CN109718059B - 手部康复机器人自适应控制方法及装置 - Google Patents
手部康复机器人自适应控制方法及装置 Download PDFInfo
- Publication number
- CN109718059B CN109718059B CN201910181457.XA CN201910181457A CN109718059B CN 109718059 B CN109718059 B CN 109718059B CN 201910181457 A CN201910181457 A CN 201910181457A CN 109718059 B CN109718059 B CN 109718059B
- Authority
- CN
- China
- Prior art keywords
- hand
- upper limb
- muscle
- signal
- signals
- 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.)
- Active
Links
Images
Landscapes
- Rehabilitation Tools (AREA)
- Manipulator (AREA)
Abstract
本申请提供一种手部康复机器人自适应控制方法及装置。方法包括:获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号;对脑电信号进行特征提取和分类识别,获取手部的期望轨迹;将期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;其中,变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整。本发明提供的手部康复机器人自适应控制方法及装置,适用于无法进行上肢运动或者上肢动幅较小重症患者;同时本方案实时依据上肢表面肌电信号对变阻抗方程模型的阻抗参数进行自适应调整,实现了康复机器人的自适应控制,大大提高了患者康复训练过程中的人机交互水平。
Description
技术领域
本申请涉及康复机器人控制领域,尤其涉及手部康复机器人自适应控制方法及装置。
背景技术
目前,手部机器人康复训练方法主要分为连续被动运动疗法和机器人辅助康复疗法两种。连续被动运动疗法(CPM)采用被动控制的方法,主要思想是是通过设备辅助患者肢体进行长时间的被动运动以实现康复目标,这种方法往往会因为忽略患者运动极限,造成二次损伤,而且由于患者并不具备自主性,无法进行大脑的可塑性训练,大大降低了康复治疗效果。机器人辅助康复疗法采用主动控制方法,主要思想是通过控制算法和人机交互让患者主动参与到康复训练中。
现有技术中,康复机器人主动控制方法主要分为两种:(1)基于力信号的控制方法:通过力传感器感知患者的运动意图和能力,并将力信号反馈到控制系统中,实现对康复机器人的柔性控制,目前最常用的是阻抗控制方法,基本思想是允许患者偏离预定的参考轨迹而不是强制患者在固定轨迹上运动,偏离的程度取决于患者施加的力矩大小以及患者的行为模式,从而能够为患者创造一个舒适自然的触觉接口,但是运动传感器存在自然延迟问题,使得系统实时性差,降低了患者的参与积极性,且康复机器人控制不够柔顺,牵引效果较差;(2)基于表面肌电信号的方法:通过解码患者的表面肌电信号以识别患者的行为意图,进而反馈到康复机器人控制中并根据人的意图进行相应的控制,控制柔顺性高;但肌电信号的识别率不高,尤其是精细的小关节动作,不适用于无法进行上肢运动的重症患者,故由于手部灵巧性以及关节复杂性,康复机器人的控制自适应性差,人机交互水平低,患者体验较差。
综上,现有技术中的康复机器人控制自适应性差,且不适用于无法进行上肢运动的重症患者。
发明内容
本申请提供一种手部康复机器人自适应控制方法及装置,旨在解决现有技术中手部康复机器人不适用于无法进行上肢运动的重症患者、自适应性差技术问题。
本申请的第一个方面是提供一种手部康复机器人自适应控制方法,包括:
获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号;
对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹;
将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;
其中,所述变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整。
在一种可能的设计中,所述对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹,包括:
对所述脑电信号进行特征提取,获取脑电信号特征;
将所述脑电信号特征作为权重模型的输入,获取对应所述脑电信号特征的权重;其中权重模型是以训练脑电信号及其对应的权重为样本预先训练获得的;
对所述权重进行分类识别,确定期望运动的手臂;
选择所述期望运动的手臂对应的预设运动轨迹,确定手部的期望轨迹。
在一种可能的设计中,所述方法还包括:
对所述上肢表面肌电信号进行特征提取和分类识别,获取对应手指的期望轨迹;其中,所述对应手指的期望轨迹包括对应手指的弯曲轨迹和伸展轨迹。
在一种可能的设计中,所述上肢表面肌电信号的包括下述中至少一项:
肱二头肌信号、肱桡肌信号、尺侧腕屈肌信号、挠侧腕屈肌信号、指浅屈肌信号、挠侧腕短伸肌信号、尺侧腕伸肌信号和指伸肌信号。
在一种可能的设计中,所述脑电信号为左中央大脑皮层信号和右中央大脑皮层信号。
在一种可能的设计中,所述将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹之前,所述方法还包括:
根据由所述上肢肌电信号获取的肌肉贡献率和肌肉活动度,计算获得上肢活动度;
将所述上肢活动度作为第一阻抗参数的修正系数,获取第二阻抗参数;其中,第一阻抗参数预先设定;
将所述第二阻抗参数作为阻抗方程模型的阻抗参数,获取变阻抗方程模型。
在一种可能的设计中,所述方法还包括:
将所述实际轨迹输入机器人运动学模型,获取所述机器人各关节的运动控制量;其中,所述机器人运动学模型根据手指关节预先构建。
本申请的第二个方面是提供一种手部康复机器人自适应控制装置,包括:
获取模块,用于获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号;
期望轨迹确定模块,用于对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹;
实际轨迹确定模块,用于将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;其中,所述变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整。
本申请的第三个方面是提供一种手部康复机器人自适应控制设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:执行所述可执行指令以实现如上述第一方面任一项所述的方法。
本申请的第四个方面是提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述第一方面任一项所述的方法。
本申请提供的手部康复机器人自适应控制方法及装置,获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号,对脑电信号进行特征提取和分类识别,获取手部的期望轨迹,将期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量,其中,变阻抗方程模型的阻抗参数根据上肢表面肌电信号可以自适应调整;脑电信号作为生物电信号的一种,超前于实际行为,本方案中通过脑电信号获取手部的运动意图,可以更快的获取患者手部的期望轨迹,提供运动预判,适用于无法进行上肢运动或者上肢动幅较小无法通过上肢表面肌电信号获取患者手部期望轨迹的重症患者;本方案中采集表征患者运动意图更为准确的上肢表面机电信号,实时依据上肢表面肌电信号对变阻抗方程模型的阻抗参数进行自适应调整,实现了手部康复机器人的自适应控制,大大提高了患者康复训练过程中的人机交互水平。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明实施例提供的手部康复机器人自适应控制系统的架构示意图;
图2为本发明一实施例提供的手部康复机器人自适应控制方法的流程示意图;
图3为本发明另一实施例提供的手部康复机器人自适应控制方法的流程示意图;
图4为本发明又一实施例提供的手部康复机器人自适应控制方法的流程示意图;
图5为本发明实施例提供的手部康复机器人的运动学模型;
图6为本发明一实施例提供的手部康复机器人自适应控制装置的结构框图;
图7为本发明另一实施例提供的手部康复机器人自适应控制装置的结构框图;
图8为本发明实施例提供的手部康复机器人自适应控制设备的硬件结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本文中属于“和/或”,仅仅是一种描述关联对象的关系,表示可以存在三种关系,例如,A和/或B,可以表示,单独存在A,同时存在A和B,单独存在B这三种情况,另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
此外,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。
本申请提供的手部康复机器人自适应控制方法,适用于如图1所示的手部康复机器人自适应控制系统。以图1所示的手部康复机器人自适应控制系统为例,手部康复机器人自适应控制系统包括手部康复机器人自适应控制设备10(以下简称控制设备)、运动控制器20和手部康复机器人30。其中,控制设备10可以为桌上型计算机、笔记本、掌上电脑及云端语音处理设备等计算设备,在此不做限定。
控制设备10用于根据患者手部的理想运动轨迹以及患者手部的阻抗模型,获取患者手部的实际轨迹。运动控制器20用于接收控制设备10生成的实际轨迹,并根据上述实际轨迹计算获得手部康复机器人30的各关节的运动控制量。手部康复机器人30响应上述运动控制量,驱动患者手部动作进行康复训练,实现了手部康复机器人的柔性控制。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本发明实施例提供的手部康复机器人自适应控制方法的流程示意图。如图2所示,该方法包括:
S201、获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号。
肌电信号作为生物电信号的一种,是产生肌肉动力的电信号根源,它是肌肉中很多运动单元的动作电位在时间和空间上的叠加,很大程度上上反应了神经、肌肉的运动状态。从获取肌电信号的来源来看,一般有两种,一种是通过针电极插入肌肉获取,即针式肌电信号,其优点是干扰小,易辨识,但是会对人体造成伤害;另外一种通过电极片获取人体皮肤表面的肌电信号,即表面肌电信号(sEMG),这种方法比较简单,对人体也没有伤害,比较常用。本实施例中采集的是表面肌电信号。
具体应用中,采用四点式银条电极设备采集相关肌肉的表面肌电信号,由于原始的表面肌电信号存在高频噪声以及工频干扰,所以需要对表面肌电信号进行预处理。可选地,表面肌电信号的预处理包括进行表面肌电信号的滤波、放大以及信号转换。优选地,采用0-200Hz的巴特沃斯滤波器进行低通滤波。
表面肌电信号可以从患者的多个部位获取,本实施例中,采集获取上肢表面肌电信号,在一种可能的设计中,所述上肢表面肌电信号的包括下述中至少一项:肱二头肌信号、肱桡肌信号、尺侧腕屈肌信号、挠侧腕屈肌信号、指浅屈肌信号、挠侧腕短伸肌信号、尺侧腕伸肌信号和指伸肌信号。通过上述肌肉的表面肌电信号的采集可以获取患者上肢运动的各运动意图。
脑电是由大量脑神经细胞在高度相关的状态下的电活动在头皮上的总体效应。通过采集与分析脑电信号,将大脑发出的信息直接转换成可以驱动外部设备的命令,代替人的肢体或语言实现与外界的交流以及对外部环境的控制。通常通过脑电帽采集患者的脑电信号,在放置电极时,采用国际脑电学会建议的国际10-20标准系统放置法,将电极放在大脑两半球的凸面上,能够均等地遍及两个半球的额、中央、顶、枕等部位。
具体应用中,患者通过想象左手运动或右手运动两个动作来控制手部康复机器人的握拳和伸展,脑电帽采集的患者的脑电信号,所述脑电信号为左中央C3大脑皮层信号和右中央C4大脑皮层信号。
S202、对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹。
共空间模式(CSP)是一种对两分类任务下的空域滤波特征提取算法,能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理是利用矩阵的对角化,找到一组最优空间滤波器进行投影,使得两类信号的方差值差异最大化,从而得到具有较高区分度的特征向量。本实施例中,脑电信号包括左中央C3大脑皮层信号和/或右中央C4大脑皮层信号两类信号,对获取的上述两类脑电信号进行CSP空间滤波,使得两类信号的方差值差异最大化,然后通过阈值法对患者手部运动意图进行分类识别,判断患者是左手的运动想象还是右手的运动想象,获取手部的期望轨迹。
可选地,患者的左手运动想象包括左手握拳或者右手握拳。
具体应用中,预设患者的期望轨迹,期望轨迹包括握拳和伸展,根据上述中患者运动想象中左右手的识别,获取患者手部的期望轨迹。应理解的是,手部的期望轨迹具体体现为手指的期望轨迹。
S203、将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;其中,所述变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整。
控制手部康复机器人,要以患者的感受(作用力)、预定轨迹以及实际的位置、速度等参数作为目标来控制。阻抗控制是一种二阶质量-阻尼-弹簧模型,方程表示为:
由于患者手指的主动力较小,可以忽略加速度的变化,只考虑阻抗控制模型中的阻尼项和刚度项,式(1)可以简化为:
其中,Bd为阻尼参数和Kd为刚度参数,两者统称为阻抗参数;Fint为患者手指和手部康复机器人的人机交互力,xd为手部运动的参考轨迹,xr为手部运动的实际轨迹。应理解的是,xd和xr均为手指指尖的运动轨迹。
实际应用中,采用压力传感器采集患者手指和手部康复机器人的人机交互力,获取Fint,式(2)中阻尼系数Bd和刚度系数Kd根据上肢表面肌电信号自适应调整,将期望轨迹xd、匹配具体手指的人机交互力Fint以及阻抗参数输入式(2),获取手部运动的实际轨迹xr,以计算获得机器人各关节的运动控制量,具体的,若期望轨迹xd为左手食指的期望轨迹,则将左手食指的手指对应的人机交互力作为Fint,获得左手食指的实际轨迹xr。
在一种可能的设计中,将所述实际轨迹xr输入机器人运动学模型,获取所述机器人各关节的运动控制量;其中,所述机器人运动学模型根据手指关节预先构建。图5为本发明实施例提供的手部康复机器人的运动学模型。如图5所示,手部康复机器人每个手指(不包括大拇指)自指尖至指根共有三个关节,将手指分为三段,三个关节分别为远端指骨关节DIP、近端指骨关节PIP、以及掌指关节MCP,其中掌指关节MCP具有两个自由度,分别为侧摆MCP1和俯仰MCP2,手指关节PIP和DIP采用耦合方式传动。图5中{Oi-XiYiZi}为单指各关节的坐标系,i的取值为0至3中任一项。
本实施例中对手部康复机器人手指的建模使用D-H矩阵法,这种方法在机器人的每个连杆上都固定一个坐标系,然后用4×4的齐次变换矩阵来描述相邻两连杆的空间关系。通过依次变换可最终推导出末端执行器相对于基坐标系的位姿,从而建立机器人的运动学方程。
机器人单指指尖的位移与各关节角度之间的位置运动学关系为:
式(3)中,Pt为机器人单指指尖的位移,即手指指尖的实际轨迹xr,xt、yt、zt分别为在实际轨迹xr在{O0-X0Y0Z0}坐标上的XYZ三个方向的坐标值;θ0、θ1为MCP关节侧转角和俯仰角,θ2、θ3分别为PIP关节和DIP关节的转角;a0、a1、a2、a3分别为机器人单指各部分的长度,其中a0=0;c为cos函数,s为sin函数。
运用运动学逆解得到各关节空间的转角,将上述各关节的转角发送手部康复机器人的运动控制器,控制康复机械人各关节电机运动,实现手部康复机器人的自适应柔顺控制。同时,压力传感器采集患者手指施加在手部康复机器人输出力、四点式银条电极设备采集相关肌肉的上肢表面肌电信号、通过脑电帽采集患者的脑电信号,根据当前的上肢表面肌电信号进行阻抗参数的自适应调整,形成控制闭环。
本实施例提供的手部康复机器人自适应控制方法,获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号,对脑电信号进行特征提取和分类识别,获取手部的期望轨迹,将期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量,其中,变阻抗方程模型的阻抗参数根据上肢表面肌电信号可以自适应调整;脑电信号作为生物电信号的一种,超前于实际行为,本方案中通过脑电信号获取手部的运动意图,可以更快的获取患者手部的期望轨迹,提供运动预判,适用于无法进行上肢运动或者上肢动幅较小无法通过上肢表面肌电信号获取患者手部期望轨迹的重症患者;本方案中采集表征患者运动意图更为准确的上肢表面机电信号,实时依据上肢表面肌电信号对变阻抗方程模型的阻抗参数进行自适应调整,实现了手部康复机器人的自适应控制,大大提高了患者康复训练过程中的人机交互水平。
图3为本发明另一实施例提供的手部康复机器人自适应控制方法的流程示意图。本实施例中对如何进行脑电信号进行特征提取和分类识别,获取手部的期望轨迹进行了详细说明。
S301、对所述脑电信号进行特征提取,获取脑电信号特征。
可选地,对采集到的脑电信号进行预处理,获取目标的脑电信号,所述预处理包括基线校正、工频去除、眼电去除以及带通滤波中的至少一项。
S302、将所述脑电信号特征作为权重模型的输入,获取对应所述脑电信号特征的权重;其中权重模型是以训练脑电信号及其对应的权重为样本预先训练获得的。
S303、对所述权重进行分类识别,确定期望运动的手臂。应理解的是,期望运动的手臂包括左手和右手。可选地,采用共空间模式(CSP)进行分类识别。
S304、选择所述期望运动的手臂对应的预设运动轨迹,确定手部的期望轨迹。预设运动轨迹具体是指单个手指的运动轨迹,可选地,为食指的运动轨迹。具体应用中,若期望运动的手臂为左手,则将预设的左手的食指的运动轨迹设定为手部的期望轨迹,若期望运动的手臂为右手,则将预设的右手的食指的运动轨迹设定为手部的期望轨迹。
在一种可能的实现方式中,手部康复机器人自使用控制方法还包括:对所述上肢表面肌电信号进行特征提取和分类识别,获取对应手指的期望轨迹;其中,所述对应手指的期望轨迹包括对应手指的弯曲轨迹和伸展轨迹。具体过程包括:
步骤一:对所述上肢表面肌电信号进行预处理。具体的,预处理方式为低通滤波。
步骤二、利用阈值法对预处理后的上肢表面肌电信号进行活动段检测,提取肌电信号特征值。
可选地,肌电信号特征值包括时域特征值和频域特征值。其中,所述时域特征值包括均方根值RMS、斜率标志变更和肌电积分值,频域特征值包括中心频率和平均频域。
步骤三,将所述肌电信号特征值构建特征矩阵,基于支持向量机对所述特征矩阵进行识别,确定期望运动的手指。
步骤四、选择所述期望运动的手指的对应的预设运动轨迹,确定手指的期望轨迹。应理解的是,各手指对应的运动轨迹已经预设,对上肢表面肌电信号进行特征提取和分类识别,用于确定期望运动的手指。
本实施例提供的手部康复机器人自适应控制方法,通过特征提取和分类识别,确定期望的手部运动,具体体现为根据脑电信号确定期望运动手臂为左手或右手,选择期望运动的手臂对应的预设运动轨迹,或根据上肢表面肌电信号确定期望运动的手指,选择期望运动的手指的对应的预设运动轨迹,上述预设运动轨迹即为手指的期望轨迹。本实施例即可以根据脑电信号获取手指的期望轨迹也可以根据上肢表面肌电信号获取手指的期望轨迹,实际应用中,可以根据患者的实际需求进行选择,即当患者无法进行上肢运动时,可以根据患者的运动想象获取手指的期望轨迹,当患者恢复上肢运动能力时,可以根据患者的上肢运动获取手指的期望轨迹,符合患者上肢康复过程实际需求。
图4为本发明又一实施例提供的手部康复机器人自适应控制方法的流程示意图。本实施例对如何获取变阻抗方程模型进行详细说明。
S401、根据由所述上肢肌电信号获取的肌肉贡献率和肌肉活动度,计算获得上肢活动度。
上肢活动度η定义为
式(4)中,wj为第j块肌肉的贡献率,aj(t)为第j块肌肉的肌肉活动度指标。
其中,第j块肌肉的贡献率的wj计算公式如下:
式(5)中,RMSi(j)为第j块肌肉的第i个均方根值,肌肉的均方根值在提取肌电信号特征值阶段获取。
其中,第j块肌肉的肌肉活动度指标aj的计算公式如下:
S402、将所述上肢活动度作为第一阻抗参数的修正系数,获取第二阻抗参数;其中,第一阻抗参数预先设定。
第一阻抗参数包括第一阻尼参数和第一刚度参数,第二阻抗参数包括第二阻尼参数和第二刚度参数。
第二阻尼参数的计算公式如下:
Bd=sig(λB·η)·Bo (7)
第二刚度参数的计算公式如下:
Kd=sig(λK·η)·Ko (8)
式(7)和(8)中,η为上肢活动度,λB和λK分别为阻尼增益系数和刚度增益系数,均为预设值,B0和K0分别为第一阻尼参数和第一刚度参数,为均为预设值,Bd和Kd分别为第二阻尼系数和第二刚度系数,sig(*)为sigmoid函数,作为限幅函数使得Bd和Kd变化范围为
S403、将所述第二阻抗参数作为阻抗方程模型的阻抗参数,获取变阻抗方程模型。具体的,将式(4)至式(8)各公式代入式(2),获得变阻抗方程模型。
本实施例提供的手部康复机器人自适应控制方法中,变阻抗方程模型的阻抗参数根据上肢表面肌电信号自适应调整,将上肢表面肌电、脑电信号控制与力信号反馈控制相结合,使手部康复机器人的控制更加快速、准确、柔顺;构建随肌肉活动度而自适应调整的阻抗参数,实现手部康复机器人的自适应控制,进而提升患者康复训练过程中的人机交互水平。
基于上述实施例所提供的手部康复机器人自适应控制方法,本发明实施例进一步给出实现上述方法装置实施例。
图6为本发明一实施例提供的手部康复机器人自适应控制装置的结构示意图。如图6所示,该手部康复机器人自适应控制装置包括获取模块610、期望轨迹确定模块620以及实际轨迹确定模块630。
获取模块610,用于获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号。
期望轨迹确定模块620,用于对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹。
实际轨迹确定模块630,用于将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;其中,所述变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整。
本实施例中手部康复机器人自适应控制装置,通过获取模块获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号,期望轨迹模块对脑电信号进行特征提取和分类识别,获取手部的期望轨迹,实际轨迹确定模块将期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量,其中,变阻抗方程模型的阻抗参数根据上肢表面肌电信号可以自适应调整。脑电信号作为生物电信号的一种,超前于实际行为,本方案中通过脑电信号获取手部的运动意图,可以更快的获取患者手部的期望轨迹,提供运动预判,适用于无法进行上肢运动或者上肢动幅较小无法通过上肢表面肌电信号获取患者手部期望轨迹的重症患者,即可以对肢体进行牵引训练,也可以进行大脑的可塑性训练;同时本方案实时依据上肢表面肌电信号对变阻抗方程模型的阻抗参数进行自适应调整,实现了手部康复机器人的自适应控制,大大提高了患者康复训练过程中的人机交互水平。
可选地,期望轨迹确定模块620,具体用于:对所述脑电信号进行特征提取,获取脑电信号特征;将所述脑电信号特征作为权重模型的输入,获取对应所述脑电信号特征的权重;其中权重模型是以训练脑电信号及其对应的权重为样本预先训练获得的;对所述权重进行分类识别,确定期望运动的手臂;选择对应所述期望运动的手臂的预设运动轨迹,确定手部的期望轨迹。
可选地,期望轨迹确定模块620,还具体用于:对所述上肢表面肌电信号进行特征提取和分类识别,获取对应手指的期望轨迹;其中,所述对应手指的期望轨迹包括对应手指的弯曲轨迹和伸展轨迹。
可选地,所述上肢表面肌电信号的包括下述中至少一项:肱二头肌信号、肱桡肌信号、尺侧腕屈肌信号、挠侧腕屈肌信号、指浅屈肌信号、挠侧腕短伸肌信号、尺侧腕伸肌信号和指伸肌信号。
可选地,所述脑电信号为左中央大脑皮层信号和右中央大脑皮层信号。
图6所示实施例的手部康复机器人自适应控制装置600可用于执行上述方法中任意一项的技术方案,本实施例此处不再赘述。
图7为本发明另一实施例提供的手部康复机器人自适应控制装置的结构示意图。如图7所示,该手部康复机器人自适应控制装置还包括变阻抗方程模型确定模块710以及运动计算模块720。
变阻抗方程模型确定模块710,用于根据由所述上肢肌电信号获取的肌肉贡献率和肌肉活动度,计算获得上肢活动度;将所述上肢活动度作为第一阻抗参数的修正系数,获取第二阻抗参数;将所述第二阻抗参数作为阻抗方程模型的阻抗参数,获取变阻抗方程模型。
其中,第一阻抗参数预先设定。
运动计算模块720,用于将所述实际轨迹输入机器人运动学模型,获取所述机器人各关节的运动控制量;其中,所述机器人运动学模型根据手指关节预先构建。
本实施例提供的手部康复机器人自适应控制装置中,变阻抗方程模型的阻抗参数根据上肢表面肌电信号自适应调整,将上肢表面肌电、脑电信号控制与力信号反馈控制相结合,使手部康复机器人的控制更加快速、准确、柔顺;构建随肌肉活动度而自适应调整的阻抗参数,进而提升患者康复训练过程中的人机交互水平。
图7所示实施例的手部康复机器人自适应控制装置700可用于执行上述方法中任意一项的技术方案,本实施例此处不再赘述。
应理解以上图6和图7所示手部康复机器人自适应控制装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开;且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块以软件通过处理元件调用的形式实现,部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图8为本发明一实施例提供的手部康复机器人自适应控制设备的硬件结构示意图。如图8所示,本实施例提供的手部康复机器人自适应控制设备800包括:至少一个存储器810、处理器820以及计算机程序;其中,计算机程序存储在存储器810中,并被配置为由处理器820执行以实现如上述以的手部康复机器人自适应控制方法。手部康复机器人自适应控制设备800还包括通信不见。其中,处理器820、存储器810以及通信部件通过总线连接。
本领域技术人员可以理解,图8仅仅是手部康复机器人自适应控制设备的示例,并不构成对手部康复机器人自适应控制设备的限定,手部康复机器人自适应控制设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述手部康复机器人自适应控制设备还可以包括输入输出设备、网络接入设备、总线等。
此外,本发明实施例提供了一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行以实现上述以用户终端为执行主体时的任一实现方式所述的方法,或者实现上述方法中任一实现方式所述的方法。
上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种手部康复机器人自适应控制装置,其特征在于,包括:
获取模块,用于获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号;
期望轨迹确定模块,用于对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹;
实际轨迹确定模块,用于将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;其中,所述变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整;
所述装置是根据一种手部康复机器人自适应控制方法实现的,所述方法包括:
获取表征用户运动想象的脑电信号和表征用户运动意图的上肢表面肌电信号;
对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹;所述特征提取采用共空间模式算法,所述期望轨迹包括握拳和伸展;
根据由所述上肢表面肌电信号获取的肌肉贡献率和肌肉活动度,计算获得上肢活动度:
上肢活动度η定义为
式(4)中,wj为第j块肌肉的贡献率,aj(t)为第j块肌肉的肌肉活动度指标;
其中,第j块肌肉的贡献率的wj计算公式如下:
式(5)中,RMSi(j)为第j块肌肉的第i个均方根值,肌肉的均方根值在提取肌电信号特征值阶段获取;
其中,第j块肌肉的肌肉活动度指标aj的计算公式如下:
式(6)中,uj为经过预处理后的肌电信号;Aj是肌电-肌肉活动度模型中的非线性形状因子;
将所述上肢活动度作为第一阻抗参数的修正系数,获取第二阻抗参数;其中,第一阻抗参数预先设定,第一阻抗参数包括第一阻尼参数和第一刚度参数,第二阻抗参数包括第二阻尼参数和第二刚度参数;
第二阻尼参数的计算公式如下:
Bd=sig(λB·η)·Bo (7)
第二刚度参数的计算公式如下:
Kd=sig(λK·η)·Ko (8)
式(7)和(8)中,η为上肢活动度,λB和λK分别为阻尼增益系数和刚度增益系数,均为预设值,B0和K0分别为第一阻尼参数和第一刚度参数,均为预设值,Bd和Kd分别为第二阻尼系数和第二刚度系数,sig(*)为sigmoid函数,作为限幅函数使得Bd和Kd变化范围为
将所述第二阻抗参数作为阻抗方程模型的阻抗参数,获取变阻抗方程模型;
将所述期望轨迹输入变阻抗方程模型,获取手部的实际轨迹,以计算获得机器人各关节的运动控制量;
其中,所述变阻抗方程模型的阻抗参数根据所述上肢表面肌电信号自适应调整:所述变阻抗方程模型为:
其中,Bd为阻尼参数和Kd为刚度参数,Fint为患者手指和手部康复机器人的人机交互力,xd为手部运动的参考轨迹,xr为手部运动的实际轨迹。
2.根据权利要求1所述的装置,其特征在于,所述对所述脑电信号进行特征提取和分类识别,获取手部的期望轨迹,包括:
对所述脑电信号进行特征提取,获取脑电信号特征;
将所述脑电信号特征作为权重模型的输入,获取对应所述脑电信号特征的权重;其中权重模型是以训练脑电信号及其对应的权重为样本预先训练获得的;
对所述权重进行分类识别,确定期望运动的手臂;
选择所述期望运动的手臂对应的预设运动轨迹,确定手部的期望轨迹。
3.根据权利要求1所述的装置,其特征在于,所述方法还包括:
对所述上肢表面肌电信号进行特征提取和分类识别,获取对应手指的期望轨迹;其中,所述对应手指的期望轨迹包括对应手指的弯曲轨迹和伸展轨迹。
4.根据权利要求1所述的装置,其特征在于,所述上肢表面肌电信号的包括下述中至少一项:
肱二头肌信号、肱桡肌信号、尺侧腕屈肌信号、挠侧腕屈肌信号、指浅屈肌信号、挠侧腕短伸肌信号、尺侧腕伸肌信号和指伸肌信号。
5.根据权利要求1所述的装置,其特征在于,所述脑电信号为左中央大脑皮层信号和右中央大脑皮层信号。
6.根据权利要求1所述的装置,其特征在于,所述方法还包括:
将所述实际轨迹输入机器人运动学模型,获取所述机器人各关节的运动控制量;其中,所述机器人运动学模型根据手指关节预先构建。
7.一种手部康复机器人自适应控制设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为:执行所述可执行指令以实现如权利要求1至6任一项所述的装置的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181457.XA CN109718059B (zh) | 2019-03-11 | 2019-03-11 | 手部康复机器人自适应控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910181457.XA CN109718059B (zh) | 2019-03-11 | 2019-03-11 | 手部康复机器人自适应控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109718059A CN109718059A (zh) | 2019-05-07 |
CN109718059B true CN109718059B (zh) | 2020-10-02 |
Family
ID=66302377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910181457.XA Active CN109718059B (zh) | 2019-03-11 | 2019-03-11 | 手部康复机器人自适应控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109718059B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507322B (zh) * | 2019-07-30 | 2021-01-22 | 西安交通大学 | 一种基于虚拟诱导肌电定量状态评估系统及方法 |
CN110572444B (zh) * | 2019-08-21 | 2021-11-19 | 深圳市普威技术有限公司 | 一种用于传递神经信号的系统及方法 |
CN112656636A (zh) * | 2019-10-15 | 2021-04-16 | 深圳市迈步机器人科技有限公司 | 手部康复设备及其控制方法 |
CN111904795B (zh) * | 2020-08-28 | 2022-08-26 | 中山大学 | 一种结合轨迹规划的康复机器人变阻抗控制方法 |
CN112043473B (zh) * | 2020-09-01 | 2021-05-28 | 西安交通大学 | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 |
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 |
CN113069315B (zh) * | 2021-03-24 | 2024-02-20 | 上海傅利叶智能科技有限公司 | 机器人提供助力的方法、装置和康复机器人 |
CN113081666B (zh) * | 2021-03-24 | 2023-05-12 | 上海傅利叶智能科技有限公司 | 康复机器人的虚拟限位的方法、装置和康复机器人 |
CN113858201B (zh) * | 2021-09-29 | 2023-04-25 | 清华大学 | 用于柔性驱动机器人的自适应变阻抗控制方法、系统与设备 |
CN114454191B (zh) * | 2022-03-08 | 2022-08-23 | 云南经济管理学院 | 基于串并混联气动肌肉与气缸的仿生机器人、系统、方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8926534B2 (en) * | 2006-09-19 | 2015-01-06 | Myomo, Inc. | Powered orthotic device and method of using same |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6887239B2 (en) * | 2002-04-17 | 2005-05-03 | Sontra Medical Inc. | Preparation for transmission and reception of electrical signals |
CN105213153B (zh) * | 2015-09-14 | 2018-06-26 | 西安交通大学 | 基于脑肌信息变阻抗的下肢康复机器人控制方法 |
CN105708587B (zh) * | 2016-01-25 | 2017-11-03 | 电子科技大学 | 一种运动想象模式脑机接口触发的下肢外骨骼训练方法及系统 |
CN105771182B (zh) * | 2016-05-13 | 2018-06-29 | 中国科学院自动化研究所 | 一种康复机器人主动训练控制方法和装置 |
CN106109174B (zh) * | 2016-07-14 | 2018-06-08 | 燕山大学 | 一种基于肌电反馈式阻抗自适应的康复机器人控制方法 |
CN107307975A (zh) * | 2017-07-26 | 2017-11-03 | 山东海天智能工程有限公司 | 手功能康复训练机器人系统及控制方法 |
CN107397649B (zh) * | 2017-08-10 | 2020-08-14 | 燕山大学 | 一种基于径向基神经网络上肢外骨骼运动意图识别方法 |
CN108324503A (zh) * | 2018-03-16 | 2018-07-27 | 燕山大学 | 基于肌骨模型和阻抗控制的康复机器人自适应控制方法 |
CN108904980B (zh) * | 2018-08-01 | 2022-05-17 | 国家康复辅具研究中心 | 基于脑电和功能性电刺激的上肢主动康复方法及装置 |
CN109394476B (zh) * | 2018-12-06 | 2021-01-19 | 上海神添实业有限公司 | 脑肌信息自动意图识别与上肢智能控制方法及系统 |
-
2019
- 2019-03-11 CN CN201910181457.XA patent/CN109718059B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8926534B2 (en) * | 2006-09-19 | 2015-01-06 | Myomo, Inc. | Powered orthotic device and method of using same |
Also Published As
Publication number | Publication date |
---|---|
CN109718059A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109718059B (zh) | 手部康复机器人自适应控制方法及装置 | |
Volkova et al. | Decoding movement from electrocorticographic activity: a review | |
Pan et al. | Comparing EMG-based human-machine interfaces for estimating continuous, coordinated movements | |
US9717440B2 (en) | Systems and methods for decoding intended motor commands from recorded neural signals for the control of external devices or to interact in virtual environments | |
Bhattacharyya et al. | A synergetic brain-machine interfacing paradigm for multi-DOF robot control | |
Norani et al. | A review of signal processing in brain computer interface system | |
Cao et al. | A brain-actuated robotic arm system using non-invasive hybrid brain–computer interface and shared control strategy | |
Piazza et al. | Softhand pro-d: Matching dynamic content of natural user commands with hand embodiment for enhanced prosthesis control | |
He et al. | Spatial information enhances myoelectric control performance with only two channels | |
CN113143676B (zh) | 一种基于脑肌电协同的外肢体手指的控制方法 | |
Tryon et al. | Performance evaluation of EEG/EMG fusion methods for motion classification | |
RU2738197C2 (ru) | Система и способ формирования команд управления на основании биоэлектрических данных оператора | |
De la Cruz-Sánchez et al. | EMG-controlled hand exoskeleton for assisted bilateral rehabilitation | |
Bhattacharyya et al. | A differential evolution based energy trajectory planner for artificial limb control using motor imagery EEG signal | |
Li et al. | Wireless sEMG-based identification in a virtual reality environment | |
Chen et al. | Towards robot-assisted post-stroke hand rehabilitation: Fugl-Meyer gesture recognition using sEMG | |
Jiang et al. | Bio-robotics research for non-invasive myoelectric neural interfaces for upper-limb prosthetic control: a 10-year perspective review | |
Fang et al. | Modelling EMG driven wrist movements using a bio-inspired neural network | |
Zhu et al. | Face-computer interface (FCI): Intent recognition based on facial electromyography (fEMG) and online human-computer interface with audiovisual feedback | |
Yang et al. | Real-time myocontrol of a human–computer interface by paretic muscles after stroke | |
Úbeda et al. | Brain-machine interface based on EEG mapping to control an assistive robotic arm | |
Chen et al. | Robot arm control method using forearm EMG signals | |
Cho et al. | Estimating simultaneous and proportional finger force intention based on sEMG using a constrained autoencoder | |
Dantas et al. | Shared prosthetic control based on multiple movement intent decoders | |
CN113476799B (zh) | 基于肌电和惯性信息的手部训练及评估方法 |
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 |