CN109434806A - 一种辅助搬运的可穿戴智能设备控制方法 - Google Patents

Abstract

本发明公开了一种辅助搬运的可穿戴智能设备控制方法，利用相邻尺度间小波系数的聚集性和持续性的特点构建了隐马尔科夫模型,采用贝叶斯估计得到真实信号小波系数,通过信号重构去除噪声，用训练后的神经网络对其进行分析处理，估计出相应肌肉用力大小，将肌电力触觉传感器所得力触觉信号和肌肉用力大小信号输入模糊控制器，驱动电机转动速度从而控制握力大小，利用手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制，将下肢外骨骼的虚拟样机模型作为被控对象，采用自适应控制器，克服虚拟力矩控制严重依赖于系统的动态模型的缺点。

Description

一种辅助搬运的可穿戴智能设备控制方法

技术领域

本发明属于智能穿戴设备领域，尤其涉及一种辅助搬运的可穿戴智能设备控制方法。

背景技术

目前制造车间工人装卸工件时主要依靠人力搬运，劳动强度大，目前市面上已经出现了外骨骼助力式机器人以辅助搬运。表面肌电信号是从人体骨骼肌表面通过表面拾取电极采集来的，与肌肉活动密切相关的生物电信号。表面肌电信号本质上是一种非平稳信号，小波变换由于能够反映信号的局部特性，观察到信号的细节信息，小波变换虽然可以将这种耦合关系降低到较低程度，使信号与噪声间的可分离性达到较高，但是实际上小波系数之间还是不可避免地残留着相关性，而且现有外骨骼助力式机器人在各辅助部件的控制上相关性较差，助力部件的动作逻辑不够科学，不能最大程度上实现助力部件的助力效果，而且现有力矩控制严重依赖于系统的动态模型。

发明内容

针对现有技术存在的问题，本发明提供了一种辅助搬运的可穿戴智能设备控制方法。

本发明是这样实现的，一种辅助搬运的可穿戴智能设备的控制方法，包括：

步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数，将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵，由最大期望算法得到隐马尔科夫模型的各个参数；

步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后，用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号；

步骤三、利用拉格朗日方程建立下肢系统的动态模型G′_a：

J表示转动惯，并且是q的函数；B表示离心和克里奥里矩阵，是q和的函数；G表示重力力矩矢量，是q的函数。对应的关节力矩矢量为：

T＝[T₁...T_n]^T

穿戴者对外骨骼的力矩

T为电动机的输出力矩，G′_a是下肢外骨骼前向动态的估计，q为下肢外骨骼的关节角输出；

步骤四、通过多通道表面肌电信号的特征参数得到肌电整体强度和肌电活动空间分布的多维特征值矩阵，将该征值矩阵分解为个人因素矩阵Z和动作模式矩阵X，动作模式矩阵X作为模式识别分类器的输入，利用对称双线性模型表示特征值矩阵y_k＝z^TWk_x；

式中：z^T表示的是个人因素部分，x表示的是动作模式部分，Wk属于双线性模型的系数矩阵；

定义特征值矩阵

式中：表示的是第u个受试者执行m动作第N次时的多维特征值矩阵；

步骤五、获得新用户在某个动作下的特征值矩阵y，利用双线性模型的动作模式矩阵均值及系数矩阵，计算新用户个人因素矩阵：

z＝[[WX][WX]^CV]+y^CV

由不同动作模式下的表面肌电信号特征值矩阵y，得到动作模式矩阵部分x为：

x′＝[[W^CV _z]^CV]+y′

步骤六、以柔性电极阵列提取的食指、中指、无名指活动时的指总伸肌整体肌电信号建立表面肌电幅度、肌电活动的空间分布特征矩阵的双线性模型，进行手指力量水平识别；

步骤七、下肢采用下式的自适应非线性控制器进行控制：

式中，e为控制系统的误差信号；

步骤八、获取手臂支撑部位表面肌电信号，计算手臂支撑部位肌肉用力大小的估计值F_e，根据手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制；

步骤九、腰部助力部件动作信号触发对下肢外骨骼的控制，通过人体运动时的各关节角q及外骨骼动力学方程G′_a计算得到各关节应施加的虚拟力矩，将该虚拟力矩与电动机的实际输出力矩T_a进行比较，作为控制器的输入，控制外骨骼力矩。

进一步，获取手臂支撑部位表面肌电信号后，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数；

将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵；

由最大期望算法得到隐马尔科夫模型的各个参数，得到对应的隐马尔科夫模型的参数之后，用去除噪声的小波系数重构得到滤波之后的手臂支撑部位表面肌电信号。

进一步，肌电信号的绝对平均值肌电信号的方差 平均频率

式中，x_ij为第i个时间片内第j个采样点的数值大小，为第i个时间片内信号的平均值，f_j为第i个时间片功率谱上离散的频率点，P(f_j)为离散频率点f_j对应的功率，每个时间片内有n个采样点。

进一步，获取腰部表面肌电信号，选取肌电信号的绝对平均值、方差、平均频率三个特征参数构成误差方向传播神经网络的输入向量，训练后得出神经网络参数矩阵计算手臂支撑部位肌肉用力大小的估计值；

将输入变量和输出变量模糊化，腰部肌肉用力大小根据数值大小将模糊语言设定为若干等级，对应的腰部实际握力大小的模糊语言也设定为若干等级，针对输出变量，电机转速模糊语言设定为若干等级。

本发明文将基于小波域隐马尔科夫模型方法应用于肌电信号的消噪滤波处理中，利用相邻尺度间小波系数的聚集性和持续性的特点构建了隐马尔科夫模型，采用贝叶斯估计得到真实信号的小波系数，通过信号重构有效地去除了噪声，通过利用短时傅里叶变换思想对信号进行时间片分割，并对时间片内的信号分析选取了几个具有代表性的肌电信号参数，并用训练后的神经网络对其进行分析处理，进而估计出相应的肌肉用力大小。同时将肌电力触觉传感器所得的力触觉信号和肌肉用力大小信号输入模糊控制器，驱动电机的转动速度从而控制握力大小，利用手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制，手臂支撑助力部件动作信号触发腰部助力部件动作，实现助力部件的动作逻辑更加科学合理，能更大程度上实现助力部件的助力效果。将下肢外骨骼的虚拟样机模型作为被控对象，采用自适应控制器，克服虚拟力矩控制严重依赖于系统的动态模型的缺点。

附图说明

图1是本发明实施例提供的辅助搬运的可穿戴智能设备控制方法流程图；

图2是本发明实施例提供的滤波流程图；

图3是本发明实施例提供的握力模糊控制器的示意图。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

一种辅助搬运的可穿戴智能设备的控制方法，包括：

S101、获取食指、中指、无名指活动时的多通道表面肌电信号，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数，将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵，由最大期望算法得到隐马尔科夫模型的各个参数；

S102、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后，用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号；

如图2所示，整个肌电信号滤波过程包括小波分解，训练隐马尔科夫模型(最大期望值算法)，贝叶斯估计和小波重构四部分，该方法不需要任何待定的自由参数，具有很好的自适应性，可以有效地滤除肌电信号中的噪声而且保留了信号中的细节信息。

S103、利用拉格朗日方程建立下肢系统的动态模型G′_a：

J表示转动惯，并且是q的函数；B表示离心和克里奥里矩阵，是q和的函数；G表示重力力矩矢量，是q的函数。对应的关节力矩矢量为：

T＝[T₁...Tⁿ]^T

穿戴者对外骨骼的力矩

T为电动机的输出力矩，G′_a是下肢外骨骼前向动态的估计，q为下肢外骨骼的关节角输出；

S104、通过多通道表面肌电信号的特征参数得到肌电整体强度和肌电活动空间分布的多维特征值矩阵，将该征值矩阵分解为个人因素矩阵Z和动作模式矩阵X，动作模式矩阵X作为模式识别分类器的输入，利用对称双线性模型表示特征值矩阵：

y_k＝z^TWk_x；

式中：z^T表示的是个人因素部分，x表示的是动作模式部分，Wk属于双线性模型的系数矩阵；

定义特征值矩阵

式中：表示的是第u个受试者执行m动作第N次时的多维特征值矩阵；

S105、获得新用户在某个动作下的特征值矩阵y，利用双线性模型的动作模式矩阵均值及系数矩阵，计算新用户个人因素矩阵：

z＝[[WX][WX]^CV]⁺y^CV

由不同动作模式下的表面肌电信号特征值矩阵y，得到动作模式矩阵部分x为：

x′＝[[W^CVz]^CV]+y′

S106、以柔性电极阵列提取的食指、中指、无名指活动时的指总伸肌整体肌电信号建立表面肌电幅度、肌电活动的空间分布特征矩阵的双线性模型，进行手指力量水平识别；

在MATLAB中将经过滤波处理的平稳段sEMG信号分段计算均方根(时间窗为H＝256采样点，各时间窗不重迭)，分段均方根的平均值作为当前记录通道的肌电活动强度，以手指最大随意收缩力量的百分比表示；

S107、下肢采用下式的自适应非线性控制器进行控制：

式中，e为控制系统的误差信号；

S108、获取手臂支撑部位表面肌电信号，计算手臂支撑部位肌肉用力大小的估计值F_e，根据手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制；

获取手臂支撑部位表面肌电信号，选取肌电信号的绝对平均值A、方差S、平均频率三个特征参数构成误差方向传播神经网络的输入向量训练后得出神经网络参数矩阵W₁和W₂，使用W₁和W₂计算手臂支撑部位肌肉用力大小的估计值Fe；

肌电信号的绝对平均值肌电信号的方差 平均频率

式中，x_ij为第i个时间片内第j个采样点的数值大小，为第i个时间片内信号的平均值，f_j为第i个时间片功率谱上离散的频率点，P(f_j)为离散频率点f_j对应的功率，每个时间片内有n个采样点。

获取手臂支撑部位表面肌电信号后，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数；将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵；由最大期望算法得到隐马尔科夫模型的各个参数，得到对应的隐马尔科夫模型的参数之后，用去除噪声的小波系数重构得到滤波之后的手臂支撑部位表面肌电信号。

通过训练误差反向传播的神经网络来估计被测者手臂的用力程度，首先设计实验，将肌电采集电极贴合在被测者的尺侧腕屈肌位置上，同时让被测者屈腕时手指按压测力装置，这样在采集肌电信号的同时可以测出被测者手腕肌肉的用力大小F。

将输入变量和输出变量模糊化，手臂支撑部位肌肉用力大小F_e根据数值大小将模糊语言设定为若干等级，对应的手臂支撑部位实际握力大小F_h的模糊语言也设定为若干等级，针对输出变量，电机转速S模糊语言设定为若干等级；

模糊控制器的输出变量为手臂闭合的速度S，也即手臂支撑助力部件动作电机的转速，电机转速和电机的堵转转矩成正比，所以通过手臂的闭合速度来间接实现手臂握力的控制。

将输入变量和输出变量模糊化，其中针对输入变量，肌肉用力大小F_e模糊语言设定为无动作、小、较小、较大、大5级；

手臂实际握力大小F_h的模糊语言定义为小、较小、较大、大4级；

针对输出变量，电机转速S模糊语言设定为快速开、中速开、慢速开、无动作、慢速关、中速关、快速关7级，正值表示电机正转，即手臂闭合的转向，负值表示电机反转，即手臂张开的转向。

根据手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制；

例如，可以设置手臂实际握力为较大时触发手指助力部件动作；

S109、腰部助力部件动作信号触发对下肢外骨骼的控制，通过人体运动时的各关节角q及外骨骼动力学方程G′_a计算得到各关节应施加的虚拟力矩，将该虚拟力矩与电动机的实际输出力矩T_a进行比较，作为控制器的输入，控制外骨骼力矩。

获取腰部表面肌电信号，采用与手臂支撑部位表面肌电信号相同的处理方法，选取肌电信号的绝对平均值、方差、平均频率三个特征参数构成误差方向传播神经网络的输入向量，训练后得出神经网络参数矩阵计算手臂支撑部位肌肉用力大小的估计值；

将输入变量和输出变量模糊化，腰部肌肉用力大小根据数值大小将模糊语言设定为若干等级，对应的腰部实际握力大小的模糊语言也设定为若干等级，针对输出变量，电机转速模糊语言设定为若干等级。

与现有控制方式相比，本发明由以下优点：

手臂肌电测出的实际握力小而手指肌电测出的实际握力大，说明此事只有手指动作，手臂并无动作或者动作很小，进一步说明此时不需要手臂有太大握力，所以手臂助力部件不需要动作，而一旦手臂肌电测出的实际握力和手指肌电测出的实际握力大都大，说明手臂助力部件需要动作，一旦手臂助力部件需要动作，则腰部必然受力，此时激发腰部助力部件动作，助力部件的动作逻辑更加科学合理，能更大程度上实现助力部件的助力效果。

本发明文将基于小波域隐马尔科夫模型方法应用于肌电信号的消噪滤波处理中，利用相邻尺度间小波系数的聚集性和持续性的特点构建了隐马尔科夫模型，采用贝叶斯估计得到真实信号的小波系数，通过信号重构有效地去除了噪声，通过利用短时傅里叶变换思想对信号进行时间片分割，并对时间片内的信号分析选取了几个具有代表性的肌电信号参数，并用训练后的神经网络对其进行分析处理，进而估计出相应的肌肉用力大小。同时将肌电力触觉传感器所得的力触觉信号和肌肉用力大小信号输入模糊控制器，驱动电机的转动速度从而控制握力大小，利用手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制，手臂支撑助力部件动作信号触发腰部助力部件动作，实现助力部件的动作逻辑更加科学合理，能更大程度上实现助力部件的助力效果。将下肢外骨骼的虚拟样机模型作为被控对象，采用自适应控制器，克服虚拟力矩控制严重依赖于系统的动态模型的缺点。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (4)

1.一种辅助搬运的可穿戴智能设备控制方法，其特征在于，该方法包括：

步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数，将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵,由最大期望算法得到隐马尔科夫模型的各个参数；

步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后,用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号；

步骤三、利用拉格朗日方程建立下肢系统的动态模型G′_a:

J表示转动惯，并且是q的函数；B表示离心和克里奥里矩阵，是q和的函数；G表示重力力矩矢量，是q的函数。对应的关节力矩矢量为：

T＝[T₁ … T_n]^T

穿戴者对外骨骼的力矩

T为电动机的输出力矩，G′_a是下肢外骨骼前向动态的估计，q为下肢外骨骼的关节角输出；

步骤四、通过多通道表面肌电信号的特征参数得到肌电整体强度和肌电活动空间分布的多维特征值矩阵，将该征值矩阵分解为个人因素矩阵Z和动作模式矩阵X，动作模式矩阵X作为模式识别分类器的输入，利用对称双线性模型表示特征值矩阵y_k＝z^TWk_x；

式中:z^T表示的是个人因素部分，x表示的是动作模式部分，Wk属于双线性模型的系数矩阵；

定义特征值矩阵

式中:表示的是第u个受试者执行m动作第N次时的多维特征值矩阵；

步骤五、获得新用户在某个动作下的特征值矩阵y，利用双线性模型的动作模式矩阵均值及系数矩阵，计算新用户个人因素矩阵:

z＝[[WX][WX]^CV]⁺y^CV

由不同动作模式下的表面肌电信号特征值矩阵y，得到动作模式矩阵部分x为：

x′＝[[W^CVz]^CV]⁺y′

步骤六、以柔性电极阵列提取的食指、中指、无名指活动时的指总伸肌整体肌电信号建立表面肌电幅度、肌电活动的空间分布特征矩阵的双线性模型，进行手指力量水平识别；

步骤七、下肢采用下式的自适应非线性控制器进行控制：

式中，e为控制系统的误差信号；

步骤八、获取手臂支撑部位表面肌电信号，计算手臂支撑部位肌肉用力大小的估计值F_e，根据手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制；

步骤九、腰部助力部件动作信号触发对下肢外骨骼的控制，通过人体运动时的各关节角q及外骨骼动力学方程G′_a计算得到各关节应施加的虚拟力矩，将该虚拟力矩与电动机的实际输出力矩T_a进行比较，作为控制器的输入，控制外骨骼力矩。

2.如权利要求1所述辅助搬运的可穿戴智能设备控制方法，其特征在于，获取手臂支撑部位表面肌电信号后，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数；

将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵；

由最大期望算法得到隐马尔科夫模型的各个参数，得到对应的隐马尔科夫模型的参数之后,用去除噪声的小波系数重构得到滤波之后的手臂支撑部位表面肌电信号。

3.如权利要求1所述辅助搬运的可穿戴智能设备控制方法，其特征在于，肌电信号的绝对平均值肌电信号的方差 平均频率

式中，x_ij为第i个时间片内第j个采样点的数值大小，为第i个时间片内信号的平均值，f_j为第i个时间片功率谱上离散的频率点，P(f_j)为离散频率点f_j对应的功率，每个时间片内有n个采样点。

4.如权利要求1所述辅助搬运的可穿戴智能设备控制方法，其特征在于，获取腰部表面肌电信号，选取肌电信号的绝对平均值、方差、平均频率三个特征参数构成误差方向传播神经网络的输入向量，训练后得出神经网络参数矩阵计算手臂支撑部位肌肉用力大小的估计值；

将输入变量和输出变量模糊化，腰部肌肉用力大小根据数值大小将模糊语言设定为若干等级，对应的腰部实际握力大小的模糊语言也设定为若干等级，针对输出变量，电机转速模糊语言设定为若干等级。