CN111243706A - 基于变阻抗演示学习的上肢康复机器人训练任务生成方法 - Google Patents

基于变阻抗演示学习的上肢康复机器人训练任务生成方法 Download PDF

Info

Publication number
CN111243706A
CN111243706A CN202010061021.XA CN202010061021A CN111243706A CN 111243706 A CN111243706 A CN 111243706A CN 202010061021 A CN202010061021 A CN 202010061021A CN 111243706 A CN111243706 A CN 111243706A
Authority
CN
China
Prior art keywords
task
model
upper limb
limb rehabilitation
rehabilitation robot
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
Application number
CN202010061021.XA
Other languages
English (en)
Other versions
CN111243706B (zh
Inventor
曾洪
李潇
余伟杰
宋爱国
石珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202010061021.XA priority Critical patent/CN111243706B/zh
Publication of CN111243706A publication Critical patent/CN111243706A/zh
Application granted granted Critical
Publication of CN111243706B publication Critical patent/CN111243706B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Physical Education & Sports Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Rehabilitation Therapy (AREA)
  • Pain & Pain Management (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了基于变阻抗演示学习的上肢康复机器人训练任务生成方法，依次建立人机交互模型、TP‑GMM学习、局部刚度估计、轨迹回归以及任务泛化等步骤生成具有多样性的训练任务。本发明综合考虑任务的轨迹，交互力与阻抗信息，因此该方法生成的训练任务，让患者不仅模仿治疗师/技术员的运动行为，还模仿他们与上肢康复机器人交互中的变阻抗策略。本发明首次将TP‑GMM建模方法用于上肢康复机器人训练任务的编码中，可实现任务的变起始点/目标点的泛化功能。本发明解决了训练任务多样化所需的复杂编程问题，可减少治疗师/技术员实时为患者调整任务参数以增加多样性的既枯燥又繁琐的工作量，提高康复训练效率。

Description

基于变阻抗演示学习的上肢康复机器人训练任务生成方法
技术领域
本发明属于康复训练领域，特别涉及了一种上肢康复机器人训练任务生成方法。
背景技术
《中国脑卒中防治报告(2018)》指出脑卒中是我国成年人群致死、致残的首位病因，脑卒中后患者多数伴有各种各样的功能障碍，如肢体运动障碍、躯体运动障碍、躯体感觉异常、失语、认知障碍等，其中以肢体障碍患者(偏瘫患者)居多。医学理论和临床实践证明，人体大脑中枢神经系统具有高度的可塑性，神经损伤患者在发病后，对患者肢体采取反复的康复运动可以刺激大脑皮层使受损的大脑神经功能重组、重建。运动康复治疗分上肢和下肢康复训练。首先，上肢功能的恢复是独立进行日常生活活动(Activity of DailyLiving,ADL)的必要条件。其次，人体单侧上肢由32块骨骼和34块肌群及与相关骨骼连接的肌腱组成，人体上肢相对下肢来说结构比较复杂。再者，上肢运动需要身体视觉和触觉系统配合来完成，患者的运动学习更为困难，所以上肢运动康复更加复杂。
传统的上肢康复训练主要是依赖于康复医师对患者进行一对一的人工辅助训练或理疗，这种方法是劳动密集型、耗时且昂贵的治疗方式。上肢康复机器人以康复医学理论为基础，提供了一种有效的康复途径，它可以排除人为因素，保证训练的效率和强度，不受康复医师水平和状态的影响；同时，上肢康复机器人具有可控性和可调性，为客观评价训练参数和康复效果的关系提供便利，易于对训练方案中的各项参数进行优化以获得最佳治疗效果。因此，上肢康复机器人对脑卒中后偏瘫患者的上肢运动康复存在一定优势，是当前康复工程领域中一个重要的研究方向。
根据上肢运动康复完成过程中主动用力程度，可将运动训练策略分为被动运动，助力运动，主动运动与抗阻运动。这里面向轻/中度脑卒中后偏瘫患者，他们具有一定的运动能力，故重点研究主动运动训练策略，即患肢的运动不受限制，上肢康复机器人跟随上肢运动，不提供辅助力与阻力。有研究表明，恒定不变的训练任务会让患者产生记忆，不能做到真正的运动学习，增加任务变化性/多样性可以提高运动技能的学习与记忆。在早期的研究中，治疗师/技术人员会对下一阶段的任务进行适当的修改以增加任务变化性，这增加了他们的工作量，导致康复训练效率低下。演示学习(Learning from Demonstration,LfD)是一种通过人机互动、示教，将人的技能传授给机器人的技术，可以大大简化编程，提高学习效率。因此，有学者利用演示学习解决了助力训练模式的这个问题，通过模仿治疗师/技术人员的行为，然后自主产生一系列类似的任务。但是这些方法只对特定任务的轨迹进行编码，并未考虑患者与上肢康复机器人之间的交互力与阻抗信息。在人机交互中，力提供运动，而阻抗可对抗系统的干扰帮助系统稳定。有研究表明，这两种信息正是示教的技能/任务向复杂动态的应用场景泛化，增加任务变化性/多样性的关键。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了基于变阻抗演示学习的上肢康复机器人训练任务生成方法。
为了实现上述技术目的，本发明的技术方案为：
基于变阻抗演示学习的上肢康复机器人训练任务生成方法，包括以下步骤：
(1)设人与上肢康复机器人的交互模型由虚拟的弹簧-阻尼系统构成，建立人机交互模型：
Figure BDA0002374481940000031
上式中，t表示时刻；
Figure BDA0002374481940000032
为t时刻下人与机械臂的接触力；
Figure BDA0002374481940000033
为t时刻的刚度系数；
Figure BDA0002374481940000034
为t时刻的阻尼系数；xt为t时刻的上肢康复机器人的空间坐标点，
Figure BDA0002374481940000035
为xt的速度；yt为t时刻下系统处于平衡状态的空间坐标点，称为吸引子；
(2)采用任务参数-高斯混合模型TP-GMM对人机交互模型处于平衡状态下的吸引子轨迹
Figure BDA0002374481940000036
进行建模；其中，N为数据总长度，
Figure BDA0002374481940000037
M为示教次数，Tm为每次示教数据的长度；
(3)根据人机交互模型与TP-GMM模型的后验概率推导出局部动态方程，进而实现局部刚度估计；
(4)根据步骤(2)得到的TP-GMM建模结果，采用高斯混合回归模型GMR实现吸引子轨迹y的回归建模；
(5)为了实现训练任务的泛化功能，分别将新的接触力序列与新的任务参数分输入训练好的TP-GMM模型和人机交互模型中，泛化得到满足新的接触力序列与新的任务参数的训练任务。
进一步地，在步骤(1)中，所述人机交互模型为规范动态系统，
Figure BDA0002374481940000038
进一步地，在步骤(2)中，所述吸引子轨迹y由治疗师或技术员多次演示任务生成，训练好的TP-GMM模型由
Figure BDA0002374481940000039
表达，其中，K为高斯组件总个数，P为坐标系总个数，πi为第i个高斯组件的混合系数，
Figure BDA00023744819400000310
和
Figure BDA00023744819400000311
分别表示第j坐标系下第i个高斯组件的中心矩阵和协方差矩阵：
Figure BDA00023744819400000312
Figure BDA0002374481940000041
上式中，γt,i为第i个高斯组件的后验概率，
Figure BDA0002374481940000042
为吸引子轨迹y的第j个坐标系下的子数据集，上标T表示矩阵转置。
进一步地，在步骤(3)中，所述局部动态方程如下：
Figure BDA0002374481940000043
上式中，
Figure BDA0002374481940000044
为与第i个高斯组件相关的局部刚度系数，μt,i为TP-GMM模型的均值参数；
上述局部动态方程转换为残差最小化的求解问题：
Figure BDA0002374481940000045
上式中，
Figure BDA0002374481940000046
为局部刚度残差，
Figure BDA0002374481940000047
该残差最小化优化问题的目标函数与约束条件：
Figure BDA0002374481940000048
Figure BDA0002374481940000049
进一步地，所述残差最小化优化问题为半正定规划问题，利用内点算法进行求解。
进一步地，在步骤(5)中，新的接触力序列由
Figure BDA00023744819400000410
表达，其中
Figure BDA00023744819400000411
为t时刻新的接触力；新的接触力序列由患者练习任务时产生，与治疗师或技术员产生的接触力不同。
进一步地，在步骤(5)中，所述新的任务参数由新的参考坐标系
Figure BDA00023744819400000412
表达，其中，
Figure BDA00023744819400000413
为第j个坐标系的平移变换矩阵，
Figure BDA00023744819400000414
为第j个坐标系的旋转变换矩阵；新的参考坐标系描述为未由治疗师或技术员演示过的新的任务起始点或目标点。
进一步地，在步骤(5)中，将新的参考坐标系
Figure BDA0002374481940000051
输入训练好的TP-GMM模型，得到泛化TP-GMM模型：
Figure BDA0002374481940000052
上式中，
Figure BDA0002374481940000053
和
Figure BDA0002374481940000054
分别为泛化TP-GMM模型的均值和协方差矩阵参数，
Figure BDA0002374481940000055
表示均值和协方差矩阵分别为
Figure BDA0002374481940000056
和
Figure BDA0002374481940000057
的高斯分布；
基于泛化TP-GMM模型进行GMR模型回归得到泛化的吸引子轨迹
Figure BDA0002374481940000058
其中
Figure BDA0002374481940000059
为泛化的吸引子坐标点，将最终估计的刚度系数
Figure BDA00023744819400000510
与新的接触力序列
Figure BDA00023744819400000511
输入人机交互模型，推导出新的任务轨迹的速度表达式：
Figure BDA00023744819400000512
其中，
Figure BDA00023744819400000513
为GMR模型的泛化后验概率，
Figure BDA00023744819400000514
为GMR模型的时间索引变量，
Figure BDA00023744819400000515
为新的任务轨迹的速度，
Figure BDA00023744819400000516
为xt的第一个空间坐标点；
对任务轨迹的速度
Figure BDA00023744819400000517
积分得到新的任务轨迹为
Figure BDA00023744819400000518
实现任务泛化。
采用上述技术方案带来的有益效果：
(1)本发明面向上肢康复机器人的主动训练策略，利用演示学习方法由治疗师/技术员传授训练任务，让患者模仿治疗师/技术员的行为，比传统的轨迹跟踪或点到点的任务更具有指导意义；
(2)本发明不仅对轨迹信息编码，还对人机交互力/阻抗信息进行编码建模，因此，由该演示学习生成的任务，让患者既模仿治疗师/技术员的运动行为，又模仿他们与上肢康复机器人交互中的变阻抗策略；
(3)本发明采用TP-GMM对虚拟弹簧阻尼系统平衡状态的吸引子进行建模，使所示教的任务具有泛化性，即可实现多样性的训练任务，由此可减轻治疗师/技术员的负担。
附图说明
图1是本发明整体框架流程图；
图2是本发明中人机交互模型的虚拟弹簧阻尼系统示意图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明中所指的主动运动训练策略，要求上肢康复机器人处于柔顺控制模式，人可以自由带动机械臂运动。在这里，由治疗师/技术人员与上肢康复机器人协作传授任务，上肢康复机器人在t时刻的位置信息与人机交互力信息分别记为xt和
Figure BDA0002374481940000061
如图1所示，本发明提出一种基于变阻抗演示学习的上肢康复机器人训练任务生成方法，包括如下步骤：
(1)人机交互模型：
假设人与上肢康复机器人的交互模型由虚拟的弹簧-阻尼系统构成，如图2所示，其公式如下：
Figure BDA0002374481940000062
假设该系统为规范动态系统，故
Figure BDA0002374481940000063
其中，t表示时刻，
Figure BDA0002374481940000064
为t时刻下人与机械臂的接触力，
Figure BDA0002374481940000065
为t时刻的刚度系数，
Figure BDA0002374481940000071
为t时刻的阻尼系数，xt为t时刻的上肢康复机器人的空间坐标点，
Figure BDA0002374481940000072
为xt的速度，yt为t时刻下系统处于平衡状态的空间坐标点，通常叫做吸引子。
其次，根据人机交互型，进一步导出吸引子yt的表达式如下：
Figure BDA0002374481940000073
⑵任务参数-高斯混合建模：
任务参数-高斯混合模型(Task-parameterized Gaussian Mixture Model,TP-GMM)是一种改进的高斯混合模型(Gaussian Mixture Model,GMM)。GMM是一种典型的演示学习方法，它遵循多元高斯分布将数据集转换为一系列随机变量序列，能够同时处理关节空间与笛卡尔空间的任务限制，并可使得机器人能够重复利用已经学习到的技能来处理新的任务情形。通常，任务参数可由一个坐标系表达，因此，TP-GMM通过对多个坐标系间的关系进行建模，进而找到新的目标点或起始点与原坐标系的高斯分布的关系，进而实现变目标点或变起始点的泛化。换言之，TP-GMM把任务参数耦合到GMM模型中，在任务复现阶段能够实时地调节参数化的轨迹以满足不同的作业任务。
在这里，由治疗师/技术员演示M次某训练任务，每次演示数据长度为Tm，总的演示数据运动轨迹
Figure BDA0002374481940000074
(其中N为数据总长度，
Figure BDA0002374481940000075
)与接触力
Figure BDA0002374481940000076
代入人机交互模型，导出吸引子轨迹
Figure BDA0002374481940000077
作为TP-GMM的输入变量。任务参数由P个坐标系
Figure BDA0002374481940000078
表示，bt,j为第j个坐标系的平移变换矩阵，At,j为第j个坐标系的旋转变换矩阵。因此，y由P个子数据集
Figure BDA0002374481940000079
组成，其中，
Figure BDA00023744819400000710
表示第j个坐标系下N个D维示教数据。采用TP-GMM对y建模后，模型参数为
Figure BDA00023744819400000711
其中，πi为混合系数，
Figure BDA00023744819400000712
和
Figure BDA00023744819400000713
分别表示第j坐标系下第i个高斯组件的中心与协方差矩阵。由EM算法的E-step求解出后验概率γt,i为：
Figure BDA0002374481940000081
由EM算法的M-step求解出各模型参数为：
Figure BDA0002374481940000082
Figure BDA0002374481940000083
(3)局部刚度估计：
根据接触力信息估计刚度信息，挖掘了治疗师/技术员所教授任务的内在信息，有利于多样性任务的泛化。于患者而言，由模仿治疗师/技术员的轨迹行为变为模仿治疗师/技术员的接触阻抗策略，将有利于患者的康复训练。
对吸引子y进行TP-GMM建模后，每个高斯组件对上肢康复机器人的局部动态特性进行编码，由此估计与每个高斯组件i相关的局部刚度矩阵
Figure BDA0002374481940000084
那么每个
Figure BDA0002374481940000085
也蕴含着上肢康复机器人的局部动态特性。根据人机交互模型与TP-GMM模型的后验概率γt,i推导出局部动态方程为：
Figure BDA0002374481940000086
其中，
Figure BDA0002374481940000087
为对称半正定矩阵，其求解问题可看作残差最小化问题：
Figure BDA0002374481940000088
其中，
Figure BDA0002374481940000089
为局部刚度残差，
Figure BDA00023744819400000810
该最优化问题的目标函数与约束条件如下：
Figure BDA0002374481940000091
该问题是典型的半正定规划(semidefinite program,SDP)问题，在这里利用内点算法(interior-point method)求解。
⑷轨迹回归：
对吸引子数据集y进行TP-GMM建模后，运动轨迹或行为的复现通常看作回归问题。高斯混合回归(Gaussian Mixture Regression,GMR)为处理演示学习中的编码、识别、预测和复制提供了一种简单的解决方案。对于t时刻，yt由输入子向量
Figure BDA0002374481940000092
和输出子向量
Figure BDA0002374481940000093
组成，通常
Figure BDA0002374481940000094
代表时间索引变量，
Figure BDA0002374481940000095
代表轨迹变量。由此yt，μi，∑i可以改写为：
Figure BDA0002374481940000096
实际上，TP-GMM对吸引子数据集y编码为联合分布
Figure BDA0002374481940000097
根据高斯分布的线性变换性质，GMR针对每个t求解条件分布
Figure BDA0002374481940000098
有：
Figure BDA0002374481940000099
其中，
Figure BDA00023744819400000910
Figure BDA00023744819400000911
Figure BDA00023744819400000912
其中，
Figure BDA00023744819400000913
为GMR模型的后验概率，
Figure BDA00023744819400000914
与
Figure BDA00023744819400000915
分别为GMR模型的均值与协方差矩阵参数。通过GMR学习后，可复现一条连续的吸引子轨迹
Figure BDA0002374481940000101
(5)任务泛化：
为了增加任务多样性，通常需要任务轨迹的起始点/目标点变化为与演示数据不同的位置，这些不同的位置由新的参考坐标系
Figure BDA0002374481940000102
表达，其中，
Figure BDA0002374481940000103
为第j个坐标系的平移变换矩阵，
Figure BDA0002374481940000104
为第j个坐标系的旋转变换矩阵；通常患者练习任务生成的接触力序列与治疗师/技术员产生的接触力序列不同，患者的接触力序列由
Figure BDA0002374481940000105
表达。因此，无需治疗师/技术员做指导与更改的情况下，本发明自动生成符合新的接触力与新的参考坐标系的训练任务的能力，称为任务泛化能力。
首先，根据训练好的TP-GMM模型
Figure BDA0002374481940000106
输入
Figure BDA0002374481940000107
得到泛化TP-GMM为：
Figure BDA0002374481940000108
其中，
Figure BDA0002374481940000109
表示均值和协方差矩阵分别为
Figure BDA00023744819400001010
的高斯分布。
接着GMR泛化出的吸引子轨迹为
Figure BDA00023744819400001011
(其中，
Figure BDA00023744819400001012
为泛化的吸引子轨迹，
Figure BDA00023744819400001013
为泛化的吸引子坐标点)，根据人机交互模型，可导出任务轨迹的速度为：
Figure BDA00023744819400001014
其中，
Figure BDA00023744819400001015
为GMR模型的泛化后验概率，
Figure BDA00023744819400001016
为GMR模型的时间索引变量。
Figure BDA00023744819400001017
为新的任务轨迹的速度，
Figure BDA00023744819400001018
为xt的第一个空间坐标点。
基于此，对任务轨迹的速度
Figure BDA00023744819400001019
积分得到新的任务轨迹为
Figure BDA00023744819400001020
至此实现任务泛化。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (8)

1.基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，包括以下步骤：
(1)设人与上肢康复机器人的交互模型由虚拟的弹簧-阻尼系统构成，建立人机交互模型：
Figure FDA0002374481930000011
上式中，t表示时刻；ft e为t时刻下人与机械臂的接触力；
Figure FDA0002374481930000012
为t时刻的刚度系数；
Figure FDA0002374481930000013
为t时刻的阻尼系数；xt为t时刻的上肢康复机器人的空间坐标点，
Figure FDA0002374481930000014
为xt的速度；yt为t时刻下系统处于平衡状态的空间坐标点，称为吸引子；
(2)采用任务参数-高斯混合模型TP-GMM对人机交互模型处于平衡状态下的吸引子轨迹
Figure FDA0002374481930000015
进行建模；其中，N为数据总长度，
Figure FDA0002374481930000016
M为示教次数，Tm为每次示教数据的长度；
(3)根据人机交互模型与TP-GMM模型的后验概率推导出局部动态方程，进而实现局部刚度估计；
(4)根据步骤(2)得到的TP-GMM建模结果，采用高斯混合回归模型GMR实现吸引子轨迹y的回归建模；
(5)为了实现训练任务的泛化功能，分别将新的接触力序列与新的任务参数分输入训练好的TP-GMM模型和人机交互模型中，泛化得到满足新的接触力序列与新的任务参数的训练任务。
2.根据权利要求1所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，在步骤(1)中，所述人机交互模型为规范动态系统，
Figure FDA0002374481930000017
3.根据权利要求1所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，在步骤(2)中，所述吸引子轨迹y由治疗师或技术员多次演示任务生成，训练好的TP-GMM模型由
Figure FDA0002374481930000021
表达，其中，K为高斯组件总个数，P为坐标系总个数，πi为第i个高斯组件的混合系数，
Figure FDA0002374481930000022
和
Figure FDA0002374481930000023
分别表示第j坐标系下第i个高斯组件的中心矩阵和协方差矩阵：
Figure FDA0002374481930000024
Figure FDA0002374481930000025
上式中，γt,i为第i个高斯组件的后验概率，Yt (j)为吸引子轨迹y的第j个坐标系下的子数据集，上标T表示矩阵转置。
4.根据权利要求3所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，在步骤(3)中，所述局部动态方程如下：
Figure FDA0002374481930000026
上式中，
Figure FDA00023744819300000212
为与第i个高斯组件相关的局部刚度系数，μt,i为TP-GMM模型的均值参数；
上述局部动态方程转换为残差最小化的求解问题：
Figure FDA0002374481930000027
上式中，
Figure FDA0002374481930000028
为局部刚度残差，
Figure FDA0002374481930000029
该残差最小化优化问题的目标函数与约束条件：
Figure FDA00023744819300000210
Figure FDA00023744819300000211
5.根据权利要求4所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，所述残差最小化优化问题为半正定规划问题，利用内点算法进行求解。
6.根据权利要求3所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，在步骤(5)中，新的接触力序列由
Figure FDA0002374481930000031
表达，其中(ft e)*为t时刻新的接触力；新的接触力序列由患者练习任务时产生，与治疗师或技术员产生的接触力不同。
7.根据权利要求6所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，在步骤(5)中，所述新的任务参数由新的参考坐标系
Figure FDA0002374481930000032
表达，其中，
Figure FDA0002374481930000033
为第j个坐标系的平移变换矩阵，
Figure FDA0002374481930000034
为第j个坐标系的旋转变换矩阵；新的参考坐标系描述为未由治疗师或技术员演示过的新的任务起始点或目标点。
8.根据权利要求7所述基于变阻抗演示学习的上肢康复机器人训练任务生成方法，其特征在于，在步骤(5)中，将新的参考坐标系
Figure FDA0002374481930000035
输入训练好的TP-GMM模型，得到泛化TP-GMM模型：
Figure FDA0002374481930000036
上式中，
Figure FDA0002374481930000037
和
Figure FDA0002374481930000038
分别为泛化TP-GMM模型的均值和协方差矩阵参数，
Figure FDA0002374481930000039
表示均值和协方差矩阵分别为
Figure FDA00023744819300000310
和
Figure FDA00023744819300000311
的高斯分布；
基于泛化TP-GMM模型进行GMR模型回归得到泛化的吸引子轨迹
Figure FDA00023744819300000312
其中
Figure FDA00023744819300000313
为泛化的吸引子坐标点，将最终估计的刚度系数
Figure FDA00023744819300000314
与新的接触力序列
Figure FDA00023744819300000315
输入人机交互模型，推导出新的任务轨迹的速度表达式：
Figure FDA0002374481930000041
其中，
Figure FDA0002374481930000042
Figure FDA0002374481930000043
为GMR模型的泛化后验概率，
Figure FDA0002374481930000044
为GMR模型的时间索引变量，
Figure FDA0002374481930000045
为新的任务轨迹的速度，
Figure FDA0002374481930000046
为xt的第一个空间坐标点；
对任务轨迹的速度
Figure FDA0002374481930000047
积分得到新的任务轨迹为
Figure FDA0002374481930000048
实现任务泛化。
CN202010061021.XA 2020-01-19 2020-01-19 基于变阻抗演示学习的上肢康复机器人训练任务生成方法 Active CN111243706B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061021.XA CN111243706B (zh) 2020-01-19 2020-01-19 基于变阻抗演示学习的上肢康复机器人训练任务生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061021.XA CN111243706B (zh) 2020-01-19 2020-01-19 基于变阻抗演示学习的上肢康复机器人训练任务生成方法

Publications (2)

Publication Number Publication Date
CN111243706A true CN111243706A (zh) 2020-06-05
CN111243706B CN111243706B (zh) 2022-11-18

Family

ID=70864208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061021.XA Active CN111243706B (zh) 2020-01-19 2020-01-19 基于变阻抗演示学习的上肢康复机器人训练任务生成方法

Country Status (1)

Country Link
CN (1) CN111243706B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112171670A (zh) * 2020-09-22 2021-01-05 北京石油化工学院 一种康复机器人等张运动控制方法及系统
WO2022188238A1 (zh) * 2021-03-11 2022-09-15 东南大学 基于概率运动原语和隐半马尔可夫的康复机器人控制方法
CN115952930A (zh) * 2023-03-14 2023-04-11 中国人民解放军国防科技大学 一种基于imm-gmr模型的社会行为体位置预测方法
WO2023206833A1 (zh) * 2022-04-26 2023-11-02 东南大学 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105213153A (zh) * 2015-09-14 2016-01-06 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
CN109091818A (zh) * 2017-09-15 2018-12-28 中山大学 基于导纳控制的绳牵引上肢康复机器人的训练方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105213153A (zh) * 2015-09-14 2016-01-06 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
CN109091818A (zh) * 2017-09-15 2018-12-28 中山大学 基于导纳控制的绳牵引上肢康复机器人的训练方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐国政等: "基于Kinect的机器人辅助上肢被动康复训练控制方法", 《南京信息工程大学学报(自然科学版)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112171670A (zh) * 2020-09-22 2021-01-05 北京石油化工学院 一种康复机器人等张运动控制方法及系统
CN112171670B (zh) * 2020-09-22 2024-01-23 北京石油化工学院 一种康复机器人等张运动控制方法及系统
WO2022188238A1 (zh) * 2021-03-11 2022-09-15 东南大学 基于概率运动原语和隐半马尔可夫的康复机器人控制方法
WO2023206833A1 (zh) * 2022-04-26 2023-11-02 东南大学 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统
CN115952930A (zh) * 2023-03-14 2023-04-11 中国人民解放军国防科技大学 一种基于imm-gmr模型的社会行为体位置预测方法
CN115952930B (zh) * 2023-03-14 2023-08-22 中国人民解放军国防科技大学 一种基于imm-gmr模型的社会行为体位置预测方法

Also Published As

Publication number Publication date
CN111243706B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN111243706B (zh) 基于变阻抗演示学习的上肢康复机器人训练任务生成方法
Omrani et al. Perspectives on classical controversies about the motor cortex
CN110998696A (zh) 用于数据驱动型移动技能训练的系统和方法
Casadio et al. Functional reorganization of upper-body movement after spinal cord injury
WO2014025772A2 (en) Systems and methods for responsive neurorehabilitation
He et al. Preliminary assessment of a postural synergy-based exoskeleton for post-stroke upper limb rehabilitation
Lan et al. Achieving neural compatibility with human sensorimotor control in prosthetic and therapeutic devices
Dariush et al. Stability and a control strategy of a multilink musculoskeletal model with applications in FES
Wannawas et al. Neuromechanics-based deep reinforcement learning of neurostimulation control in FES cycling
Morasso A vexing question in motor control: the degrees of freedom problem
González et al. Planning, execution and monitoring of physical rehabilitation therapies with a robotic architecture
Gibet Sensorimotor control of sound-producing gestures
Powell et al. A multifactor-systems theory of the structure and dynamics of motor functions
Naghibi et al. Elbow angle generation during activities of daily living using a submovement prediction model
Machaen et al. Bio-inspired cognitive model of motor learning by imitation
Zhai et al. Design and validation of feedback controller for social motor coordination with time-varying delays
Wilson et al. A multilevel model for movement rehabilitation in Traumatic Brain Injury (TBI) using Virtual Environments
Zhao et al. Brain-computer interface design based on slow cortical potentials using matlab/simulink
Ciobanu et al. Advanced Rehabilitation Technology
Luciani et al. Trajectory Learning by Therapists' Demonstrations for an Upper Limb Rehabilitation Exoskeleton
Stollenmaier Neuro-musculoskeletal models: A tool to study the contribution of muscle dynamics to biological motor control
Pan et al. Study on motion performance of robot-aided passive rehabilitation exercises using novel dynamic motion planning strategy
Frey et al. When HCI Meets Neurotechnologies: What You Should Know about Brain-Computer Interfaces
Petrunina et al. Creation an intelligent personalized e-learning system for disabled students with violation of musculosketal system
Jagodnik Reinforcement learning and feedback control for high-level upper-extremity neuroprostheses

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