CN113627002B - 基于人机耦合动力学模型的分布式力测点优化方法及应用 - Google Patents
基于人机耦合动力学模型的分布式力测点优化方法及应用 Download PDFInfo
- Publication number
- CN113627002B CN113627002B CN202110873931.2A CN202110873931A CN113627002B CN 113627002 B CN113627002 B CN 113627002B CN 202110873931 A CN202110873931 A CN 202110873931A CN 113627002 B CN113627002 B CN 113627002B
- Authority
- CN
- China
- Prior art keywords
- measuring point
- arm
- distributed
- measuring
- force
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008878 coupling Effects 0.000 title claims abstract description 32
- 238000010168 coupling process Methods 0.000 title claims abstract description 32
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 210000001364 upper extremity Anatomy 0.000 claims abstract description 41
- 210000003205 muscle Anatomy 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000033001 locomotion Effects 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 4
- 238000000429 assembly Methods 0.000 claims description 3
- 230000000712 assembly Effects 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000012831 peritoneal equilibrium test Methods 0.000 claims description 3
- 238000012636 positron electron tomography Methods 0.000 claims description 3
- 238000012877 positron emission topography Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000691 measurement method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000245 forearm Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004064 dysfunction Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Dentistry (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了基于人机耦合动力学模型的分布式力测点优化方法及应用,属于可穿戴设备领域,该方法具体为:选取肌肉位点作为测点,并获得人机耦合参数;在选取的测点上安装传感器,然后对臂环分布路径进行参数化建模,并与人机耦合参数联合建立人机耦合动力学模型,以此计算测点绑带力;手臂进行不同动作时对臂环分布路径进行修正,并根据其计算更新后的测点绑带力,重复该过程直至测点绑带力的变化值小于阈值,以此获得最新测点绑带力;计算最新测点绑带力的权重分布,并根据其获得最优测点集合。本方法能够准确、便捷地获得最优测点集合,从而为上肢最优测点优化提供了理论依据,有利于提高FMG分布式臂环的准确性。
Description
技术领域
本发明属于可穿戴设备领域,更具体地,涉及基于人机耦合动力学模型的分布式力测点优化方法及应用。
背景技术
我国上肢功能障碍患者数量庞大,康复医疗已成为影响国计民生的重点问题之一。随着生物及材料领域的不断发展,可穿戴上肢康复机器人逐渐成为解决上肢功能障碍患者康复难题的新发展方向。目前主流的测量方式为以表面肌电信号(sEMG)为根据的点位测量方法和以肌动信号(FMG)为根据的臂环式测量方法。其中,sEMG传感器由于采集的是人体的生物电信号,很容易受到皮下脂肪、外部震动等因素影响,导致测量到的信号噪声较大,稳定性较差,进而对下游运动预测任务产生较大影响。相比sEMG传感器,利用FMG传感器监测人体运动的方法具有结构简单、抗干扰能力强、成本低廉等优势,得到了越来越多的关注。
然而人体上肢肌肉、神经复杂且自由度众多,传感测点的布置位置以及数量将直接影响可穿戴设备对穿戴者运动意图识别的准确性。为了获取更精确的上肢运动状态,往往需要布局较多的传感测点单元甚至采用传感测点阵列,直接导致了系统复杂度提升,从而对系统制备工艺和成本控制提出更高要求,极大限制了穿戴者使用效果和交互体验。如何在满足多模式运动意图识别精准度需求的同时,有效减少识别模块数量以降低系统复杂度,成为制约可穿戴康复设备走向家庭应用的瓶颈问题。
现有技术中,CN109765996A公开了基于FMG臂带的对穿戴位置偏移不敏感的手势检测系统和方法,该系统能够解决使用过程中由于每次穿戴臂带位置不同导致传感器位置偏移从而引起的识别精度严重下降问题。但其对臂环的合理佩戴位置没有进行探讨,每一次进行实验时臂环的位置不可避免地会产生一些偏移,导致测量误差增大。
发明内容
针对现有技术的缺陷,本发明的目的在于提供基于人机耦合动力学模型的分布式力测点智能优化方法及应用,旨在解决现有的FMG圆形臂环识别模块数量多、使用效果和交互体验较差的问题。
为实现上述目的,按照本发明的一方面,提供了基于人机耦合动力学模型的分布式力测点智能优化方法,该方法具体为:
S1选取预设数量的肌肉位点作为测点,分别在上述测点上佩戴FMG圆形臂环并获得人机耦合参数;
S2在步骤S1选取的测点上安装传感器,利用绑带将其依次连接构成FMG分布式臂环,然后对臂环分布路径进行参数化建模,并与步骤S1中获得的人机耦合参数联合建立人机耦合动力学模型,以此计算测点绑带力;
S3手臂进行不同动作时,计算各个测点的位移变化量,从而对臂环分布路径进行修正,并根据其计算更新后的测点绑带力,重复该过程直至测点绑带力的变化值小于阈值,以此获得最新测点绑带力;
S4计算FMG分布式臂环中各个所述最新测点绑带力的权重分布,并根据其获得最优测点集合,从而实现分布式力测点智能优化。
作为进一步优选的,步骤S1包括如下子步骤:
S11建立上肢肌肉形态谱和上肢运动谱,以此建立肌肉贡献度与不同动作的映射关系,并选取贡献度排名前5~10位的肌肉点位作为测点;
S12测量FMG圆形臂环的臂环刚度矩阵,然后佩戴该FMG圆形臂环,根据步骤S11确定的测点获得手臂刚度矩阵/>。
作为进一步优选的,步骤S11中,建立上肢肌肉形态谱的方法为:基于超声检测、CT扫描或PET检测的方式获取典型运动模式下被测肌肉的横截面积、长度和体积,以此获得上肢肌肉形态谱。
作为进一步优选的,步骤S11中,建立上肢运动谱的方法为:采用三维运动捕捉系统采集上肢不同动作序列的运动信息,获得关节运动角度-时间的变化曲线,以此获得上肢运动谱。
作为进一步优选的,步骤S12中,测量手臂刚度矩阵的方法为:先后在手臂上佩戴不同长度的FMG圆形臂环,记录多个臂环长度下各个测点的压力信息/>,并由所述上肢肌肉形态谱获得不同位置的手臂截面/>,根据压力信息/>和手臂截面/>计算测点径向位移/>,然后利用下式计算述手臂刚度矩阵/>,
式中,为臂环刚度矩阵,m为不同长度FMG圆形臂环的数量。
作为进一步优选的,步骤S2包括如下子步骤:
S21在步骤S1确定的测点上安装传感器,并利用绑带将其依次连接以构建FMG分布式臂环,从而获得臂环初始长度矩阵,然后测量该FMG分布式臂环的曲线路径长度矩阵S,以及各路径对测点法向的夹角矩阵θ,从而实现对臂环分布路径的参数化建模;
S22根据步骤S12中的臂环刚度矩阵和步骤S21中的臂环初始长度矩阵/>、曲线路径长度矩阵S和夹角矩阵θ构建人机耦合动力学模型,并通过下式获得绑带压力矩阵/>,
;
S23对获得的绑带压力矩阵进行求和,即可获得测点绑带力/>。
作为进一步优选的,步骤S4包括如下子步骤:
S41根据步骤S3获得的最新测点绑带力获得测点绑带力权重,以此对测点进行排序;
S42从步骤S1中确定的测点中随机选取k个测点作为初始化测点合集,计算在该初始化测点合集/>下进行意图识别的目标函数C(S),并计算不同动作下各个测点对意图识别的重要性系数Wc;
S43判断意图识别的目标函数C(S)是否大于阈值,若是,则将当前的测点合集作为最优测点合集,若否,则进入步骤S44;
S44根据步骤S41中的测点绑带力权重选取排名靠前的测点,用其更换重要性系数Wc最低的测点,从而获得更新后的测点合集/>,并计算在更新后的测点合集/>下进行意图识别的目标函数/>,重复步骤S42-S43,直至获得最优测点合集。
按照本发明的另一方面,提供了一种分布式手臂力传感信号采集装置,该装置采用上述方法确定传感器安装位置。
作为进一步优选的,所述分布式手臂力传感信号采集装置包括传感单元以及连接单元,其中:
所述传感单元包括预设数量的传感器组件,使用时,采用上述方法获得最优测点合集,然后将各个所述传感器组件分别安装在该最优测点合集上,以采集不同位置的肌动信号,用于进行运动意图识别;
所述连接单元包括预设数量的绑带,每根所述绑带的两端分别与所述传感器组件连接,以实现所述传感器组件的连接和固定。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
1.本发明将传统圆周分布的FMG臂环扩展为FMG分布式臂环,并考虑到FMG分布式臂环的测点位置将直接影响测量准确性,进而提出了一种分布式力测点智能优化方法,该方法通过构建人机耦合动力学模型,并基于这个模型实现臂环与手臂的平衡状态,以此获得各个测点绑带力的权重分布,然后根据其准确、便捷地获得最优测点集合,从而为上肢最优测点优化提供了理论依据,有利于提高FMG分布式臂环的准确性;
2.尤其是,本发明通过对人机耦合动力学模型的构建方法进行优化,能够准确计算绑带力,提高分布式力测点智能优化的准确度;
3.同时,本发明采用局部搜索策略对最优测点集合进行更新,从而在保证计算效率的同时获得FMG分布式臂环的最佳安装位置;
4.此外,本发明提供了一种分布式手臂力传感信号采集装置,该装置将传感器组件安装在最优测点上,能够有效减少识别模块数量,降低上肢可穿戴康复系统的复杂度和成本,提高意图识别的精度,在满足多运动模式覆盖需求的前提下,最大程度减少力测点数量并优化力测点位置布置,为分布式柔性力臂环的设计提供依据,为更好地实现人机交互与提高使用效果打下基础,为可穿戴康复设备走向家庭和社区应用提供新理论、新方法、新技术。
附图说明
图1是本发明实施例提供的基于人机耦合动力学模型的分布式力测点智能优化方法的流程图;
图2是本发明实施例提供的上肢肌肉形态谱和上肢运动谱的建立方法;
图3是本发明实施例提供的人机耦合参数的计算方法;
图4是本发明实施例构建的人机耦合动力学模型的示意图;
图5是本发明实施例提供的分布式手臂力传感信号采集装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1~4所示,本发明提供了基于人机耦合动力学模型的分布式力测点智能优化方法,该方法包括如下步骤:
S1借鉴人体运动信号传递机制,在解剖学基础上建立上肢运动的肌肉动作模型,通过研究上肢肌肉对不同动作的贡献度(权重),分析肌肉形态对动作的影响规律,建立肌肉贡献度与不同动作的映射关系,选取贡献度更大的肌肉位点作为测点,分别在上述测点上佩戴FMG圆形臂环并获得人机耦合参数,具体为:
S11测量典型运动模式下的上肢肌肉形态谱-运动谱数据,建立上肢肌肉形态谱和上肢运动谱,以此建立肌肉贡献度与不同动作的映射关系,然后选取贡献度较大的肌肉位点作为测点,实际应用中可以选取贡献度排名前5~10位的肌肉点位作为测点;
S12测量FMG圆形臂环的臂环刚度矩阵,然后佩戴该FMG圆形臂环,根据步骤S11确定的测点获得手臂刚度矩阵/>;
S2在步骤S1选取的测点上安装传感器,利用绑带将其依次连接构成FMG分布式臂环,然后对臂环分布路径进行参数化建模,并与步骤S1中获得的人机耦合参数联合建立人机耦合动力学模型,以此计算测点绑带力;
S3手臂进行不同动作时,计算各个测点的位移变化量,从而对臂环分布路径进行修正,并根据其计算更新后的测点绑带力,重复该过程直至绑带力的变化值小于阈值,此时臂环与手臂处于平衡状态,以此获得各个测点的最新测点绑带力;
S4计算各个最新测点绑带力的权重分布,基于局部搜索策略,根据权重分布获得最优测点集合,从而实现分布式力测点智能优化。
进一步,步骤S11中,典型运动模式为基于康复医学Brunnstrom功能评定量表中典型上肢康复运动及评价模式,如肩0°屈肘90°,下前臂旋前旋后;肘伸直时,上肢屈曲90°;肘伸直时,前臂旋前,肩外展90°;肘伸展位,上肢平举过头顶;肘伸展位,前臂旋前旋后等,符合专业康复标准。
建立上肢肌肉形态谱的方法为:基于超声检测、CT扫描或PET检测的方式获取典型运动模式下被测肌肉的横截面积、长度和体积,以此获得上肢肌肉形态谱。建立上肢运动谱的方法为:采用三维运动捕捉系统采集上肢不同动作序列的运动信息,获得关节运动角度-时间的变化曲线,以此获得上肢运动谱。
臂环刚度矩阵采用拉力试验平台完成,将其解耦为多个不同长度/>的离散组件,借助拉力试验平台对各个绑带的材料特性参数进行辨识,获得拉力曲线,从而构建臂环刚度矩阵/>。
手臂刚度矩阵的测量方法为:先后在手臂上佩戴不同长度的FMG圆形臂环,记录多个臂环长度下各个测点的压力信息/>,并由所述上肢肌肉形态谱获得不同位置的手臂截面/>,根据压力信息/>和手臂截面/>计算测点径向位移/>,然后利用下式计算述手臂刚度矩阵/>,
式中,为臂环刚度矩阵,m为不同长度FMG圆形臂环的数量。
进一步,步骤S2包括如下子步骤:
S21在步骤S1确定的测点上安装传感器,并利用绑带将其依次连接以构建FMG分布式臂环,从而获得臂环初始长度矩阵,然后测量该FMG分布式臂环的曲线路径长度矩阵S,以及各路径对测点法向的夹角矩阵θ,从而实现对臂环分布路径的参数化建模;
S22根据步骤S12中的臂环刚度矩阵和步骤S21中的臂环初始长度矩阵/>、曲线路径长度矩阵S和夹角矩阵θ构建人机耦合动力学模型,并通过下式获得绑带压力矩阵/>,
;
S23对获得的绑带压力矩阵进行求和,即可获得测点绑带力/>
。
进一步,步骤S4包括如下子步骤:
S41根据步骤S3获得的最新绑带力获得测点绑带力权重,以此对测点进行排序;
S42从步骤S1中确定的测点中随机选取k个测点作为初始化测点合集,计算在该初始化测点合集/>下进行意图识别的目标函数C(S),并计算不同动作下各个测点对意图识别的重要性系数Wc;
S43判断意图识别的目标函数C(S)是否大于阈值,若是,则将当前的测点合集作为最优测点合集,若否,则进入步骤S44;
S44使用贪婪算法缩小搜素范围,根据步骤S41中的测点绑带力权重选取排名靠前的测点,用其更换重要性系数WC最低的测点,从而获得更新后的测点合集/>,并计算在更新后的测点合集/>下进行意图识别的目标函数/>,若/>,则重复步骤S42-S43,直至获得最优测点合集;若/>,则对重要性系数WC最低的测点进行重选,然后重复步骤S42-S43,直至获得最优测点合集。
本发明以FMG圆形臂环为研究对象,提出人体上肢肌肉运动过程中的形态、运动特性时空演变特征提取方法,建立上肢空间等效刚度矩阵以及分布式臂环模型,完成人机耦合动力学等效模型建模和测点权重计算,最终提出基于邻域函数与局部搜索的最优测点组合优化算法,为下一步进行分布式柔性力臂环的设计和实现精准运动意图识别与评价提供理论基础。
如图5所示,按照本发明的另一方面,提供了一种分布式手臂力传感信号采集装置,该装置包括该装置包括传感单元以及连接单元,其中:
传感单元包括预设数量的传感器组件,使用时,采用上述方法获得最优测点合集,然后将各个传感器组件分别设置在该最优测点合集上,以采集不同位置的肌动信号,用于进行运动意图识别;
连接单元包括预设数量的绑带,每根绑带的两端分别与传感器组件连接,以实现传感器组件的连接和固定。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于人机耦合动力学模型的分布式力测点智能优化方法,其特征在于,该方法具体为:
S1选取预设数量的肌肉位点作为测点,分别在上述测点上佩戴FMG圆形臂环并获得人机耦合参数,具体包括如下子步骤:
S11建立上肢肌肉形态谱和上肢运动谱,以此建立肌肉贡献度与不同动作的映射关系,并选取贡献度排名前5~10位的肌肉点位作为测点;
S12测量FMG圆形臂环的臂环刚度矩阵,然后佩戴该FMG圆形臂环,根据步骤S11确定的测点获得手臂刚度矩阵/>;
S2在步骤S1选取的测点上安装传感器,利用绑带将其依次连接构成FMG分布式臂环,然后对臂环分布路径进行参数化建模,并与步骤S1中获得的人机耦合参数联合建立人机耦合动力学模型,以此计算测点绑带力,具体包括如下子步骤:
S21在步骤S1确定的测点上安装传感器,并利用绑带将其依次连接以构建FMG分布式臂环,获得臂环初始长度矩阵,然后测量该FMG分布式臂环的曲线路径长度矩阵S,以及各路径对测点法向的夹角矩阵θ,从而实现对臂环分布路径的参数化建模;
S22根据步骤S12中的臂环刚度矩阵和步骤S21中的臂环初始长度矩阵/>、曲线路径长度矩阵S和夹角矩阵θ构建人机耦合动力学模型,并通过下式获得绑带压力矩阵/>,
;
S23对获得的绑带压力矩阵进行求和,即可获得测点绑带力/>;
S3手臂进行不同动作时,计算各个测点的位移变化量,从而对臂环分布路径进行修正,并根据其计算更新后的测点绑带力,重复该过程直至测点绑带力的变化值小于阈值,以此获得最新测点绑带力;
S4计算FMG分布式臂环中各个所述最新测点绑带力的权重分布,并根据其获得最优测点集合,从而实现分布式力测点智能优化。
2.如权利要求1所述的基于人机耦合动力学模型的分布式力测点智能优化方法,其特征在于,步骤S11中,建立上肢肌肉形态谱的方法为:基于超声检测、CT扫描或PET检测的方式获取典型运动模式下被测肌肉的横截面积、长度和体积,以此获得上肢肌肉形态谱。
3.如权利要求1所述的基于人机耦合动力学模型的分布式力测点智能优化方法,其特征在于,步骤S11中,建立上肢运动谱的方法为:采用三维运动捕捉系统采集上肢不同动作序列的运动信息,获得关节运动角度-时间的变化曲线,以此获得上肢运动谱。
4.如权利要求1所述的基于人机耦合动力学模型的分布式力测点智能优化方法,其特征在于,步骤S12中,测量手臂刚度矩阵的方法为:先后在手臂上佩戴不同长度的FMG圆形臂环,记录多个臂环长度下各个测点的压力信息/>,并由所述上肢肌肉形态谱获得不同位置的手臂截面/>,根据压力信息/>和手臂截面/>计算测点径向位移/>,然后利用下式计算手臂刚度矩阵/>,
式中,为臂环刚度矩阵,m为不同长度FMG圆形臂环的数量。
5.如权利要求1所述的基于人机耦合动力学模型的分布式力测点智能优化方法,其特征在于,步骤S4包括如下子步骤:
S41根据步骤S3获得的最新测点绑带力获得测点绑带力权重,以此对测点进行排序;
S42从步骤S1中确定的测点中随机选取k个测点作为初始化测点合集,计算在该初始化测点合集/>下进行意图识别的目标函数C(S),并计算不同动作下各个测点对意图识别的重要性系数Wc;
S43判断意图识别的目标函数C(S)是否大于阈值,若是,则将当前的测点合集作为最优测点合集,若否,则进入步骤S44;
S44根据步骤S41中的测点绑带力权重选取排名靠前的测点,用其更换重要性系数Wc最低的测点,从而获得更新后的测点合集/>,并计算在更新后的测点合集/>下进行意图识别的目标函数/>,重复步骤S42-S43,直至获得最优测点合集。
6.一种分布式手臂力传感信号采集装置,其特征在于,该装置采用如权利要求1~5任一项所述方法确定传感器的安装位置。
7.如权利要求6所述的分布式手臂力传感信号采集装置,其特征在于,该装置包括传感单元以及连接单元,其中:
所述传感单元包括预设数量的传感器组件,使用时,采用上述方法获得最优测点合集,然后将各个所述传感器组件分别安装在该最优测点合集上,以采集不同位置的肌动信号,用于进行运动意图识别;
所述连接单元包括预设数量的绑带,每根所述绑带的两端分别与所述传感器组件连接,以实现所述传感器组件的连接和固定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873931.2A CN113627002B (zh) | 2021-07-30 | 2021-07-30 | 基于人机耦合动力学模型的分布式力测点优化方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110873931.2A CN113627002B (zh) | 2021-07-30 | 2021-07-30 | 基于人机耦合动力学模型的分布式力测点优化方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627002A CN113627002A (zh) | 2021-11-09 |
CN113627002B true CN113627002B (zh) | 2023-12-29 |
Family
ID=78381853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110873931.2A Active CN113627002B (zh) | 2021-07-30 | 2021-07-30 | 基于人机耦合动力学模型的分布式力测点优化方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627002B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1094524A (ja) * | 1996-09-25 | 1998-04-14 | Nippon Telegr & Teleph Corp <Ntt> | 筋骨格系の機械インピーダンス計測方法及び装置 |
CN103761392A (zh) * | 2014-01-23 | 2014-04-30 | 南京工程学院 | 类人机器人协同运动的肌肉力模型优化方法 |
KR20160025416A (ko) * | 2014-08-27 | 2016-03-08 | 대한민국(국립재활원장) | 관절 각 추정을 이용한 편마비 환자의 상지 재활 기기 제어장치 및 그 방법 |
CN109765996A (zh) * | 2018-11-23 | 2019-05-17 | 华东师范大学 | 基于fmg臂带的对穿戴位置偏移不敏感的手势检测系统和方法 |
CN110355761A (zh) * | 2019-07-15 | 2019-10-22 | 武汉理工大学 | 一种基于关节刚度和肌肉疲劳的康复机器人控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018050191A1 (en) * | 2016-09-14 | 2018-03-22 | Aalborg Universitet | A human intention detection system for motion assistance |
CN108187310B (zh) * | 2017-12-21 | 2019-05-31 | 东南大学 | 基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人及其控制方法 |
-
2021
- 2021-07-30 CN CN202110873931.2A patent/CN113627002B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1094524A (ja) * | 1996-09-25 | 1998-04-14 | Nippon Telegr & Teleph Corp <Ntt> | 筋骨格系の機械インピーダンス計測方法及び装置 |
CN103761392A (zh) * | 2014-01-23 | 2014-04-30 | 南京工程学院 | 类人机器人协同运动的肌肉力模型优化方法 |
KR20160025416A (ko) * | 2014-08-27 | 2016-03-08 | 대한민국(국립재활원장) | 관절 각 추정을 이용한 편마비 환자의 상지 재활 기기 제어장치 및 그 방법 |
CN109765996A (zh) * | 2018-11-23 | 2019-05-17 | 华东师范大学 | 基于fmg臂带的对穿戴位置偏移不敏感的手势检测系统和方法 |
CN110355761A (zh) * | 2019-07-15 | 2019-10-22 | 武汉理工大学 | 一种基于关节刚度和肌肉疲劳的康复机器人控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113627002A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6590416B2 (ja) | リハビリ評価装置、リハビリ評価装置の作動方法およびリハビリ評価プログラム | |
CN109009586B (zh) | 一种假手腕关节人机自然驱动角度的肌电连续解码方法 | |
CN107951487A (zh) | 一种辅助握力球康复训练的多参数采集系统 | |
WO2022193330A1 (zh) | 一种运动监控方法及其系统 | |
CN102198003A (zh) | 肢体运动检测评估网络系统及其方法 | |
CN107194193A (zh) | 一种踝泵运动监测方法及装置 | |
CN110752032A (zh) | 一种基于卷积神经网络和激光测振的中医诊断方法 | |
CN111803099A (zh) | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 | |
Fan et al. | Wearable motion attitude detection and data analysis based on Internet of Things | |
CN113627002B (zh) | 基于人机耦合动力学模型的分布式力测点优化方法及应用 | |
CN115105819B (zh) | 一种运动监控方法及其系统 | |
CN112487902B (zh) | 面向外骨骼的基于tcn-hmm的步态相位分类方法 | |
CN103617411A (zh) | 基于复杂度和分维数及分形长度的肌电信号识别方法 | |
CN111369626B (zh) | 基于深度学习的无标志点上肢运动分析方法及系统 | |
CN113208636B (zh) | 一种膝关节内外侧受力分析数据处理方法 | |
US20220313119A1 (en) | Artificial intelligence-based shoulder activity monitoring system | |
CN106598243B (zh) | 一种多模态自适应光标控制方法及系统 | |
Peng et al. | An sEMG-driven neuromusculoskeletal model of upper limb for rehabilitation robot control | |
Ding | Role of sensors based on machine learning health monitoring in athletes' wearable heart rate monitoring | |
CN106037640A (zh) | 一种伤病远程分析系统及方法 | |
CN116522234B (zh) | 一种关节角度预测方法、装置、设备及介质 | |
CN111772640A (zh) | 肢体运动训练指导方法、装置及存储介质 | |
Chen et al. | The classification of surface electromyographic for ankle eversion and inversion based on cerebellar model neural networks | |
CN212415731U (zh) | 一种手部运动功能评估装置 | |
TWI837620B (zh) | 運動監控方法及系統 |
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 |