CN113223666B - 一种基于双侧协同用于肢体运动康复的超前预测控制方法 - Google Patents

一种基于双侧协同用于肢体运动康复的超前预测控制方法 Download PDF

Info

Publication number
CN113223666B
CN113223666B CN202110540969.8A CN202110540969A CN113223666B CN 113223666 B CN113223666 B CN 113223666B CN 202110540969 A CN202110540969 A CN 202110540969A CN 113223666 B CN113223666 B CN 113223666B
Authority
CN
China
Prior art keywords
information
prediction
patient
healthy
motion
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
CN202110540969.8A
Other languages
English (en)
Other versions
CN113223666A (zh
Inventor
但果
陈凯
肖伟
李维犇
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110540969.8A priority Critical patent/CN113223666B/zh
Publication of CN113223666A publication Critical patent/CN113223666A/zh
Application granted granted Critical
Publication of CN113223666B publication Critical patent/CN113223666B/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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

Landscapes

  • Health & Medical Sciences (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (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

本发明公开了一种基于双侧协同用于肢体运动康复的超前预测控制方法，所述方法包括：获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。本发明有利于提高协同运动的实时性和患者训练过程中的注意力和协调性，减少代偿性动作，有利于患者受损脑功能的神经重塑和肢体康复。

Description

一种基于双侧协同用于肢体运动康复的超前预测控制方法
技术领域
本发明涉及偏瘫运动康复技术领域，尤其涉及一种基于双侧协同用于肢体运动康复的超前预测控制方法。
背景技术
脑卒中是一种常见的急性脑血管疾病，临床表现主要为脑部血管损伤或栓塞引起的脑部缺血，而卒中患者苏醒后都存在不同程度的功能障碍，偏瘫是卒中后遗症中最常见的，给患者卒中后的生活质量造成了严重的影响。传统的康复训练方法主要采用康复师引导或协助患者完成指定的康复运动动作，避免患者肢体的获得性废用，同时一定程度上有助于患者肢体的康复。但患者康复所需长期、持续的康复训练是以一定强度和重复次数为基础，这种训练方法显得枯燥无味且无法保证训练强度，并且增加康复训练师的负担。这种以康复训练师为中心的康复训练方法过高的依赖治疗师的专业技术水平及经验，难以形成系统标准化的康复流程，进而影响患者的康复进度，错过最佳的康复时期。目前国内外虽然具有用于主动康复训练的康复机器人，但大部分康复机器无法做到双侧协同，双侧肢体运动存在明显的差异性，运动协调性和连贯性很差。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于双侧协同用于肢体运动康复的超前预测控制方法，旨在解决现有技术中大部分康复机器无法做到双侧协同，双侧肢体运动存在明显的差异性，运动协调性和连贯性很差的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
第一方面，本发明提供一种基于双侧协同用于肢体运动康复的超前预测控制方法,其中，所述方法包括：
获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；
获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；
根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。
在一种实现方式中，所述健侧运动信息包括：健侧力矩信息、健侧运动轨迹信息以及健侧角度信息。
在一种实现方式中，所述患侧运动信息包括：患侧力矩信息、患侧运动轨迹信息以及患侧角度信息。
在一种实现方式中，所述获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息，包括：
获取运动意图，并基于所述运动意图，获取健侧运动信息；
建立患侧运动的预测模型；
根据滤波模块，对所述健侧运动信息进行滤波处理，得到滤波处理后的健侧运动信息；
基于预设的CARI MA模型对滤波处理后的健侧运动信息进行运动预测，得到所述预测信息。
在一种实现方式中，所述滤波模块为卡尔曼滤波模块。
在一种实现方式中，所述获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值，包括：
获取运动意图，并基于所述运动意图，获取患侧运动信息；
基于所述预测信息与所述患侧运动信息，确定出所述健侧运动信息与所述患侧运动信息之间的健侧差异值；
基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及健侧差异值；
根据所述健侧差异值，对所述患侧运动信息进行修正。
第二方面，本发明实施例还提供一种基于双侧协同用于肢体运动康复的超前预测控制系统，所述系统包括：
运动预测模块，用于获取健侧运动信息，并基于所述健侧运动信息进行运动预测，得到预测信息；
运动修正模块，用于获取患侧运动信息，并基于所述预测信息与所述患侧运动信息，对所述患侧运动信息进行修正，以使得所述健侧运动信息与所述患侧运动信息协同。
在一种实现方式中，所述健侧运动信息包括：健侧力矩信息、健侧运动轨迹信息以及健侧角度信息；
所述患侧运动信息包括：患侧力矩信息、患侧运动轨迹信息以及患侧角度信息。
第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于双侧协同用于肢体运动康复的超前预测控制程序，所述处理器执行所述基于双侧协同用于肢体运动康复的超前预测控制程序时，实现上述方案中任一项所述的基于双侧协同用于肢体运动康复的超前预测控制方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于双侧协同用于肢体运动康复的超前预测控制程序，所述基于双侧协同用于肢体运动康复的超前预测控制程序被处理器执行时，实现上述方案中任一项所述的基于双侧协同用于肢体运动康复的超前预测控制方法的步骤。
有益效果：与现有技术相比，本发明提供了一种基于双侧协同用于肢体运动康复的超前预测控制方法，所述方法包括：获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。本发明有利于提高协同运动的实时性和患者训练过程中的注意力和协调性，减少代偿性动作，有利于患者受损脑功能的神经重塑和肢体康复。
附图说明
图1为本发明实施例提供的基于双侧协同用于肢体运动康复的超前预测控制方法的具体实施方式的流程图。
图2为本发明实施例提供的基于双侧协同用于肢体运动康复的超前预测控制方法的整体流程图。
图3为本发明实施例提供的基于双侧协同用于肢体运动康复的数据传输流程图。
图4为本发明实施例提供的基于双侧协同用于肢体运动康复中的超前预测控制算法的控制原理图。
图5是本发明实施例提供的基于双侧协同用于肢体运动康复的超前预测控制系统的原理框图。
图6是本发明实施例提供的基于双侧协同用于肢体运动康复的超前预测控制系统的整体示意图。
图7是本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
脑卒中是一种常见的急性脑血管疾病，临床表现主要为脑部血管损伤或栓塞引起的脑部缺血，而卒中患者苏醒后都存在不同程度的功能障碍，偏瘫是卒中后遗症中最常见的，给患者卒中后的生活质量造成了严重的影响。而偏瘫患者可通过正确、持续的康复训练恢复自身的运动能力，提高自我生活水平，降低患者家属的照顾和经济压力。
经研究发现，传统的康复训练方法主要采用康复训练师引导或协助患者完成指定的康复运动动作，避免患者肢体的获得性废用，同时一定程度上有助于患者肢体的康复。但患者康复所需长期、持续的康复训练是以一定强度和重复次数为基础，这种训练方法显得枯燥无味且无法保证训练强度，并且增加康复训练师的负担。这种以康复训练师为中心的康复训练方法过高的依赖治疗师的专业技术水平及经验，难以形成系统标准化的康复流程，进而影响患者的康复进度，错过最佳的康复时期。上肢康复机器人在这样的背景下应运而生，上肢康复机器人不仅可以保证训练强度，而且能提供客观有效的量化评估，同时还能为患者制定个性化的康复训练难度。但使用康复机器人被动接受治疗的方式只能帮助卒中后病人恢复肌体机能，不能在神经康复层面上实现脑功能重塑。因此随着多种新兴技术的出现以及康复理论的进步，上肢康复机器人的控制和反馈研究在逐步走向多元化的同时也为康复方式从传统的被动治疗走向主动康复提供了切实可行的方案。开发能让患者实现高度自主控制的上肢康复机器人，不仅帮助脑卒中病人恢复肌体机能，同时可以在神经康复层面上实现脑功能重塑。最理想的人机交互状态是，以人的主观运动意图为导向，机器人能够及时准确地识别这种意图并帮助患者实现所期望的运动。机器人识别患者的运动意图，完成患者期望完成的运动，患者实现肌体的自我恢复和神经系统的自我重塑。通过肢体运动刺激神经重塑是运动功能障碍患者的一种重要的神经康复训练方式，它的有效性可以从以下两个方面来进行验证：一，运动过程中是否能让患者的注意力高度集中。二，治疗后能否让患者达到正常运动的协调性。目前国内外虽然具有用于主动康复训练的康复机器人，但大部分康复机器无法做到双侧协同，双侧肢体运动存在明显的差异性，运动协调性和连贯性很差。
现有双侧协同康复运动的超前预测控制算法通常采用时间序列算法和建立预测模型结合目标函数对控制信号进行预测，驱动患肢机械装置带动运动。例如：
机器人预测的方法和系统：获取当前时刻机器人位置信息和多个自由度的角度信息，采用时间序列算法对获取的位置信息和角度信息进行运算，得到下一时刻机器人的位置信息和该多个自由度的角度信息；根据所述下一时刻的位置信息和角度信息驱动机器人在作业场景模型中运动，得到对机器人预测的结果，并显示所述预测的结果。
一种不确定时延条件下机械臂运动状态的预测方法及装置：对机械臂的各关节，建立预测模型及对应的离散模型；计算下行时延的估计值，并利用各关节的预测模型，计算出各关节的运动状态的预测数据；根据所述运动状态的预测数据，和接收自位于远端的机械臂的实测数据，对所述机械臂各关节的预测模型对应的离散模型进行修正；并利用修正后的离散模型，得到当前时刻修正后的机械臂各关节运动状态的预测值。
基于遗传算法的模型预测控制参数在线优化方法：基于对模型预测控制器机理的分析，初步确定待优化的控制参数；然后建立关于模型预测控制器参数优化的目标函数；进而通过遗传算法对目标函数进行求解，得到最优控制参数。
一种双臂机器人协同遥操作控制方法：主端的单个操作者操作两个手控器对从端的双臂机器人进行操控，通过将主端操作者的操作手控器的位置、速度和力信息传递到从端机器人，从端机器人根据主端发送的信息进行协调控制，通过控制实现与主端信息保持一致，并将反馈信息反馈给主端手控器及操作者。本发明采用相对阻抗的方式描述主端的协同操作，并将该方式作为从端双臂机器人协同操作的控制因子，实现主从协同操作行为的一致性。
一种主被动式可穿戴康复训练机械手：通过两只机械手被固定在箱体两侧，机械手中间位置安置又镜子，一侧机械手的运动由另一侧机械手通过多连杆和齿轮传递及改变动力方向来驱动，协助完成镜像康复训练。
但是，现有预测控制算法预测精度不高，未采用闭环控制，模型鲁棒性欠佳，不能把预先可能出现的不确定性考虑进去且自适应能力较差，无法根据系统的输入、输出、状态和性能参数，自主更新控制器的结构和参数，达到预期的控制效果。
为了解决现有技术的问题，本实施例提供一种基于双侧协同用于肢体运动康复的超前预测控制方法，如图1所示，所述方法包括：
步骤S100、获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；
步骤S200、获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；
步骤S300、根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。
本发明的基于双侧协同用于肢体运动康复的超前预测控制方法不是单纯的进行预测，而是需要对患侧运动进行超前预测。首先，本发明的运动轨迹是根据康复理论设定的标准运动轨迹，健侧运动按该标准轨迹运动，患侧运动是完全由健侧运动控制的，但由于健侧运动产生控制信息到患侧产生相应运动之间存在传输迟滞，系统误差和电机响应等迟滞特性，故不能之间用健侧信息控制患侧运动，因此健侧运动到第N步，健侧需要预测N+K步(K为迟滞的时间)，用于控制患侧运动。其次，从健侧运动第N步到患侧运动N+K需要建立一个预测模型，获取的患侧数据不断修正模型参数。最后，获取的健侧信息通过预测模型控制患侧运动，获取的患侧信息用于对模型参数在线校正以及反馈，让健侧与患侧信息协同，最终双侧协同。
本发明拟采用基于肢体协同运动效应、镜像运动理论、运动再学习疗法和脑功能神经重塑等医学原理而设计的上肢主动偏瘫康复系统为基础，采用姿态识别和力矩识别等传感技术，采集到患者健侧的运动角度信息、力矩信息和运动轨迹信息，将模型预测控制算法与卡尔曼滤波模型融合，对患侧肢体运动进行超前预测以修正健侧和患侧的差异性，解决患者双侧协同运动的延时问题。提高双侧协同控制的预测精度、模型鲁棒性和自适应能力，让上肢主动偏瘫康复系统更能体现患者的运动意图，完成患者期望的运动，实现患者肌体的自我恢复和神经系统的自我重塑。
具体实施时，本实施例的所述健侧运动信息包括：健侧力矩信息、健侧运动轨迹信息以及健侧角度信息。所述患侧运动信息包括：患侧力矩信息、患侧运动轨迹信息以及患侧角度信息。在获取预测信息时，本实施例首先获取运动意图，并基于所述运动意图，获取健侧运动信息；根据滤波模块，对所述健侧运动信息进行滤波处理，得到滤波处理后的健侧运动信息；基于预设的CARIMA模型对滤波处理后的健侧运动信息进行运动预测，得到所述预测信息。所述滤波模块为卡尔曼滤波模块。接着，本实施例获取运动意图，并基于所述运动意图，获取患侧运动信息。然后基于所述预测信息与所述患侧运动信息，确定出所述健侧运动信息与所述患侧运动信息之间的差异信息。最后根据所述差异信息，对所述患侧运动信息进行修正。
具体地，图2为本发明实施例提供的基于双侧协同用于肢体运动康复的超前预测控制方法的整体流程图。根据患者具体日常生活手部运动轨迹和方式以及健侧运动特点设定特定的运动轨迹对计算机S8编码3D游戏，虚拟环境中人物的运动按规定轨迹运动为患者提供视觉刺激，让患者在大脑中产生运动意图，并向患者展示偏瘫康复训练的规范动作。患者在虚拟人物指导下产生健侧和患侧协同运动，但由于偏瘫患者患侧不能产生所需的力量和控制精度，则将健侧运动S1作为输入，通过力矩传感器、角度传感器等传感设备获取健侧信息S2(健侧力矩信息、健侧运动轨迹信息、健侧角度信息)，在滤波模块S3预处理之后，运用超前预测算法S4,提前预测下一时刻患侧运动的位置及速度，控制基于双侧协同的上肢主动康复系统S5,基于双侧协同的上肢康复系统S5控制电机驱动患侧运动S6,健侧和患侧协同运动有助于镜像康复原理的发挥，促进患者训练的积极性、主动性和参与性。患侧运动S6也可以控制3D游戏与患者游戏互动，同时也通过力矩传感器、角度传感器等传感设备获取患侧信息S7(患侧力矩信息、患侧运动轨迹信息、患侧角度信息),将获取到的患侧信息S7反馈到滤波模型S3预处理之后修正预测控制算法的参数，形成闭环控制，提高了算法的控制精度、鲁棒性和根据不同曲线的自适应能力。
图3为本发明实施例提供的基于双侧协同用于肢体运动康复的数据传输流程图。通过Unity3D编码适合腕关节和肘关节康复训练的互动游戏，患者在视觉刺激下，产生运动意图进而产生健侧运动，惯性传感器和力矩传感器获取到健侧数据，将传感器数据解析之后通过Wifi传递给上位机，上位机一方面通过本地TCP驱动虚拟游戏与患者进行互动，另一方面控制通过TCP控制上肢主动康复系统进而带动患者肢体的运动，患侧的角度传感器和力矩传感器将采集到的数据反馈到上位机，提高上位机的自适应性和鲁棒性。
图4为本发明实施例提供的基于双侧协同用于肢体运动康复中的超前预测控制算法的控制原理图。其中参考轨迹yr是根据患者日常生活活动(如开门、倒酒等)所需要的运动轨迹和速度而设定，同时ysp为患者在参考轨迹指导和视觉刺激下的健侧输入，u为最佳电机伺服控制器的占空比。预测误差e可表示为：
e(k)＝y(k-1)-ym(k-1)  (1)
其中y(k-1)表示上一时刻状态变量输出值，ym(k-1)表示上一时刻的模型预测值。
最终预测输出ye可表示为：
ye(k)＝ym(k)+Ae(k)  (2)
其中A为预测误差的增益矩阵。
由于系统误差和传输迟滞、电机响应等迟滞特性，不能将健侧输入直接控制患侧肢体达到双侧协同运动，因此将预测输出值ye,通过参考轨迹yr校正之后，通过不断的在滚动优化中求解最优的控制律，将最优控制u作用于控制对象，同时最优控制u作用于预测模型，不断优化预测模型。在患侧运动轨迹y,模型输出ym,模型输出ym与运动轨迹y的差值e共同作用下,修正模型输出作为最终预测输出ye，ye可作为下一时刻控制的预测输出，从而达到了超前预测患侧运动。预测模型采用的是CARIMA模型(受控自回归积分滑动平均模型)与卡尔曼滤波模型融合，采用长时段的优化性能指标，结合在线辨识和自校正机制，具有较强的鲁棒性，模型要求低等特点，并有广泛的适用范围。将两种模型融合可克服广义最小方差(需要试凑控制量的加权系数)、极点配置(对阶的不确定性)等自适应算法中的缺点，同时融合了卡尔曼滤波模型可对消除健侧输入的不确定误差，也可以对误差和未来的情况作出预测。采用滚动优化策略，在线反复进行优化计算，使模型失配、外界环境的变化引起的不确定性及时得到弥补，提高控制的鲁棒性和自适应能力。
在本实施例中，本实施例所涉及到的预测模型包括两部分：CARIMA(受控自回归积分滑动平均模型)和卡尔曼滤波模型。其中CARIMA模型可以写成
Figure GDA0004129452880000071
A(z-1)＝1+a1 z-1+...+anz-n
B(z-1)＝b0+b1 z-1+...+bnz-n
C(z-1)＝c0+c1 z-1+...+cnz-n
其中y为系统输出，u是系统输入,ξ(k)表示一类随机噪声，Δ＝1-z^(-1)
为差分算子，A、B、C都是z-1的多项式，其中B(z-1)的若干首项元素b0,b1,…可以为零，以表示对象的时滞。设C(z-1)＝1,则
Figure GDA0004129452880000072
其中
Figure GDA0004129452880000073
求解Diophantine方程
Figure GDA0004129452880000074
EjFj是由λ(z-1)和预测长度确定的多项式，j＝1，2,…,p,P为预测时域。
Ej(z-1)＝ej,0+ej,1z-1+...+ej,j-1z-(j-1)
Fj(z-1)＝fj,0+fj,1z-1+...+fj,j-1z-(j-1)
将(2)式代入(1)式可得：
y(k+j)＝Fj(z-1)y(k)+Ej(z-1)B(z-1)Δu(k+j-1)+Ej(z-1)ζ(k+j)
令Gj＝EjB则
Figure GDA0004129452880000081
多项式Gj(z-1)中前j项的系数正是对象阶跃响应前阶项的采样值，记为a1,a2…aj。
其中卡尔曼滤波模型可写成
xk＝Axk-1+Buk-1+wk-1   (6)
控制函数uk-1、过程激励噪声wk-1，xk-1是上一时刻的变量值，定义观测变量Zk,得到量测方程：
zk＝Hxk+vk   (7)
随机信号wk,vk分别表示过程激励噪声和观测噪声。
在每个采样时刻，能够得到输出的测量值zk,因此一种对状态的估计就是用测量值反算出来。
Figure GDA0004129452880000082
另一种对状态的估计则是利用上一时刻的估计结果递推。
Figure GDA0004129452880000083
采用数据融合的思想，对状态的估计其实就是：
Figure GDA0004129452880000084
即当前的估计值＝上一次的估计值+系数X(当前的测量值-上一次的估计值)
为了避免求逆，令G＝PkC,则
Figure GDA0004129452880000085
令K＝[ekek T]，R＝[vkvk T]则
Figure GDA0004129452880000086
如图4所示出的参考轨迹yr是根据患者日常生活活动(如开门、倒酒等)所需要的运动轨迹和速度而设定，同时ysp为患者在参考轨迹指导和视觉刺激下的健侧输入。故在yr(k+j)时刻的期望达到的轨迹和运动速度是已知的,但由于在上肢主动康复系统中存在不确定误差，不能直接将yr(k+j)作为具体的控制量。
结合两种模型，利用数据融合的思想，本发明提出了一种新的超前预测算法，对CARIMA模型预测的结果y(k+j)，采用卡尔曼滤波模型数据融合方式反馈校正预测值
Figure GDA0004129452880000087
而卡尔曼滤波模型运用到滤波模块S3中。ym是图四中所示模型预测控制输出。
ym＝y(k+j)(13)
其中，y(k+j)＝Fj(z-1)y(k)+Ej(z-1)B(z-1)Δu(k+j-1)+Ej(z-1)ζ(k+j)
采取数据融合反馈校正预测值
Figure GDA0004129452880000088
其中Kk为超前预测算法的增益，其具体的值由上肢康复主动康复系统的响应特性确定。反馈校正可在线反复进行优化计算，使模型失配、外界环境的变化引起的不确定性及时得到弥补，提高控制的鲁棒性和自适应能力。
其中滚动优化为
Figure GDA0004129452880000091
E为数学期望，
令
Figure GDA0004129452880000092
则
Figure GDA0004129452880000093
上式展开就可以求出从k都k+j时刻进行顺序开环控制的增量Δu(k)、Δu(k+1)、…、Δu(k+j-1)，其中u是图四中所示模型预测控制的最优控制量。Δu(k)表示不同时刻最优控制u的增量。
Figure GDA0004129452880000094
Figure GDA0004129452880000095
的第i行矢量，若如执行当前时刻的控制增量Δu(k)一步，只需计算Δu(k)即可。
控制对象为图6所示基于双侧协同用于肢体运动康复的超前预测控制系统。主要由计算机1、惯性传感器2、力矩传感器3和13、角度传感器14、前臂承托4和11、固定平台5、电动升降柱6、电控柜7、无刷直流电机8和12，拉线传感器9和滑轨10等部分组成，其中惯性传感器2、力矩传感器3，前臂承托4组成健侧手，其中包括健侧肘关节和腕关节驱动设备(无动力装置-电机)；其中无刷直流电机8和12，前臂承托11，角度传感器14，力矩传感器13组成患侧肘关节和腕关节驱动设备(有动力装置-电机)；计算机1用来编码3D游戏，并根据患者具体日常生活手部运动轨迹和方式以及健侧运动特点设定特定的运动轨迹，其主要功能包括为患者提供视觉刺激，让患者在大脑中产生运动意图，并向患者展示偏瘫康复训练的规定动作，指导患者健侧肢体的运动同时对患者患侧运动的情况进行评价和互动反馈，特定轨迹还能用做患侧运动的参考轨迹；固定平台5用于重力补偿，增加对患侧肢体的支撑作用，减少上肢负重，让患者充分利用剩余的神经肌肉进行康复训练；电动升降柱6用于调节固定平台的高度，为不同患者提供舒适的重力补偿；拉线传感器9用于测量健侧手肘和患侧手肘之间的间距，给患者提供舒适的位置，同时可用来计算健侧手和患侧手碰撞的阈值，滑轨10用来调节健侧手和患侧手之间的距离；电控柜7包括下位机控制器、电机驱动器按钮、指示灯、电源模块、断路器等控制器件和指示器件。在双侧协同主动康复训练下，下位机根据左侧无动力传感器中惯性传感器和力矩传感器的信号输入，实时的控制右侧动力装置中的电机动作，实现右侧对左侧的实时跟随运动。肘关节和腕关节两个自由度均由独立电机驱动，因此这两个自由度可以独立配置。扭矩传感器可以实时检测到两个自由度方向过程中的交互扭矩信号，经变送器处理后发送到下位机处理，下位机将信号滤波处理后发送到PC端显示并控制3D模型实现运动交互。安装有4个角度传感器，可实时检测到在各自自由度方向运动过程中的角位置信号，经变送器处理后发送至下位控制器处理，下位机将信号滤波处理后发送至PC端的人机界面上显示。具体地，在左侧无动力装置，安装2个角度传感器，实时检测两个自由度方向的运动位置，作为控制右侧有动力装置的输入信号；在右侧有动力装置，安装有2个角度传感器，实时反馈两个自由度方向的运动位置。按钮和指示灯可实现在控制柜端的手动控制；电源管理模块将220V变压后为各零部件供电。本实施例通过该基于双侧协同用于肢体运动康复的超前预测控制系统，实现协同，减少健患双侧的运动差异性，提高协同运动的实时性和患者训练过程中的注意力和协调性。
本发明提出了一种基于双侧协同用于肢体运动康复的超前预测控制方法。通过虚拟环境中设定的特定的康复训练规范动作，患者通过视觉刺激产生主动运动意图，进而促使患者自主的运动自身肢体。但由于偏瘫患侧不能独自规定的训练动作，故采用健侧手肘和手腕的力矩信息，角度信息等健侧信息通过控制基于双侧协同效应的主动康复设备带动患者肢体运动，实现双侧肢体协同运动，达到以人的主观运动意图为导向，机器人能够及时准确地识别这种意图并帮助患者实现所期望的运动,实现肌体的自我恢复和神经系统的自我重塑。本实施例通过设定标准的运动轨迹和运动方式，融合CARI MA模型与卡尔曼滤波模型对预测的结果进行预测，并采用反馈校正和滚动优化不断地优化控制方案，减少健患双侧的运动差异性，提高协同运动的实时性和患者训练过程中的注意力和协调性，减少代偿性动作，有利于患者受损脑功能的神经重塑和肢体康复。
基于上述实施例，本实施例提供基于双侧协同用于肢体运动康复的超前预测控制系统，如图5所示，所述系统包括：运动预测模块10、运动修正模块20以及患侧控制模块30。具体地，运动预测模块10，用于获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；运动修正模块20，用于获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；所述患侧控制模块，用于根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。
具体地，所述健侧运动信息包括：健侧力矩信息、健侧运动轨迹信息以及健侧角度信息；所述患侧运动信息包括：患侧力矩信息、患侧运动轨迹信息以及患侧角度信息。
图6示出了本发明所涉及的一种基于双侧协同用于肢体运动康复的超前预测控制系统，主要由计算机1、惯性传感器2、力矩传感器3和13、角度传感器14、前臂承托4和11、固定平台5、电动升降柱6、电控柜7、无刷直流电机8和12，拉线传感器9和滑轨10等部分组成，其中惯性传感器2、力矩传感器3，前臂承托4组成健侧手，其中包括健侧肘关节和腕关节驱动设备(无动力装置-电机)；其中无刷直流电机8和12，前臂承托11，角度传感器14，力矩传感器13组成患侧肘关节和腕关节驱动设备(有动力装置-电机)；计算机1用来编码3D游戏，并根据患者具体日常生活手部运动轨迹和方式以及健侧运动特点设定特定的运动轨迹，其主要功能包括为患者提供视觉刺激，让患者在大脑中产生运动意图，并向患者展示偏瘫康复训练的规定动作，指导患者健侧肢体的运动同时对患者患侧运动的情况进行评价和互动反馈，特定轨迹还能用做患侧运动的参考轨迹；固定平台5用于重力补偿，增加对患侧肢体的支撑作用，减少上肢负重，让患者充分利用剩余的神经肌肉进行康复训练；电动升降柱6用于调节固定平台的高度，为不同患者提供舒适的重力补偿；拉线传感器9用于测量健侧手肘和患侧手肘之间的间距，给患者提供舒适的位置，同时可用来计算健侧手和患侧手碰撞的阈值，滑轨10用来调节健侧手和患侧手之间的距离；电控柜7包括下位机控制器、电机驱动器按钮、指示灯、电源模块、断路器等控制器件和指示器件。在双侧协同主动康复训练下，下位机根据左侧无动力传感器中惯性传感器和力矩传感器的信号输入，实时的控制右侧动力装置中的电机动作，实现右侧对左侧的实时跟随运动。肘关节和腕关节两个自由度均由独立电机驱动，因此这两个自由度可以独立配置。扭矩传感器可以实时检测到两个自由度方向过程中的交互扭矩信号，经变送器处理后发送到下位机处理，下位机将信号滤波处理后发送到PC端显示并控制3D模型实现运动交互。安装有4个角度传感器，可实时检测到在各自自由度方向运动过程中的角位置信号，经变送器处理后发送至下位控制器处理，下位机将信号滤波处理后发送至PC端的人机界面上显示。具体地，在左侧无动力装置，安装2个角度传感器，实时检测两个自由度方向的运动位置，作为控制右侧有动力装置的输入信号；在右侧有动力装置，安装有2个角度传感器，实时反馈两个自由度方向的运动位置。按钮和指示灯可实现在控制柜端的手动控制；电源管理模块将220V变压后为各零部件供电。本实施例通过该基于双侧协同用于肢体运动康复的超前预测控制系统，实现协同，减少健患双侧的运动差异性，提高协同运动的实时性和患者训练过程中的注意力和协调性。
基于上述实施例，本发明还提供了一种终端设备，其原理框图可以如图7所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于双侧协同用于肢体运动康复的超前预测控制方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该终端设备的温度传感器是预先在终端设备内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图7中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于双侧协同用于肢体运动康复的超前预测控制程序，处理器执行基于双侧协同用于肢体运动康复的超前预测控制程序时，实现如下操作指令：
获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；
获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；
根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上，本发明公开了一种基于双侧协同用于肢体运动康复的超前预测控制方法，所述方法包括：获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。本发明有利于提高协同运动的实时性和患者训练过程中的注意力和协调性，减少代偿性动作，有利于患者受损脑功能的神经重塑和肢体康复。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于双侧协同用于肢体运动康复的超前预测控制方法，其特征在于，所述方法包括：
获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；
所述获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息，包括：
获取运动意图，并基于所述运动意图，获取健侧运动信息；
建立患侧运动的预测模型；
根据滤波模块，对所述健侧运动信息进行滤波处理，得到滤波处理后的健侧运动信息；
基于预设的CARIMA模型对滤波处理后的健侧运动信息进行运动预测，得到所述预测信息；
获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；
所述获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值，包括：
获取运动意图，并基于所述运动意图，获取患侧运动信息；
基于所述预测信息与所述患侧运动信息，确定出所述健侧运动信息与所述患侧运动信息之间的健侧差异值；
基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及健侧差异值；
根据所述健侧差异值，对所述患侧运动信息进行修正；
所述预测值通过校正后，采用滚动优化策略，在线反复进行优化计算，不断优化预测模型；
根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。
2.根据权利要求1所述的基于双侧协同用于肢体运动康复的超前预测控制方法，其特征在于，所述健侧运动信息包括：健侧力矩信息、健侧运动轨迹信息以及健侧角度信息。
3.根据权利要求1所述的基于双侧协同用于肢体运动康复的超前预测控制方法，其特征在于，所述患侧运动信息包括：患侧力矩信息、患侧运动轨迹信息以及患侧角度信息。
4.根据权利要求1所述的基于双侧协同用于肢体运动康复的超前预测控制方法，其特征在于，所述滤波模块为卡尔曼滤波模块。
5.一种基于双侧协同用于肢体运动康复的超前预测控制系统，其特征在于，所述系统包括：
运动预测模块，用于获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息；
所述获取健侧运动信息，建立患侧运动的预测模型，并基于所述健侧运动信息进行运动预测，得到预测信息，包括：
获取运动意图，并基于所述运动意图，获取健侧运动信息；
建立患侧运动的预测模型；
根据滤波模块，对所述健侧运动信息进行滤波处理，得到滤波处理后的健侧运动信息；
基于预设的CARIMA模型对滤波处理后的健侧运动信息进行运动预测，得到所述预测信息；
运动修正模块，用于获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值；
所述获取患侧运动信息，并基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及所述健侧运动信息与所述患侧运动信息之间的健侧差异值，得到修正后的预测值，包括：
获取运动意图，并基于所述运动意图，获取患侧运动信息；
基于所述预测信息与所述患侧运动信息，确定出所述健侧运动信息与所述患侧运动信息之间的健侧差异值；
基于患侧运动信息对所述预测模型参数在线反馈校正，修正所述预测模型的参数及健侧差异值；
根据所述健侧差异值，对所述患侧运动信息进行修正；
所述预测值通过校正后，采用滚动优化策略，在线反复进行优化计算，不断优化预测模型；
患侧控制模块，用于根据修正后的预测值控制患侧运动，以使得所述健侧运动信息与所述患侧运动信息协同。
6.根据权利要求5所述的基于双侧协同用于肢体运动康复的超前预测控制系统，其特征在于，所述健侧运动信息包括：健侧力矩信息、健侧运动轨迹信息以及健侧角度信息；
所述患侧运动信息包括：患侧力矩信息、患侧运动轨迹信息以及患侧角度信息。
7.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于双侧协同用于肢体运动康复的超前预测控制程序，所述处理器执行所述基于双侧协同用于肢体运动康复的超前预测控制程序时，实现如权利要求1-4任一项所述的基于双侧协同用于肢体运动康复的超前预测控制方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于双侧协同用于肢体运动康复的超前预测控制程序，所述基于双侧协同用于肢体运动康复的超前预测控制程序被处理器执行时，实现如权利要求1-4任一项所述的基于双侧协同用于肢体运动康复的超前预测控制方法的步骤。
CN202110540969.8A 2021-05-18 2021-05-18 一种基于双侧协同用于肢体运动康复的超前预测控制方法 Active CN113223666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110540969.8A CN113223666B (zh) 2021-05-18 2021-05-18 一种基于双侧协同用于肢体运动康复的超前预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110540969.8A CN113223666B (zh) 2021-05-18 2021-05-18 一种基于双侧协同用于肢体运动康复的超前预测控制方法

Publications (2)

Publication Number Publication Date
CN113223666A CN113223666A (zh) 2021-08-06
CN113223666B true CN113223666B (zh) 2023-04-28

Family

ID=77092672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110540969.8A Active CN113223666B (zh) 2021-05-18 2021-05-18 一种基于双侧协同用于肢体运动康复的超前预测控制方法

Country Status (1)

Country Link
CN (1) CN113223666B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593671B (zh) * 2021-10-08 2022-01-04 西安交通大学城市学院 基于Leap Motion手势识别的虚拟康复游戏的自调整方法及装置
CN116100578B (zh) * 2023-04-13 2023-07-14 深圳市大族机器人有限公司 一种双关节机器人的指令快速响应系统
CN117442400A (zh) * 2023-12-21 2024-01-26 深圳市心流科技有限公司 一种智能假肢的校正方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111557828A (zh) * 2020-04-29 2020-08-21 天津科技大学 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3735672B2 (ja) * 2003-07-22 2006-01-18 国立大学法人岐阜大学 リハビリテーション訓練技術教育装置
TWI435744B (zh) * 2010-07-30 2014-05-01 Univ Nat Yang Ming 中風患者之雙側上肢動作訓練與評估系統
CN103212156B (zh) * 2013-04-03 2015-10-28 重庆德领科技有限公司 基于本体镜像原理的偏瘫患者自主康复仪
CN110270057B (zh) * 2019-05-15 2021-01-12 深圳大学 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法
CN110675933B (zh) * 2019-09-06 2022-05-17 南京邮电大学 一种手指镜像康复训练系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111557828A (zh) * 2020-04-29 2020-08-21 天津科技大学 基于健患侧耦合的主动式脑卒中下肢康复机器人控制方法

Also Published As

Publication number Publication date
CN113223666A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113223666B (zh) 一种基于双侧协同用于肢体运动康复的超前预测控制方法
CN109394476B (zh) 脑肌信息自动意图识别与上肢智能控制方法及系统
CN107053179B (zh) 一种基于模糊强化学习的机械臂柔顺力控制方法
Emken et al. Motor adaptation as a greedy optimization of error and effort
CN114366556B (zh) 一种面向下肢康复的多模式训练控制系统及方法
Botzer et al. Feedback and feedforward adaptation to visuomotor delay during reaching and slicing movements
CN110270057A (zh) 一种用于偏瘫患者双侧肢体协同运动的主动康复训练方法
Alibeji et al. A modified dynamic surface controller for delayed neuromuscular electrical stimulation
Oliveira et al. Time-scaling based sliding mode control for neuromuscular electrical stimulation under uncertain relative degrees
JP2018036773A (ja) データ指向型フィードバック制御装置およびデータ指向型フィードバック制御方法
Peng et al. Experimental study of robot-assisted exercise training for knee rehabilitation based on a practical EMG-driven model
Hayashibe et al. Dual predictive control of electrically stimulated muscle using biofeedback for drop foot correction
Vannucci et al. Adaptive gaze stabilization through cerebellar internal models in a humanoid robot
Sun et al. Bio-robots automatic navigation with electrical reward stimulation
Chia et al. Velocity field based active-assistive control for upper limb rehabilitation exoskeleton robot
Shi A novel design of fuzzy PID controllers for dual-sensor cardiac pacemaker systems
CN112951360B (zh) 一种双侧手指协同运动控制方法与系统
Barbosa et al. Control techniques for neuromuscular electrical stimulation: A brief survey
Alibeji et al. Bilateral control of functional electrical stimulation and robotics-based telerehabilitation
Zhu et al. Overview of motion control on bionic eyes
Wang et al. A close-loop EMG model for continuous joint movements estimation of a rehabilitation robot
Shah et al. Robot adaptation under operator cognitive fatigue using reinforcement learning
Zakaria et al. Forward and inverse predictive model for the trajectory tracking control of a lower limb exoskeleton for gait rehabilitation: Simulation modelling analysis
Li et al. A Robust Region Control Approach for Simultaneous Trajectory Tracking and Compliant Physical Human–Robot Interaction
Zakaria et al. Active head motion compensation of tms robotic system using neuro-fuzzy estimation

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