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 PDFInfo
- 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
Links
- 210000001364 upper extremity Anatomy 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000013016 damping Methods 0.000 claims description 7
- 125000004432 carbon atom Chemical group C* 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 229920001184 polypeptide Polymers 0.000 claims description 3
- 102000004196 processed proteins & peptides Human genes 0.000 claims description 3
- 108090000765 processed proteins & peptides Proteins 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 13
- 230000006399 behavior Effects 0.000 abstract description 6
- 208000006011 Stroke Diseases 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000003414 extremity Anatomy 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 208000016285 Movement disease Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 206010033892 Paraplegia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 210000002435 tendon Anatomy 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
-
- 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
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:
上式中,t表示时刻;为t时刻下人与机械臂的接触力;为t时刻的刚度系数;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,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;
(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(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,和分别表示第j坐标系下第i个高斯组件的中心矩阵和协方差矩阵:
进一步地,在步骤(3)中,所述局部动态方程如下:
上述局部动态方程转换为残差最小化的求解问题:
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,所述新的任务参数由新的参考坐标系表达,其中,为第j个坐标系的平移变换矩阵,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。
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
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:
假设该系统为规范动态系统,故其中,t表示时刻,为t时刻下人与机械臂的接触力,为t时刻的刚度系数,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,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:
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(其中N为数据总长度,)与接触力代入人机交互模型,导出吸引子轨迹作为TP-GMM的输入变量。任务参数由P个坐标系表示,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个子数据集组成,其中,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,模型参数为其中,πi为混合系数,和分别表示第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:
由EM算法的M-step求解出各模型参数为:
(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那么每个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:
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由输入子向量和输出子向量组成,通常代表时间索引变量,代表轨迹变量。由此yt,μi,∑i可以改写为:
其中,
(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表达,其中,为第j个坐标系的平移变换矩阵,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。
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:
上式中,t表示时刻;ft e为t时刻下人与机械臂的接触力;为t时刻的刚度系数;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,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;
(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。
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。
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)
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)
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 |
-
2020
- 2020-01-19 CN CN202010061021.XA patent/CN111243706B/zh active Active
Patent Citations (2)
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)
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)
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 |