CN113616193A - 一种基于自适应cpg参数辨识的节律协同特征刻画方法 - Google Patents
一种基于自适应cpg参数辨识的节律协同特征刻画方法 Download PDFInfo
- Publication number
- CN113616193A CN113616193A CN202110765043.9A CN202110765043A CN113616193A CN 113616193 A CN113616193 A CN 113616193A CN 202110765043 A CN202110765043 A CN 202110765043A CN 113616193 A CN113616193 A CN 113616193A
- Authority
- CN
- China
- Prior art keywords
- rhythm
- cpg
- joint
- parameter identification
- 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.)
- Pending
Links
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 80
- 238000012512 characterization method Methods 0.000 title claims description 18
- 230000033001 locomotion Effects 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims abstract description 7
- 238000010168 coupling process Methods 0.000 claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000001020 rhythmical effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 210000001503 joint Anatomy 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 210000004394 hip joint Anatomy 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 210000001624 hip Anatomy 0.000 claims description 4
- 230000009916 joint effect Effects 0.000 claims description 4
- 210000002161 motor neuron Anatomy 0.000 claims description 4
- 210000003423 ankle Anatomy 0.000 claims description 3
- 210000001513 elbow Anatomy 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 210000003127 knee Anatomy 0.000 claims description 3
- 239000011664 nicotinic acid Substances 0.000 claims description 3
- 210000002832 shoulder Anatomy 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 description 8
- 210000003141 lower extremity Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005021 gait Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于自适应CPG参数辨识的节律协同特征刻画方法,涉及人体运动分析技术领域,包括以下步骤:步骤一,以人体的生理组织结构为对象,建立人体运动简化模型和节律运动样本数据库;步骤二,采用插值的方式实现关节角度数据扩充,并对扩充后的关节角度数据进行标准化处理;步骤三,通过对节律运动中的关节间相位耦合分布规律的量化计算,实现人体节律运动协同特征的刻画;步骤四,设计关节单元CPG参数辨识模型,实现人体节律运动的各个主要关节的CPG参数辨识,准确刻画了关节节律转动特征。本发明解决了人体节律运动中多关节、多肢体节律协同特征难以刻画的问题,实现对人体节律运动的整体的节律协同特征的有效提取和刻画。
Description
技术领域
本发明涉及人体运动分析技术领域,尤其是一种基于自适应CPG参数辨识的节律协同特征刻画方法。
背景技术
近年来,人体运动协同机理的研究得到了国内外研究学者的广泛关注,已成为多个领域的研究热点。目前,人体运动的研究主要涉及神经层面、肌肉层面和运动学层面三个方向,相较于神经系统和肌电信号的研究,运动学层面分析手段因其数据采集准确、实验便捷,长期以来都是研究人体运动协同的重要手段。已有的协同运动研究中的研究目标大多是局部肢体的简单动作,虽然在细分领域内能取得较好的结果,但难以概括人体运动的整体协同机理。复杂性和多变性是人体运动的功能特性,人体在进行多种协同运动状态之间的切换、变迁时,仅依靠现有的分析方法难以实现对多关节、多肢体控制过程中的节律协同特征的有效提取和准确刻画,如何有效提取并刻画人体节律协同运动中的运动基元,并针对其复杂的节律协同特性进行刻画一直以来都是难点。研究人体运动的节律协同特征,在人体科学、康复训练指导、运动技能指导、仿生机器人控制等领域具有重要意义。因此,针对人体节律运动的研究迫切需要一种具有较强实用性的节律协同特征刻画方法。
发明内容
本发明需要解决的技术问题是提供一种基于自适应CPG参数辨识的节律协同特征刻画方法,解决人体节律运动中多关节、多肢体节律协同特征难以刻画的问题,实现对人体节律运动的整体的节律协同特征的有效提取和刻画。
为解决上述技术问题,本发明所采用的技术方案是:
一种基于自适应CPG参数辨识的节律协同特征刻画方法,包括以下步骤:
步骤一,以人体的生理组织结构为对象,构建三维人体节律运动简化模型,并基于该模型获取人体节律运动矢状面内的关节角度变化数据,建立人体节律运动样本数据库;
步骤二,首先通过抽取关键帧的方式完成完整关节角度周期信号的截取,并采用插值的方式完成关节角度数据扩充,然后对扩充后的关节角度数据进行标准化处理;
步骤三,通过对节律协同运动中的关节相位进行计算分析,实现人体节律运动中关节之间相位耦合分布规律的量化,进而实现人体节律运动协同特征的刻画;
步骤四,基于Dynamic Hebbian Learning算法改进的自适应Hopf振荡器,设计关节单元CPG参数辨识模型,使得关节单元CPG的输出信号与实际关节运动一致,实现人体节律运动的各个主要关节的CPG参数辨识。
本发明技术方案的进一步改进在于:在所述的步骤一中,人体仿生结构简化模型包括5条运动链,5条运动链包括头、脊柱、肩、肘、髋、膝、踝处的关节,基于该结构模型,采用运动捕捉系统对人体节律运动的关节角度数据进行采集,建立人体节律运动样本数据库。
本发明技术方案的进一步改进在于:在所述的步骤二中,通过抽取关键帧的方式实现对完整且稳定的关节角度周期信号的截取,截取得到的关节数据记为a:
a=[x1,x2,…,xn]
其中x1,…xn为关节角度数据。
本发明技术方案的进一步改进在于:在所述的步骤二中,采用插值的方式实现关节角度数据扩充,并建立人体节律运动样本数据库,扩充后的数据记为A:
A=[x1,y11,…,y1m,x2,…,yi1,…yim,xn],(i=1,2,…n-1)
其中,y11,…,y1m,…,yi1,…yim(i=1,2,…,n-1)为扩充数据。
本发明技术方案的进一步改进在于:在所述的步骤二中,对扩充后的关节角度数据进行标准化处理,标准化处理后的关节角度数据记为A′,表示为:
本发明技术方案的进一步改进在于:在所述的步骤三中,选取右侧髋关节向前屈曲摆动时刻作为节律运动周期的起点,并将其设立为基准相位点,计算其他关节动作的相位延迟。
本发明技术方案的进一步改进在于:在所述的步骤三中,其余关节相对于相位基准点的相位延迟计算公式为:
其中,t0为右髋关节进行屈曲运动的起始时刻,即基准相位零点,ti为其他关节进行动作特征点相对于相位基准点的迟滞时长,T为单个节律运动周期,为各关节相对于相位基准点的迟滞时长在运动周期中的时间占比,即相对相位差。
本发明技术方案的进一步改进在于:在所述的步骤四中,在关节单元CPG参数辨识模型中通过构建若干个自适应CPG运动神经元间的协同连接关系,实现局部关节单元节律转动的自适应参数辨识。
本发明技术方案的进一步改进在于:在所述的步骤四中,通过自适应CPG的参数辨识,将关节单元节律转动特征量化为若干个CPG振荡器的幅值、频率和相位,实现了人体节律运动的参数化表征。
本发明技术方案的进一步改进在于:在所述的步骤四中,关节单元CPG参数辨识模型数学表达式为:
其中,xi、yi为对应振荡器相互激励的状态变量和抑制的状态变量,ωi表示对应振荡器的振荡角频率,αi为各分量输出幅值,γ能够控制振荡器的收敛速度,μ决定振荡器输出的幅值大小,即幅值φi表示振荡器i与振荡器0之间的相位差,Ri表示振荡器i的瞬时相位,ε、τ、η为该系统模型的超参数,Pteach(t)为外部输入的节律学习信号,F(t)表示负反馈。
由于采用了上述技术方案,本发明取得的技术进步是:
本发明通过对节律协同运动中的关节相位进行计算分析以及对节律协同运动中主要关节周期信号的CPG参数辨识,解决人体节律运动中多关节、多肢体节律协同特征难以刻画的问题,实现对人体节律运动的整体的节律协同特征的有效提取和刻画。
步骤二便方便了后续关节角度的自适应CPG参数辨识。
步骤二中,通过抽取关键帧的方式实现对完整且稳定的关节角度周期信号的截取,有利于消除人体节律运动初期的不稳定因素以及其他扰动。
步骤二中,采用插值的方式实现关节角度数据扩充,并建立人体节律运动样本数据库,避免了通过抽取关键帧的方式获取到的关节角度往往存在数据量少和数据密度小的问题,保证了后续模型参数的有效辨识。
步骤二中,对扩充后的关节角度数据进行标准化处理,标准化处理后的关节角度数据记为A′,方便了后续关节角度的自适应CPG参数辨识。
步骤三中,选取右侧髋关节向前屈曲摆动时刻作为节律运动周期的起点,并将其设立为基准相位点,计算其他关节动作的相位延迟,便于分析以及刻画节律运动中人体各关节的相对相位分布规律。
步骤四中,在关节单元CPG参数辨识模型中通过构建若干个自适应CPG运动神经元间的协同连接关系,准确的刻画了关节的节律转动特征。
附图说明
图1为本发明技术方案的流程图;
图2为实施例中人体行走运动简化模型示意图;
图3为实施例中人体行走运动中下肢关节转动状态变化示意图;
图4为实施例中自适应CPG参数辨识模型原理示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明:
如图1、图2、图3、图4所示,一种基于自适应CPG参数辨识的节律协同特征刻画方法,整个实施的框架图如附图1所示,包括以下步骤:
步骤1:人体骨架模型复杂且自由度众多,要研究人体行走运动的节律协同特征,只需要考虑人体行走运动过程中的一些主要的运动关节,忽略掉一些人体行走运动中冗余的关节和自由度,极大的简化了后续的分析难度和工作量,因此建立人体行走运动简化模型,主要由5条运动链构成,5条运动链主要涵盖了头、脊柱、肩、肘、髋、膝、踝,共10个主要关节,如附图2所示。
基于该结构模型,采用运动捕捉系统对人体行走运动矢状面内主要关节的角度数据进行采集,并建立人体行走运动样本数据库。
步骤2:为了消除人体行走运动初期的不稳定因素以及其他扰动,通过抽取关键帧的方式实现对完整且稳定的关节角度周期信号的截取,截取得到的关节数据记为a:
a=[x1,x2,…,xn]
其中x1,…xn为关节角度数据。
通过抽取关键帧的方式获取到的关节角度往往存在数据量少和数据密度小的问题,为了保证后续模型参数的有效辨识,采用插值的方式实现关节角度数据扩充,扩充后的数据记为A:
A=[x1,y11,…,y1m,x2,…,yi1,…yim,xn],(i=1,2,…n-1)
其中y11,…,y1m,…,yi1,…yim(i=1,2,…,n-1)为扩充数据。
为了便于后续关节角度的自适应CPG参数辨识,对扩充后的关节角度数据进行标准化处理,标准化处理后的关节角度数据记为A′,表示为:
步骤3:为分析以及刻画行走运动中人体各关节的相对相位分布规律,选取右侧髋关节向前屈曲摆动时刻作为行走运动周期的起点,并将其设立为基准相位点,用于计算其他关节动作的相位延迟,下肢关节在3个步态周期内的转动状态变化过程如附图3所示。
将右髋关节的下降阶段起始时刻设为基准相位点(三角形标记处)的基础上,分别选取左髋关节下降阶段起始时刻(三角形标记处)和两侧膝、踝关节摆动阶段的屈曲运动起始时刻(三角形标记处),作为对应关节的动作特征点。
在此步骤中,其余关节相对于相位基准点的相位延迟计算公式为:
其中,t0为右髋关节进行屈曲运动的起始时刻,即基准相位零点,ti为其他关节进行动作特征点相对于相位基准点的迟滞时长,T为单个行走运动周期,为各关节相对于相位基准点的迟滞时长在步态周期中的时间占比,即相对相位差。
下肢关节在三个步态周期内相位耦合分布规律量化结果如表1所示:
表1.下肢关节相位耦合分布表
通过对行走运动中的关节相位进行计算分析,实现人体行走运动中关节之间相位耦合分布规律的量化,进而实现了人体行走运动协同特征的刻画。
步骤4:基于Dynamic Hebbian Learning算法改进的自适应Hopf振荡器,设计关节单元自适应CPG参数辨识模型,模型原理图如附图4所示。
关节单元CPG参数辨识模型由4个自适应CPG运动神经元间的协同连接关系构建而成,通过局部关节单元节律转动的自适应参数辨识,将关节单元节律转动特征量化为4个CPG振荡器的幅值、频率和相位。
在此步骤中,关节单元CPG参数辨识模型数学表达式为:
其中,xi、yi为对应振荡器相互激励的状态变量和抑制的状态变量,ωi表示对应振荡器的振荡角频率,αi为各分量输出幅值,γ能够控制振荡器的收敛速度,μ决定振荡器输出的幅值大小,即幅值φi表示振荡器i与振荡器0之间的相位差,Ri表示振荡器i的瞬时相位,ε、τ、η为该系统模型的超参数,Pteach(t)为外部输入的节律学习信号,F(t)表示负反馈。
人体行走运动下肢参数化表征结果如表2所示:
表2.振荡器参数辨识结果表(频率/幅值/相位)
通过关节单元节律转动的自适应参数辨识,实现了人体行走运动的参数化表征,进而准确刻画了关节节律转动特征。
本实施例通过对人体行走运动中关节之间相位耦合分布规律的量化表征以及主要关节的参数辨识,有效地实现了人体运动节律协同特征的刻画。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互结合。
Claims (10)
1.一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:包括以下步骤:
步骤一,以人体的生理组织结构为对象,构建三维人体节律运动简化模型,并基于该模型获取人体节律运动矢状面内的关节角度变化数据,建立人体节律运动样本数据库;
步骤二,首先通过抽取关键帧的方式完成完整关节角度周期信号的截取,并采用插值的方式完成关节角度数据扩充,然后对扩充后的关节角度数据进行标准化处理;
步骤三,通过对节律运动中的关节相位分布计算,实现人体节律运动中关节之间相位耦合分布规律的量化,进而实现人体节律运动协同特征的刻画;
步骤四,基于Dynamic Hebbian Learning算法改进的自适应Hopf振荡器,设计关节单元CPG参数辨识模型,使得关节单元CPG的输出信号与实际关节运动一致,实现人体节律运动的各个主要关节的CPG参数辨识。
2.根据权利要求1所述的一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:在所述的步骤一中,人体仿生结构简化模型包括5条运动链,5条运动链包括头、脊柱、肩、肘、髋、膝、踝处的关节,基于该结构模型,采用运动捕捉系统对人体节律运动的关节角度数据进行采集,建立人体节律运动样本数据库。
3.根据权利要求1所述的一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:在所述的步骤二中,通过抽取关键帧的方式实现对完整且稳定的关节角度周期信号的截取,截取得到的关节数据记为a:
a=[x1,x2,…,xn]
其中x1,…xn为关节角度数据。
4.根据权利要求3所述的一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:在所述的步骤二中,采用插值的方式实现关节角度数据扩充,并建立人体节律运动样本数据库,扩充后的数据记为A:
A=[x1,y11,…,y1m,x2,…,yi1,…yim,xn],(i=1,2,…n-1)
其中,y11,…,y1m,…,yi1,…yim(i=1,2,…,n-1)为扩充数据。
6.根据权利要求5所述的一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:在所述的步骤三中,选取右侧髋关节向前屈曲摆动时刻作为节律运动周期的起点,并将其设立为基准相位点,计算其他关节动作的相位延迟。
8.根据权利要求1所述的一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:在所述的步骤四中,在关节单元CPG参数辨识模型中通过构建若干个自适应CPG运动神经元间的协同连接关系,实现局部关节单元节律转动的自适应参数辨识。
9.根据权利要求8所述的一种基于自适应CPG参数辨识的节律协同特征刻画方法,其特征在于:在所述的步骤四中,通过自适应CPG的参数辨识,将关节单元节律转动特征量化为若干个CPG振荡器的幅值、频率和相位,实现了人体节律运动的参数化表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110765043.9A CN113616193A (zh) | 2021-07-07 | 2021-07-07 | 一种基于自适应cpg参数辨识的节律协同特征刻画方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110765043.9A CN113616193A (zh) | 2021-07-07 | 2021-07-07 | 一种基于自适应cpg参数辨识的节律协同特征刻画方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113616193A true CN113616193A (zh) | 2021-11-09 |
Family
ID=78379148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110765043.9A Pending CN113616193A (zh) | 2021-07-07 | 2021-07-07 | 一种基于自适应cpg参数辨识的节律协同特征刻画方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113616193A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019988A (zh) * | 2022-01-05 | 2022-02-08 | 季华实验室 | 基于cpg的agv控制方法、装置、电子设备及存储介质 |
WO2023184933A1 (zh) * | 2022-03-31 | 2023-10-05 | 山东大学 | 基于神经振荡器的机器人节律运动控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5483630A (en) * | 1990-07-12 | 1996-01-09 | Hitachi, Ltd. | Method and apparatus for representing motion of multiple-jointed object, computer graphic apparatus, and robot controller |
US20200037926A1 (en) * | 2017-03-09 | 2020-02-06 | BEKA Hospitec GmbH | Gait Training Method with a Sensor-Based Reduction or Variation of the Weight Load |
CN111685772A (zh) * | 2020-05-29 | 2020-09-22 | 清华大学 | 外骨骼机器人测量系统、行走步态建模分析方法和设备 |
CN111950383A (zh) * | 2020-07-21 | 2020-11-17 | 燕山大学 | 一种基于关节角度的节律运动协同分析方法 |
-
2021
- 2021-07-07 CN CN202110765043.9A patent/CN113616193A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5483630A (en) * | 1990-07-12 | 1996-01-09 | Hitachi, Ltd. | Method and apparatus for representing motion of multiple-jointed object, computer graphic apparatus, and robot controller |
US20200037926A1 (en) * | 2017-03-09 | 2020-02-06 | BEKA Hospitec GmbH | Gait Training Method with a Sensor-Based Reduction or Variation of the Weight Load |
CN111685772A (zh) * | 2020-05-29 | 2020-09-22 | 清华大学 | 外骨骼机器人测量系统、行走步态建模分析方法和设备 |
CN111950383A (zh) * | 2020-07-21 | 2020-11-17 | 燕山大学 | 一种基于关节角度的节律运动协同分析方法 |
Non-Patent Citations (1)
Title |
---|
MATTHIEU DUVINAGE等: "Control of a lower limb active prosthesis with eye movement sequences", 《IEEE SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE, COGNITIVE ALGORITHMS, MIND, AND BRAIN (CCMB)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019988A (zh) * | 2022-01-05 | 2022-02-08 | 季华实验室 | 基于cpg的agv控制方法、装置、电子设备及存储介质 |
WO2023184933A1 (zh) * | 2022-03-31 | 2023-10-05 | 山东大学 | 基于神经振荡器的机器人节律运动控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ding et al. | Continuous estimation of human multi-joint angles from sEMG using a state-space model | |
Ding et al. | A novel EMG-driven state space model for the estimation of continuous joint movements | |
CN106067178B (zh) | 一种基于肌肉协同激活模型的手部关节运动连续估计方法 | |
Ma et al. | A bi-directional LSTM network for estimating continuous upper limb movement from surface electromyography | |
CN113616193A (zh) | 一种基于自适应cpg参数辨识的节律协同特征刻画方法 | |
CN110537922A (zh) | 基于深度学习的人体行走过程下肢运动识别方法及系统 | |
CN106548033B (zh) | 一种在随机路面条件下的下肢外骨骼逆运动分析方法 | |
Chen et al. | Hierarchical projection regression for online estimation of elbow joint angle using EMG signals | |
CN107618018B (zh) | 一种基于肌电的机械手动作速度比例控制方法 | |
CN111531537B (zh) | 基于多传感器的机械臂控制方法 | |
Ding et al. | A novel motion estimate method of human joint with EMG-driven model | |
Liu et al. | sEMG-based continuous estimation of knee joint angle using deep learning with convolutional neural network | |
CN108372506B (zh) | 一种基于cpg模型的人形机器人自适应行走框架实现方法 | |
CN106826830B (zh) | 一种机器人控制方法和装置 | |
Li et al. | Continuous estimation of human knee-Joint angles from SEMG using wavelet neural network | |
Zangene et al. | Continuous estimation of knee joint angle during squat from sEMG using artificial neural networks | |
Nia et al. | Reinforcement learning-based grasp pattern control of upper limb prosthetics in an AI platform | |
Wei et al. | Research on robotic arm movement grasping system based on MYO | |
Li et al. | Prediction of knee joint moment by surface electromyography of the antagonistic and agonistic muscle pairs | |
AlKhazzar et al. | EMG Signal Classification Using Radial Basis Function Neural Network | |
Li et al. | Hip joint trajectory generation based on human limb motion synergy | |
Antuvan et al. | Muscle synergies for reliable classification of arm motions using myoelectric interface | |
Priyadarshini et al. | Development of electromyogram based rehabilitation device for upper limb amputation using neural network | |
Zhang et al. | Trace finger kinematics from surface electromyography by using Kalman decoding method | |
Zhang et al. | LS-SVM combined with ZNN for predicting the continuous motion joint angle of lower limb |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211109 |
|
RJ01 | Rejection of invention patent application after publication |