CN113536599B - 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法 - Google Patents

一种具有人体生物力学差异性特征的裸指力触觉信号生成方法 Download PDF

Info

Publication number
CN113536599B
CN113536599B CN202110934225.4A CN202110934225A CN113536599B CN 113536599 B CN113536599 B CN 113536599B CN 202110934225 A CN202110934225 A CN 202110934225A CN 113536599 B CN113536599 B CN 113536599B
Authority
CN
China
Prior art keywords
force
matrix
human body
measured
biomechanical
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
CN202110934225.4A
Other languages
English (en)
Other versions
CN113536599A (zh
Inventor
孙晓颖
宋瑞
刘国红
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202110934225.4A priority Critical patent/CN113536599B/zh
Publication of CN113536599A publication Critical patent/CN113536599A/zh
Application granted granted Critical
Publication of CN113536599B publication Critical patent/CN113536599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明涉及一种具有人体生物力学差异性特征的裸指力触觉信号生成方法，属于人机交互领域。该建立裸指力触觉信号和人体生物力学差异因子之间的主成分分析模型，然后通过RBLW估计器得到力触觉信号的一致性估计。优点在于：生成了具有人体生物力学差异性特征的力触觉信号；生成的力触觉信号在一般渐进框架下是实测力的一致估计；对于一个新加入的实验者，仅仅测量其一个样本点的侧向力信号即可生成其在所有样本点的实测力信号。

Description

一种具有人体生物力学差异性特征的裸指力触觉信号生成 方法
技术领域
本发明属于信号处理与人机交互领域，尤其涉及一种具有人体生物力学差异性特征的裸指力触觉信号生成方法。
背景技术
裸指表面触觉再现技术能够驱动物理表面以提供触觉反馈效果，其在智能手机和平板电脑中具有巨大的潜在应用价值。裸指数据驱动触觉渲染方法作为表面触觉再现的核心技术之一，能够实现高真实感的表面触觉再现效果。其高真实感的触觉渲染效果基于准确的获取裸指与真实对象交互的力触觉信号，然后利用它们来调制触觉反馈力，以实现对触摸屏上可视化物体的触觉感知。因此，数据驱动渲染的触觉保真度受到裸指力触觉信号的可靠获取的极大影响。
通常，裸指力触觉信号取决于物理因素和人体生物力学差异因素。具体而言，物理因素与触摸物体的表面力学特性和测力装置的运动有关，即所施加的法向力和滑动速度，而人体生物力学差异因素与实验者手指的机械特性如手指粘弹性和生物力学阻抗有关。因此，在相同物理因素下获得的不同用户的力触觉信号对于现有的人体生物力学差异仍然存在显着差异。
目前，裸指力触觉信号通常由测量装置获取。
论文“Haptex：用于表面触觉显示的织物纹理数据库”设计了力和位移测量装置来收集裸手指在120种织物上滑动的摩擦力数据。论文“受人类探索程序启发的触觉材料分析和分类”设计了Texplorer2的采集设备，用于测量184种材料的裸指触觉数据。由于上述触觉数据是由特定的实验者获取的，因此表面触觉显示器很难利用这些数据进行高保真数据驱动渲染。
中国专利“一种触觉信号自动采集装置”(公开号108664903A)公开了一种触觉信号自动采集装置，其能够测量压力、振动、温度、摩擦力等触觉信号，将触觉信号较为完整地用电信号呈现出来，实现触觉的多功能表达。中国专利“一种触觉测量装置及方法”(公开号112146701A)公开了一种触觉测量装置及方法，通过控制两轴运动平台和施压模块的移动，获取触觉传感器的电信号，能够同时测量物体表面的形貌和物体的软硬度，提高测量效率。
中国专利“触觉数据生成装置及方法、触觉效果提供装置及方法”(公开号112204504A)公开了一种触觉数据生成装置及方法和触觉效果提供装置及方法，其根据触觉效果的适用范围、触觉模式及触觉强度中的至少一个有关的设定信息来生成关于游戏中产生的事件的触觉数据，以及将所述生成的触觉数据传送至触觉效果提供装置，如可穿戴装置、移动设备辅助装置、游戏手柄、键盘、鼠标及操纵杆。
上述触觉数据采集和生成过程中没有考虑人体生物力学差异性特征，所得到的力触觉信息结果仅仅包含了物理特征的部分，不能满足高保真数据驱动渲染对真实可靠数据的基本要求。
裸指表面触觉再现技术是人机交互领域的关键技术，数据驱动触觉渲染方法是实现高真实感的表面触觉再现效果的重要方式，达到高真实感的数据驱动触觉渲染效果的前提是获取人体与实际对象交互时真实的力触觉信号。通常裸指力触觉信号的采集依赖于物理因素和人体生物力学差异性因素，目前的裸指力触觉信号采集过程没有考虑人体差异性特征对实测信号的影响，因此表面触觉显示器很难利用这些数据进行高保真数据驱动渲染。
发明内容
本发明提供一种具有人体生物力学差异性特征的裸指力触觉信号生成方法，以解决目前的裸指力触觉信号采集过程没有考虑人体差异性特征对实测信号的影响，导致表面触觉显示器很难利用这些数据进行高保真数据驱动渲染的问题。
本发明采取的技术方案是，包括下列步骤：
(1)构造用于PCA建模的实测力矩阵F；
(2)建立裸指力触觉信号与人体生物力学差异性因子之间的PCA模型；
(3)利用RBLW估计器获得一致性估计的样本协方差矩阵
Figure BDA0003212230000000021
(4)计算实测力矩阵F一致性估计的主成分Pk；
(5)估计人体生物力学差异性因子；
(6)生成带有人体生物力学差异性特征的一致性力触觉信号。
本发明所述步骤(1)中实测力矩阵F构造如下：
测量了M个实验者裸指在真实物理表面上滑动时，样本长度为N的力触觉信号，其中，第m个实验者的力触觉信号表示为：
fm＝[fm(1),fm(2),…,fm(N)]T,m∈(1,M)
将M个实验者的样本长度为N的力触觉信号，按列排列构成如下的实测力矩阵F，矩阵F包括N行M列，共计MN个样本点：
Figure BDA0003212230000000031
本发明所述步骤(2)中PCA模型建立步骤是：
基于裸指在真实物理表面滑动时的实测力矩阵F构建PCA模型，在PCA模型中将实测力矩阵F分为主成分Pk和人体生物力学差异性因子σm两部分
Figure BDA0003212230000000032
其中主成分Pk体现与压力、速度和触摸物体表面物理属性相关部分的力触觉特征，人体生物力学差异性因子σm体现了与实验者手指粘弹性和生物力学阻抗相关的人体生物力学差异性特征：
Pk＝(Pk(1),Pk(2),…,Pk(N))T,k∈(1,K)
Figure BDA0003212230000000033
为了减少基数，总比例大于90％的有限数量的K主成分来表示数据的变化，PCA模型进一步表示为：
Figure BDA0003212230000000034
本发明所述步骤(3)中一致性估计的样本协方差矩阵
Figure BDA0003212230000000035
获得步骤是：
在PCA模型中，实测力F的样本协方差矩阵
Figure BDA0003212230000000036
为：
Figure BDA0003212230000000037
其中fi是实测力F矩阵的第i行向量，
Figure BDA0003212230000000038
是fi的均值；
利用RBLW估计器修订PCA模型中的样本协方差矩阵；
在RBLW收缩估计方法中，收缩目标矩阵
Figure BDA0003212230000000039
为：
Figure BDA0003212230000000041
其中Tr(·)表述迹运算，
Figure BDA0003212230000000042
表述样本协方差矩阵
Figure BDA0003212230000000043
的迹，I是单位矩阵；
估计的协方差矩阵
Figure BDA0003212230000000044
为：
Figure BDA0003212230000000045
估计的协方差矩阵
Figure BDA0003212230000000046
是样本协方差矩阵
Figure BDA0003212230000000047
和收缩目标矩阵
Figure BDA0003212230000000048
之间的线性组合，线性组合的比例由收缩系数ρ来调节，收缩系数ρ取值在0和1之间以实现估计协方差矩阵在最低偏差和最低方差之间的折衷，RBLW收缩估计法的核心是求得收缩系数ρ如下的闭式解：
Figure BDA0003212230000000049
为了进一步提升性能，收缩系数的修订形式如下：
Figure BDA00032122300000000410
因此，RBLW收缩估计的样本协方差矩阵
Figure BDA00032122300000000411
表示如下，其可以确保实测力矩阵F估计的主成分在一般渐进理论框架下是一致性估计；
Figure BDA00032122300000000412
本发明所述步骤(4)中主成分Pk计算方法如下：
对RBLW估计器得到的样本协方差矩阵
Figure BDA00032122300000000413
进行特征值分解，得到实测力矩阵一致性估计的主成分，首先通过对RBLW收缩估计的样本协方差矩阵
Figure BDA00032122300000000414
进行特征值分解得到M个降序排列的特征值(γ1,γ2,…,γM)及其对应的特征向量(V1,V2,…,VM)，为了减少基底，通常用有限的K个主成分去代表信号的变化，K的取值通过主特征值的累积贡献率β计算，通常要求累积贡献率β∈(0.9,1]；
Figure BDA0003212230000000051
对应于K个特征向量的实测力矩阵F一致性估计的主成分表示为：
(P1,P2,…,PK)＝F(V1,V2,…,VK)。
本发明所述步骤(5)中人体生物力学差异性因子估计方法如下：
基于上述过程建立的PCA模型和计算出的一致性估计的主成分特征向量(P1,P2,…,PK)，对于任何一个新加入的实验者，通过测量其在K个测量点的实测力信号(fnew(1),fnew(2)…fnew(K))，其人体生物力学差异性因子
Figure BDA0003212230000000052
可以由如下线性方程组被估计：
Figure BDA0003212230000000053
本发明所述步骤(6)中带有人体生物力学差异性特征的一致性力触觉信号的生成方法是：
对于一个新加入的没有测量过所有样本点实测力数据的实验者，仅需要测量其在K个测量点的实测力信号，其一致性估计的力触觉信号
Figure BDA0003212230000000054
可以通过一致性估计的主成分(P1,P2,…,PK)和人体生物力学差异性因子
Figure BDA0003212230000000055
间的线性关系生成：
Figure BDA0003212230000000056
本发明首先建立了具有人体生物力学差异的力触觉信号的主成分分析(PCA)模型，然后，它利用RBLW估计器仅通过一两个测量点对任何新用户的裸指力触觉信号进行统计上一致的预测。使用力测量设备，测量五个参与者裸指滑过3D凸起时的侧向力信号，并使用它们来评估所提出方法的预测性能。结果表明该方法获取的力触觉信号可以揭示不同用户的人体生物力学差异，并且获取裸指力触觉信号在一般渐近框架下是实际测量的力触觉信号在统计上的一致估计。
本发明的优点在于：生成了具有人体生物力学差异性特征的力触觉信号；生成的力触觉信号在一般渐进框架下是实测力的一致估计；对于一个新加入的实验者，仅仅测量其一个样本点的侧向力信号即可生成其在所有样本点的实测力信号。
实测3D正弦光栅的侧向力触觉信号验证该方法的有效性，即一个新加入的实验者的人体生物力学差异因子可以根据一个实际测力点数据从PCA模型中提取，并且该新实验者的力触觉信号可以从RBLW估计的主成分和人体生物力学差异因素之间的线性关系中构建。结果表明，所提出的信号生成方法在一般渐进理论框架下得到了一致的估计结果，平均相对误差为10.41％。t检验结果表明，估计的力触觉信号与实际测量的力触觉信号之间没有显着差异。这种具有人体生物力学差异性特征的裸指力触觉信号一致性估计方法将为提高表面触觉再现效果提供根本保证。
附图说明
图1是测量3D凸起侧向力的实验框图；
图2是测量3D凸起侧向力的实验过程图；
图3是实测的侧向力数据图；
图4是滤波的侧向力数据图；
图5是样本长度为100时实测力与估计力的仿真结果图；
图6样本长度为500时实测力与估计力的仿真结果图；
图7是样本长度为5000时实测力与估计力的仿真结果图。
具体实施方式
包括下列步骤：
(1)构造用于力触觉信号的主成分分析PCA建模的实测力矩阵F
测量了M个实验者裸指在真实物理表面上滑动时，样本长度为N的力触觉信号，其中，第m个实验者的力触觉信号表示为：
fm＝[fm(1),fm(2),…,fm(N)]T,m∈(1,M)
将M个实验者的样本长度为N的力触觉信号，按列排列构成如下的实测力矩阵F，矩阵F包括N行M列，共计MN个样本点：
Figure BDA0003212230000000061
(2)建立裸指力触觉信号与人体生物力学差异性因子之间的PCA模型
基于裸指在真实物理表面滑动时的实测力矩阵F构建PCA模型，在PCA模型中将实测力矩阵F分为主成分Pk和人体生物力学差异性因子σm两部分：
Figure BDA0003212230000000071
其中主成分Pk体现与压力、速度和触摸物体表面物理属性相关部分的力触觉特征，人体生物力学差异性因子σm体现了与实验者手指粘弹性和生物力学阻抗相关的人体生物力学差异性特征：
Pk＝(Pk(1),Pk(2),…,Pk(N))T,k∈(1,K)
Figure BDA0003212230000000072
为了减少基数，总比例大于90％的有限数量的K主成分来表示数据的变化，PCA模型可以进一步表示为：
Figure BDA0003212230000000073
(3)利用RBLW估计器获得一致性估计的样本协方差矩阵
Figure BDA0003212230000000074
RBLW估计器是一种在研究高维度小样本问题时满足最小均方误差准则的样本协方差矩阵收缩估计方法，该方法可以保证估计的结果在一般渐进理论框架下是一致性估计；
在PCA模型中，实测力F的样本协方差矩阵
Figure BDA0003212230000000075
为：
Figure BDA0003212230000000076
其中fi是实测力F矩阵的第i行向量，
Figure BDA0003212230000000077
是fi的均值；
上述标准的协方差矩阵计算方法适用于M/N很大的情况，在分析和表征触觉信号时往往是信号维度N很大且样本数M很小，此时上述标准协方差矩阵计算方法不能保证计算结果是一致性估计，因此利用RBLW估计器修订PCA模型中的样本协方差矩阵；
在RBLW收缩估计方法中，收缩目标矩阵
Figure BDA0003212230000000078
为：
Figure BDA0003212230000000079
其中Tr(·)表述迹运算，
Figure BDA00032122300000000710
表述样本协方差矩阵
Figure BDA00032122300000000711
的迹，I是单位矩阵；
估计的协方差矩阵
Figure BDA0003212230000000081
为：
Figure BDA0003212230000000082
估计的协方差矩阵
Figure BDA0003212230000000083
是样本协方差矩阵
Figure BDA0003212230000000084
和收缩目标矩阵
Figure BDA0003212230000000085
之间的线性组合，线性组合的比例由收缩系数ρ来调节，收缩系数ρ取值在0和1之间以实现估计协方差矩阵在最低偏差和最低方差之间的折衷，RBLW收缩估计法的核心是求得收缩系数ρ如下的闭式解：
Figure BDA0003212230000000086
为了进一步提升性能，收缩系数的修订形式如下：
Figure BDA0003212230000000087
因此，RBLW收缩估计的样本协方差矩阵
Figure BDA0003212230000000088
表示如下，其可以确保实测力矩阵F估计的主成分在一般渐进理论框架下是一致性估计：
Figure BDA0003212230000000089
(4)计算实测力矩阵F一致性估计的主成分Pk
对RBLW估计器得到的样本协方差矩阵
Figure BDA00032122300000000810
进行特征值分解，得到实测力矩阵一致性估计的主成分，首先通过对RBLW收缩估计的样本协方差矩阵
Figure BDA00032122300000000811
进行特征值分解得到M个降序排列的特征值(γ1,γ2,…,γM)及其对应的特征向量(V1,V2,…,VM)，为了减少基底，通常用有限的K个主成分去代表信号的变化，K的取值通过主特征值的累积贡献率β计算，通常要求累积贡献率β∈(0.9,1]；
Figure BDA00032122300000000812
对应于K个特征向量的实测力矩阵F一致性估计的主成分表示为：
(P1,P2,…,PK)＝F(V1,V2,…,VK)
(5)估计人体生物力学差异性因子
基于上述过程建立的PCA模型和计算出的一致性估计的主成分特征向量(P1,P2,…,PK)，对于任何一个新加入的实验者，通过测量其在K个测量点的实测力信号(fnew(1),fnew(2)…fnew(K))，其人体生物力学差异性因子
Figure BDA0003212230000000091
可以由如下线性方程组被估计：
Figure BDA0003212230000000092
(6)生成带有人体生物力学差异性特征的一致性力触觉信号
对于一个新加入的没有测量过所有样本点实测力数据的实验者，仅需要测量其在K个测量点的实测力信号，其一致性估计的力触觉信号
Figure BDA0003212230000000093
可以通过一致性估计的主成分(P1,P2,…,PK)和人体生物力学差异性因子
Figure BDA0003212230000000094
间的线性关系生成：
Figure BDA0003212230000000095
下边通过附图和实验例对本发明的效果做进一步说明。
本发明通过测量的实验者裸指触摸3D正弦凸起的侧向力数据集验证所提方法的有效性，首先介绍一下实验者裸指触摸3D正弦凸起时侧向力的采集过程和测量结果，测量3D凸起侧向力的实验框图如图1所示，其结构包括：
(1)三轴力传感器(ATI Nano17)安装在磁阻尼平衡梁上，用于测量实验者裸指触摸3D正弦凸起(ABS树脂)的侧向力；
(2)数据收集面板(Nation Instruments USB-6251,Austin,Texas)以2.5kHz的采样率记录侧向力数据；
(3)视觉反馈系统将实验者施加的法向力保持在1N，偏差为±0.1N；
(4)设备的上部是由步进电机驱动的手指支架，手指通过支架固定在水平导轨上，步进电机确保实验者手指以25mm/s的恒定移动速度。
来自吉林大学的五名实验者裸指划过3D正弦凸起的侧向力触觉信号被采集，侧向力采集过程如图2所示。五个实验者样本长度为5000(采样率2.5kHz)的侧向力测量结果如图3所示。从图中可以看出，尽管物理因素相同，不同实验者的裸指力触觉信号呈现出不同的变化趋势。单向方差分析结果表明，五个实验者的侧向力数据存在显着差异(F(4,24995)＝9.645,p<0.001)。这表明裸指力触觉信号同时受到物理因素和人体生物力学差异因素的影响。因此为了在表面触觉设备上实现高保真数据驱动渲染，需要可靠地获得具有人类生物力学差异特征的力触觉信号。
使用截止频率为500Hz的低通滤波器过滤实测的侧向力触觉信号，滤波后的侧向力结果如图4所示。力测量过程中数据收集面板(Nation Instruments USB-6251,Austin,Texas)以2.5kHz的采样率记录侧向力数据，因此获得的力触觉信号样本长度为5000。为了保证构建的信号集包含一般渐进理论框架中大样本和小样本的情况，进一步对信号进行预处理，分别得到样本长度为2500、1000、500、250、100和50的信号集。然后，使用五重交叉验证法将上述信号集分为训练集和测试集，选择五名实验者中的一名作为测试集对象，其余四名实验者的力触觉信号构成训练集。
基于上述实测的数据集，以第五名实验者信号样本长度为100的数据构成测试集，其他四名实验者的力触觉信号的构成训练集为例，说明具有人体生物力学差异性特征的裸指力触觉信号生成方法，其步骤包括：
(1)构造用于PCA建模的实测力矩阵F
将M＝4个实验者的样本长度为N＝100的力触觉信号按列排列构成如下的实测力矩阵F，矩阵F包括100行4列，共计400个样本点：
Figure BDA0003212230000000101
(2)建立裸指力触觉信号与人体生物力学差异性因子之间的PCA模型
基于实验者裸指划过3D正弦凸起时的实测力矩阵F构建PCA模型，在PCA模型中将实测力矩阵F分为主成分Pk和人体生物力学差异性因子σm两部分：
Figure BDA0003212230000000102
其中主成分Pk体现与压力、速度和触摸物体表面物理属性相关部分的力触觉特征，人体生物力学差异性因子σm体现了与实验者手指粘弹性和生物力学阻抗相关的人体生物力学差异性特征：
Pk＝(Pk(1),Pk(2),…,Pk(N))T,k∈(1,K)
Figure BDA0003212230000000111
为了减少基数，有限数量的K主成分(总比例大于90％)来表示数据的变化，PCA模型可以进一步表示为：
Figure BDA0003212230000000112
(3)利用RBLW估计器获得一致性估计的样本协方差矩阵
Figure BDA0003212230000000113
在PCA模型中，实测力F的样本协方差矩阵
Figure BDA0003212230000000114
为：
Figure BDA0003212230000000115
其中fi是实测力F矩阵的第i行向量，
Figure BDA0003212230000000116
是fi的均值；
在RBLW收缩估计方法中，收缩目标矩阵
Figure BDA0003212230000000117
为：
Figure BDA0003212230000000118
其中Tr(·)表述迹运算，
Figure BDA0003212230000000119
表述样本协方差矩阵
Figure BDA00032122300000001110
的迹，I是单位矩阵。
估计的协方差矩阵
Figure BDA00032122300000001111
为：
Figure BDA00032122300000001112
估计的协方差矩阵
Figure BDA00032122300000001113
是样本协方差矩阵
Figure BDA00032122300000001114
和收缩目标矩阵
Figure BDA00032122300000001115
之间的线性组合，线性组合的比例由收缩系数ρ来调节。收缩系数ρ取值在0和1之间以实现估计协方差矩阵在最低偏差和最低方差之间的折衷。RBLW收缩估计法的核心是求得收缩系数ρ如下的闭式解：
Figure BDA00032122300000001116
为了进一步提升性能，收缩系数的修订形式如下：
Figure BDA0003212230000000121
因此，RBLW收缩估计的样本协方差矩阵
Figure BDA0003212230000000122
表示如下，其可以确保实测力矩阵F估计的主成分在一般渐进理论框架下是一致性估计：
Figure BDA0003212230000000123
(4)计算实测力矩阵F一致性估计的主成分Pk
对RBLW估计器得到的样本协方差矩阵
Figure BDA0003212230000000124
进行特征值分解，得到实测力矩阵一致性估计的主成分。首先通过对样本协方差矩阵
Figure BDA0003212230000000125
进行特征值分解得到M个降序排列的特征值(γ1,γ2,…,γM)及其对应的特征向量(V1,V2,…,VM)，为了减少基底，通常用有限的K个主成分去代表信号的变化，K的取值通过主特征值的累积贡献率β计算，要求β∈(0.9,1]：
Figure BDA0003212230000000126
在对实测的侧向力矩阵F分析过程中，其第一个主成分占比99.62％，因此K＝1,其一致性估计的主成分表示为：
P1＝FV1
(5)估计人体生物力学差异性因子
基于上述过程建立的PCA模型和计算出的一致性估计的主成分特征向量P1，对于一个新加入的没有测量过所有样本点实测力数据实验者，通过测量其在K＝1个测量点(凸起最高点)的实测力信号fnew(1)，其人体生物力学差异性因子
Figure BDA0003212230000000127
可以由如下方程被估计：
Figure BDA0003212230000000128
(6)生成带有人体生物力学差异性特征的一致性力触觉信号
对于一个新加入的没有测量过所有样本点实测力数据的实验者，仅需要测量其在K＝1个测量点的实测力信号，其一致性估计的力触觉信号
Figure BDA0003212230000000129
可以通过一致性估计的主成分P1和人体生物力学差异性因子
Figure BDA00032122300000001210
间的线性关系生成：
Figure BDA0003212230000000131
依据上述过程估计生成的测试集对象(第五名实验者)在100个样本点力触觉数据如图5所示，为了对比估计效果，其实测的力触觉数据在同一幅图中展示，从中可见估计生成的力触觉信号和实测的力触觉信号在趋势上保持一致，并且每个采样点的数据都得到了较为准确的结果，计算出的平均相对误差为7.53％。图6和图7分别显示了样本长度为500和5000时第五名实验者实际测量的和估计生成的侧向力结果。表1展示了七种样本长度情况下五个实验者分别作为测试集对象估计的侧向力的平均相对误差，平均相对误差在7.46％～14.16％之间，总体平均相对误差为10.41％。为了进一步分析构建的力触觉信号的统计特性，对每种情况下估计的侧向力和实测的侧向力数据进行t检验分析，分析结果如表2所示。t检验分析表明在每一种情况下估计的侧向力和实测的侧向力之间均没有显著性差异(p>0.05)，由此可以证明所提的力触觉数据生成方法在一般渐进理论框架下可以生成具有人体生物力学差异性特征的一致性估计的力触觉信号。单因素方差分析结果表明信号样本长度对力触觉信号的平均相对误差没有显著性影响(F(6,27)＝0.442,p＝0.844>0.05)，证明了所提出的方法对裸指力触觉信号的采样长度的鲁棒性。
表1不同样本长度下估计的侧向力的平均相对误差
Figure BDA0003212230000000132
表2估计侧向力和实测的侧向力信号间的t检验分析结果
Figure BDA0003212230000000141
以上通过实例对本发明所述的一种具有人体生物力学差异性特征的裸指力触觉信号生成方法进行了详细说明，但本发明的具体实现形式并不局限于此。本领域的一般技术人员，可以在不背离本发明所述方法的精神和原则的情况下对其进行各种显而易见变化与修改。本发明的保护范围应以权利要求书所述为准。

Claims (2)

1.一种具有人体生物力学差异性特征的裸指力触觉信号生成方法，其特征在于，包括下列步骤：
(1)构造用于PCA建模的实测力矩阵F；所述实测力矩阵F构造如下：
测量了M个实验者裸指在真实物理表面上滑动时，样本长度为N的力触觉信号，其中，第m个实验者的力触觉信号表示为：
fm＝[fm(1),fm(2),…,fm(N)]Τ,m∈(1,M)
将M个实验者的样本长度为N的力触觉信号，按列排列构成如下的实测力矩阵F，矩阵F包括N行M列，共计MN个样本点：
Figure FDA0003557872050000011
(2)建立裸指力触觉信号与人体生物力学差异性因子之间的PCA模型；
(3)利用RBLW估计器获得一致性估计的样本协方差矩阵
Figure FDA0003557872050000012
获得步骤是：
在PCA模型中，实测力F的样本协方差矩阵
Figure FDA0003557872050000013
为：
Figure FDA0003557872050000014
其中fi是实测力F矩阵的第i行向量，
Figure FDA0003557872050000015
是fi的均值；
利用RBLW估计器修订PCA模型中的样本协方差矩阵；
在RBLW收缩估计方法中，收缩目标矩阵
Figure FDA0003557872050000016
为：
Figure FDA0003557872050000017
其中Tr(·)表述迹运算，
Figure FDA0003557872050000018
表述样本协方差矩阵
Figure FDA0003557872050000019
的迹，I是单位矩阵；
估计的协方差矩阵
Figure FDA00035578720500000110
为：
Figure FDA00035578720500000111
估计的协方差矩阵
Figure FDA00035578720500000112
是样本协方差矩阵
Figure FDA00035578720500000113
和收缩目标矩阵
Figure FDA00035578720500000114
之间的线性组合，线性组合的比例由收缩系数ρ来调节，收缩系数ρ取值在0和1之间以实现估计协方差矩阵在最低偏差和最低方差之间的折衷，RBLW收缩估计法的核心是求得收缩系数ρ如下的闭式解：
Figure FDA0003557872050000021
为了进一步提升性能，收缩系数的修订形式如下：
Figure FDA0003557872050000022
因此，RBLW收缩估计的样本协方差矩阵
Figure FDA0003557872050000023
表示如下，确保实测力矩阵F估计的主成分在一般渐进理论框架下是一致性估计；
Figure FDA0003557872050000024
(4)计算实测力矩阵F一致性估计的主成分Pk，计算方法如下：
对RBLW估计器得到的样本协方差矩阵
Figure FDA0003557872050000025
进行特征值分解，得到实测力矩阵一致性估计的主成分，首先通过对RBLW收缩估计的样本协方差矩阵
Figure FDA0003557872050000026
进行特征值分解得到M个降序排列的特征值(γ1,γ2,…,γM)及其对应的特征向量(V1,V2,…,VM)，为了减少基底，用有限的K个主成分去代表信号的变化，K的取值通过主特征值的累积贡献率β计算，要求累积贡献率β∈(0.9,1]；
Figure FDA0003557872050000027
对应于K个特征向量的实测力矩阵F一致性估计的主成分表示为：
(P1,P2,…,PK)＝F(V1,V2,…,VK)；
(5)估计人体生物力学差异性因子，估计方法如下：
基于上述过程建立的PCA模型和计算出的一致性估计的主成分特征向量(P1,P2,…,PK)，对于任何一个新加入的实验者，通过测量其在K个测量点的实测力信号(fnew(1),fnew(2)…fnew(K))，其人体生物力学差异性因子
Figure FDA0003557872050000028
由如下线性方程组被估计：
Figure FDA0003557872050000031
(6)生成带有人体生物力学差异性特征的一致性力触觉信号，生成方法是：
对于一个新加入的没有测量过所有样本点实测力数据的实验者，仅需要测量其在K个测量点的实测力信号，其一致性估计的力触觉信号
Figure FDA0003557872050000032
通过一致性估计的主成分(P1,P2,…,PK)和人体生物力学差异性因子
Figure FDA0003557872050000033
间的线性关系生成：
Figure FDA0003557872050000034
2.根据权利要求1所述的一种具有人体生物力学差异性特征的裸指力触觉信号生成方法，其特征在于：所述步骤(2)中PCA模型建立步骤是：
基于裸指在真实物理表面滑动时的实测力矩阵F构建PCA模型，在PCA模型中将实测力矩阵F分为主成分Pk和人体生物力学差异性因子σm两部分
Figure FDA0003557872050000035
其中主成分Pk体现与压力、速度和触摸物体表面物理属性相关部分的力触觉特征，人体生物力学差异性因子σm体现了与实验者手指粘弹性和生物力学阻抗相关的人体生物力学差异性特征：
Pk＝(Pk(1),Pk(2),…,Pk(N))Τ,k∈(1,K)
Figure FDA0003557872050000036
为了减少基数，总比例大于90％的有限数量的K主成分来表示数据的变化，PCA模型进一步表示为：
Figure FDA0003557872050000037
CN202110934225.4A 2021-08-15 2021-08-15 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法 Active CN113536599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110934225.4A CN113536599B (zh) 2021-08-15 2021-08-15 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110934225.4A CN113536599B (zh) 2021-08-15 2021-08-15 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法

Publications (2)

Publication Number Publication Date
CN113536599A CN113536599A (zh) 2021-10-22
CN113536599B true CN113536599B (zh) 2022-04-29

Family

ID=78091682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110934225.4A Active CN113536599B (zh) 2021-08-15 2021-08-15 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法

Country Status (1)

Country Link
CN (1) CN113536599B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404156A (zh) * 2015-12-31 2016-03-16 微创（上海）医疗机器人有限公司 触觉反馈装置及其变阻尼控制方法和应用
CN106408035A (zh) * 2016-10-31 2017-02-15 东南大学 基于人力触觉感知特性的力触觉再现真实感客观评价方法
CN110275615A (zh) * 2019-06-03 2019-09-24 华北科技学院 力反馈仿真数据的生成方法及力反馈仿真系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3612347B2 (ja) * 1994-04-15 2005-01-19 株式会社安川電機 ３次元力触覚ディスプレイ
JP2006173219A (ja) * 2004-12-14 2006-06-29 Yaskawa Electric Corp 高分子アクチュエータとその駆動方法およびそれを用いた力触覚呈示システム
CN103310072B (zh) * 2013-06-28 2015-12-23 哈尔滨理工大学 基于力反馈的股骨生物力学有限元分析系统
JP2016051319A (ja) * 2014-08-29 2016-04-11 ソニー株式会社 力覚提示デバイス、力覚提示システム、および力覚提示方法
CN105824248B (zh) * 2016-03-16 2018-09-25 中国科学院自动化研究所 一种变阻抗和基于事件的触觉反馈控制方法
JP2018041198A (ja) * 2016-09-06 2018-03-15 国立大学法人 大分大学 力触覚提示システム
CN109101111B (zh) * 2018-08-24 2021-01-29 吉林大学 融合静电力、空气压膜和机械振动的触觉再现方法与装置
CN110764619B (zh) * 2019-10-24 2021-08-27 吉林大学 基于特征相似度的触觉再现轮廓渲染真实感定量评估方法
CN111368251A (zh) * 2020-02-06 2020-07-03 吉林大学 基于均方根误差的振动式触觉再现纹理渲染真实感的定量评估方法
CN112925417B (zh) * 2021-02-25 2022-04-12 吉林大学 一种用于信息识别的虚拟键盘按键触觉传输方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404156A (zh) * 2015-12-31 2016-03-16 微创（上海）医疗机器人有限公司 触觉反馈装置及其变阻尼控制方法和应用
CN106408035A (zh) * 2016-10-31 2017-02-15 东南大学 基于人力触觉感知特性的力触觉再现真实感客观评价方法
CN110275615A (zh) * 2019-06-03 2019-09-24 华北科技学院 力反馈仿真数据的生成方法及力反馈仿真系统

Also Published As

Publication number Publication date
CN113536599A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN202885804U (zh) 一种纹理触觉评价过程的模拟测量平台
CN102967290A (zh) 一种纹理触觉评价过程的模拟测量方法
Tymms et al. A quantitative perceptual model for tactile roughness
Riener et al. Natural, intuitive finger based input as substitution for traditional vehicle control
Osgouei et al. An inverse neural network model for data-driven texture rendering on electrovibration display
CN110703952A (zh) 一种基于双马达装置的法向虚拟按键渲染方法
CN113536599B (zh) 一种具有人体生物力学差异性特征的裸指力触觉信号生成方法
Kouroupetroglou et al. Using Wiimote for 2D and 3D pointing tasks: gesture performance evaluation
Richardson et al. Learning to feel textures: Predicting perceptual similarities from unconstrained finger-surface interactions
Piovarči et al. Perception-aware modeling and fabrication of digital drawing tools
CN105589557A (zh) 触觉对象的触觉信号的建模方法、显示设备及其驱动方法
CN110764619B (zh) 基于特征相似度的触觉再现轮廓渲染真实感定量评估方法
CN111368251A (zh) 基于均方根误差的振动式触觉再现纹理渲染真实感的定量评估方法
Vardar et al. Finger motion and contact by a second finger influence the tactile perception of electrovibration
CN109656361A (zh) 一种以平移交互效率为指标的最优驱动电压选择方法
Song et al. Acquisition of force tactile data with human biomechanical differences using RBLW estimator
CN105825038A (zh) 一种体征连续变化的获取方法、装置及系统
Liu et al. Kernel principal components analysis of lateral force data for quantitative evaluation of 3D features rendering fidelity
Amirabdollahian et al. Analysis of the results from use of haptic peg-in-hole task for assessment in neurorehabilitation
Qin et al. Perception of static and dynamic forces with a bio-inspired tactile fingertip
Singh et al. Tactile after-images from static contact
Raju Encoding and decoding of shape in tactile sensing
Tian et al. A novel haptic stylus for mobile terminal
JP2020035341A (ja) 電子装置、システム、方法及びプログラム
Ho et al. Human haptic discrimination of thickness

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