CN110653817A - 一种基于神经网络的外骨骼机器人助力控制系统与方法 - Google Patents

Abstract

本发明公开本发明的目的是提供一种基于神经网络的外骨骼机器人控制系统和方法，该系统应用于肘关节，包括传感检测模块、数据采集处理模块。该系统和方法利用肌电传感器、弯曲传感器等传感器通过径向基神经网络进行数据融合，对老年人以及运动功能障碍患者进行运动助力辅助以满足其日常生活的需求。该控制策略采用基于肌电信号的扭矩估计指标和基于肌电信号的能量估计指标来客观定量评价其运动助力效果。

Description

一种基于神经网络的外骨骼机器人助力控制系统与方法

技术领域

本发明涉及可穿外骨骼设备的信息技术领域。

背景技术

当代社会，我国正面临着社会人口老龄化、中风发病年轻化、交通事故频繁化等日益严重的社会问题，造成的结果是老年人与肢体残疾病人的运动功能障碍，因此上肢康复机器人成为了医疗康复领域的研究重点和热点。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。但是如果想要实现准确，柔顺的控制，就要准确的识别人体运动意图。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。

在公开号CN102799937A的中国发明专利申请中，公开了一种肌电信号与关节角度信息融合的下肢运动轨迹预测方法，通过提取运动期间下肢六块肌肉的肌电特征参数均方根值和空间三维运动坐标来建立模型，计算侧腿膝角度信号，操作复杂，中间环节误差累计较大，可行性不强。

在公开号CN103440498A的中国发明专利申请中，公布了一种基于LDA算法的表面肌电信号识别方法，整个过程需要采集肌电信号，进行重叠分窗，降维，求平均值，输入分类器，需要耗费大量时间，算法的在线性和算法的简易性难以保证。

在公开号CN106109174A的中国发明专利申请中，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，使得整个控制过程难以做到连续的柔顺控制。

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。(3)助力控制策略中的控制量，诸如关节力，扭矩以及角度的估计过于复杂，加大了操作的难度；且过程中大多使用了经验参数，模型准确度不够。。

故，需要一种新的技术方案以解决上述问题。

发明内容

发明目的：本发明的目的是提供一种基于肌电信号和神经网络的外骨骼机器人助力控制方法与系统，该系统应用于肘关节。该系统和方法利用肌电传感器、弯曲传感器等传感器通过径向基神经网络进行数据融合，对老年人以及运动功能障碍患者进行运动助力辅助以满足其日常生活的需求。

技术方案：本发明可采用以下技术方案：

一种基于神经网络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；

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，肌电信号检测模块通过肌电信号传感器用以检测人体上肢肱二头肌的肌电信号；人体姿态检测模块通过弯曲传感器用以检测人体上肢肘关节角度；

数据采集处理模块包括高精度数据采集模块、实时运动控制模块、模拟信号输出模块；高精度数据采集模块通过高精度数据采集卡用以采集肌电信号传感器检测的肌电信号；实时运动控制模块包括实时控制系统；模拟信号输出模块通过多通道模拟输出卡并结合实时控制系统来输出控制信号。

进一步的，还具有助力效果评价模块，包括肌电信号扭矩估计模块以及肌电信号能量估计模块；其中，肌电信号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；肌电信号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。

而本发明提供的一种基于神经网络的外骨骼机器人助力控制方法包括以下步骤：

(1)、通过肌电传感器以及高精度数据采集卡从穿戴者的肱二头肌上获取表面肌电信号，并且通过扭矩估计策略提取运动意图；

(2)、所采集到的肌电信号经过放大之后输入到数据采集卡，数据采集卡与实时运动控制系统相连，通过10-400Hz的四阶巴特沃斯带通滤波器来滤除噪声，其次对带通滤波后的EMG信号进行归一化，对归一化后的EMG信号进行全波整流，用低通巴特沃斯滤波器进行滤波，得到EMG数据的包络线；

(3)、按照扭矩估计模块中所述的步骤，使用神经网络输出得到系数ΔK，以此描述估计扭矩和肌电信号之间的非线性关系；

(4)、关节扭矩信号在实时控制系统中处理完后送入模糊滑模控制器并实时显示出来，以对后续的助力实验进行相关指导；

(5)、将处理好的肌电信号带入肘关节角度估计模型，得到肘关节的估计角度；

(6)、通过弯曲传感器测量肘关节的角度，此角度作为运动中肘关节的实测角度；

(7)、将关节估计扭矩、原始肌电信号、关节估计角度及其角速度输入至径向基神经网络控制器，输出单位意图增量角，接着乘以历史最大估计扭矩系数得出一个表征运动意图的关节增量角，并将其与估计的关节角度信号加起来作为下一时刻期望达到的角度信号；

(8)、接着将这个期望角度信号送入模糊滑模控制器，控制器使用上述描述方法中的各参数，实现柔顺控制；

(9)、由弯曲传感器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。

(10)、随后由控制器输出控制信号来驱动外骨骼机器人执行机构，从而根据运动意图带动手臂运动，实现助力效果。

进一步的，还包括步骤(11)、基于助力效果评价模块来定量分析和衡量助力效果。比较有无助力情况下的估计扭矩大小和能量消耗，评价助力的效果。

进一步的，步骤(1)中，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。

进一步的，步骤(3)中，估计扭矩和肌电信号之间的非线性关系为：

其中u(t)是线性归一化后的肌电信号值，m(t)是非线性归一化的肌电信号值，K₀为经验参数，K₀+ΔK其决定了非线性曲线的曲率，通过扭矩传感器测量肘关节在运动过程中的扭矩作为扭矩的实测值M(t)，然后将处理过的肌电信号u(t)、扭矩传感器实测的扭矩值M(t)，估计出的关节角度信号γ(t)以及关节角速度信号dγ(t)作为神经网络的输入，ΔK作为神经网络的输出，采用高斯核函数作为径向基函数，通过径向基神经网络来拟合估计扭矩与ΔK之间的非线性关系。

进一步的，步骤(5)中，肘关节角度估计模型如下：

模型的参数为：

A(q)＝a₁+a₂q^-1+…+a_xq^-x

B(q)＝b₁+b₂q^-1+…+b_yq^-y+1

C(q)＝c₁+c₂q^-1+…+c_zq^-z

其中，t为时间，y(t)为估计的肘关节角度，u(t-d)为处理过的肌电信号，e(t)为高斯白噪声，d为输入的延迟时间，q为延时算子，a₁,a₂,…a_x；b₁,b₂,…b_y；c₁,c₂,…c_z为各项延时算子的系数，x,y,z为各项延时算子的指数。

进一步的，步骤(7)中，关节增量角△θ(t)为：

下面描述模糊滑模控制器的执行流程，整体公式描述如下：

其中，θ是肘关节的角度，

是肘关节的角速度，

是肘关节的角加速度；M(θ)是外骨骼机器人的惯量；是外骨骼机器人的粘性阻尼系数，τ_f是电缆传输组件、电机减速器和肘关节处产生的摩擦；e＝θ_d-θ，表示系统的位置误差，其中，θ_d为神经网络的输出值△θ(t)乘以历史最大估计扭矩系数，然后与估计的肘关节角度y(t)相加所得到的和，θ_d表征系统期望肘关节角度；表示系统的速度误差，其中，

和

分别为期望的肘关节角速度和角加速度；K表示正的模糊增益；λ，ψ是两个正值常数；s(t)是滑模变量，U是控制率，sat(s)是死区补偿的饱和函数，如下：

是定义饱和函数边界层厚度的正值常数，ρ是死区补偿常数，sign(·)是符号函数。

进一步的，接着用模糊滑模控制器来调整参数K的大小，，模糊输出表示为:

其中，

其中，A(q_σ)表示关于支撑值q_σ的推理模糊集强度；输出量化级的个数表示为n；总规则数记为m；λ_ν和A_ν为相应模糊规则的权值和输出模糊集；P₁ ^ν,分别为s(t)，

的输入模糊集。

有益效果：与现有的技术相比，本发明具有以下优点：

(1)与传统的卷积、循环等神经网络、支持向量机以及线性判别分析等机器学习算法相比，使用基于径向基神经网络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，并且使得关节扭矩估计的精度更高，关节增量角更加准确。

(2)创新提出了基于神经网络与肌电信号的改进关节扭矩估算算法和关节角度估计策略，在实际应用中省去了测量角度和扭矩的传感器，降低了成本，优化了系统，提高了系统的可靠性

附图说明

图1是本发明助力控制策略按组成部分连接的系统结构框图。

图2是关节估计扭矩中的神经网络输入输出图。

图3是助力控制策略中的神经网络输入输出图。

图4是助力控制策略图。

图5是本发明基于肌电信号扭矩估计的定量评价指标图。

图6是本发明基于肌电信号能量的定量评价指标图。

图7是本发明助力控制策略的流程图。

图8是归一化s(t)，

与输入隶属函数的关系，归一化K与输出隶属函数的关系图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明所述的如图1所示，本发明所述的一种基于神经网络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。所述传感检测模块包括肌电信号检测模块109，人体姿态检测模块110。所述数据采集处理模块包括高精度数据采集模块111，实时运动控制模块112，模拟信号输出模块113。所述助力效果评价模块包括肌电信号扭矩估计模块114以及肌电信号能量估计模块115。

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，并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；基于肌电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估计关节角度；人体姿态检测模块110采用弯曲传感器来测量肘关节角度。数据采集处理模块103由高精度数据采集模块111，实时运动控制模块112，模拟信号输出模块113等组成。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；实时运动控制模块112包括一套实时运动控制系统，根据这套控制系统可以方便快捷的通过数据采集卡来获取传感器系统所采集到的数据，并通过模拟输出卡来对外骨骼机器人执行模块101进行控制；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。助力效果评价模块104由肌电信号扭矩估计模块114以及肌电信号能量估计模块115组成。其中，肌电信号扭矩估计模块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；肌电信号能量估计模块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。

如图7所示，助力控制策略的流程图。下面结合流程图对方法的具体步骤作详细介绍：

步骤一：该助力控制策略通过肌电传感器以及高精度数据采集卡从穿戴者的肱二头肌上获取表面肌电信号，并且通过扭矩估计策略可以提取运动意图。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：所采集到的肌电信号经过放大之后输入到数据采集卡，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，因此首先通过10-400Hz的四阶巴特沃斯带通滤波器来滤除这一频带的噪声，其次对带通滤波后的EMG信号进行归一化。其次，对归一化后的EMG信号进行全波整流，用8hz低通巴特沃斯滤波器进行滤波，得到EMG数据的包络线。

步骤三：按照扭矩估计模块中所述的步骤，使用神经网络输出得到系数ΔK，以此描述估计扭矩和肌电信号之间的非线性关系。该估计扭矩值能在一定程度上表征穿戴者的运动意图。

步骤四：关节扭矩信号在实时控制系统中处理完后送入模糊滑模控制器并实时显示出来，以对后续的助力实验进行相关指导。

步骤五：将处理好的肌电信号带入上述肘关节角度估计算法，得到肘关节的估计角度。

步骤六：通过弯曲传感器测量肘关节的角度，此角度作为运动中肘关节的实测角度。

步骤七：将关节估计扭矩、原始肌电信号、关节估计角度及其角速度输入至径向基神经网络控制器，输出单位意图增量角，接着乘以历史最大估计扭矩系数得出一个表征运动意图的关节增量角，并将其与估计的关节角度信号加起来作为下一时刻期望达到的角度信号。

步骤八：接着将这个期望角度信号送入模糊滑模控制器，控制器使用上述描述方法中的各参数，实现柔顺控制。

步骤九：由弯曲传感器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。

步骤十：随后由控制器输出控制信号来驱动外骨骼机器人执行机构，从而根据运动意图带动手臂运动，实现助力效果。

步骤十一：最后基于助力效果评价模块来定量分析和衡量助力效果。比较有无助力情况下的估计扭矩大小和能量消耗，评价助力的效果。

本发明所述的一种基于神经网络的外骨骼机器人助力控制方法主要包括基于肌电信号的扭矩估计策略、基于肌电信号的关节角度估计策略、基于径向基神经网络的助力控制策略。现分述如下：

所述的基于肌电信号的关节角度估计策略，首先，将采集到的肱二头肌肌电信号通过二阶巴特沃斯高通滤波器，截止频率为30Hz，用来消除噪声。其次，通过全波整流以及1Hz的二阶巴特沃斯低通滤波器，最后对其进行归一化操作，此时得到光滑的肌电信号包络。本实验中使用弯曲传感器测量实际的肘关节角度，与之后估计的肘关节角度进行比较，评价估计的准确性。本文应用系统辨识技术，建立了肘关节角度-肌电信号映射模型。系统的输入和输出数据分别采用处理过的肱二头肌肌电信号和弯曲传感器输出的肘关节角度。其中，模型如下公式所示：

模型的参数为：

其中，t为时间，y(t)为估计的肘关节角度，u(t-d)为处理过的肌电信号，e(t)为高斯白噪声，d为输入的延迟时间，q为延时算子，a₁,a₂,…a_x；b₁,b₂,…b_y；c₁,c₂,…c_z为各项延时算子的系数，x,y,z为各项延时算子的指数，这些系数均可以在系统辨识过程中确定。

所述基于肌电信号的扭矩估计策略，首先通过10-400Hz的四阶巴特沃斯带通滤波器来滤除这一频带的噪声，其次对带通滤波后的表面肌电信号(EMG)进行归一化。其次，对归一化后的EMG信号进行全波整流，用8hz低通巴特沃斯滤波器进行滤波，得到EMG数据的包络线。此时包络虽然能够在一定程度上表示出肌肉用力的程度，但还是不能代表关节估计扭矩。然后对肌电信号的包络信号进行归一化操作，将其映射至0-100范围之内，接着考虑到关节扭矩与肌电信号之间的非线性关系引入公式如下：

其中u(t)是线性归一化后的肌电信号值，m(t)是非线性归一化的肌电信号值，K₀为经验参数，ΔK具有一定的范围，K₀+ΔK其决定了非线性曲线的曲率，ΔK具体的大小通过神经网络给出。首先通过扭矩传感器测量肘关节在运动过程中的扭矩作为扭矩的实测值M(t)，然后将处理过的肌电信号u(t)、扭矩传感器实测的扭矩值M(t)，估计出的关节角度信号γ(t)以及关节角速度信号dγ(t)作为神经网络的输入，ΔK作为神经网络的输出，采用高斯核函数作为径向基函数，通过径向基神经网络来拟合估计扭矩与ΔK之间的非线性关系,如图2所示。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，该方法训练时间短，以训练出来的值代替经验值，更加准确；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。

所述的基于神经网络的助力控制策略采用基于径向基神经网络的模糊滑模控制，伺服电机以力矩模式运行。基于肌电信号所估计出的关节角度信号作为滑模控制器的参考输入，弯曲传感器测量的肘关节角度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。将肌电信号所估计出来的关节扭矩信号m(t)、原始肌电信号s(t)、估计出的关节角度信号γ(t)以及关节角速度信号dγ(t)作为神经网络的输入，单位关节增量角作为神经网络的输出，采用高斯核函数作为径向基函数，通过径向基神经网络来拟合肌电信号与单位关节增量角之间的非线性关系，如图3所示。该单位关节增量角通过乘以一个历史最大估计扭矩的比例系数，再与估计出的当前关节角度相加形成期望达到的关节角度，以此作为滑模控制器中肘关节期望角度的输入，进行接下来的柔顺控制。神经网络中具体的公式推导如下：

神经网络的输入由估计出来的关节扭矩信号m(t)、原始肌电信号s(t)、估计出的关节角度信号γ(t)以及关节角速度信号dγ(t)组成的特征向量x表示：

在本文中，使用a_1k表示隐藏层1中的节点，a_2i，a_3j表示隐藏层2,3中的节点，y′表示神经网络的预测值，y为正确的输出值。用w_hk ⁽¹⁾表示输入层x_h与隐藏层1a_1k之间的权重，其偏置用b_k ⁽¹⁾来表示，用w_kj ⁽²⁾表示隐藏层1a_1k与隐藏层2a_2i之间的权重，b_i ⁽²⁾为其偏置，用w_ij ⁽³⁾表示隐藏层2a_2i与隐藏层3a_3j之间的权重，b_j ⁽³⁾为其偏置，用w_j1 ⁽⁴⁾表示隐藏层3a_3j与输出层y之间的权重，b₁ ⁽⁴⁾为其偏置。在本文中使用均方误差作为损失函数L，使用Sigmoid函数作为激活函数。

损失函数L为：

Sigmoid函数为：

所设计的神经网络控制器前向传播过程为：

使用梯度下降算法以及反向传播算法来更新权重以及偏置，给定学习率η，对b₁ ⁽⁴⁾有：

b₁ ⁽⁴⁾＝b₁ ⁽⁴⁾+△b₁ ⁽⁴⁾ (11)

其中△b₁ ⁽⁴⁾为根据梯度所计算得到的更新项，其表达式为：

根据链式法则有：

由于Sigmoid函数有一个很好的性质：

f′(x)＝f(x)(1-f(x)) (14)

根据式(5)和式(10)，有：

对w_j1 ⁽⁴⁾有：

w_j1 ⁽⁴⁾＝w_j1 ⁽⁴⁾+△w_j1 ⁽⁴⁾ (16)

其中△w_j1 ⁽⁴⁾，有：

同样对于b_j ⁽³⁾，w_ij ⁽³⁾，b_i ⁽²⁾，w_ki ⁽²⁾，b_k ⁽¹⁾，w_hk ⁽¹⁾有：

神经网络控制器的权重与偏置参数训练完成后，根据前向传播算法可以得到神经网络的输出，即单位关节增量角△θ(t)为：

下面描述模糊滑模控制器的执行流程，整体公式描述如下：

其中，θ是肘关节的角度，是肘关节的角速度，

是肘关节的角加速度。M(θ)是外骨骼机器人的惯量。

是外骨骼机器人的粘性阻尼系数，τ_f是电缆传输组件、电机减速器和肘关节处产生的摩擦。e＝θ_d-θ，表示系统的位置误差，其中，θ_d为神经网络的输出值△θ(t)乘以历史最大估计扭矩系数，然后与上文中估计的肘关节角度y(t)相加所得到的和，其表征系统期望肘关节角度。

表示系统的速度误差，其中，

和

分别为期望的肘关节角速度和角加速度。K表示正的模糊增益。λ，ψ是两个正值常数。s(t)是滑模变量，U是控制率，sat(s)是死区补偿的饱和函数，如下：

是定义饱和函数边界层厚度的正值常数，ρ是死区补偿常数，sign(·)是符号函数。接着用用模糊滑模控制器来调整参数K的大小。采用的模糊规则如表1所示。归一化s(t)，

与输入隶属函数的关系，归一化K与输出隶属函数的关系如图8所示，其中，

是s(t)对时间的导数。将模糊变量映射为负大(NL)、负中(NM)、零(ZE)、正小(PS)、正中(PM)、正大(PB)、正大(PL)几个三角和高斯模糊子集。采用重心法和Zadeh模糊综合法进行去模糊化。模糊输出可以表示为:

其中，

其中，A(q_σ)表示关于支撑值q_σ的推理模糊集强度。输出量化级的个数表示为n。总规则数记为m。λ_ν和A_ν为相应模糊规则的权值和输出模糊集。P₁ ^ν,

分别为s(t)，

的输入模糊集。

表1模糊控制规则表.

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种基于神经网络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；

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，肌电信号检测模块通过肌电信号传感器用以检测人体上肢肱二头肌的肌电信号；人体姿态检测模块通过弯曲传感器用以检测人体上肢肘关节角度；

数据采集处理模块包括高精度数据采集模块、实时运动控制模块、模拟信号输出模块；高精度数据采集模块通过高精度数据采集卡用以采集肌电信号传感器检测的肌电信号；实时运动控制模块包括实时控制系统；模拟信号输出模块通过多通道模拟输出卡并结合实时控制系统来输出控制信号。

2.根据权利要求1所述的控制系统，其特征在于：还具有助力效果评价模块，包括肌电信号扭矩估计模块以及肌电信号能量估计模块；其中，肌电信号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；肌电信号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。

3.一种基于神经网络的外骨骼机器人助力控制方法，其特征在于，包括以下步骤：

(1)、通过肌电传感器以及高精度数据采集卡从穿戴者的肱二头肌上获取表面肌电信号，并且通过扭矩估计策略提取运动意图；

(2)、所采集到的肌电信号经过放大之后输入到数据采集卡，数据采集卡与实时运动控制系统相连，通过10-400Hz的四阶巴特沃斯带通滤波器来滤除噪声，其次对带通滤波后的EMG信号进行归一化，对归一化后的EMG信号进行全波整流，用低通巴特沃斯滤波器进行滤波，得到EMG数据的包络线；

(3)、按照扭矩估计模块中所述的步骤，使用神经网络输出得到系数ΔK，以此描述估计扭矩和肌电信号之间的非线性关系；

(4)、关节扭矩信号在实时控制系统中处理完后送入模糊滑模控制器并实时显示出来，以对后续的助力实验进行相关指导；

(5)、将处理好的肌电信号带入肘关节角度估计模型，得到肘关节的估计角度；

(6)、通过弯曲传感器测量肘关节的角度，此角度作为运动中肘关节的实测角度；

(7)、将关节估计扭矩、原始肌电信号、关节估计角度及其角速度输入至径向基神经网络控制器，输出单位意图增量角，接着乘以历史最大估计扭矩系数得出一个表征运动意图的关节增量角，并将其与估计的关节角度信号加起来作为下一时刻期望达到的角度信号；

(8)、接着将这个期望角度信号送入模糊滑模控制器，控制器使用上述描述方法中的各参数，实现柔顺控制；

(9)、由弯曲传感器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；

(10)、随后由控制器输出控制信号来驱动外骨骼机器人执行机构，从而根据运动意图带动手臂运动，实现助力效果。

4.根据权利要求3所述的控制方法，其特征在于：还包括步骤(11)、基于助力效果评价模块来定量分析和衡量助力效果；比较有无助力情况下的估计扭矩大小和能量消耗，评价助力的效果。

5.根据权利要求3所述的控制方法，其特征在于：步骤(1)中，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；参考电极贴在无肌肉处，以获得正确的参考电位。

6.根据权利要求4所述的控制方法，其特征在于：步骤(3)中，估计扭矩和肌电信号之间的非线性关系为：

其中u(t)是线性归一化后的肌电信号值，m(t)是非线性归一化的肌电信号值，K₀为经验参数，K₀+ΔK其决定了非线性曲线的曲率，通过扭矩传感器测量肘关节在运动过程中的扭矩作为扭矩的实测值M(t)，然后将处理过的肌电信号u(t)、扭矩传感器实测的扭矩值M(t)，估计出的关节角度信号γ(t)以及关节角速度信号dγ(t)作为神经网络的输入，ΔK作为神经网络的输出，采用高斯核函数作为径向基函数，通过径向基神经网络来拟合估计扭矩与ΔK之间的非线性关系。

7.根据权利要求4所述的控制方法，其特征在于：步骤(5)中，肘关节角度估计模型如下：

模型的参数为：

A(q)＝a₁+a₂q^-1+…+a_xq^-x

B(q)＝b₁+b₂q^-1+…+b_yq^-y+1

C(q)＝c₁+c₂q^-1+…+c_zq^-z

其中，t为时间，y(t)为估计的肘关节角度，u(t-d)为处理过的肌电信号，e(t)为高斯白噪声，d为输入的延迟时间，q为延时算子，a₁,a₂,…a_x；b₁,b₂,…b_y；c₁,c₂,…c_z为各项延时算子的系数，x,y,z为各项延时算子的指数。

8.根据权利要求7所述的控制方法，其特征在于：步骤(7)中，关节增量角△θ(t)为：

下面描述模糊滑模控制器的执行流程，整体公式描述如下：

其中，θ是肘关节的角度，

是肘关节的角速度，

是肘关节的角加速度；M(θ)是外骨骼机器人的惯量；

是外骨骼机器人的粘性阻尼系数，τ_f是电缆传输组件、电机减速器和肘关节处产生的摩擦；e＝θ_d-θ，表示系统的位置误差，其中，θ_d为神经网络的输出值△θ(t)乘以历史最大估计扭矩系数，然后与估计的肘关节角度y(t)相加所得到的和，θ_d表征系统期望肘关节角度；

表示系统的速度误差，其中，和

分别为期望的肘关节角速度和角加速度；K表示正的模糊增益；λ，ψ是两个正值常数；s(t)是滑模变量，U是控制率，sat(s)是死区补偿的饱和函数，如下：

是定义饱和函数边界层厚度的正值常数，ρ是死区补偿常数，sign(·)是符号函数。

9.根据权利要求8所述的控制方法，其特征在于：接着用模糊滑模控制器来调整参数K的大小，，模糊输出表示为:

其中，

其中，A(q_σ)表示关于支撑值q_σ的推理模糊集强度；输出量化级的个数表示为n；总规则数记为m；λ_ν和A_ν为相应模糊规则的权值和输出模糊集；

分别为s(t)，

的输入模糊集。

Images