CN111161835A - 一种机器人辅助康复训练中患者主动参与度估算方法 - Google Patents
一种机器人辅助康复训练中患者主动参与度估算方法 Download PDFInfo
- Publication number
- CN111161835A CN111161835A CN201911381711.7A CN201911381711A CN111161835A CN 111161835 A CN111161835 A CN 111161835A CN 201911381711 A CN201911381711 A CN 201911381711A CN 111161835 A CN111161835 A CN 111161835A
- Authority
- CN
- China
- Prior art keywords
- robot
- patient
- human
- work
- rehabilitation training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012549 training Methods 0.000 title claims abstract description 62
- 230000009471 action Effects 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 8
- -1 period Chemical class 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 210000003414 extremity Anatomy 0.000 abstract description 9
- 210000001364 upper extremity Anatomy 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 238000002567 electromyography Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 208000006011 Stroke Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004064 dysfunction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明公开了一种机器人辅助康复训练中患者主动参与度估算方法,包括如下步骤:S1、获取机器人系统单独执行特定运动周期的电机做功信息Wrobot;S2、在患者肢体处于无力状态下,获取患者和机器人组合在一起执行特定运动周期的做功信息Wrobot+human,得出患者自身完成特定动作周期所需做的功Whuman;S3、在康复训练过程中,获取患者和机器人进行特定动作周期人机交互过程中电机的实际做功数据得出患者实时做功数据S4、计算患者进行康复训练的主动参与度Cuser。本发明采用人机交互系统的做空总量恒定的原理,通过检测机器人的做功情况即可推知患者做功的情况,更加容易理解;同时避免了复杂的机器人与人体上肢动力学建模,更加适应临床应用。
Description
技术领域
本发明涉及医学技术领域,特别涉及一种机器人辅助康复训练中患者主动参与度估算方法。
背景技术
脑卒中是一种严重的神经损伤疾病。近年来随着人们生活习惯、饮食结构与环境的不断变化,该疾病的发病率显著增高且趋于年轻化。脑卒中会造成患者肢体运动功能障碍,合理的康复训练可以帮助患者一定程度地重建肢体运动功能。传统基于人工辅助的康复治疗手段的成本较高,效率较低,难以满足脑卒中患者日益增长的康复需求。机器人辅助康复训练技术成为可以帮助康复医师为更多患者提供康复治疗的新方法,在缓解肢体运动功能障碍方面,该技术的训练效果已逐渐接近人工辅助训练方法。为进一步提升康复机器人对于脑卒中患者运动功能障碍的训练治疗效果,患者在进行人机交互训练过程中的主动参与度定量化估计是需要突破的一项关键技术。
研究表明,患者的主动参与是关系康复治疗效果的关键因素,而客观定量化地主动参与度估算是康复工程领域亟需突破的技术之一。患者训练的主动参与度数据一方面能够通过实时反馈给患者,促进患者积极主动的参与康复训练;另一方面能够为医师准确客观评估患者的肢体运动功能提供定量化依据;同时,该指标也可为康复机器人在线自适应调整辅助控制策略提供了参考信息。因此,定量化估计患者在康复训练中的主动参与度具有重要意义。
在现有技术中,有依靠机器人电机输出力矩累计的方法来评定患者的主动参与度,患者在一个动作周期内实际付出力矩的累加值,并进一步建立上肢康复机器人和患者上肢的逆动力学模型来估算患者上肢独立完成动作周期的力矩累加值,而两个力矩累加值的比值则为患者的主动参与度。因电机输出力矩有正值与负值,当训练动作范围较大时电机输出力矩的累积值容易出现正负抵消的现象,由此引起主动参与度计算出现误差。
在现有技术中,也有通过基于脑电或者肌电信号探测的方法来实时客观地表征患者训练中的主导参与度,但该方法需要患者额外佩戴传感器,系统具有一定的复杂性;同时,有些偏瘫患者在康复训练中不愿意佩戴传感器,因此该方法在临床应用时的患者依从性会存在局限性。而且基于脑电与肌电探测的主动参与度估计方法通常被认为是半定量的方法。
发明内容
本发明所要解决的技术问题是:提供一种机器人辅助康复训练中患者主动参与度估算方法,该方法包括标定检测过程中的患者自己独立完成特定动作周期的做功计算以及康复训练中患者实际的做功计算,两个做功值的比值乘以100%即为患者的主动参与度。
本发明解决上述问题所采用的技术方案为:一种机器人辅助康复训练中患者主动参与度估算方法,包括如下步骤:
S1、获取机器人系统单独执行特定运动周期的电机做功信息Wrobot;
S2、在患者肢体处于无力状态下,获取患者和机器人组合在一起执行特定运动周期的做功信息Wrobot+human,得出患者自身完成特定动作周期所需做的功Whuman,
Whuman=Wrobot+human-Wrobot;
S4、计算患者进行康复训练的主动参与度Cuser,
优选的,在步骤S1中,具体处理步骤如下:
S11、采集机器人系统单独执行特定运动周期的关节电机输出力矩τrobot,和对应的关节转动位移θrobot;
S12、在动作周期内,将离散化的关节电机输出力矩τrobot与对应的关节转动位移θrobot乘积进行累加求和,得到机器人系统单独执行时电机做功信息Wrobot;
其中,N为单个训练任务的数据采样样本数量。
优选的,在步骤S2中,具体处理步骤如下:
S21、在患者肢体处于无力状态下,采集患者和机器人组合在一起执行特定运动周期的关节电机输出力矩τrobot+human,和对应的关节转动位移θrobot+human;
S22、在动作周期内,将离散化的关节电机输出力矩τrobot+human与对应的关节转动位移θrobot+human乘积进行累加求和,得到患者和机器人组合在一起执行时电机做功信息Wrobot+human;
其中,N为单个训练任务的数据采样样本数量;
S23、得出患者自身完成特定动作周期所需做的功Whuman,
Whuman=Wrobot+human-Wrobot。
优选,在步骤S3中,具体步骤如下:
其中,N为单个训练任务的数据采样样本数量;
优选的,患者在相对应康复训练模式下,将多次主动参与度求平均值或均方差或方差,作为最终评价。
与现有技术相比,本发明的优点在于:
(1)、相比与量表法无需康复医师主观打分,而是通过实时客观的检测技术评估患者主动参与度,且增强了不同研究小组之间获取数据的可比性。
(2)、相比于基于脑电或者肌电探测的方法无需患者额外佩戴传感器,患者一边进行训练,该方法即可获取其主动参与度信息,操作上非常方便,具有较强的临床推广性;而且基于脑电与肌电探测的主动参与度估计方法通常被认为是半定量的方法,本申请公开的方法具有更强的定量特性。
(3)、相比于基于力信息的主动参与度估计方法可避免出现正负力抵消的现象;做功情况可以代表能量的变化,本方法采用人机交互系统的做空总量恒定的原理,通过检测机器人的做功情况即可推知患者做功的情况,从物理概念上更加容易理解;同时,通过采用简单的做功标定避免了复杂的机器人与人体上肢动力学建模,更加适应临床应用时对不同患者主动参与度的个性化评估。
附图说明
图1本发明机器人辅助康复训练中患者主动参与度估算方法流程示意图;
图2机器人完成各个规定任务后的做功大小变化情况;
图3某一个被试者在四种不同状态下通过本申请方法以及基于肌电探测方法同时获得主动参与度的结果对比;
图4所有被试者在四种状态下的主动参与度的平均结果分析。
具体实施方式
下面结合附图对本发明的实施例作进一步描述。
本实施例涉及一种机器人辅助康复训练中患者主动参与度估算方法,该方法首先通过采集患者康复训练过程中机器人系统关节电机的实时位置与输出力矩信息,在此基础上,根据电机数据获取系统的采样率信息离散化地计算电机输出力矩与对应采样时间内关节转动位移的乘积,再根据康复训练任务来划分动作周期,确定动作周期后即将离散化的电机输出力矩与对应关节转动位移乘积进行累加求和。该累加求和值即为特定动作周期内机器人电机所做的功。
其中,Wmotor为电机所做的功,N为单个训练任务的数据采样样本数量,τmotor为机器人关节电机输出转矩,θmotor为机器人关节电机转动角度。
如图1所示,本方法具体包括如下步骤:
步骤S1、获取机器人系统单独执行特定运动周期的电机做功信息Wrobot。主要是采集患者康复训练过程中机器人系统关节电机的实时位置与输出力矩信息,具体处理步骤如下:
S11、采集机器人系统单独执行特定运动周期的关节电机输出力矩τrobot,和对应的关节转动位移θrobot;
S12、在动作周期内,将离散化的关节电机输出力矩τrobot与对应的关节转动位移θrobot乘积进行累加求和,得到机器人系统单独执行时电机做功信息Wrobot;
其中,N为单个训练任务的数据采样样本数量,τrobot[i]表示第i个采样样本的关节电机输出力矩,θrobot[i]表示第i个采样样本的关节转动位移,θrobot[i-1]表示第i-1个采样样本的关节转动位移。
步骤S2、在患者肢体处于无力状态下,获取患者和机器人组合在一起执行特定运动周期的做功信息Wrobot+human,得出患者自身完成特定动作周期所需做的功Whuman,
Whuman=Wrobot+human-Wrobot。
这一步骤主要是对康复机器人系统以及患者与机器人交互的人机耦合系统在特定动作周期内所做的功进行标定检测,具体处理步骤如下:
S21、在患者肢体处于无力状态下,采集患者和机器人组合在一起执行特定运动周期的关节电机输出力矩τrobot+human,和对应的关节转动位移θrobot+human;
S22、在动作周期内,将离散化的关节电机输出力矩τrobot+human与对应的关节转动位移θrobot+human乘积进行累加求和,得到患者和机器人组合在一起执行时电机做功信息Wrobot+human;
其中,N为单个训练任务的数据采样样本数量,τrobot+human[i]表示第i个采样样本的关节电机输出力矩,θrobot+human[i]表示第i个采样样本的关节转动位移,θrobot+human[i-1]表示第i-1个采样样本的关节转动位移;
S23、得出患者自身完成特定动作周期所需做的功Whuman,
Whuman=Wrobot+human-Wrobot。
步骤S4、计算患者进行康复训练的主动参与度Cuser,
患者在相对应康复训练模式下,将多次主动参与度求平均值或均方差或方差,作为最终评价。
在本实施例中,步骤S1、S2和S3中,针对机器人系统的电机位置数据和电机转矩数据是利用Simulink软件进行采集的,采样频率为1kHz。
为了验证试验数据的准确性,本实施例还与肌电信号处理出来的主动参与度进行了比较。
其中,肌电数据是利用Trigno Wireless System设备进行采集,采样频率为2kHz。本申请使用MATLAB软件对数据进行处理。
首先,使用MATLAB对肌电信号进行20Hz~500Hz的带通滤波以及滤除50Hz的工频信号,然后在对信号进行去均值、整流、取包络线等数据处理,最终以肌电信号包络线的数值作为特征参量表征肌电信号的强弱。
然后,利用表面肌电信号的包络线数值计算主动参与度CUser-EMG,计算对应每个训练任务时间内的肌电信号包络线数字的累加值作为特定动作周期内肌电信号的特征参量EMG。以被动运动时多次试验平均的肌电特征参量数值EMGPassive与对应主动参度等于0%,以主动运动时多次试验平均的肌电特征参量数值EMGActive对应主动参与度等于100%,其它情况下的主动参与度CUser-EMG计算则通过如下公式获得:
最后,通过肌电信号计算获得的主动参与度与基于机器人电机信息计算获得主动参与度进行比较验证。
为了展示本申请所提方法的可行性,共招募12名健康受试者,其中男性9名,女性3名,平均年龄为28.2±5.0岁,均为右利手。在开始试验之前,每位被试者已经充分了解试验流程,并签署了知情同意书。该实验总共分为三个阶段。
(1)第一阶段:使机器人空载连续运行14个运动任务;
(2)第二阶段:指示受试者控制手臂完全处于放松状态,使机器人连续运行14个运动任务;
(3)第三阶段:指示受试者控制手臂不同的发力程度,模拟四种不同的主动参与度(即被动、半主动、主动和阻抗),并连续完成14个运动任务。其中,第1,2,5,6,9,10,13,14个训练任务为被动运动模式,模拟完全没有运动能力的患者;第3,4个训练任务为半主动运动模式,模拟有一定运动能力的患者;第7,8个训练任务为主动运动模式,模拟有自主完成训练任务能力的患者;第11,12个训练任务为抗阻运动模式,模拟有超越自主完成任务能力的患者。同时采集受试者肱二头肌的表面肌电信号。
图2(A)为某一次标定检测过程中机器人独立完成14个训练任务做功大小的变化情况,其均值和标准差为6.37±0.04J。显然,机器人独立完成14个训练任务做功数值非常稳定,其均值可以作为Wrobot的值。图2(B)为标定检测过程中被试者与机器人共同完成14个训练任务时机器人做功大小的变化情况,其实被试者上肢处于无力状态,即总功Wrobot+human的计算结果均值和标准差为11.42±0.35J,且数据稳定性较好。
图3为某一个被试者在四种不同状态下通过本申请方法以及基于肌电探测方法同时获得主动参与度的结果对比。通过基于肌电探测方法获取主动参与度数值在被动状态接近0%,在半主动状态接近50%,在主动状态接近100%,在抗阻状态接近150%;而基于本申请方法获得的主动参与度数值在在被动状态接近0%,在半主动状态接近50%,在主动状态接近120%,在抗阻状态接近200%。从对比结果来看,两种方法获得的主动参与度数值趋势相同,具有一定可比性。
图4为所有被试者在四种状态下的主动参与度的平均结果分析。根据本申请提出的方法的计算结果如图4(A)所示。在被动运动模式下,主动参与度估计结果为0.06±9.65%;在半主动模式下,其估计结果为42.46±20.47%;在主动模式下,其估计结果为90.73±17.15%;在抗阻模式下,其估计结果为239.96±84.23%。利用表面肌电信号估计主动参与度的计算结果如图4(B)所示。在被动运动模式下,其估计结果为-3.33±6.32%;在半主动模式下,其估计结果为40.85±22.34%;在主动模式下,其估计结果为100±16.28%;在抗阻模式下,其估计结果为193.65±73.42%。该结果从统计学的角度进一步说明两种方法对于主动参与度的估计具有相同趋势,数据结果具有一定可比性,两种方法可以相互验证。
本发明的有益效果为:相比与量表法无需康复医师主观打分,而是通过实时客观的检测技术评估患者主动参与度,且增强了不同研究小组之间获取数据的可比性。相比于基于脑电或者肌电探测的方法无需患者额外佩戴传感器,患者一边进行训练,该方法即可获取其主动参与度信息,操作上非常方便,具有较强的临床推广性;而且基于脑电与肌电探测的主动参与度估计方法通常被认为是半定量的方法,本申请公开的方法具有更强的定量特性。相比于基于力信息的主动参与度估计方法可避免出现正负力抵消的现象;做功情况可以代表能量的变化,本方法采用人机交互系统的做空总量恒定的原理,通过检测机器人的做功情况即可推知患者做功的情况,从物理概念上更加容易理解;同时,通过采用简单的做功标定避免了复杂的机器人与人体上肢动力学建模,更加适应临床应用时对不同患者主动参与度的个性化评估。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
3.根据权利要求2所述的一种机器人辅助康复训练中患者主动参与度估算方法,其特征在于:在步骤S2中,具体处理步骤如下:
S21、在患者肢体处于无力状态下,采集患者和机器人组合在一起执行特定运动周期的关节电机输出力矩τrobot+human,和对应的关节转动位移θrobot+human;
S22、在动作周期内,将离散化的关节电机输出力矩τrobot+human与对应的关节转动位移θrobot+human乘积进行累加求和,得到患者和机器人组合在一起执行时电机做功信息Wrobot+human;
其中,N为单个训练任务的数据采样样本数量;
S23、得出患者自身完成特定动作周期所需做的功Whuman,
Whuman=Wrobot+human-Wrobot。
5.根据权利要求1-4任一项所述的一种机器人辅助康复训练中患者主动参与度估算方法,其特征在于:患者在相对应康复训练模式下,将多次主动参与度求平均值或均方差或方差,作为最终评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381711.7A CN111161835A (zh) | 2019-12-27 | 2019-12-27 | 一种机器人辅助康复训练中患者主动参与度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911381711.7A CN111161835A (zh) | 2019-12-27 | 2019-12-27 | 一种机器人辅助康复训练中患者主动参与度估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111161835A true CN111161835A (zh) | 2020-05-15 |
Family
ID=70558720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911381711.7A Pending CN111161835A (zh) | 2019-12-27 | 2019-12-27 | 一种机器人辅助康复训练中患者主动参与度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161835A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110196262A1 (en) * | 2010-02-05 | 2011-08-11 | The Research Foundation Of State University Of New York | Real-time assessment of absolute muscle effort during open and closed chain activities |
CN105054927A (zh) * | 2015-07-16 | 2015-11-18 | 西安交通大学 | 一种下肢康复系统中主动参与度的生物量化评估方法 |
CN108187310A (zh) * | 2017-12-21 | 2018-06-22 | 东南大学 | 基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人及其控制方法 |
-
2019
- 2019-12-27 CN CN201911381711.7A patent/CN111161835A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110196262A1 (en) * | 2010-02-05 | 2011-08-11 | The Research Foundation Of State University Of New York | Real-time assessment of absolute muscle effort during open and closed chain activities |
CN105054927A (zh) * | 2015-07-16 | 2015-11-18 | 西安交通大学 | 一种下肢康复系统中主动参与度的生物量化评估方法 |
CN108187310A (zh) * | 2017-12-21 | 2018-06-22 | 东南大学 | 基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人及其控制方法 |
Non-Patent Citations (3)
Title |
---|
2019中国生物医学工程大会暨创新医疗峰会: "会议日程 S08康复工程技术前沿与产业创新-机器人辅助康复训练中主动参与度估算方法研究", 《HTTPS://STATIC.MEDMEETING.ORG/UPLOAD/MEETING/0/DOWNLOADFILE/2019111317580944551987.PDF》 * |
GUIDALI, MARCO等: "Estimating the patient’s contribution during robot-assisted therapy", 《 JOURNAL OF REHABILITATION RESEARCH AND DEVELOPMEN》 * |
李建等: "具有关节力矩反馈的上肢康复机器人设计", 《机械设计与制造》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
TWI435744B (zh) | 中風患者之雙側上肢動作訓練與評估系統 | |
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 | |
Lara et al. | Human-robot sensor interface for cardiac rehabilitation | |
CN111528842A (zh) | 基于生理和行为指标的帕金森病症状定量化评估方法 | |
CN109480838A (zh) | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 | |
Knaflitz et al. | Assessment of muscle fatigue during biking | |
Yu et al. | Analysis of muscle activity during gait cycle using fuzzy rule-based reasoning | |
CN110931104A (zh) | 基于机器学习的上肢康复机器人智能训练系统及方法 | |
Maura et al. | Literature review of stroke assessment for upper-extremity physical function via EEG, EMG, kinematic, and kinetic measurements and their reliability | |
CN112842824A (zh) | 一种用于下肢康复恢复的训练方法 | |
US20070118044A1 (en) | Method and device for identifying; measuring and analyzing abnormal neurological responses | |
WO2022193850A1 (zh) | 运动数据处理方法和运动监控系统 | |
Sheng et al. | Metric-based muscle synergy consistency for upper limb motor functions | |
JP2006075200A (ja) | 作業性評価装置、作業性評価方法および作業性評価プログラム | |
Dong et al. | Development of a fatigue-tracking system for monitoring human body movement | |
Sheng et al. | Musculoskeletal joint angle estimation based on isokinetic motor coordination | |
CN111161835A (zh) | 一种机器人辅助康复训练中患者主动参与度估算方法 | |
Chen et al. | A novel gait phase-based control strategy for a portable knee-ankle-foot robot | |
Tong et al. | BP-AR-based human joint angle estimation using multi-channel sEMG | |
Balasubramanian et al. | Robot-measured performance metrics in stroke rehabilitation | |
CN113397568B (zh) | 工程机械操作力范围的设定及司机作业疲劳度的评测方法 | |
Ubeda et al. | Single joint movement decoding from EEG in healthy and incomplete spinal cord injured subjects | |
TWI454255B (zh) | The use of muscle signal control of the rehabilitation system | |
Carvalho et al. | Review of electromyography onset detection methods for real-time control of robotic exoskeletons |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |