CN111341412B - 基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法 - Google Patents

基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法 Download PDF

Info

Publication number
CN111341412B
CN111341412B CN202010117714.6A CN202010117714A CN111341412B CN 111341412 B CN111341412 B CN 111341412B CN 202010117714 A CN202010117714 A CN 202010117714A CN 111341412 B CN111341412 B CN 111341412B
Authority
CN
China
Prior art keywords
rbf
dmp
oscillator
output
neural network
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
Application number
CN202010117714.6A
Other languages
English (en)
Other versions
CN111341412A (zh
Inventor
王浩平
殷越
田杨
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202010117714.6A priority Critical patent/CN111341412B/zh
Publication of CN111341412A publication Critical patent/CN111341412A/zh
Application granted granted Critical
Publication of CN111341412B publication Critical patent/CN111341412B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开了一种基于RBF‑DMP振荡器的下肢康复型外骨骼步态规划方法，用于辅助下肢功能障碍的患者，完成行走康复目的；首先采集患者健康行走历史中的髋关节、膝关节运动轨迹；然后建立髋关节、膝关节RBF‑DMP振荡器步态生成模型，模拟患者运动轨迹；基于最小二乘法，完成对RBF径向基神经网络参数的自学习；训练好的RBF‑DMP振荡器，实时规划髋关节、膝关节的运动轨迹，应用于下肢康复型外骨骼的步态。本发明的步态规划方法不仅可以有效准确学习患者髋关节、膝关节轨迹，而且根据患者行走特点，实时调整下肢外骨骼运动，达到步态宜人特性，十分适合用于下肢康复型外骨骼的辅助行走。

Description

基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法
技术领域
本发明属于康复医疗机器人运动规划领域，特别是一种基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法。
背景技术
下肢康复型外骨骼带动患者下肢运动、辅助患者行走，在理疗康复方面具有广泛的应用前景，作为下肢康复型外骨骼的关键技术之一，步态规划技术起到不可或缺的作用。然而在下肢外骨骼同患者的配合行走过程中，极其容易出现步态不适、无法利用患者行走的历史步态等难题，从而导致下肢外骨骼实时性不高、步态适宜性不强。如何利用患者的行走特性，实时调整下肢外骨骼规划的步态运动，一直是许多研究下肢外骨骼团队的难题。因此，本次发明一种基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法。
文献(Trieu Phat L,Low K H,Xingda Q,et al.An individual-specific gaitpattern prediction model based on generalized regression neural networks[J].Gait&Posture,2014,39(1):443-448.)中南洋理工大学的学者，采用现有的步态数据库用于驱动下肢外骨骼带动患者完成康复运动。该规划方法下的步态运动采用固定数据模式，无法利用患者的行动特征，且该规划方法下生成的步态灵活性不强，无法满足实时规划运动，存在很大的局限性，急需一种可以自适应学习患者步态特点的实时步态规划方法。
发明内容
本发明的目的在于提供一种基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，对患者健康行走历史中的步态轨迹进行学习，并实时规划出髋关节、膝关节的运动轨迹，从而满足实时性和步态适宜性的要求。
实现本发明目的的技术解决方案为：一种基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，包括以下步骤：
步骤1、采集患者健康行走历史中的髋关节、膝关节运动轨迹；
步骤2、建立髋关节、膝关节RBF-DMP振荡器步态生成模型，模拟患者运动轨迹；
步骤3、基于最小二乘法，完成对RBF径向基神经网络参数的自学习；
步骤4、通过训练好的RBF-DMP振荡器实时规划髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。
本发明与现有技术相比，其显著优点为：(1)本发明实时利用患者的行走特性，自适应调整下肢康复型外骨骼的运动步态，相比固定数据模式的步态运动，具有较好的步态适宜性；(2)本发明使用RBF-DMP振荡器去学习模拟患者的步态，具有较好的学习精度，相比于曲线拟合的方法，具有极高的学习精确度；(3)本发明针对RBF-DMP振荡器的参数自学习，采用最小二乘法对其进行辨识，简单可靠。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明规划方法的总体流程图。
图2为采集患者行走历史中的左腿髋关节、膝关节轨迹曲线图。
图3为RBF神经网络结构图。
图4为RBF-DMP振荡器对单个周期左腿髋关节运动轨迹的学习结果图。
图5为RBF-DMP振荡器对单个周期左腿膝关节运动轨迹的学习结果图。
图6为完整步行运动中患者左腿的参考髋关节、膝关节运动轨迹图。
图7为完整步行运动中RBF-DMP振荡器规划出的左腿髋关节、膝关节运动轨迹图。
图8为完整步行运动中RBF-DMP振荡器规划出的右腿髋关节、膝关节运动轨迹图。
具体实施方式
结合图1，本次发明的一种基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，包括以下步骤：
步骤1、采集患者以往健康行走历史中的髋关节、膝关节运动轨迹，将髋关节、膝关节轨迹曲线设为θd。其中完整步行运动的左腿髋关节、膝关节步态曲线如图2所示，其步行运动呈现周期性规律。
步骤2、针对髋关节、膝关节，建立髋关节、膝关节RBF-DMP振荡器步态生成模型。对于周期性规律的步行运动，本发明的步态规划方法是采用RBF-DMP振荡器方法对患者健康行走历史中的髋关节、膝关节运动数据θd进行周期性的学习，即依次对不同周期下的运动轨迹进行学习，从而模拟出患者运动轨迹。
步骤2.1、分别采用两个RBF-DMP模型去表示髋关节、膝关节的运动轨迹，步态周期为3s，其中定义DMP振荡器系统方程为
Figure BDA0002392005960000031
其中x、y分别为DMP振荡器系统空间的状态量；μ、k为系统方程的参数，均为正实数，τ为DMP振荡器的频率，E0为DMP振荡器的初始能量值，E为DMP振荡器的能量函数如下：
Figure BDA0002392005960000032
步骤2.2、建立髋关节、膝关节的周期性关节运动模型
Figure BDA0002392005960000033
其中β为关节运动模型参数(正实数)，τ为DMP振荡器的频率，θ为髋关节、膝关节的运动轨迹，θm为轨迹曲线θ的起始值，f为非线性函数，负责对复杂关节运动的建模。
步骤2.3、构建RBF径向基神经网络结构，由该RBF神经网络对非线性函数f建模，包括以下步骤：
a)确定RBF神经网络结构，如图3所示。输入层1个节点，隐含层10个节点，输出层1个节点。
b)确定RBF神经网络的输入层节点输出。根据DMP振荡器系统方程，计算DMP振荡器的相位时刻t输出φ(t)：
φ(t)＝atan2(x,y) (4)
c)对于RBF神经网络中的隐含层节点，采用径向基函数表达式
Figure BDA0002392005960000034
其中ci为隐含层第i个神经元的中心矢量，σi决定着该基函数围绕中心点的宽度，φ(t)为RBF神经网络的输入层输出。
d)结合隐含层的输出，得到RBF神经网络的输出
Figure BDA0002392005960000041
其中ji表示为隐含层第i个神经元节点的输出，wi表示为隐含层第i个神经元节点与输出层神经元节点的连接权重，N表示隐含层的节点数目。
步骤3、基于最小二乘法，完成对RBF径向基神经网络参数的自学习。该方法是一种稳定可靠的参数估计方式，通过自学习得到最佳参数，具有较好的辨识能力、数据抗干扰能力，所以十分适合用于RBF神经网络的参数估计：
步骤3.1、为了实现RBF神经网络权重参数的自学习，首先要先确定RBF神经网络隐含层输出与输出层的期望输出数据。
结合式(4)，RBF神经网络隐含层的计算输出ji(φ)为：
Figure BDA0002392005960000042
需要去学习步态曲线θd，计算RBF神经网络输出层的期望输出为：
Figure BDA0002392005960000043
其中fg为非线性函数的目标值，θd为需要学习的步态曲线，τ为DMP振荡器的频率，β为关节运动模型参数(正实数)。
步骤3.2、基于最小二乘法，对RBF神经网络权重参数自学习。为了方便应用最小二乘法，将RBF神经网络组成结构，进一步描述为矩阵形式：
Fg＝JW+E (9)
其中Fg＝[fg(1),fg(2),...fg(M)]T为样本中的期望输出向量，W＝[w1,w2,...wN]T为权重向量，E1为误差项向量，M为样本总数目，输入矩阵J可表示为，
Figure BDA0002392005960000044
设置代价函数如下：
Figure BDA0002392005960000051
其中λ为惩罚项系数，经过最小二乘法推导后，隐含层权重估计值
Figure BDA0002392005960000052
表示为：
Figure BDA0002392005960000053
步骤4、利用训练好的RBF-DMP振荡器，实时规划出髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。根据学习得到RBF神经网络的权重估计值
Figure BDA0002392005960000057
用于规划下肢康复型外骨骼髋关节、膝关节的步态轨迹。
步骤4.1、计算RBF神经网络的输出。根据图3所示的RBF神经网络结构，由式(4)求得DMP振荡器相位时刻t的输出φ(t)，并由式(7)，计算RBF隐含层的输出ji(φ)。计算RBF神经网络的输出为
Figure BDA0002392005960000054
其中
Figure BDA0002392005960000055
为隐含层第i个神经元节点与输出层神经元节点的连接权重估计值。
步骤4.2、通过髋关节、膝关节的周期性关节运动模型如下
Figure BDA0002392005960000056
实现对下肢康复型外骨骼髋关节、膝关节轨迹的实时规划。
下面结合附图及具体实施例对本发明做进一步的介绍。
实施例
人体下肢分左腿、右腿，实施例以患者左腿进行阐述，具体步骤如下：
步骤1、采集患者健康行走历史中左腿的髋关节、膝关节的运动轨迹，如图2所示，将髋关节、膝关节轨迹曲线设为θd，其中左腿步行运动呈现周期性规律。
步骤2、建立左腿髋关节、膝关节RBF-DMP振荡器步态生成模型，本发明的步态规划方法是采用RBF-DMP振荡器方法对患者左腿的髋关节、膝关节运动数据进行周期性学习，从而模拟出患者运动轨迹。
步骤2-1、分别采用两个RBF-DMP模型去表示左腿髋关节、膝关节运动轨迹，步态周期为3s，其中定义DMP振荡器系统方程为
Figure BDA0002392005960000061
其中x、y分别为DMP振荡器系统空间的状态量；μ、k为系统方程的参数(均为正实数)，τ为DMP振荡器的频率，E0为DMP振荡器的初始能量值，E为DMP振荡器的能量函数如下：
Figure BDA0002392005960000062
步骤2-2、建立左腿髋关节、膝关节的周期性关节运动模型
Figure BDA0002392005960000063
其中β为关节运动模型参数(正实数)，τ为DMP振荡器的频率，θ为髋关节、膝关节的运动轨迹，θm为轨迹曲线θ的起始值，f为非线性函数，负责对复杂关节运动的建模。
步骤2-3、构建RBF径向基神经网络结构，由该RBF神经网络对非线性函数f建模，包括以下步骤：
a)确定RBF神经网络结构，如图3所示。输入层1个节点，隐含层10个节点，输出层1个节点。
b)确定RBF神经网络的输入层节点。根据DMP振荡器系统方程，计算DMP振荡器的相位时刻t输出φ(t)：
φ(t)＝atan2(x,y) (17)
c)针对RBF神经网络中的隐含层节点输出，采用径向基函数表达式
Figure BDA0002392005960000064
其中ci为隐含层第i个神经元的中心矢量，σi决定着该基函数围绕中心点的宽度，φ(t)为RBF神经网络的输入层输出。其中参数分别设置为c1＝0.0450，c2＝0.1375，c3＝0.2317，c4＝0.3283，c5＝0.4267，c6＝0.5267，c7＝0.6283，c8＝0.7317，c9＝0.8375，c10＝0.9458，其中σ1＝0.1850，σ2＝0.1850，σ3＝0.1883，σ4＝0.1933，σ5＝0.1967，σ6＝0.20，σ7＝0.2033，σ8＝0.2067，σ9＝0.2117，σ10＝0.2167。
d)结合隐含层的输出，得到RBF神经网络输出层
Figure BDA0002392005960000071
其中ji表示为隐含层第i个神经元节点的输出，wi表示为隐含层第i个神经元节点与输出层神经元节点的连接权重，N表示隐含层的节点数目。
表1.RBF-DMP振荡器步态生成模型参数表
Figure BDA0002392005960000072
步骤3、基于最小二乘法，完成对RBF径向基神经网络参数的自学习。该方法是一种稳定可靠的参数估计方式，通过自学习得到最佳参数，具有较好的辨识能力、数据抗干扰能力，所以十分适合用于RBF神经网络的参数估计：
步骤3-1、为了实现RBF神经网络权重参数的自学习，首先要先确定RBF神经网络隐含层输出与输出层的期望输出数据。
结合式(17)，RBF神经网络隐含层的计算输出为：
Figure BDA0002392005960000073
需要去学习步态曲线θd，计算RBF神经网络输出层的期望输出为：
Figure BDA0002392005960000074
其中fg为非线性函数的目标值，θd为需要学习的步态曲线，τ为DMP振荡器的频率，β为关节运动模型参数(正实数)。
最后得到所有时刻、总数目为M的输入输出样本，用于最小二乘算法的参数学习。其中M＝300。
步骤3-2、基于最小二乘法，对RBF神经网络权重参数自学习。为了方便应用最小二乘算法，将RBF神经网络组成结构，进一步描述为矩阵形式：
Fg＝JW+E1 (22)
其中Fg＝[fg(1),fg(2),...fg(M)]T为样本中的期望输出向量，W＝[w1,w2,...wN]T为权重向量，E1为误差项向量，M为样本总数目，输入矩阵J可表示为，
Figure BDA0002392005960000081
设置代价函数如下：
Figure BDA0002392005960000082
其中λ为惩罚项系数，经过最小二乘算法推导后，隐含层权重估计值
Figure BDA0002392005960000083
表示为：
Figure BDA0002392005960000084
表2.最小二乘算法中的参数表
Figure BDA0002392005960000085
步骤4、利用训练好的RBF-DMP振荡器，实时规划出髋关节、膝关节的步态轨迹。根据学习得到RBF神经网络的权重估计值，式(17)中计算的相位输出，生成下肢康复型外骨骼左右腿的髋关节、膝关节运动。
步骤4-1、计算RBF神经网络的输出。根据RBF神经网络结构，如图4，由式(17)求得DMP振荡器相位时刻t的输出φ(t)，并由式(20)，计算RBF隐含层的输出ji(φ)。
计算RBF神经网络的输出为
Figure BDA0002392005960000091
其中
Figure BDA0002392005960000092
为隐含层第i个神经元节点与输出层神经元节点的连接权重估计值。
步骤4-2、根据RBF神经网络的输出完成对非线性部分f的学习表示，通过左腿髋关节、膝关节的周期性关节运动模型如下
Figure BDA0002392005960000093
实现对下肢康复型外骨骼左、右腿髋关节、膝关节的实时规划。
图4是针对单个周期内的左腿髋关节运动轨迹，采用RBF-DMP振荡器的学习结果，从图中可以发现，RBF-DMP振荡器步态学习方法取得很低的学习误差。图5是针对单个周期内的左腿膝关节运动轨迹，采用RBF-DMP振荡器的学习结果，从图中仍然可以发现，RBF-DMP振荡器步态学习方法取得很好的学习精度。图6是一段完整步行运动下，患者左腿的参考髋关节、膝关节运动轨迹，其中步态周期为3s，其通过采集患者左腿健康行走历史中的髋关节、膝关节运动轨迹获得，用于RBF-DMP振荡器实现周期性的学习。图7是一段完整步行运动下，采用RBF-DMP振荡器实时规划下肢外骨骼的步态，它通过对患者左腿以往行走历史中的髋关节、膝关节运动轨迹(如图6所示)进行周期性的学习，即依次对不同周期下的运动轨迹进行学习，从而实时规划出下肢外骨骼左腿的髋关节、膝关节运动轨迹。图8是一段完整步行运动下，采用RBF-DMP振荡器实时规划出的下肢外骨骼右腿髋关节、膝关节运动轨迹。可以看出，该方法具有很好的学习与模拟效果。
由上可知，本实施例对下肢外骨骼的髋关节、膝关节实时规划步态，首先采集患者左腿健康行走历史中的髋关节、膝关节运动轨迹；其次建立髋关节、膝关节RBF-DMP振荡器步态学习模型，模拟患者运动轨迹；接着基于最小二乘法，完成对RBF径向基神经网络参数的自学习；最后训练好的RBF-DMP振荡器，实时规划髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。整个在线步态规划算法，能够利用患者的行走特性，采用RBF-DMP振荡器去学习患者的步态轨迹，既提高了学习精度，又实时调整下肢外骨骼运动，达到步态适宜性，十分适合用于下肢康复外骨骼的步态规划。

Claims (4)

1.一种基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，其特征在于，包括以下步骤：
步骤1、采集患者健康行走历史中的髋关节、膝关节运动轨迹；
步骤2、建立髋关节、膝关节RBF-DMP振荡器步态生成模型，模拟患者运动轨迹；
步骤3、基于最小二乘法，完成对RBF径向基神经网络参数的自学习；具体包括以下步骤：
步骤3.1、确定RBF神经网络隐含层输出与输出层的期望输出数据；
计算RBF神经网络隐含层的输出ji(φ)为：
Figure FDA0003731679510000011
计算RBF神经网络输出层的期望输出为：
Figure FDA0003731679510000012
其中fg为非线性函数的目标值，θd为需要学习的步态曲线，τ为DMP振荡器的频率，β为关节运动模型参数；
步骤3.2、基于最小二乘法，对RBF神经网络权重参数自学习；
将RBF神经网络组成结构，描述为矩阵形式：
Fg＝JW+E1 (9)
其中Fg＝[fg(1),fg(2),...fg(M)]T为样本中的期望输出向量，W＝[w1,w2,...wN]T为权重向量，E1为误差项向量，M为样本总数目，输入矩阵J表示为：
Figure FDA0003731679510000013
设置代价函数如下：
Figure FDA0003731679510000014
其中λ为惩罚项系数，经过最小二乘法推导后，隐含层权重估计值
Figure FDA0003731679510000015
表示为：
Figure FDA0003731679510000016
步骤4、通过训练好的RBF-DMP振荡器实时规划髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。
2.根据权利要求1所述的基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，其特征在于，步骤1采集患者正常行走历史中的髋关节、膝关节运动轨迹，将髋关节、膝关节轨迹曲线设为θd。
3.根据权利要求1所述的基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，其特征在于，步骤2建立髋关节、膝关节RBF-DMP振荡器步态学习模型，模拟患者运动轨迹，具体包括以下步骤：
步骤2.1、定义DMP振荡器系统方程
Figure FDA0003731679510000021
其中x、y分别为DMP振荡器系统空间的状态量；μ、k为系统方程的参数，均为正实数，τ为DMP振荡器的频率，E0为DMP振荡器的初始能量值，E为DMP振荡器的能量函数如下：
Figure FDA0003731679510000022
步骤2.2、建立髋关节、膝关节的周期性关节运动模型
Figure FDA0003731679510000023
其中β为关节运动模型参数，τ为DMP振荡器的频率，θ为髋关节、膝关节的运动轨迹，θm为轨迹曲线θ的起始初值，f为非线性函数，负责对复杂关节运动的建模；
步骤2.3、构建RBF神经网络对非线性函数f建模；
a)确定RBF神经网络结构；输入层1个节点，隐含层10个节点，输出层1个节点；
b)确定RBF神经网络的输入层节点输出
φ(t)＝atan2(x,y) (4)
c)隐含层节点采用径向基函数表达式
Figure FDA0003731679510000024
其中ci为隐含层第i个神经元的中心矢量，σi决定着该基函数围绕中心点的宽度，φ(t)为RBF神经网络的输入层输出；
d)计算RBF神经网络的输出
Figure FDA0003731679510000031
其中ji表示为隐含层第i个神经元节点的输出，wi表示为隐含层第i个神经元节点与输出层神经元节点的连接权重，N表示隐含层的节点数目。
4.根据权利要求1所述的基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法，其特征在于，步骤4训练好的RBF-DMP振荡器，利用权重估计值
Figure FDA0003731679510000032
实时规划髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成；具体包括以下步骤：
步骤4.1、计算RBF神经网络的输出；由式(4)求得DMP振荡器相位时刻t的输出φ(t)，并由式(7)，计算RBF隐含层的输出ji(φ)；计算RBF神经网络的输出为
Figure FDA0003731679510000033
其中
Figure FDA0003731679510000034
为隐含层第i个神经元节点与输出层神经元节点的连接权重估计值；
步骤4.2、结合髋关节、膝关节的周期性关节运动模型，实现对下肢外骨骼髋关节、膝关节的计算；根据式(3)，则可计算得到下肢外骨骼髋关节、膝关节的运动轨迹为
Figure FDA0003731679510000035
CN202010117714.6A 2020-02-25 2020-02-25 基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法 Active CN111341412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010117714.6A CN111341412B (zh) 2020-02-25 2020-02-25 基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010117714.6A CN111341412B (zh) 2020-02-25 2020-02-25 基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法

Publications (2)

Publication Number Publication Date
CN111341412A CN111341412A (zh) 2020-06-26
CN111341412B true CN111341412B (zh) 2022-09-13

Family

ID=71183777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010117714.6A Active CN111341412B (zh) 2020-02-25 2020-02-25 基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法

Country Status (1)

Country Link
CN (1) CN111341412B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113977582B (zh) * 2021-11-12 2023-04-11 杭州电子科技大学 一种基于dmp的下肢外骨骼上楼梯控制方法
CN118617388A (zh) * 2024-08-09 2024-09-10 中国科学院苏州生物医学工程技术研究所 下肢康复外骨骼机器人控制方法及系统、电子设备、介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003099525A2 (en) * 2002-05-20 2003-12-04 The Regents Of The University Of California Design of robotic gait rehabilitation by optimal motion of the hip
CN104463118A (zh) * 2014-12-04 2015-03-25 龙岩学院 一种基于Kinect的多视角步态识别方法
CN105468908A (zh) * 2015-11-24 2016-04-06 龙岩学院 一种辅助筛查膝骨性关节炎的步态分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003099525A2 (en) * 2002-05-20 2003-12-04 The Regents Of The University Of California Design of robotic gait rehabilitation by optimal motion of the hip
CN104463118A (zh) * 2014-12-04 2015-03-25 龙岩学院 一种基于Kinect的多视角步态识别方法
CN105468908A (zh) * 2015-11-24 2016-04-06 龙岩学院 一种辅助筛查膝骨性关节炎的步态分析方法

Also Published As

Publication number Publication date
CN111341412A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
Ezati et al. A review of simulation methods for human movement dynamics with emphasis on gait
CN111341412B (zh) 基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法
DeWolf et al. The neural optimal control hierarchy for motor control
Azimi et al. Model-based adaptive control of transfemoral prostheses: Theory, simulation, and experiments
CN112025682B (zh) 基于肌肉协同理论的柔性外骨骼机器人控制方法及系统
Zhang et al. Modeling biological motor control for human locomotion with functional electrical stimulation
Guo et al. Task performance-based adaptive velocity assist-as-needed control for an upper limb exoskeleton
Razavian et al. A neuronal model of central pattern generator to account for natural motion variation
Chen et al. Model-free based adaptive RBF neural network control for a rehabilitation exoskeleton
Li et al. Variable stiffness control for SEAs in rehabilitation training
Sacchi et al. Deep reinforcement learning of robotic prosthesis for gait symmetry in trans-femoral amputated patients
Ahmadian et al. ℒ 1–ℬℒ Adaptive Controller Design for Wrist Rehabilitation Robot
CN115157247A (zh) 一种具有平衡辅助功能的下肢外骨骼康复机器人控制方法
Xing et al. Spatial Iterative Learning Torque Control of Robotic Exoskeletons for High Accuracy and Rapid Convergence Assistance
Passon et al. Iterative learning vector field for FES-supported cyclic upper limb movements in combination with robotic weight compensation
Lian et al. Adaptive admittance control of human-exoskeleton system using rnn optimization
CN118003341B (zh) 一种基于强化学习智能体的下肢关节力矩计算方法
Ostraich et al. Rethinking Exoskeleton Simulation-Based Design: The Effect of Using Different Cost Functions
Pasha Zanoosi et al. Investigation of the effects of human body stability on joint angles’ prediction
Zhang et al. A Robotic Assistance Personalization Control Approach of Hip Exoskeletons for Gait Symmetry Improvement
Chen et al. Adaptive locomotion of lower limb exoskeleton based on oscillators and frequency adaptation
Muñoz et al. A novel modular architecture for a neural controller for predictive simulations of stand-to-walk motions
Kumar et al. Analysis of an adaptive fuzzy control scheme: application to a lower limb exoskeleton
Xing et al. Control Method of Lower Limb Rehabilitation Robot based on Nonlinear Time Series Prediction Model and Sensor Technology
Zhang et al. Knee Joint Torque Prediction with Uncertainties by a Neuromusculoskeletal Solver-informed Gaussian Process Model

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