,把去噪后的四路关节电流信号进行离散化,
(4)康复外骨骼控制系统把离散化的四路关节电流信号数据上传给服务器上的神经网络分类器,
(5)神经网络分类器输出人体运动意图,即站立、左腿迈步、右腿迈步的三个状态的一种,传输给外骨骼康复机器人控制系统。
有益效果:本申请基于人机交互作用信息,采集康复机器人各个关节的电机电流大小,运用神经网络分类器算法,识别了人体站立、左腿迈步、右腿迈步等三种运动状态,对于人类福祉事业和老龄化社会保障体系具有现实的意义,并将产生明显的社会效益。
具体实施方式
一种基于神经网络分类器的康复机器人运动意图识别方法,包括如下步骤:
(1)采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号。
(2)采用小波阀值对四路关节电流信号进行滤波去噪。
(3)采用加窗方法,把去噪后的四路关节电流信号进行离散化,并同时给出对应的人体运动状态,即站立、左腿迈步、右腿迈步的三个状态的一种。
(4)把离散化的四路关节电流信号作为神经网络的输入,对应的人体运动状态作为神经网络的输出,训练神经网络,构建运动意图的神经网络分类器。
(5)把运动意图神经网络分类器部署在服务器上。
(6)启动外骨骼康复机器人控制系统。
(7)实时采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号。
(8)采用小波阀值对四路关节电流信号进行滤波去噪。
(9)采用加窗方法,把去噪后的四路关节电流信号进行离散化。
(10)康复外骨骼控制系统把离散化的四路关节电流信号数据上传给服务器上的神经网络分类器。
(11)神经网络分类器输出人体运动意图,即站立、左腿迈步、右腿迈步的三个状态的一种,传输给外骨骼康复机器人控制系统。
(12)外骨骼康复机器人控制系统接收到运动意图信号后,执行步态程序。
综合来讲,分为以下三大步骤:
1.数据采集
采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号。
2.数据预处理
用于数据处理的主要方法包括小波分析、Kalman滤波等,但是采用Kalman滤波方法有时需要对噪声信号构建明确的模型,因此本文中采用小波去噪方法对采集的数据信号进行去噪处理。
采用小波阀值去噪,其过程主要包括以下三步:(1)对含噪信号进行小波分解处理。由于不同的含噪信号具备不同的特点,因此在分析的过程中需要具体确定小波分解层次,得到一组小波系数;(2)对小波系数进行阀值量化处理。对不同层次的原始小波系数选取适宜的阀值进行阀值量化处理,获得估计小波系数;(3)采用小波逆变换重构信号得到去噪信号。小波系数经过阀值化处理之后,进行小波逆变换,得到去噪后信号,即去燥后的四路关节电机电流信号。
本专利使用了加窗的方法来分割电流信号,电流信号的采样频率为100HZ,窗口长度为10个样本点,相邻的窗重叠半个窗长。
3.基于神经网络分类器的运动意图识别
误差反向传播神经网络即BP神经网络,是在模式分类中影响最大的一种神经网络。从结构上来讲,它是一种分层型网络,具有输入层、隐含层和输出层的3层结构。在一个BP网络中,中间层可以有2个以上,而具有一个中间层的网络则是一种基本的网络模型。
BP神经网络的学习过程如下:(1)输入信号正向传播。输入信号从输入层经中间层传向输出层,并在输出端产生输出信号,这是输入信号的正向传播。在信号的向前传递过程中,网络的权值是固定不变的,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入误差信号反向传播。(2)误差信号反向传播。网络的实际输出与期望输出之间的差值即为误差信号,误差信号由输出端开始逐层向前传播,这是误差信号的反向传播。在误差信号反向传播的过程中,网络的权值由误差反馈进行调节。通过权值的不断修正,使神经网络稳定(即权值不再变化)或均方误差小于某一阈值,则学习过程结束。
显然,本发明的上述实施例仅仅是为了说明本发明所作的举例,而并非对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷例。而这些属于本发明的实质精神所引申出的显而易见的变化或变动仍属于本发明的保护范围。

Claims (2)

1.一种基于神经网络分类器的康复机器人运动意图识别方法,其特征在于,包括如下步骤:
(1)采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号;
(2)采用小波阀值对四路关节电流信号进行滤波去噪;
(3)采用加窗方法,把去噪后的四路关节电流信号进行离散化,并同时给出对应的人体运动状态,即站立、左腿迈步、右腿迈步的三个状态的一种;
(4)把离散化的四路关节电流信号作为神经网络的输入,对应的人体运动状态作为神经网络的输出,训练神经网络,构建运动意图的神经网络分类器;
(5)把运动意图神经网络分类器部署在服务器上;
(6)启动外骨骼康复机器人控制系统;
(7)外骨骼康复机器人控制系统接收到运动意图信号后,执行步态程序。
2.根据权利要求1所述的一种基于神经网络分类器的康复机器人运动意图识别方法,其特征在于,在步骤(6)与步骤(7)之间还包括如下步骤:
(1)实时采集康复外骨骼机器人由左腿髋关节电机电流值、左腿膝关节电机电流值、右腿髋关节电机电流值、右腿膝关节电机电流值组成的四路关节电流信号;
(2)采用小波阀值对四路关节电流信号进行滤波去噪;
(3)采用加窗方法,把去噪后的四路关节电流信号进行离散化;
(4)康复外骨骼控制系统把离散化的四路关节电流信号数据上传给服务器上的神经网络分类器;
(5)神经网络分类器输出人体运动意图,即站立、左腿迈步、右腿迈步的三个状态的一种,传输给外骨骼康复机器人控制系统。
CN201811128019.9A 2018-09-19 2018-09-19 一种基于神经网络分类器的康复机器人运动意图识别方法 Pending CN109394472A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811128019.9A CN109394472A (zh) 2018-09-19 2018-09-19 一种基于神经网络分类器的康复机器人运动意图识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811128019.9A CN109394472A (zh) 2018-09-19 2018-09-19 一种基于神经网络分类器的康复机器人运动意图识别方法

Publications (1)

Publication Number Publication Date
CN109394472A true CN109394472A (zh) 2019-03-01

Family

ID=65465407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811128019.9A Pending CN109394472A (zh) 2018-09-19 2018-09-19 一种基于神经网络分类器的康复机器人运动意图识别方法

Country Status (1)

Country Link
CN (1) CN109394472A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109899937A (zh) * 2019-03-12 2019-06-18 王馨仪 基于lstm模型的舒适度和节能预测的空调调节系统及方法
CN112276944A (zh) * 2020-10-19 2021-01-29 哈尔滨理工大学 一种基于意图识别的人机协作系统控制方法
CN112336340A (zh) * 2020-10-15 2021-02-09 宁波工业互联网研究院有限公司 一种腰部助力外骨骼机器人的人体运动意图识别方法
CN113081703A (zh) * 2021-03-10 2021-07-09 上海理工大学 一种助行器使用者方向意图判别方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008751A (zh) * 2014-06-18 2014-08-27 周婷婷 一种基于bp神经网络的说话人识别方法
CN106625604A (zh) * 2016-12-30 2017-05-10 深圳先进技术研究院 基于助力外骨骼机器人的运动状态判别方法及系统
CN106737657A (zh) * 2015-11-20 2017-05-31 沈阳新松机器人自动化股份有限公司 一种基于动力学系统的机器人安全控制方法及系统
CN106730629A (zh) * 2016-12-15 2017-05-31 中国科学院自动化研究所 下肢机器人及利用该机器人进行主动运动的控制方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
CN107469295A (zh) * 2017-09-11 2017-12-15 哈尔滨工程大学 一种基于位置的康复机器人主动意图识别方法
US20180235831A1 (en) * 2017-02-21 2018-08-23 Samsung Electronics Co., Ltd. Method and apparatus for walking assistance

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008751A (zh) * 2014-06-18 2014-08-27 周婷婷 一种基于bp神经网络的说话人识别方法
CN106737657A (zh) * 2015-11-20 2017-05-31 沈阳新松机器人自动化股份有限公司 一种基于动力学系统的机器人安全控制方法及系统
CN106730629A (zh) * 2016-12-15 2017-05-31 中国科学院自动化研究所 下肢机器人及利用该机器人进行主动运动的控制方法
CN106625604A (zh) * 2016-12-30 2017-05-10 深圳先进技术研究院 基于助力外骨骼机器人的运动状态判别方法及系统
US20180235831A1 (en) * 2017-02-21 2018-08-23 Samsung Electronics Co., Ltd. Method and apparatus for walking assistance
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
CN107469295A (zh) * 2017-09-11 2017-12-15 哈尔滨工程大学 一种基于位置的康复机器人主动意图识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙楠 等: "基于MPSO-BP神经网络方法的人体步态识别", 《计算机工程与应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109899937A (zh) * 2019-03-12 2019-06-18 王馨仪 基于lstm模型的舒适度和节能预测的空调调节系统及方法
CN112336340A (zh) * 2020-10-15 2021-02-09 宁波工业互联网研究院有限公司 一种腰部助力外骨骼机器人的人体运动意图识别方法
CN112276944A (zh) * 2020-10-19 2021-01-29 哈尔滨理工大学 一种基于意图识别的人机协作系统控制方法
CN113081703A (zh) * 2021-03-10 2021-07-09 上海理工大学 一种助行器使用者方向意图判别方法及装置

Similar Documents

Publication Publication Date Title
CN109394472A (zh) 一种基于神经网络分类器的康复机器人运动意图识别方法
Boostani et al. Evaluation of the forearm EMG signal features for the control of a prosthetic hand
Liu et al. Electromyogram whitening for improved classification accuracy in upper limb prosthesis control
CN107832686A (zh) 融合表面肌电和加速度信号的下肢运动模式识别方法
Vijayvargiya et al. A hybrid WD-EEMD sEMG feature extraction technique for lower limb activity recognition
CN106236336A (zh) 一种肌电假肢手势及力度控制方法
CN103761424B (zh) 基于二代小波和独立分量分析肌电信号降噪与去混迭方法
CN105997064A (zh) 一种用于人体下肢表面肌电信号的辨识方法
Ahsan et al. Hand motion detection from EMG signals by using ANN based classifier for human computer interaction
CN109498370B (zh) 基于肌电小波关联维的下肢关节角度预测方法
Phinyomark et al. Wavelet-based denoising algorithm for robust EMG pattern recognition
Kumar et al. Towards identification of finger flexions using single channel surface electromyography–able bodied and amputee subjects
CN109634419B (zh) 康复机器人运动意图识别方法及其计算机可读存储介质
Dzitac et al. Identification of ERD using fuzzy inference systems for brain-computer interface
Veer A flexible approach for segregating physiological signals
Li et al. Human-computer interaction system design based on surface EMG signals
Wang et al. Feature layer fusion of linear features and empirical mode decomposition of human EMG signal
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
CN114722870A (zh) 一种基于gra-ics-svr模型和mmg信号的肌力估计方法
Triwiyanto et al. Dynamic feature for an effective elbow-joint angle estimation based on electromyography signals
Liu et al. Research on rehabilitation training bed with action prediction based on NARX neural network
Kaur et al. Wavelet based machine learning technique to classify the different shoulder movement of upper limb amputee
Phinyomark et al. Optimal EMG amplitude detectors for muscle-computer interface
Wang et al. Artificial elbow joint classification using upper arm based on surface-EMG signal
KR20220158462A (ko) 근전도 신호 기반 인식 정보 추출 시스템과 이를 이용한 근전도 신호 기반 인식 정보 추출 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20190301