CN109394476A - 脑肌信息自动意图识别与上肢智能控制方法及系统 - Google Patents

Abstract

本发明涉及一种脑肌信息自动意图识别与上肢智能控制方法及系统，用于脑卒中患者上半肢康复治疗，通过脑电、表面肌电信号采集仪实时采集并处理患者的脑电和表面肌电信号，采用分别由多项式核函数和RBF核函数加权组成的混合核函数进行拟和与预测，从而更准确的识别并监测患者运动意图，同时判断其相应康复程度，据此采用相应的康复训练策略。当脑卒中患者上半肢康复程度低时，采用被动训练控制；当脑卒中患者上半肢康复程度较高时，采取主动、助力及抗阻控制模式。本发明中所提出的混合核函数支持向量机模型具有较好的学习能力和泛化性能，预测精度高，控制性能好，其预测结果满足脑卒中患者康复机器人指标要求。

Description

脑肌信息自动意图识别与上肢智能控制方法及系统

技术领域

本发明涉及机器人控制技术，特别涉及一种上肢康复机器人意图识别及基于自适应模拟退火算法的智能控制系统及方法，采用多种康复训练模式，进行脑卒中患者的康复治疗。

背景技术

临床及研究结果表明，近年来中西方主要国家中，脑卒中(中风)及脊髓损伤疾病是较为常见的神经系统疾病，治疗不当将造成偏瘫、残疾甚至死亡等严重后果。根据相关数据统计，我国仅中风患者600万，且每年新增200多万人，患者常留下偏瘫等后遗症状。这其中，由脑卒中、脊椎损伤等中枢神经系统疾病引起的上肢运动功能障碍患者呈急剧增加的趋势，严重威胁患者健康，降低生活质量。中风偏瘫的康复机理以及临床医学实验证明，人的大脑中枢神经系统具有高度的可塑性。而大脑的可塑性理论则为中风偏瘫患者的功能康复提供了诸多可能，例如作业疗法、运动疗法等现代康复治疗手段均是在大脑的可塑性理论基础上确立和完善起来的，这些康复疗法在中风早期的临床运用中得也取得了较好的治疗效果。

临床资料表明，对脑损伤后的积极再训练可以使脑组织重组功能进一步恢复，患侧的被动和健侧的主动运动有可能促进大脑的功能重建。因此，康复训练有可能促进脑功能恢复。早期运动和功能锻炼对脑功能恢复是有益的，被动运动患肢可以改善肢体功能，现有文献推测这种改善是对侧半球、皮层或小脑功能进行代偿的结果。另外早期运动可以减少中风后的并发症，包括继发性血栓形成和肺炎，并可降低死亡率，改善预后。规范化的康复治疗能使患者最大程度的恢复社会生活和提高生活质量。目前，国内外对于中风及脊髓损伤患者的治疗，早期仅集中于药物治疗，而对后期的康复训练和功能训练则由于神经内科医生、护工和康复设备资源数量有限，且多数康复设备依赖进口，造成康复训练效率低，工作强度大。而患者数量众多也进一步导致相当一部分的患者无法得到及时和有针对性的康复治疗。

对于脑卒中患者而言，上肢训练是脑卒中康复治疗的重要手段之一，现有大量的临床研究证明其可以极大缓解脑卒中患者的病情，帮助促进其代偿功能，使受抑制的神经通路开通，尽量保留神经肌肉组织自身潜力，帮助其重新发挥正常的生理功能。对于上肢训练而言，采用外骨骼式远程康复系统带动人体上肢实现肩部的屈/伸运动、外摆/内收运动及肘部的屈/伸运动，可以充分利用中枢神经的可塑性，促进大脑功能的重组，协助进行辅助康复治疗。对于多数脑卒中患者而言，其接受康复治疗的黄金时间小于两个月(通常仅为50天)左右。在短短的几十天内，康复治疗部门需要使患者迅速、安全的接受有效的康复治疗，使患者的功能恢复最大化，尽量减轻病症带来的后遗症。这就使得高效、准确、有针对性的康复训练尤为必要。因此外骨骼上肢机器人得到医学界和工业界广泛关注和深入研究。在上肢康复机器人的运动控制中，如何有效利用患肢的动力学特性、预测、估计并实时控制机器人多关节的有效运动，是切实提高其运动控制性能的关键，也是实现机器人自主辅助脑卒中患者的患肢训练较为重要的一个环节。

经过国内外文献和专利检索发现，现有专利《中枢神经损伤患者用多功能复合康复系统》(申请号：201210271756.0)中，公开了一种中枢神经损伤患者用多功能复合康复系统，其包括数据库模块、数据管理模块、人机交互模块、功能评估模块、处方生成及管理模块、计算模块、系统控制模块和安全保护模块。利用人工智能，预测、识别人体运动意图，实现人机协调控制，完成患者主动式康复治疗；通过多源信号采集、信号融合及实时控制技术，将各功能有机融合，实现各功能模块的协调康复治疗，利用虚拟现实技术来促进功能恢复最大化。但是该方法和系统主要用于下肢的康复，而不单独涉及上肢机器人康复控制策略问题，且控制器设计问题需要进行多个参数的选取，而在解决脑电肌电识别与预测问题时，并未考虑小样本情况下的高精度运动意图识别的问题，使其应用范围受到一定程度的限制。

尽管目前国内外在外骨骼康复机器人上下肢治疗理论和临床应用均有一定进展，但目前依然存在的信息采集、意图识别准确度受限、控制精度不高等瓶颈问题，影响了康复效能的提高和临床的具体应用，体现在如下方面：

1)传统纯被动的训练模式(即机器人关节带动手臂运动)无法充分调动患者参与脑卒中康复训练运动的主动性和积极性，不利于增强其康复信心，也不能有效的减轻护理师的工作强度。

2)现有主动训练模式中由于肌电脑电等的信号采集，识别和处理的准确度受到一定程度的限制，影响了康复效率。主动康复模式通常采用脑电和肌电传感器采集信号，并据此识别运动意图，但是其识别的准确度往往会取决于所采集的病人信息的数量、样本分布和历史信息。当样本数量小时，识别精度不高，且现有多数识别方法缺乏有效的理论支撑，学习能力(拟合样本数据)和泛化能力(推广样本外数据)难以兼顾，采集和分类识别的结果又反过来影响了反馈控制效果。另外，主动模式的控制系统设计时，通常并未充分考虑上半肢肢体的阻抗的时变特性，造成人机交互的适应性、柔顺性和自然性不足，也影响脑卒中患者的临床治疗感受与康复效果。

3)由于关节多为多自由度情况，控制器具体设计时涉及的设计变量通常较多，仅仅凭经验进行选取无法同时兼顾机器人控制系统的稳态和瞬态性能，这也造成系统性能需要进一步的提升。

现有研究现状方面，现有专利《基于脑肌信息变阻抗的下肢康复机器人控》(申请号：201510582109.5)中，公开了一种基于脑肌信息变阻抗的下肢康复机器人控制方法，通过脑电、表面肌电信号采集仪实时采取患者的脑电和表面肌电信号，监测、评估患者的康复程度。然后，据此采取不同的康复训练策略，例如被动训练和主动训练进行切换。并利用变阻抗控制方法实现下肢康复机器人人机系统的主动、实时协同控制。但是该方法主要用于下肢的康复(不涉及上肢机器人康复策略问题)，且脑电肌电识别问题未考虑小样本情况下的高精度运动意图识别的问题。采用模糊神经网络来进行修正和逼近变阻抗的控制系统，但神经网络是基于传统统计学的基础上的，是建立在样本无穷大时的渐进理论，即当样本数据趋于无穷多时的统计性质，而实际问题中样本数据往往是有限的。而支持向量机则是基于统计学理论基础上的，有助于克服神经网络难以避免的问题。现有支持向量机在逼近能力方面与BP网络仿真结果表明，SVM具有较强的泛化能力与逼近能力。另外，变阻抗的控制器设计变量存在难以进行精确选取的问题，使其应用范围受到一定程度的限制。

现有论文《基于虚拟现实的外骨骼式远程康复系统》(《机械设计与研究》2011年04期)中，外骨骼式远程康复系统实现了上肢多自由度的运动，并应用虚拟现实技术制作了一个虚拟人和一个虚拟场景，它可以跟随患者一起运动，并可以在虚拟场景中进行漫游和监控。但该系统仅能实现被动式的运动治疗，即患者由外骨骼带动进行运动，缺乏交互式的、主动式运动康复训练。同时，缺少采用脑电肌电等生物信号的采集和反馈控制，不利于充分调动患者参与脑卒中康复训练运动的主动性和积极性，不利于增强其康复信心。

现有论文《基于脑肌电反馈的虚拟康复系统研究》(2015年)中，采用基于脑肌电反馈信号作为输入，开发了虚拟康复系统，进行了软件开发和系统实现。采用支持向量机来进行模式分类和识别，但是在选取支持向量机的核函数时，沿用传统支持向量机模式，未考虑如何兼顾学习能力和泛化能力的问题，存在过拟合导致的外推能力不足等风险。另外，未涉及上半肢外骨骼系统的控制与性能优化的工作。

在通过减重训练进行康复治疗方面，文献《一种用于偏瘫患者的减重多态康复训练评定系统的设计》(《中国生物医学工程学报》，2010年06期)采用一套减重式多态康复训练系统用于康复和评估。通过主控计算机控制驱动装置来实现患者在减重状态下进行下肢主动屈伸和被动屈伸的运动训练。但该系统仅支持进行主动屈伸和被动屈伸的运动训练，不能有效的在运动治疗过程接受生物反馈、电刺激等其他治疗，降低了康复的有效性。且未直接考虑脑电肌电识别问题，以及在小样本情况下的高精度运动意图识别的问题。

发明内容

本发明针对现有脑卒中外骨骼上肢康复机器人存在的信息感知、意图识别及控制精度等方面的影响系统性能的关键瓶颈问题，提出一种基于混合核函数支持向量机的脑肌信息自动意图识别与上肢智能控制方法及系统。

为实现上述目的，本发明采用如下技术方案实现：

一种基于混合核函数支持向量机的脑肌信息自动意图识别与脑卒中康复机器人上肢智能控制系统，包括：脑电肌电信号采集仪、人机交互力传感器、光电角度编码器、运放滤波器、数据采集卡、上位机、运动控制卡、伺服驱动器。

一种基于混合核函数支持向量机的脑肌信息自动意图识别与上肢智能康复机器人控制方法，包括下述步骤：

(1)分别用脑电、肌电信号采集仪实时采取大脑皮层边缘系统的脑电信号、肱二头肌和肱三头肌表面肌电信号。

(2)通过上肢外骨骼机器人传感器特征提取方法(如小波分解)，获取患者脑电信号和表面肌电信号的时频域特征向量；将健康人的脑电信号(如β波)和表面肌电信号特征向量与患者脑电信号和表面肌电信号特征向量进行比对(假定其比值取模后为x)，设定康复程度阶段阈值a1，a2，a3(0<a1<a2<a3<1)。

当x小于阈值a1时，进行步骤(3)的被动康复训练模式；

当x大于阈值a1且小于a2时，进行步骤(4)的主动康复训练模式；

当x大于该阈值a2但是小于a3时，进行步骤(5)的助力训练模式；

当x大于阈值a3时，进行步骤(6)的抗阻训练模式。

(3)被动康复训练模式，采用自适应模拟退火优化的前馈控制+PD位置伺服控制方法，患者完全由上肢康复机器人带动，以标准的生理学上肢运动轨迹进行上肢康复运动；同时，检测上肢康复机器人各关节的角度、角速度，并作为反馈信号，实时调整上肢康复机器人的运动轨迹。

(4)主动康复训练模式，采取自适应的变阻抗控制方法，具体包括下述子步骤：

a.建立人机系统的阻抗模型，并对参数进行在线的修正，获得人机系统的阻抗模型；

b.将步骤(2)获取到的患者脑电信号和表面肌电信号的时频域特征向量，通过混合核函数的支持向量机算法进行离线学习，在线预测及融合处理，实时产生患者期望的运动步态轨迹曲线；

c.用运动步态轨迹曲线输入到上肢康复装置的外骨骼关节内环位置控制器中，驱动各关节的转角运动，实现期望的轨迹输出。

(5)助力训练：经过一段时间的主动运动训练后，患者开始拥有一定程度的运动能力及关节协调能力，此时，康复训练模式切换为助力训练模式，其目的是通过让患肢在一定助力辅助下，进行充分的运动以便渐进式的对神经系统形成一定的挑战和激活，实现辅助康复。在此模式下，通过在控制量中，设置并施加与运动意图识别结果f相同符号的叠加正向力来实现。

(6)抗阻训练：经过相对长一段时间主动运动训练后，患者开始拥有了较强的运动能力及较好的关节协调能力，此时，康复训练模式可变为抗阻训练，其目的是通过让患肢克服一定的阻力，挑战其运动能力，以便增强患肢肌力。在此模式下，通过在控制量中，设置并施加与运动意图识别结果f相反的反馈力来实现。这种情况下，患者患肢所承受的阻力根据临床上普遍使用的渐进抗阻练习法和所采用的控制系统共同决定的。

其中，对于刚性n关节上肢康复机器人，K_p、K_d为控制器增益，e为跟踪误差，x_d为期望轨迹值，q∈Rⁿ为关节变量向量，D(q)∈R^n×n为对称正定的惯性矩阵，为哥式力和离心力向量，G(q)∈Rⁿ为重力向量，上述各变量的下标x表示该变量本身由x决定或者本身是x的函数；例如F_x表征的是外骨骼机器人所受到的力F本身是状态x的函数。

另外，需要指出的是x和x_d分别是当前变量和期望变量的取值(x desire,期望变量)，为了简略起见，在作为下标时，统一简述为x。

本发明可以满足现有上肢机器人进行精确意图识别和主动控制的需求，克服现有方法当样本数量小时识别精度不高甚至无法有效工作的不足；现有多数识别方法大多针对较大数据样本的情况，对小样本则缺乏有效的理论支撑。支持向量机的方法为解决小样本学习识别提供了有效的途径，但是其核函数种类和参数面临难以选择的问题，存在学习能力(拟合样本数据)和泛化能力(推广样本外数据)难以兼顾的不足。通过该系统离线学习并在线使用，实时的给出各个关节期望的运动轨迹及角度。考虑到脑电肌电信号的采集和分类识别的准确性反过来直接影响反馈控制的效果，因而迫切需要提升其识别准确性。

在小样本情况下，本发明所采用的混合核函数支持向量机的脑肌信息自动意图识别方法可以充分利用径向基核函数(RBF)学习能力强(但泛化能力弱)的特点，以及多项式核函数(Polynomial)泛化能力强(但拟合学习能力弱)的特点，充分挖掘小样本情况下对已知输入(肌电脑电信号)输出(运动意图)数据所包含的内在信息和关联，帮助患者进行有效的、准确的和有针对性的康复。

另外，针对现有外骨骼机器人控制器设计问题需要进行多个参数的选取困难，难以兼顾控制系统瞬态和稳态性能的不足，提出采用基于自适应模拟退火的控制系统优化算法。通过选取不同权值，实现控制系统瞬态和稳态性能的平衡。现有主动模式的控制系统设计时，通常并未充分考虑上半肢肢体的阻抗的时变特性，造成人机交互的适应性、柔顺性和自然性不足，也影响脑卒中患者的临床治疗感受与康复效果。本发明中为了改善性能，采用前馈控制与自适应模拟退火算法结合进行控制器系统的重新设计与优化，有助于大幅提高稳态和瞬态控制性能，改善患者的临床感受和康复效果。

与已有技术相比较，本发明的优点在于：

(1)对脑卒中患者运动意图识别准确率更高，实时监测脑电和肌电等生理信息，识别和预测患者的运动趋势，提前产生相应上半肢运动轨迹期望曲线，有利于实现主动的康复控制。调动患者参与康复训练积极性和主动性，增强患者信心，减轻医护人员的工作强度。这主要是由于采用的混合核函数的优点所带来。设计适合具体问题的核函数是SVM的关键。单类型核函数SVM方法由于单核函数的格式固定和变化空间的相对狭小，使泛化能力和鲁棒性具有局限性。不同核函数的拟合和泛化能力不同，因而学习能力和推广能力各有优劣，将不同类型的核函数进行组合后得到的新核函数来实现支持向量机算法。既具有良好的学习能力又具有较好的推广能力。相对于单核方法，多核学习方法可以克服脑卒中患者脑电肌电样本特征含有异构信息，样本规模过多或过少，多维数据的不规则或脑卒中患者数据在高维特征空间分布不平坦的现象。实现脑卒中病人脑电肌电特征信号在学习能力和推广能力之间进行平衡选择，将脑卒中病人康复过程的先验知识融入到核函数的确定。

(2)兼顾上半肢外骨骼机器人控制系统的瞬态和稳态性能：不同于现有PID控制系统，本发明采用基于自适应模拟退火的控制系统优化算法有助于突破现有外骨骼机器人控制器设计中存在的多个参数难以选取的难点，克服难以同时兼顾控制系统瞬态和稳态性能的不足。通过模拟退火算法的优化策略，实现控制系统瞬态和稳态性能的平衡。

(3)放宽了对康复数据样本的数量要求，无需大量脑卒中患者的样本，客观上降低了成本。传统方法在进行期望轨迹的预估和修正时，通常通过采用模糊神经网络来进行修正和逼近变阻抗的控制系统，但神经网络是基于统计学基础上的，是建立在样本无穷大时的渐进理论，即当样本数据趋于无穷多时的统计性质；而在实际脑卒中患者康复医疗的问题中，由于存在成本和数据权限的限制，样本数据往往是有限且不能完全公开的。而支持向量机则是基于统计学理论基础上的，有助于克服神经网络难以避免的样本量的问题。而现有支持向量机在逼近能力方面与BP网络仿真结果表明，SVM具有较强的泛化能力与逼近能力，无需大量样本。客观上降低了康复患者的成本。

(4)可灵活设定多种康复训练功能模式：实现主被动康复一体化，由于理论上已经保证了对末端位置信号的全局稳定跟踪，在主动及被动训练模式下，可以方便的实现末端关节对预期设定的康复动作位置以及多种轨迹的跟踪，从而支撑实现灵活的康复方案制定和康复策略选择。可根据康复程度需要，还可以自动选择主动、被动、助力、抗阻训练等多种模式。由此还可以衍生出一系列的康复运动的组合，如抓取茶杯，放置重物到指定位置等功能训练作业任务。

附图说明

下面结合附图及具体实施方式对本发明中脑卒中患者康复机器人上半肢模块及控制系统作进一步详细说明。

图1为上肢外骨骼机器人结构示意图；

图2为基于混合核函数的前馈+PD控制系统框图；

图3为上肢外骨骼脑卒中机器人系统功能框图；

图4为上肢外骨骼脑卒中机器人等效简化结构图；

图5为上肢外骨骼脑卒中机器人阻抗图；

图6为上肢外骨骼脑卒中机器人硬件系统框图；

图7为康复机器人RBF核函数支持向量机学习结果(中间数据为学习样本)；

图8为康复机器人多项式核函数支持向量机学习结果(中间数据为学习样本)；

图9为康复机器人混合核函数(RBF+多项式)支持向量机学习结果(中间数据为学习样本)；

图10为康复机器人混合核函数(RBF+多项式)支持向量机混合系数与学习误差关系图。

具体实施方式

本发明对应提供了一种基于混合核函数支持向量机的脑肌信息自动意图识别与脑卒中康复机器人上肢智能控制方法及系统。如图6所示，所述系统包括：脑电肌电信号采集仪、人机交互力传感器、光电角度编码器(角速度及角度)、运放滤波器、数据采集卡、上位机、运动控制卡、伺服驱动器。数据采集卡通过脑电肌电信号采集仪、人机交互力传感器和光电角度编码器，相应地采集患者的脑电信号、表面肌电信号，交互力及关节角与角速度等，进行滤波和放大；上位机作为综合控制及监控处理平台，首先对采集的信号进行特征提取及分析，进行患者康复程度和康复训练模式的确定和评估，生成康复机器人各个关节角位移和角速度，再用上肢机器人中机械结构尺寸反解得出动作指令大小。运动控制卡对其驱动的伺服电机的运动进行规划，并输出至伺服驱动器，促使上肢康复机器人各关节处的伺服电机动作，带动脑卒中患者开展各模式下的康复训练。

参考图1，本实施例的上肢康复机器人是一种上肢外骨骼机器人，包含：肩关节外骨骼1、肘关节外骨骼2、腕关节外骨骼3及手部把手模块4；关节运动控制中，各关节中分别安装有交互力传感器，用于检测康复训练运动过程中人与上肢康复机器人的接触力，检测康复训练运动状态，并应用在不同的康复训练模式中。

为了有效开展脑卒中患者康复训练，首先需要监测患者表面肌电信号和脑电信号为代表的生理信息，并结合根据医生诊断信息判断患者康复程度，在此基础上制定和实施不同的康复训练方案，从被动运动、主动运动、助力运动和抗阻运动这几个模式中结合康复情况进行选择。

1)当脑卒中患者被医生诊断康复程度低时，采取被动康复训练模式，控制上肢康复机器人各关节带动患者以期望的生理学轨迹进行康复运动，进行周期性的上半肢的康复训练，并记录相关数据用于具体评估。

2)当康复程度稍高时，采用主动康复训练模式，通过对患者生理信息(表面肌电信号、脑电信号)实时进行监测和分析，提取出患者运动时脑电信号和表面肌电信号的特征，采用混合核函数支持向量机算法和系统对患者的运动意图作出初步的预测。并且，将脑电肌电等采集到的生理信号进行信息融合。通过离线学习和在线使用，进一步将本发明所提出的混合核函数支持向量机用于产生相应的上半肢外骨骼运动轨迹的期望曲线，驱动末端位置跟踪期望的上肢轨迹；在此基础上，通过自适应的变阻抗控制方法来进一步修正患者期望的训练轨迹，从而改善其实时、柔顺控制，增强患者的舒适程度，提高康复效果。

3)当经过一段时间的主动运动训练且医生诊断康复程度稍高时，患者开始拥有了较强的运动能力及较好的关节协调能力，此时，康复训练模式可变为助力及抗阻训练，其目的是通过让患肢克服一定的阻力以增强患肢肌力。一般而言，训练过程中，患者患肢所承受的阻力根据临床上普遍使用的渐进抗阻练习法和所采用的控制系统共同决定的。

本发明所述基于混合核函数支持向量机的脑肌信息自动意图识别与脑卒中康复机器人上肢智能控制方法，其具体实施过程包括下述步骤：

1.对患者的康复程度进行评估，具体包括：

(1)分别用脑电、肌电信号采集仪实时采取大脑皮层边缘系统的脑电信号，肱二头肌和肱三头肌表面肌电信号。

采集脑卒中患者表面肌电信号和脑电信号时，戴脑电帽及脑电电极选取过程应遵照国际通用的10-20标准进行；而上肢肌肉电极的信号采集区域根据医生所选取最佳康复模式进行确定。例如，右侧肢体运动功能发生障碍时，最佳康复训练模式做屈、伸运动康复训练，此时通常选取手臂的肱二头肌和肱三头肌的肌腹作为肌电信号采集区域。同时设置好采样率，例如为1kHz。

检测肌肉收缩时产生的微弱电信号后，可以进行采集信号的信号放大、滤波去噪、预处理等过程，将信号转换为信噪比较高，幅值较大的信号，便于后期处理；对于肌电信号极其微弱甚至没有的高位截瘫患者，加入脑电信号采集及处理单元，随后进行放大、滤波去噪、预处理等过程。其中，滤波去噪采用扩展卡尔曼滤波进行。对于上肢康复，需对相应肌肉群进行同时检测处理，通常选取肱二头肌和肱三头肌的肌腹作为采集候选位置。

(2)通过上肢外骨骼机器人传感器特征提取方法(如小波分解)，获取患者脑电信号和表面肌电信号的时频域特征向量；将健康人的脑电信号(如β波)和表面肌电信号特征向量与患者脑电信号和表面肌电信号特征向量进行比对(假定其比值取模后为x)，设定康复程度阶段阈值a1，a2，a3(0<a1<a2<a3<1)：

当x小于阈值a1时，进行被动康复训练模式；

当x大于阈值a1且小于a2时，进行主动康复训练模式；

当x大于该阈值a2但是小于a3时，进行助力康复训练模式；

当x大于阈值a3时，进行抗阻康复训练模式。

2.被动康复训练模式，采用自适应模拟退火的前馈加PD(Proportion-Derivative)位置伺服控制方法(图2所示)，其具体方式如下：

(1)采集不同臂长，年龄等的人体上肢运动的关节角度值，对同一类或近似类测试者的采集值取平均值，获得标准的上肢运动数据库，对不同的使用者选取相应的标准上肢运动。并且，根据数据库选取对应时刻的各关节角度运动值。

(2)通过光电编码器检测康复训练中康复训练装置各关节的角度、角速度，反馈给本发明所提的前馈+PD位置伺服控制单元。

(3)根据关节转角值获取伺服电机的运动情况，驱动各伺服电机运动。

3.主动康复训练模式采取基于混合核函数支持向量机来进行脑肌信息自动意图识别进行意图预测与轨迹生成，实时变阻抗控制方法，其具体实现方式又可细分为以下几步：

(1)患者主动运动意图预测。提取脑卒中患者的脑电肌电信号时频域特征向量，采用基于混合核函数支持向量机来进行脑电肌电信息的自动意图识别。支持向量机(SVM)相对于神经网络而言，无需大量样本，能解决非线性分类和识别等诸多问题。其主要思想是支持向量机处理非线性分类问题时，比线性分类问题多了个非线性映射过程。对于混合核函数而言，本发明采用了RBF(径向基核函数)+多项式的核函数来增强学习能力和泛化能力。

采用SVM求解分类识别等非线性泛化学习等问题时，设定该非线性映射为：经典的分类面优化问题最转化为：SVM中，非线性映射的引入很好的解决了非线性分类问题，同时也增加了优化求解的困难。但是由于其只涉及到高维空间中的内积运算，即而没有单独的映射因此，可以考虑是否可以找到输入空间的一个函数K来替代特征空间内积运算，即这样就省去了高维空间中复杂的内积计算。根据泛函的有关理论，只要K(x_i,x_j)满足下列定理的Mercer条件，它就对应某一变换空间的内积。这样，在高维空间中求解最优分类面时，可以通过采用适当的核函数k(x_i,x_j)将高维空将的内积运算转化为低维空间的函数运算，就可以在不影响计算复杂度的情况下实现非线性分类问题。k(x_i,x_j)为核函数，核函数的引入，很好的解决了高维问题，将高维空间的内积运算转化为低维空间的函数运算，常用的核函数有多项式核函数、径向基核函数和Sigmoid核函数等。

对于混合核函数而言，本发明采用了RBF+多项式的核函数来增强学习能力和泛化能力；多项式核函数：k₁(x,x_j)＝[(x,x_j)+1]^q，径向基核函数：混合核函数支持向量机核函数则为：k＝μk₁(x,x_j)+(1-μ)k₂(x,x_j)。

参考图7为康复机器人RBF核函数支持向量机学习结果(中间数据为学习样本)；图8为康复机器人多项式核函数支持向量机学习结果(中间数据为学习样本)；图9为康复机器人混合核函数(RBF+多项式)支持向量机学习结果(中间数据为学习样本)；图10为康复机器人混合核函数(RBF+多项式)支持向量机混合系数与学习误差关系图。容易看出，混合核函数既有较强的学习能力，又有较强的泛化能力，在外骨骼机器人意图预测与期望轨迹泛化生成方面具有较强的应用价值。

(2)在识别运动意图基础上，进一步采用混合核函数支持向量机替代传统神经网络系统进行患者主动期望轨迹的实时生成。将获取的患者脑电信号和表面肌电信号的特征向量作为输入信号，输入至混合核函数处理获得预测的关节角度值，实时且能主动地产生脑卒中患者期望轨迹。混合核函数支持向量机包括输入，输出，核函数层等部分。具体实施过程及主要步骤包括：

a.输入层接收患者脑电信号和表面肌电信号的特征向量；

b.通过采集样本，离线确定混合核函数参数及权值；

c.在线使用混合核函数来进行期望轨迹的生成。

(3)上肢康复机器人人机系统的建模与控制，如图2所示。图3为上肢外骨骼脑卒中机器人系统功能框图；图4为上肢外骨骼脑卒中机器人等效简化结构图；图5为上肢外骨骼脑卒中机器人阻抗图。

本实施例中，具体实施过程又可细分为如下子步骤：

a.检测人机交互作用力，并通过逆动力学模型提取出人机交互作用力矩，反馈给自适应的变阻抗控制器，建立人机交互作用力矩和康复装置偏离预定关节轨迹偏差的阻抗控制模型；联合建立人机系统的阻抗模型。

b.将前馈控制和反馈控制结合起来，构成前馈反馈控制系统。采用基于给定的前馈补偿，来提高外骨骼控制系统响应速度，将系统给定经过前馈通道，叠加到系统的控制量上。随后将针对控制系统参数进行设计优化，提升系统的稳态和瞬态性能。其设计问题目的是进一步优化计算前馈+PD控制器增益矩阵，用以满足各种瞬态和稳态性能指标。

具体控制器分析与综合过程展开如下：

对于刚性n关节上肢机器人模型，假定其动态特性为：

其中q∈Rⁿ表示关节变量向量，τ∈Rⁿ为康复机器人执行机构施加的关节扭矩向量，D(q)∈R^n×n对称正定的惯性矩阵，为哥式力和离心力向量，G(q)∈Rⁿ为重力向量，f为监测或预估出来的患者运动意图。对于给定的上肢康复任务，通常在末端位置空间进行任务的定义，例如抓取茶杯，放置物体等特定训练任务，需要实现对末端位置的控制，因此也需要将关节角度动力学方程转换成基于末端位置的动力学方程，再进行控制器系统的设计与优化。

在静平衡状态下，不考虑运动意图时，传递到机械手末端力的F_x与关节力矩τ之间存在线性映射关系，通过虚功原理可以得到其表达式为：F_x＝J^-T(q)τ。由于其中各参数具体意义如下：对于二自由度结构，定义向量为x＝[x₁ x₂],q＝[q₁ q₂]可以得到：其中雅可比矩阵且dx＝J·dq，用于表示机械手末端端点速度与机械臂关节角速度之间关系，具体表达式为：对于二自由度情况，可以推导出：

则由此可以得到代入动力学特性方程中，可以得到

其中，

D_x(q)＝J^-T(q)D(q)J^-1(q)，G_x(q)＝J^-T(q)G(q)。根据文献结论，可以证明惯性矩阵D(q)为对称正定矩阵，且矩阵为斜对称矩阵。

假定x_d(t)为医护人员根据康复理论的实际需求而确定的轨迹值，称为期望轨迹值，x(t)为实际输出的轨迹值。跟踪误差和其导数可以写成为了提升控制系统性能，采用前馈+PID控制策略，为了得到严格证明结果，方便机器人系统的设计，同时缩短响应时间，积分环节系数设定为0。控制器设计为：

其中，前馈环节的加入有助于提升系统的响应速度，因其对内外部的扰动速度反应更为迅速，而无需等到相关变量产生较大偏差后才执行反馈控制动作。对于外骨骼机器人而言，如果遇到幅度较大且可以测量的噪声，则其可以大幅改善系统性能。在不考虑运动意图f的被动模式下，经过对控制器进行变化后可得：

康复机器人控制的目标是保证对期望的轨迹跟踪误差和其导数为0，即

具体推导证明如下：选取Lyapunov函数可以得到考虑到惯性矩阵D(q)为对称正定矩阵，且矩阵为斜对称矩阵，可以得到则而当K_d＞0,时，可以推导出从而得到e＝0.根据LaSalle不变性定理，可以得到为全局稳定点，这就从理论上保证了机器人末端可以实现对给定轨迹进行精确的跟踪控制。证毕。

对于N自由度的上半肢机器人，可以根据图4等效简化结构图求得上肢外骨骼机器人雅可比矩阵

c.进一步，将针对控制系统参数进行设计优化，提升系统的稳态和瞬态性能。其设计问题目的是进一步优化计算前馈+PD控制器增益矩阵，用以满足各种不同的性能指标。本发明中，由于涉及到饱和和死区等非线性因素，目标函数为

其中，e(t)为系统误差，M_p为超调量，η₁,η₂,η₃为非负的权重因子，满足η₁+η₂+η₃＝1。该设计方法的实质就是选择合适的适应度函数，利用自适应遗传优化方法对控制器的可调参数进行优化，由此可以得到控制器增益K_p,K_d。利用自适应模拟退火算法，求解如下优化问题可以获得控制器增益系数矩阵K_p,K_d；

s.t.η₁+η₂+η₃＝1,

K_p＞0,K_d＞0

(4)将修正后的步态轨迹曲线输入到上肢康复机器人关节内环位置控制器中，控制各关节的转角实现期望的轨迹输出。根据各关节的转角值，经运动反解运算，获取各伺服电机的运动，控制各伺服电机运转，实现上肢康复外骨骼装置人机系统的主动、实时控制。

(5)采集各类数据后，建立病人样本的数据库，存储患者康复的各阶段信息，为医生提供处方依据，方便后续的病例分析，以便对处方进行完善与修正。

综上所述，本发明公开了一种用于脑卒中患者上半肢康复治疗的基于混合核函数支持向量机的脑肌信息自动意图识别与康复机器人上肢智能控制方法及系统，通过脑电、表面肌电信号采集仪实时采集并处理患者的脑电和表面肌电信号，采用混合核函数(分别由多项式核函数和RBF核函数加权组成)进行拟和与预测，从而更准确的识别并监测患者运动意图，同时判断其相应康复程度，据此采用相应的康复训练策略：

1)当脑卒中患者上半肢康复程度低时，采用被动训练控制，采用基于自适应模拟退火算法的前馈控制方法进行机器人任务空间位置伺服控制，可实现优化控制参数，提高瞬态性能，控制上半肢康复装置使患者以正确的生理学轨迹进行康复运动；

2)当脑卒中患者上半肢康复程度较高时，采取主动、助力及抗阻控制模式，通过实时提取患者脑电信号和表面肌电信号的特征向量，对患者的运动意图作出预测、进行助力及产生阻力来加速病人康复过程，并根据康复医学理论来产生患者上肢期望的运动轨迹值。然后，利用自适应变阻抗控制方法实现上肢康复机器人人机系统的主动控制。

相关仿真及测试结果表明，本发明中所提出的混合核函数支持向量机模型具有较好的学习能力和泛化性能，预测精度高，控制性能好，其预测结果满足脑卒中患者康复机器人指标要求。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (8)

1.一种基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，包含以下过程：

对患者的康复程度进行评估：实时采取大脑皮层边缘系统的脑电信号、肱二头肌和肱三头肌表面肌电信号；获取患者脑电信号和表面肌电信号的时频域特征向量；将健康人的脑电信号和表面肌电信号特征向量与患者脑电信号和表面肌电信号特征向量进行比对，将比值取模设为x，并设定康复程度阶段阈值a1,a2,a3，其中0<a1<a2<a3<1；

当x小于阈值a1时，进行被动康复训练模式；

当x大于阈值a1且小于a2时，进行主动康复训练模式；

当x大于阈值a2且小于a3时，进行助力训练模式；

当x大于阈值a3时，进行抗阻训练模式；

所述被动康复训练模式中，采用自适应模拟退火优化的前馈控制及PD位置伺服控制方法，使患者完全由上肢康复机器人带动，以标准的生理学上肢运动轨迹进行上肢康复运动；同时，检测上肢康复机器人各关节的角度、角速度并作为反馈信号，实时调整上肢康复机器人的运动轨迹；

所述主动康复训练模式中，采取自适应的变阻抗控制方法，将获取到的患者脑电信号和表面肌电信号的时频域特征向量，通过混合核函数的支持向量机算法进行离线学习，在线预测及融合处理，实时产生患者期望的运动步态轨迹曲线；驱动上肢康复机器人的各关节做相应的转角运动，以实现与运动步态轨迹曲线相匹配的轨迹输出；

所述助力训练模式中，通过在控制量中，设置并施加与运动意图识别结果f相同符号的叠加正向力来实现；

所述抗阻训练模式中，通过在控制量中，设置并施加与运动意图识别结果f相反的反馈力来实现；

对于刚性n关节上肢康复机器人，K_p、K_d为控制器增益，e为跟踪误差，x为当前变量的取值，x_d为期望变量的取值，q∈Rⁿ为关节变量向量，D(q)∈R^n×n为对称正定的惯性矩阵，为哥式力和离心力向量，G(q)∈Rⁿ为重力向量，各变量的下标x表示该变量本身由x决定或者本身是x的函数。

2.如权利要求1所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

通过上肢外骨骼机器人传感器特征提取方法，获取患者脑电信号和表面肌电信号的时频域特征向量；所述上肢外骨骼机器人传感器特征提取方法包含小波分解。

3.如权利要求1所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

所述被动康复训练模式中，采用自适应模拟退火的前馈加PD位置伺服控制的方法，包含以下过程：

(1)采集不同臂长、年龄的人体上肢运动的关节角度值，对同一类或近似类测试者的采集值取平均值，获得标准的上肢运动数据库，对不同的使用者选取相应的标准上肢运动；根据数据库选取对应时刻的各关节角度运动值；

(2)以检测上肢康复机器人各关节获得的角度、角速度作为反馈信号，进行前馈及PD位置伺服控制；

(3)根据各关节的转角值获取对应伺服电机的运动情况，驱动各伺服电机运动。

4.如权利要求1所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

所述主动康复训练模式中，基于混合核函数支持向量机来进行脑肌信息自动意图识别进行意图预测与轨迹生成，采取实时变阻抗控制方法，包含以下过程：

(1)患者主动运动意图预测；

(2)在识别运动意图的基础上，采用混合核函数支持向量机进行患者主动期望轨迹的实时生成；

(3)上肢康复机器人人机系统的阻抗模型建立及控制；

(4)将修正后的步态轨迹曲线输入到上肢康复机器人，控制各关节的转角实现期望的轨迹输出；根据各关节的转角值，经运动反解运算，获取各伺服电机的运动，控制各伺服电机运转，实现上肢康复机器人人机系统的主动、实时控制；

(5)采集各类数据后，建立患者样本的数据库，存储患者康复的各阶段信息，成为混合核函数支持向量机进行样本扩充的新的数据源。

5.如权利要求4所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

患者主动运动意图预测，是提取脑卒中患者的脑电肌电信号时频域特征向量，采用基于混合核函数支持向量机来进行脑电肌电信息的自动意图识别。

6.如权利要求5所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

在识别运动意图基础上，采用混合核函数支持向量机进行患者主动期望轨迹的实时生成，是将获取的患者脑电信号和表面肌电信号的特征向量作为输入信号，输入至混合核函数处理获得预测的关节角度值，实时且主动地产生脑卒中患者期望轨迹；混合核函数支持向量机中，输入层接收患者脑电信号和表面肌电信号的特征向量；通过采集样本，离线确定混合核函数参数及权值；在线使用混合核函数来进行期望轨迹的生成。

7.如权利要求6所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

上肢康复机器人的人机系统的建模与控制，包含以下过程：

a.检测人机交互作用力，并通过逆动力学模型提取出人机交互作用力矩，反馈给自适应的变阻抗控制器，建立人机交互作用力矩和康复装置偏离预定关节轨迹偏差的阻抗控制模型，联合建立人机系统的阻抗模型；

b.将前馈控制和反馈控制结合，构成前馈反馈控制系统：采用基于给定的前馈补偿，提高控制系统响应速度，将系统给定经过前馈通道，叠加到系统的控制量上；对控制系统参数进行设计优化，提升系统的稳态和瞬态性能，进而优化计算前馈及PD控制器增益矩阵，来满足各种瞬态和稳态性能指标；

c.对控制系统参数进行设计优化，提升系统的稳态和瞬态性能，进而优化计算前馈及PD控制器增益矩阵，来满足各种不同的性能指标。

8.一种基于混合核函数支持向量机的脑肌信息自动意图识别与脑卒中康复机器人上肢智能控制系统，实现权利要求1-7中任意一项所述基于混合核函数支持向量机的脑卒中患者脑肌信息自动意图识别及智能控制方法，其特征在于，

所述系统包含：脑电信号采集仪、肌电信号采集仪、人机交互力传感器、光电角度编码器、运放滤波器、数据采集卡、上位机、运动控制卡、伺服驱动器；

脑电信号采集仪、肌电信号采集仪分别采集患者的脑电信号、表面肌电信号，人机交互力传感器、光电角度编码器分别采集上肢康复机器人各关节的交互力、关节角与角速度，经过运放滤波器处理后，输送到数据采集卡；

上位机作为综合控制及监控处理平台，对来自数据采集卡的采集信号进行特征提取及分析，进行患者康复程度和康复训练模式的确定和评估，生成上肢康复机器人各个关节角位移和角速度，再用上肢康复机器人中机械结构尺寸反解得出动作指令；

与上位机连接的运动控制卡，对所要驱动的伺服电机的运动进行规划，并输出至伺服驱动器，由伺服驱动器促使上肢康复机器人各关节处的伺服电机动作，带动配置上肢康复机器人的脑卒中患者开展各模式下的康复训练；

所述上肢康复机器人，包含肩关节外骨骼、肘关节外骨骼、腕关节外骨骼及手部把手模块。