CN109549821A - 基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法 - Google Patents
基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法 Download PDFInfo
- Publication number
- CN109549821A CN109549821A CN201811644691.3A CN201811644691A CN109549821A CN 109549821 A CN109549821 A CN 109549821A CN 201811644691 A CN201811644691 A CN 201811644691A CN 109549821 A CN109549821 A CN 109549821A
- Authority
- CN
- China
- Prior art keywords
- signal
- electromyography signal
- estimation
- posture
- joint
- 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.)
- Granted
Links
- 238000002567 electromyography Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000000694 effects Effects 0.000 claims abstract description 44
- 230000033001 locomotion Effects 0.000 claims abstract description 37
- 238000011217 control strategy Methods 0.000 claims abstract description 23
- 210000003205 muscle Anatomy 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 6
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 40
- 210000000245 forearm Anatomy 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 23
- 210000002310 elbow joint Anatomy 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 11
- 238000012512 characterization method Methods 0.000 claims description 10
- 230000003183 myoelectrical effect Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 230000003387 muscular Effects 0.000 claims description 6
- 210000001519 tissue Anatomy 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 7
- 230000018109 developmental process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 230000035876 healing Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 238000003181 co-melting Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
- A61H1/0277—Elbow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/16—Physical interface with patient
- A61H2201/1602—Physical interface with patient kind of interface, e.g. head rest, knee support or lumbar support
- A61H2201/165—Wearable interfaces
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/16—Physical interface with patient
- A61H2201/1657—Movement of interface, i.e. force application means
- A61H2201/1659—Free spatial automatic movement of interface within a working area, e.g. Robot
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5007—Control means thereof computer controlled
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/08—Other bio-electrical signals
- A61H2230/085—Other bio-electrical signals used as a control parameter for the apparatus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL 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
- A61H2230/00—Measuring physical parameters of the user
- A61H2230/62—Posture
- A61H2230/625—Posture used as a control parameter for the apparatus
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)
- Manipulator (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Prostheses (AREA)
Abstract
本发明公开了基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法,包括:传感检测模块用于检测人体上肢肱二头肌的肌电信号以及人体手臂在运动过程中的姿态数据;数据采集处理模块,包括实时运动控制系统、模拟信号输出模块,实时运动控制系统通过基于肌电信号的扭矩估计策略来实时获得当前的关节扭矩估计值,并采用基于肌电信号和惯导信号融合的助力控制策略进行PID位置控制;最后基于助力效果评价模块来定量分析和衡量助力效果。本发明使用基于肌电信号和惯导信号融合的助力控制策略,能够输出连续的控制信号,控制过程平稳且人机交互舒适性好,不需要大量的训练时间以及复杂的建模过程,意图识别更加准确。
Description
技术领域
本发明涉及外骨骼机器人助力控制领域,尤其是基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法。
背景技术
随着社会及时代的发展,人口老龄化、中风发病年轻化、交通事故频繁化等问题日益严重,运动功能障碍严重威胁着老年人与肢体残疾病人的生命与健康,给社会带来了沉重的经济和医疗负担。因此,一种能修复人类受损运动功能,并增强其自然作业能力的人机共融系统亟待开发。外骨骼机器人为解决这些难题提供了可行的出路,其通过并联穿戴于人的肢体而形成人机协调的智能混合体,结合穿戴者的运动意图来执行助力或康复训练任务,在助老助残、医疗康复以及国防安全等领域具有广阔的应用前景与重要的研究意义。
在外骨骼机器人的研究中,康复或助力是其主要的应用背景,而要实现康复或助力的功能,人体运动意图的准确识别是至关重要的。人体运动意图识别本质上是对中枢神经系统输出信号的解读,针对运动意图在不同传递阶段的表达形式,现有的识别方式主要包括:基于神经信号(脑电信号)、基于生理信号(肌电信号)、基于生物力信号(足底力信号、人机交互力信号)等形式。
在这其中,表面肌电信号由于其非侵入性以及其能够有效反应出人体肌肉的激活程度的特性,因此其在外骨骼领域的多方面研究中被广泛采用。在专利号CN104107134A 的发明专利中,公开了一种基于肌电反馈的上肢训练方法及系统,通过将肌电信号的平均绝对值、信号持续时间、平均绝对值斜率、波长法以及过零次数法等特征参数送入分类器对上肢的不同运动模式进行识别。在专利号CN104382595A的发明专利中,公开了一种基于肌电信号与虚拟现实交互技术的上肢康复系统及方法,该发明所述的康复方法运用肌电信号来反映患者的主观运动意图,并利用虚拟现实技术提高患者在康复过程中的主动性,提升康复训练的有效性。在专利号CN106109174A的发明专利中,公开了一种基于肌电反馈式阻抗自适应的康复机器人控制方法,该发明所述的控制方法结合肌电信号特征值、足底压力信号以及角速度信号对训练对象的关节伸屈状态进行识别,确定其主观运动意图,并且建立自适应调整阻抗参数和分级调整静态平衡力的方法,使得整个控制过程更加自然、柔顺并且安全可靠。
然而针对外骨骼机器人的控制技术与策略,目前尚存在以下不足:(1)虽然离线分类的准确率已能达到90%以上的较高水准,但是在线的实时率以及算法的简易性并不能保证。而且基于分类器的控制策略还需要耗费大量的训练时间(2)传统的基于分类器的控制策略,由于分类结果的离散性,分类模式的切换,导致其控制器输出并不完全连续,外骨骼机器人控制效果不够平稳,人机交互过程的舒适性差。
因此针对上述技术问题,有必要提供基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法,利用基于肌电信号和惯导信号融合的助力控制策略,对老年人以及运动功能障碍患者进行运动助力辅助,满足日常生活的需求。
技术方案:为实现上述目的,本发明采用的技术方案为:
基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统,包括传感检测模块,数据采集处理模块以及助力效果评价模块;
传感检测模块,包括肌电信号检测模块、人体姿态检测模块。其中,肌电信号检测模块采用肌电信号传感器来检测人体上肢肱二头肌的肌电信号;人体姿态检测模块采用惯性测量单元来检测人体手臂在运动过程中的姿态,使用嵌入式开发板来进行数据处理,通过基于惯导信号的关节角度估计策略来获得运动过程中穿戴者的实时关节角度。
数据采集处理模块,包括高精度数据采集模块、实时运动控制系统、模拟信号输出模块。其中,高精度数据采集模块采用高精度数据采集卡以1000Hz的采样频率来采集肌电信号;实时运动控制系统通过基于肌电信号的扭矩估计策略来实时获得当前的关节扭矩估计值,并采用基于肌电信号和惯导信号融合的助力控制策略进行PID位置控制;模拟信号输出模块采用多通道模拟输出卡,并结合实时运动控制系统所输出的控制信号来驱动外骨骼机器人执行模块。
助力效果评价模块,包括基于肌电信号的扭矩估计模块、基于肌电信号的能量估计模块。其中,基于肌电信号的扭矩估计模块采用基于肌电信号的扭矩估计策略来实时得到当前的肌肉扭矩,并结合无助力下的肌肉扭矩来定量评价助力效果;基于肌电信号的能量估计模块采用基于肌电信号的能量估计策略来得到运动时间段内的肌电信号能量,并结合无助力下的肌电信号能量来定量评价助力效果。
进一步的,所述基于肌电信号的扭矩估计策略,由于肌电信号的频率主要集中在500Hz以内,并且原始的肌电信号含有大量的噪声,因此先通过10-500Hz的二阶巴特沃斯带通滤波器来滤除这一频带的噪声,再通过50Hz的陷波滤波器来滤除工频噪声带来的干扰,然后通过410Hz的一阶巴特沃斯高通滤波器来去除由于肌肉疲劳以及组织过滤特性所带来的99%的肌电信号能量。通过全波整流以及1Hz的一阶巴特沃斯低通滤波器来获取肌电信号的包络。接着通过线性映射以及非线性映射来得到估计的扭矩,非线性映射其公式为:
其中EMGL是EMG信号的归一化值(可由线性映射得到,EMG是实时的肌电信号值,EMGmax是最大的肌电信号值),EMGN是非线性的归一化值,ξ是已经定义好的关于指数曲率的常数,μ,ε为经验系数(由反复实验来确定最佳值,根据助力效果评价模块得出的助力效果定量分析进行用户的调试,以提高助力控制系统对各用户的适用性)。然后通过一阶卡尔曼滤波来平滑所得到的估计扭矩,卡尔曼滤波的状态及观测方程为:
f(t)=f(t-1)+Q
EMGN(t)=f(t)+R (2)
其中f(t)是想要得到的平滑的估计力信号,Q是过程噪声的协方差,R是测量噪声的协方差(Q、R为设定常数)。接着建立卡尔曼滤波的预测更新方程:
F(t|t-1)=F(t-1|t-1)
P(t|t-1)=P(t-1|t-1)+Q
K(t)=P(t|t-1)(P(t|t-1)+R)-1
F(t|t)=F(t|t-1)+K(t)EMGN(t)-K(t)F(t|t-1)
P(t|t)=P(t|t-1)-K(t)P(t|t-1) (3)
其中F(t|t-1)是当前状态预测的估计力值,F(t-1|t-1)是上一状态更新的估计力值,P(t|t-1)是当前状态预测的估计误差的协方差值,P(t-1|t-1)是上一状态的更新的估计误差的协方差值,K(t)是卡尔曼增益,F(t|t)是当前状态更新的估计力值,P(t|t) 是当前状态更新的估计误差的协方差值。与传统的采用神经网络、支持向量机等处理肌电信号的方式相比,该方法没有训练过程,因此可以减少大量的时间,并且由于该方法能够输出连续平稳的控制信号,其交互舒适性相对而言也更好。
进一步的,所述基于惯导信号的关节角度估计策略中,通过九轴数据融合姿态解算算法得出的姿态数据以四元数的形式来表示,其定义为:
其中q是表征姿态的四元数,q0,q1,q2,q3是其中的四个分量,rx,ry,rz是旋转轴r的三个分量,γ是旋转的角度。并且四元数不仅能表示当前的姿态也能表示姿态转换的过程。在所述基于惯导信号的关节角度估计策略中采用一种关节角度解算算法,其将大臂惯性测量单元的姿态视为开始姿态,小臂惯性测量单元的姿态视为结束姿态,肘关节的旋转角度信息则包含在从开始姿态到结束姿态的姿态转换四元数中。公式为:
qt=qts -1qte (5)
其中qt表示当前时刻的旋转四元数,qts -1表示当前时刻初始姿态的转置,qte表示当前时刻的结束姿态。由于大小臂惯性测量单元初始的位置及姿态是任意的,直接使用关节角度解算算法会存在一个由于初始姿态的不一致而导致的角度偏差,通过对这个角度偏差进行补偿以得到正确的关节角度信息,公式为:
q0s=q0eq0e -1q0s (6)
其中q0s表示为开始时刻的初始姿态,q0e表示为开始时刻的结束姿态,得到角度偏差的补偿矩阵λ以及补偿后的qt=qts -1qteλ,且肘关节的旋转角度θ(t)=2arccos(q0t),q0t是qt中的第一项。
进一步的,所述基于肌电信号和惯导信号融合的助力控制策略采用PID(比例-积分 -微分)位置控制,伺服电机以力矩模式运行,PID的参数通过齐格勒参数整定法来调节参数。惯导输出的关节角度信号θ(t)作为PID控制器的参考输入,伺服电机的编码器信号作为反馈信号以此形成位置闭环,达到在无助力的情形下,外骨骼机器人系统能够无阻碍的自由运动。由肌电信号所估计出来的关节扭矩信号M(t)线性映射为关节增量角Δθ(t),即Δθ(t)=δM(t)(其中δ为调试系数,根据助力效果评价模块得出的助力效果定量分析进行调试,由反复实验来确定最佳值,对被试对象1,反复实验确立的最佳经验值为δ=0.4,对每个被试对象而言,δ的值可调),与惯导输出的当前关节角度结合在一起形成期望达到的关节角度,以此作为PID控制器的输入。由编码器得到的数据经过转化后得到的关节角度作为反馈信号,从而实现一个完整的位置闭环。由于编码器得出的数据只能表明当前电机的转角并不能表明肘关节实时的旋转角度,因此需要对其进行处理,该控制策略使用了一个五边形假设的关系模型来通过编码器数据计算关节转角。
其关系模型为:
其中a为小臂支架到肘关节旋转中心长度,b为大臂支架到肘关节旋转中心长度,c为小臂支架高度,d为大臂支架高度,α为肘关节角度,L为两支架间距离,β为电机旋转角度,k为关于外骨骼机器人驱动装置的常数。通过该控制策略即可实现根据人体的运动意图来获得助力效果,并且由于肌电信号中融合了表征当前关节角度信息的惯导信号,该控制策略也能提供更准确的期望关节角度,穿戴者的运动意图也更明确。
基于肌电信号和惯导信号融合的外骨骼机器人助力控制方法,包括以下步骤:
步骤一:通过肌电传感器从穿戴者的肱二头肌上获取表面肌电信号,所采集到的肌电信号经过放大之后输入到数据采集卡。为了获取稳定有效的肌电信号肌电传感器被紧密贴合在肱二头肌的中束,并且与肌纤维平行。
步骤二:高精度数据采集卡与实时运动控制系统进行信号传输,通过10-500Hz滤波以及50Hz的陷波滤波器滤除噪声以及工频干扰。
步骤三:在预处理之后的肌电信号通过410Hz的一阶巴特沃斯高通滤波器来去除由于肌肉疲劳以及组织过滤特性所带来的99%的肌电信号能量。
步骤四:通过全波整流以及1Hz的一阶巴特沃斯低通滤波器来获取肌电信号的包络。接着通过线性映射以及非线性映射来得到估计的扭矩,并通过一阶卡尔曼滤波来平滑所得到的估计扭矩。
步骤五:关节扭矩信号在实时控制系统中处理完后传输到基于肌电信号的扭矩估计模块,以对后续的助力实验进行相关指导。
步骤六:通过惯性测量单元获取人体大小臂的实时姿态,并将表征姿态数据的陀螺仪、加速度计、磁力计数据通过IIC(集成电路总线)的通讯方式传输到用来解算姿态的嵌入式开发板上,在开发板上通过Mahony互补滤波的算法将九轴数据进行融合处理以得到表示人体大小臂实时姿态的四元数数据。
步骤七:随后在开发板上运行关节角度解算算法,融合大小臂上惯性测量单元的实时姿态以得到表征关节实时角度的角度信号。由于四元数既能表示当前的姿态又能表示姿态的转换,因此关节角度解算算法通过将小臂的惯性测量单元姿态视为开始姿态,将大臂的惯性测量单元姿态视为结束姿态,从开始姿态到结束姿态的姿态转换即能够表示肘关节的旋转角度。由于在最初时刻大小臂上惯性测量单元的摆放姿态及位置是任意的,因此最后解算出来的关节旋转角度总有一个附加的角度,而这个角度是可以通过在最初时刻的大小臂的姿态差解算出的附加角补偿掉的。通过前述的算法就能够由惯性测量单元最初的陀螺仪、加速度计、磁力计数据实时解算出人体肘关节的旋转角度。
步骤八:接着由嵌入式开发板将解算出的旋转角度通过RS232串口传输到实时控制系统。
步骤九:在实时运动控制系统中,继续将由肌电信号所估计出来的关节扭矩估计值线性映射为一个表征运动意图的关节增量角,并将其与嵌入式开发板通过RS232传输过来的实时关节角度信号结合在一起作为下一时刻期望达到的角度信号,输入PID位置控制器。
步骤十:PID位置控制器将由编码器数据经过转化后得到的关节角度作为反馈信号,形成一个完整的位置闭环。由于编码器得出的数据只能表明当前电机的转角并不能表明肘关节实时的旋转角度,因此需要对其进行处理,该控制策略使用了一个五边形假设的关系模型来通过编码器数据计算关节转角。
步骤十一:随后PID位置控制器通过多通道模拟输出卡输出控制信号来驱动外骨骼机器人执行模块,从而根据运动意图带动手臂运动,实现助力效果。
步骤十二:最后基于助力效果评价模块来定量分析和衡量助力效果。
有益效果:本发明提供的一种基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法,相对于现有技术,具有以下优点:
1、与传统的使用神经网络、支持向量机以及线性判别分析等机器学习算法相比,使用基于肌电信号和惯导信号融合的助力控制策略不需要大量的训练时间以及复杂的建模过程;
2、使用基于肌电信号和惯导信号融合的助力控制策略,能够输出连续的控制信号,控制过程平稳且人机交互舒适性好;
3、使用基于肌电信号和惯导信号融合的助力控制策略相比于只使用肌电信号的助力控制策略更可靠,意图识别更加准确。
附图说明
图1是本发明外骨骼机器人助力控制系统的系统结构框图;
图2是本发明中基于肌电信号的扭矩估计算法的流程框图;
图3是本发明中基于惯性测量单元的关节角度估计算法的流程框图;
图4是本发明中基于肌电信号和惯导信号融合的助力控制策略的控制框图;
图5是本发明中编码器信号与关节角度信号的五边形假设关系模型图;
图6是本发明实施例中基于肌电信号扭矩估计的定量评价指标图;
图7是本发明实施例中基于肌电信号能量的定量评价指标图;
图8是本发明外骨骼机器人助力控制策略的流程图;
其中包括:101-外骨骼机器人执行模块、102-传感检测模块、103-数据采集处理模块、104-助力效果评价模块、105-肱二头肌、106-外骨骼机器人服、107-套索柔顺传动系统、108-外骨骼机器人驱动器、109-肌电信号检测模块、110-人体姿态检测模块、111- 数据采集模块、112-实时运动控制系统、113-模拟信号输出模块、114-基于肌电信号的扭矩估计模块、115-基于肌电信号的能量估计模块。
具体实施方式
下面结合附图及实施例对本发明作更进一步的说明。
如图1所示为基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统,包括传感检测模块102、数据采集处理模块103以及助力效果评价模块104;
传感检测模块102,包括肌电信号检测模块109、人体姿态检测模块110。其中,肌电信号检测模块109采用肌电信号传感器检测人体上肢肱二头肌的肌电信号;人体姿态检测模块110采用惯性测量单元来检测人体手臂在运动过程中的姿态,使用嵌入式开发板来进行数据处理,通过基于惯导信号的关节角度估计策略来获得运动过程中穿戴者的实时关节角度。
数据采集处理模块103,包括高精度数据采集模块111、实时运动控制系统112、模拟信号输出模块113。其中,高精度数据采集模块113采用16位数据采集卡,并根据香农采样定理以1000Hz的采样频率来采集肌电信号;实时运动控制系统112通过基于肌电信号的扭矩估计策略来获得表征穿戴者运动意图的关节扭矩,并采用基于肌电信号和惯导信号融合的助力控制策略进行PID位置控制;模拟信号输出模块113采用6通道模拟输出卡,并结合实时控制系统所输出的控制信号来驱动外骨骼机器人执行模块。
助力效果评价模块104,包括基于肌电信号的扭矩估计模块114、基于肌电信号的能量估计模块115。其中,基于肌电信号的扭矩估计模块114采用基于肌电信号的扭矩估计策略来实时得到当前的肌肉扭矩,并结合无助力下的肌肉扭矩来定量评价助力效果;基于肌电信号的能量估计模块115采用基于肌电信号的能量估计策略来得到运动时间段内的肌电信号能量,并结合无助力下的肌电信号能量来定量评价助力效果。
外骨骼机器人执行模块101,包括外骨骼机器人驱动器108、套索柔顺传动系统107、外骨骼机器人服106。其中,外骨骼机器人驱动器108通过数据采集处理模块中的实时运动控制系统以及模拟信号输出模块来控制,并根据给出的控制信号通过电机驱动软质外骨骼机器人服106。套索柔顺传动系统107包括两组套索系统,一组绑在前臂,用于在肘关节收缩过程中提供助力,另一组绑在后臂,用于在肘关节伸展过程中提供助力。外骨骼机器人服106包括弹性绑带、套索支撑块以及钢丝绳导向块等,套索支撑块和钢丝绳导向块缝在弹性绑带上,套索支撑块用来固定套索鞘,形成套索传动机构,绑在肘关节背部的钢丝绳导向块用来避免在手肘弯曲过程中钢丝绳直接接触皮肤所带来的不舒适感,弹性绑带用来将套索支撑块以及钢丝绳导向块固定在人体手臂上的合适位置。
如图2所示,基于肌电信号的扭矩估计算法的流程框图。肌电传感器的电极片紧密的贴在使用70%的酒精清洗过的肱二头肌上,电极片贴在肱二头肌的中束,并且与肌纤维的方向平行。其参考电极贴在无肌肉处,以获得正确的参考电位。由于肌电信号的频率主要集中在500Hz以内,根据香农采样定理,数据采集装置需要用至少1000Hz的采样频率来采集信号才不会出现混叠现象。而采集得到的原始肌电信号由于电磁干扰、人体的汗渍油渍等因素的干扰,通常包含有大量的噪声,因此需要先通过10-500Hz的二阶巴特沃斯带通滤波器来滤除这一频带的噪声,再通过50Hz的陷波滤波器来滤除50Hz 工频噪声所带来的干扰。然后通过410Hz的一阶巴特沃斯高通滤波器来去除由于肌肉疲劳以及组织过滤特性所带来的99%的多余肌电信号能量。通过全波整流以及1Hz的一阶巴特沃斯低通滤波器来获取肌电信号的包络。接着通过线性映射以及非线性映射来得到估计的关节扭矩,其非线性映射公式为:
其中EMGL是EMG信号的归一化值(可由线性映射得到,EMG是实时的肌电信号值,EMGmax是最大的肌电信号值),EMGN是非线性的归一化值,ξ是已经定义好的关于指数曲率的常数,μ,ε为经验系数,μ取值范围在0.85~0.97之间,ε取值范围在0.77~0.86之间。随后通过一阶卡尔曼滤波来滤除高斯白噪声,平滑所得到的估计扭矩,从而得到有效可靠的关节扭矩估计值。卡尔曼滤波的状态方程及观测方程为:
f(t)=f(t-1)+Q
EMGN(t)=f(t)+R (2)
其中f(t)是想要得到的平滑的估计扭矩信号,Q是过程噪声的协方差,R是测量噪声的协方差。接着建立卡尔曼滤波的预测更新方程:
F(t|t-1)=F(t-1|t-1)
P(t|t-1)=P(t-1|t-1)+Q
K(t)=P(t|t-1)(P(t|t-1)+R)-1
F(t|t)=F(t|t-1)+K(t)EMGN(t)-K(t)F(t|t-1)
P(t|t)=P(t|t-1)-K(t)P(t|t-1) (3)
其中F(t|t-1)是当前状态预测的估计力值,F(t-1|t-1)是上一状态更新的估计力值,P(t|t-1)是当前状态预测的估计误差的协方差值,P(t-1|t-1)是上一状态的更新的估计误差的协方差值,K(t)是卡尔曼增益,F(t|t)是当前状态更新的估计力值,P(t|t) 是当前状态更新的估计误差的协方差值。与传统的采用神经网络、支持向量机等处理肌电信号的方式相比,该方法没有训练过程,因此可以减少大量的时间,并且由于该方法能够输出连续平稳的控制信号,其交互舒适性相对而言也更好。
如图3所示,基于惯性测量单元的关节角度估计算法的流程框图。在基于惯导信号的关节角度估计策略中,采用两个惯性测量单元来分别获取大臂和小臂运动过程中的姿态数据。并通过IIC(集成电路总线)的通讯方式将惯性测量单元中陀螺仪、加速度计、磁力计的九轴数据传输给用于解算姿态的嵌入式开发板。嵌入式开发板通过Mahony的互补滤波算法融合九轴数据解算出的以四元数形式表征的姿态数据,其定义为:
其中q是表征姿态的四元数,q0,q1,q2,q3是其中的四个分量,rx,ry,rz是旋转轴r的三个分量,γ是旋转的角度。由于四元数不仅能表示当前的姿态也能表示姿态转换的过程,因此基于惯导信号的关节角度估计策略所发明的关节角度解算算法中,将大臂惯性测量单元的姿态视为开始姿态,小臂惯性测量单元的姿态视为结束姿态,相反的配置即,将大臂惯性测量单元的姿态视为结束姿态,小臂惯性测量单元的姿态视为开始姿态也具有一样的效果。肘关节的旋转角度信息则包含在从开始姿态到结束姿态的姿态转换四元数中,公式为:
qt=qts -1qte (5)
其中qt表示当前时刻的旋转四元数,qts -1表示当前时刻初始姿态的转置,qte表示当前时刻的结束姿态,而肘关节的旋转角度θ(t)=2arccos(q0t),q0t是qt中的第一项。由于大小臂惯性测量单元初始的位置及姿态是任意的,直接使用关节角度解算算法会存在一个由于初始姿态的不一致而导致的角度偏差,通过对这个角度偏差进行补偿以得到正确的关节角度信息。公式为:
q0s=q0eq0e -1q0s (6)
其中q0s表示为开始时刻的初始姿态,q0e表示为开始时刻的结束姿态,得到角度偏差的补偿矩阵λ以及补偿后的qt=qts -1qteλ,且肘关节的旋转角度θ(t)=2arccos(q0t),q0t是qt中的第一项。并且由于该算法利用大小臂的四元数进行姿态转换,因此相比于其他利用惯性测量单元测量角度的算法,该算法对惯性测量单元绑缚的初始位置和初始姿态不敏感,即惯性测量单元可以以任意的姿态绑缚在任意的位置。最后开发板通过RS232 串口通讯的方式,将解算得到的关节角度数据传输给实时控制系统。
如图4所示,基于肌电信号和惯导信号融合的助力控制策略的控制框图。所述基于肌电信号和惯导信号融合的助力控制策略采用PID(比例-积分-微分)位置控制,伺服电机以力矩模式运行,PID参数通过齐格勒参数整定法来调节。惯导(IMU)输出的关节角度信号作为PID控制器的参考输入θ(t),伺服电机的编码器信号作为反馈信号以此形成位置闭环,达到在无助力的情形下,外骨骼机器人系统能够无阻碍的自由运动。在助力的情况下,当肱二头肌发力时,原始肌电信号的幅值增大,对应的肌电信号的估计扭矩M(t)(即f(t))也增大,因此其线性映射成的关节增量角Δθ(t)也变大 (Δθ(t)=δM(t),δ为调试系数,取值范围在0.3~0.5之间,根据助力效果评价模块得出的助力效果定量分析进行调试,由反复实验来确定最佳值)。该值与惯性测量单元输出的当前关节角度结合在一起,形成期望达到的关节角度,并将该期望关节角度送入 PID位置控制器以输出助力控制信号u(t)。由编码器得到的数据经过转化后得到的关节角度作为反馈信号,从而实现一个完整的位置闭环。
由于编码器得出的数据只能表明当前电机的转角并不能表明肘关节实时的旋转角度,因此需要对其进行处理,如图5所示,该控制策略使用了一个五边形假设的关系模型来通过编码器数据计算关节转角。其关系模型为:
其中a为外骨骼机器人服的小臂支架到肘关节旋转中心长度,b为大臂支架到肘关节旋转中心长度,c为小臂支架高度,d为大臂支架高度,α为肘关节角度,L为两支架间距离,β为电机旋转角度,k为关于外骨骼机器人驱动装置的常数。随后由PID位置控制器输出控制信号来驱动外骨骼机器人执行模块,从而根据运动意图带动手臂运动,实现助力效果,并且由于肌电信号中融合了表征当前关节角度信息的惯导信号,该控制策略也能提供更准确的期望关节角度,穿戴者的运动意图也更明确。
如图6、7所示,基于肌电信号扭矩估计和能量的定量评价指标图。所述基于肌电信号的扭矩估计模块采用基于肌电信号的关节扭矩估计值作为衡量助力效果的指标,通过与无助力情况下的肌电信号关节扭矩估计值对比,定量分析助力控制策略的助力效果。该方法不仅直观可靠,而且能够观察到肌肉发力过程中的一些细节变化。
由于基于肌电信号的扭矩估计来定量评价能够看出每一时刻的助力效果,但是并不能看出一段时间或者说做完一个完整的一个动作,到底在这个期间有多少的助力效果。因此又提出了基于肌电信号的能量来估计是定量评价。
所述基于肌电信号的能量估计模块采用基于肌电信号的肌电能量估计值作为衡量助力效果的指标。肌电信号的能量估计策略是对原始肌电信号进行全波整流并求其积分值所得到。通过与无助力情况下的肌电信号能量估计值对比,定量分析助力控制策略的助力效果。该方法能够求出在一段时间内的总运动量,通过对比无助力条件下的总运动量,能够更为精确的评价助力控制策略的助力效果,并剔除一些由于抖动或者噪声而引起的对助力效果的干扰。
图中可以看出,实施例在有助力情况下的估计扭矩和肌电信号能量幅值明显是小于无助力情况下的,从而表明该控制策略具有一定的助力效果。
如图8所示,一种基于肌电信号和惯导信号融合的外骨骼机器人助力控制方法,其特征在于,包括以下步骤:
步骤一:通过肌电传感器从穿戴者的肱二头肌上获取表面肌电信号,所采集到的肌电信号经过放大之后输入到数据采集卡。在运动过程中,为了获取稳定有效的肌电信号,肌电传感器被紧密贴合在肱二头肌的中束,并且与肌纤维平行。其参考电极贴在无肌肉处,以获得正确的参考电位。
步骤二:数据采集卡通过ISA拓展板卡的方式与实时运动控制系统相连,原始肌电信号由于电磁干扰、人体的汗渍油渍等因素的干扰,通常包含有大量的噪声,因此在实时运动控制系统中通过10-500Hz二阶巴特沃斯带通滤波以及50Hz的陷波滤波器滤除噪声以及工频干扰。
步骤三:在预处理之后的肌电信号通过410Hz的一阶巴特沃斯高通滤波器来去除由于肌肉疲劳以及组织过滤特性所带来的99%的肌电信号能量。
步骤四:通过全波整流以及1Hz的一阶巴特沃斯低通滤波器来获取肌电信号的包络。接着通过线性映射以及非线性映射来得到估计的关节扭矩,并通过一阶卡尔曼滤波来平滑所得到的估计扭矩,该估计扭矩值能在一定程度上表征穿戴者的运动意图。
步骤五:关节扭矩信号在实时控制系统中处理完后传输到基于肌电信号的扭矩估计模块,以对后续的助力实验进行相关指导。
步骤六:通过绑缚在手臂上的惯性测量单元获取人体大小臂的实时姿态,并将表征姿态数据的陀螺仪、加速度计、磁力计数据通过IIC的通讯方式传输到用来解算姿态的嵌入式开发板上,在开发板上通过Mahony互补滤波的算法将九轴数据进行融合处理以得到表示人体大小臂实时姿态的四元数数据。
步骤七:随后在开发板上运行关节角度解算算法,融合大小臂上惯性测量单元的实时姿态以得到表征关节实时角度的角度信号。由于四元数既能表示当前的姿态又能表示姿态的转换,因此关节角度解算算法通过将大臂的惯性测量单元姿态视为开始姿态,将小臂的惯性测量单元姿态视为结束姿态,从开始姿态到结束姿态的姿态转换即能够表示肘关节的旋转角度。
步骤八:由于在最初时刻大小臂上惯性测量单元的摆放姿态及位置是任意的,因此最后解算出来的关节旋转角度总有一个附加的角度,而这个角度是可以通过在最初时刻的大小臂的姿态差解算出的附加角补偿掉的。通过这一系列的算法就能够由惯性测量单元最初的陀螺仪、加速度计、磁力计数据实时解算出人体肘关节的旋转角度。
步骤九:接着由嵌入式开发板将解算出的旋转角度通过RS232串口传输到实时控制系统。
步骤十:在实时运动控制系统中,继续将由肌电信号所估计出来的关节扭矩估计值线性映射为一个表征运动意图的关节增量角,并将其与嵌入式开发板通过RS232传输过来的实时关节角度信号结合在一起作为下一时刻期望达到的角度信号,输入PID位置控制器。
步骤十一:PID位置控制器将由编码器数据经过转化后得到的关节角度作为反馈信号,形成一个完整的位置闭环。由于编码器得出的数据只能表明当前电机的转角并不能表明肘关节实时的旋转角度,因此需要对其进行处理,该控制策略使用了一个五边形假设的关系模型来通过编码器数据计算关节转角。
步骤十二:随后PID位置控制器通过多通道模拟输出卡输出控制信号来驱动外骨骼机器人执行模块,从而根据穿戴者的运动意图带动手臂运动,实现助力效果。
步骤十三:最后基于助力效果评价模块来定量分析和衡量助力效果。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.基于肌电和惯导信号融合的外骨骼机器人助力控制系统,其特征在于,包括以下模块组成:
传感检测模块(102),包括肌电信号检测模块(109)、人体姿态检测模块(110),其中,肌电信号检测模块(109)采用肌电信号传感器来检测人体上肢肱二头肌(105)的肌电信号;人体姿态检测模块(110)采用惯性测量单元来检测人体手臂在运动过程中的姿态,并使用嵌入式开发板来进行数据处理,通过基于惯导信号的关节角度估计策略来实时获得当前的关节角度估计;
数据采集处理模块(103),包括高精度数据采集模块(111)、实时运动控制系统(112)、模拟信号输出模块(113),其中,高精度数据采集模块(111)采用高精度数据采集卡以1000Hz的采样频率来采集放大后的肌电信号;实时运动控制系统(112)通过基于肌电信号的扭矩估计策略来实时获得当前的关节扭矩估计,并采用基于肌电信号和惯导信号融合的助力控制策略进行PID位置控制;模拟信号输出模块(113)采用多通道模拟输出卡,并结合实时运动控制系统(112)所输出的控制信号来驱动外骨骼机器人执行模块(101);
助力效果评价模块(104),包括基于肌电信号的扭矩估计模块(114)、基于肌电信号的能量估计模块(115),其中,基于肌电信号的扭矩估计模块(114)根据实时运动控制系统(112)所实时获得的关节扭矩估计,结合无助力下的关节扭矩估计来定量评价助力效果;基于肌电信号的能量估计模块(115)采用基于肌电信号的能量估计策略来得到运动时间段内的肌电信号能量估计,并结合无助力下的肌电信号能量估计来定量评价助力效果。
2.根据权利要求1所述的基于肌电和惯导信号融合的外骨骼机器人助力控制系统,其特征在于,所述基于肌电信号和惯导信号融合的助力控制策略包括:
由肌电信号所估计出来的关节扭矩估计值M(t)线性映射为关节增量角Δθ(t),与惯导输出的当前关节角度θ(t)结合在一起形成下一时刻期望达到的关节角度信号,以此作为PID位置控制器的参考输入;由外骨骼机器人执行模块(101)上电机编码器得到的数据经过转化后得到的关节角度作为反馈信号,从而实现一个完整的位置闭环。
3.根据权利要求2所述的基于肌电和惯导信号融合的外骨骼机器人助力控制系统,其特征在于,所述基于肌电信号的扭矩估计策略包括:
A1:首先对高精度数据采集卡采集的肌电信号进行10-500Hz带通滤波以及50Hz陷波滤波的预处理,然后通过410Hz高通滤波去除由于肌肉疲劳以及组织过滤特性所带来的99%的肌电信号能量;
A2:通过全波整流以及1Hz低通滤波来获取肌电信号的包络,接着通过线性映射以及非线性映射来得到估计的扭矩,非线性映射的公式为:
其中EMGL是EMG信号的归一化值,EMGN是非线性的归一化值,ξ是关于指数曲率的设定常数,μ,ε为经验系数;
A3:通过一阶卡尔曼滤波来平滑所得到的估计扭矩,卡尔曼滤波的状态及观测方程为:
f(t)=f(t-1)+Q
EMGN(t)=f(t)+R (2)
其中f(t)是想要得到的平滑的估计扭矩信号M(t),Q是过程噪声的协方差,R是测量噪声的协方差,接着建立卡尔曼滤波的预测更新方程:
F(t|t-1)=F(t-1|t-1)
P(t|t-1)=P(t-1|t-1)+Q
K(t)=P(t|t-1)(P(t|t-1)+R)-1
F(t|t)=F(t|t-1)+K(t)EMGN(t)-K(t)F(t|t-1)
P(t|t)=P(t|t-1)-K(t)P(t|t-1) (3)
其中F(t|t-1)是当前状态预测的估计力值,F(t-1|t-1)是上一状态更新的估计力值,P(t|t-1)是当前状态预测的估计误差的协方差值,P(t-1|t-1)是上一状态的更新的估计误差的协方差值,K(t)是卡尔曼增益,F(t|t)是当前状态更新的估计力值,P(t|t)是当前状态更新的估计误差的协方差值。
4.根据权利要求2所述的基于肌电和惯导信号融合的外骨骼机器人助力控制系统,其特征在于,所述基于惯导信号的关节角度估计策略包括:
B1:采用惯性测量单元来获取大臂和小臂运动过程中的九轴姿态数据,并传输给用于解算姿态的嵌入式开发板;
B2:嵌入式开发板通过Mahony互补滤波算法融合九轴数据解算出以四元数形式表征的姿态数据,其定义为:
其中q是表征姿态的四元数,q0,q1,q2,q3是其中的四个分量,rx,ry,rz是旋转轴r的三个分量,γ是旋转的角度;
B3:将大臂惯性测量单元的姿态视为开始姿态、小臂惯性测量单元的姿态视为结束姿态,或者采用相反的配置即,将大臂惯性测量单元的姿态视为结束姿态、小臂惯性测量单元的姿态视为开始姿态,那么肘关节的旋转角度信息则包含在从开始姿态到结束姿态的姿态转换四元数中,公式为:
qt=qts -1qte (5)
其中qt表示当前时刻的旋转四元数,qts -1表示当前时刻初始姿态的转置,qte表示当前时刻的结束姿态;
B4:通过对由于初始姿态不一致而导致的角度偏差进行补偿以得到正确的关节角度信息,公式为:
q0s=q0eq0e -1q0s=q0eλ (6)
其中q0s表示为开始时刻的初始姿态,q0e表示为开始时刻的结束姿态,得到角度偏差的补偿矩阵λ以及补偿后的qt=qts -1qteλ,且肘关节的旋转角度θ(t)=2arccos(q0t),q0t是qt中的第一项。
5.根据权利要求2所述的基于肌电和惯导信号融合的外骨骼机器人助力控制系统,其特征在于,所述基于肌电信号和惯导信号融合的助力控制策略采用五边形假设的关系模型来通过电机编码器数据计算关节转角,其关系模型为:
其中a为外骨骼机器人服的小臂支架到肘关节旋转中心的长度,b为大臂支架到肘关节旋转中心的长度,c为小臂支架高度,d为大臂支架高度,α为转化得到的肘关节角度,L为两支架间距离,β为电机旋转角度,k为关于外骨骼机器人驱动装置的常数。
6.基于肌电和惯导信号融合的外骨骼机器人助力控制方法,其特征在于,包括以下步骤:
步骤一:采用肌电传感器从穿戴者的肱二头肌(105)上获取表面肌电信号,所采集到的肌电信号经过放大之后输入到高精度数据采集卡;
步骤二:高精度数据采集卡与实时运动控制系统(112)进行信号传输,原始肌电信号在实时运动控制系统(112)中进行10-500Hz带通滤波以及50Hz陷波滤波的预处理;
步骤三:在预处理之后的肌电信号通过410Hz高通滤波来去除由于肌肉疲劳以及组织过滤特性所带来的99%的肌电信号能量;
步骤四:通过全波整流以及1Hz低通滤波来获取肌电信号的包络,接着通过线性映射以及非线性映射来得到当前的关节扭矩估计值,并通过一阶卡尔曼滤波来平滑所得到的估计扭矩;
步骤五:关节扭矩信号在实时运动控制系统(112)中处理完后传输到基于肌电信号的扭矩估计模块(114);
步骤六:通过绑缚在手臂上的惯性测量单元获取人体大小臂的实时姿态,并在嵌入式开发板上通过Mahony互补滤波的算法将九轴数据进行融合处理以得到表示人体大小臂实时姿态的四元数数据;
步骤七:随后在开发板上运行关节角度解算算法,融合大小臂上惯性测量单元的实时姿态以得到表征关节实时角度的角度信号,并通过对由于初始姿态不一致而导致的角度偏差进行补偿以得到正确的关节角度信息;
步骤八:嵌入式开发板将解算出的关节角度信息传输到实时运动控制系统(112);
步骤九:在实时运动控制系统(112)中,继续将由肌电信号所估计出来的关节扭矩估计值线性映射为一个表征运动意图的关节增量角,并将其与嵌入式开发板传输过来的实时关节角度信号结合在一起作为下一时刻期望达到的角度信号,输入PID位置控制器;
步骤十:PID位置控制器将由编码器数据经过转化后得到的关节角度作为反馈信号,形成一个完整的位置闭环;
步骤十一:随后PID位置控制器通过多通道模拟输出卡输出控制信号来驱动外骨骼机器人执行模块(101),从而根据穿戴者的运动意图带动手臂运动,实现助力效果;
步骤十二:最后基于助力效果评价模块(104)来定量分析和衡量助力效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811644691.3A CN109549821B (zh) | 2018-12-30 | 2018-12-30 | 基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811644691.3A CN109549821B (zh) | 2018-12-30 | 2018-12-30 | 基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109549821A true CN109549821A (zh) | 2019-04-02 |
CN109549821B CN109549821B (zh) | 2021-07-09 |
Family
ID=65872155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811644691.3A Active CN109549821B (zh) | 2018-12-30 | 2018-12-30 | 基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109549821B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135565A (zh) * | 2019-05-20 | 2019-08-16 | 上海大学 | 针对神经网络算法在集成电路上实现性能的评估系统 |
CN110125909A (zh) * | 2019-05-22 | 2019-08-16 | 南京师范大学镇江创新发展研究院 | 一种多信息融合人体外骨骼机器人控制保护系统 |
CN110210366A (zh) * | 2019-07-05 | 2019-09-06 | 青岛理工大学 | 装配拧紧过程样本采集系统、深度学习网络及监测系统 |
CN110279557A (zh) * | 2019-07-02 | 2019-09-27 | 安徽工业大学 | 一种下肢康复机器人控制系统及控制方法 |
CN110539315A (zh) * | 2019-08-06 | 2019-12-06 | 同济大学 | 基于虚拟现实控制的建筑机器人 |
CN110559080A (zh) * | 2019-08-05 | 2019-12-13 | 北京航空航天大学 | 腹腔镜机器人及具有其的系统 |
CN110653817A (zh) * | 2019-08-20 | 2020-01-07 | 南京航空航天大学 | 一种基于神经网络的外骨骼机器人助力控制系统与方法 |
CN110812127A (zh) * | 2019-10-16 | 2020-02-21 | 深圳市迈步机器人科技有限公司 | 下肢外骨骼控制方法及装置 |
CN110834329A (zh) * | 2019-10-16 | 2020-02-25 | 深圳市迈步机器人科技有限公司 | 外骨骼控制方法及装置 |
CN110974497A (zh) * | 2019-12-30 | 2020-04-10 | 南方科技大学 | 电动假肢控制系统及控制方法 |
CN111557828A (zh) * | 2020-04-29 | 2020-08-21 | 天津科技大学 | 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法 |
CN112494282A (zh) * | 2020-12-01 | 2021-03-16 | 天津理工大学 | 一种基于深度强化学习的外骨骼主助力参数的优化方法 |
CN112536821A (zh) * | 2020-12-02 | 2021-03-23 | 北方工业大学 | 一种原地搬举负载的外骨骼设计方法 |
CN112698567A (zh) * | 2020-12-29 | 2021-04-23 | 上海电气集团股份有限公司 | 一种康复设备控制方法、装置、设备及介质 |
CN113534960A (zh) * | 2021-07-29 | 2021-10-22 | 中国科学技术大学 | 基于imu和表面肌电信号的上臂假肢控制方法及系统 |
CN113633521A (zh) * | 2021-09-15 | 2021-11-12 | 山东建筑大学 | 一种上肢外骨骼康复机器人控制系统及控制方法 |
CN116019681A (zh) * | 2022-12-21 | 2023-04-28 | 力之医疗科技(广州)有限公司 | 一种基于多模态行为理解的三方共享控制康复训练系统 |
CN113534960B (zh) * | 2021-07-29 | 2024-05-28 | 中国科学技术大学 | 基于imu和表面肌电信号的上臂假肢控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103431976A (zh) * | 2013-07-19 | 2013-12-11 | 燕山大学 | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 |
-
2018
- 2018-12-30 CN CN201811644691.3A patent/CN109549821B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103431976A (zh) * | 2013-07-19 | 2013-12-11 | 燕山大学 | 基于肌电信号反馈的下肢康复机器人系统及其控制方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135565A (zh) * | 2019-05-20 | 2019-08-16 | 上海大学 | 针对神经网络算法在集成电路上实现性能的评估系统 |
CN110135565B (zh) * | 2019-05-20 | 2023-03-24 | 上海大学 | 针对神经网络算法在集成电路上实现性能的评估系统 |
CN110125909A (zh) * | 2019-05-22 | 2019-08-16 | 南京师范大学镇江创新发展研究院 | 一种多信息融合人体外骨骼机器人控制保护系统 |
CN110125909B (zh) * | 2019-05-22 | 2022-04-22 | 南京师范大学镇江创新发展研究院 | 一种多信息融合人体外骨骼机器人控制保护系统 |
CN110279557A (zh) * | 2019-07-02 | 2019-09-27 | 安徽工业大学 | 一种下肢康复机器人控制系统及控制方法 |
CN110279557B (zh) * | 2019-07-02 | 2021-08-27 | 安徽工业大学 | 一种下肢康复机器人控制系统及控制方法 |
CN110210366B (zh) * | 2019-07-05 | 2021-04-27 | 青岛理工大学 | 装配拧紧过程样本采集系统、深度学习网络及监测系统 |
CN110210366A (zh) * | 2019-07-05 | 2019-09-06 | 青岛理工大学 | 装配拧紧过程样本采集系统、深度学习网络及监测系统 |
CN110559080A (zh) * | 2019-08-05 | 2019-12-13 | 北京航空航天大学 | 腹腔镜机器人及具有其的系统 |
CN110539315A (zh) * | 2019-08-06 | 2019-12-06 | 同济大学 | 基于虚拟现实控制的建筑机器人 |
CN110653817A (zh) * | 2019-08-20 | 2020-01-07 | 南京航空航天大学 | 一种基于神经网络的外骨骼机器人助力控制系统与方法 |
CN110653817B (zh) * | 2019-08-20 | 2022-04-15 | 南京航空航天大学 | 一种基于神经网络的外骨骼机器人助力控制系统与方法 |
CN110812127A (zh) * | 2019-10-16 | 2020-02-21 | 深圳市迈步机器人科技有限公司 | 下肢外骨骼控制方法及装置 |
CN110834329B (zh) * | 2019-10-16 | 2021-02-09 | 深圳市迈步机器人科技有限公司 | 外骨骼控制方法及装置 |
CN110834329A (zh) * | 2019-10-16 | 2020-02-25 | 深圳市迈步机器人科技有限公司 | 外骨骼控制方法及装置 |
CN110812127B (zh) * | 2019-10-16 | 2022-01-04 | 深圳市迈步机器人科技有限公司 | 下肢外骨骼控制方法及装置 |
CN110974497A (zh) * | 2019-12-30 | 2020-04-10 | 南方科技大学 | 电动假肢控制系统及控制方法 |
CN111557828A (zh) * | 2020-04-29 | 2020-08-21 | 天津科技大学 | 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法 |
CN112494282A (zh) * | 2020-12-01 | 2021-03-16 | 天津理工大学 | 一种基于深度强化学习的外骨骼主助力参数的优化方法 |
CN112536821B (zh) * | 2020-12-02 | 2021-12-07 | 北方工业大学 | 一种原地搬举负载的外骨骼设计方法 |
CN112536821A (zh) * | 2020-12-02 | 2021-03-23 | 北方工业大学 | 一种原地搬举负载的外骨骼设计方法 |
CN112698567A (zh) * | 2020-12-29 | 2021-04-23 | 上海电气集团股份有限公司 | 一种康复设备控制方法、装置、设备及介质 |
CN112698567B (zh) * | 2020-12-29 | 2024-05-31 | 上海电气集团股份有限公司 | 一种康复设备控制方法、装置、设备及介质 |
CN113534960A (zh) * | 2021-07-29 | 2021-10-22 | 中国科学技术大学 | 基于imu和表面肌电信号的上臂假肢控制方法及系统 |
CN113534960B (zh) * | 2021-07-29 | 2024-05-28 | 中国科学技术大学 | 基于imu和表面肌电信号的上臂假肢控制方法及系统 |
CN113633521A (zh) * | 2021-09-15 | 2021-11-12 | 山东建筑大学 | 一种上肢外骨骼康复机器人控制系统及控制方法 |
CN113633521B (zh) * | 2021-09-15 | 2024-05-03 | 山东建筑大学 | 一种上肢外骨骼康复机器人控制系统及控制方法 |
CN116019681A (zh) * | 2022-12-21 | 2023-04-28 | 力之医疗科技(广州)有限公司 | 一种基于多模态行为理解的三方共享控制康复训练系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109549821B (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109549821A (zh) | 基于肌电信号和惯导信号融合的外骨骼机器人助力控制系统及方法 | |
CN110653817B (zh) | 一种基于神经网络的外骨骼机器人助力控制系统与方法 | |
US10959863B2 (en) | Multi-dimensional surface electromyogram signal prosthetic hand control method based on principal component analysis | |
CN107397649B (zh) | 一种基于径向基神经网络上肢外骨骼运动意图识别方法 | |
CN109480858B (zh) | 一种用于量化检测帕金森患者运动迟缓症状的可穿戴智能系统及方法 | |
Yoon et al. | Improvement of dynamic respiration monitoring through sensor fusion of accelerometer and gyro-sensor | |
Lei | An upper limb movement estimation from electromyography by using BP neural network | |
CN104107134B (zh) | 基于肌电反馈的上肢训练方法及系统 | |
CN105288933B (zh) | 并联下肢康复机器人自适应训练控制方法及康复机器人 | |
CN109222969A (zh) | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 | |
Arslan et al. | Prediction of externally applied forces to human hands using frequency content of surface EMG signals | |
CN110900638B (zh) | 基于多信号融合的上肢可穿戴式搬运机器人运动识别系统 | |
Lu et al. | Continuous and simultaneous estimation of lower limb multi-joint angles from sEMG signals based on stacked convolutional and LSTM models | |
CN108261197A (zh) | 基于表面肌电与运动模块的上肢康复评价系统及方法 | |
CN111803099A (zh) | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 | |
CN114897012A (zh) | 一种基于生机接口的智能假肢手臂控制方法 | |
WO2022193850A1 (zh) | 运动数据处理方法和运动监控系统 | |
CN111685769A (zh) | 外骨骼功能检测系统 | |
Zou et al. | A multimodal fusion model for estimating human hand force: Comparing surface electromyography and ultrasound signals | |
Su et al. | Estimation of walking energy expenditure by using support vector regression | |
Zhang et al. | The design of a hemiplegic upper limb rehabilitation training system based on surface EMG signals | |
Wahyunggoro et al. | Adaptive threshold to compensate the effect of muscle fatigue on elbow-joint angle estimation based on electromyography | |
Ubeda et al. | Single joint movement decoding from EEG in healthy and incomplete spinal cord injured subjects | |
Wang et al. | Interval estimation of motion intensity variation using the improved inception-V3 model | |
Lueken et al. | Using synthesized imu data to train a long-short term memory-based neural network for unobtrusive gait analysis with a sparse sensor setup |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |