CN117643469B - 一种下肢步态识别装置与方法、下肢外骨骼系统 - Google Patents
一种下肢步态识别装置与方法、下肢外骨骼系统 Download PDFInfo
- Publication number
- CN117643469B CN117643469B CN202410115184.XA CN202410115184A CN117643469B CN 117643469 B CN117643469 B CN 117643469B CN 202410115184 A CN202410115184 A CN 202410115184A CN 117643469 B CN117643469 B CN 117643469B
- Authority
- CN
- China
- Prior art keywords
- gait
- optical waveguide
- light intensity
- loss rate
- bowden cable
- 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
- 230000005021 gait Effects 0.000 title claims abstract description 153
- 210000003141 lower extremity Anatomy 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003287 optical effect Effects 0.000 claims abstract description 97
- 238000005452 bending Methods 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims description 16
- 210000003423 ankle Anatomy 0.000 claims description 11
- 210000003127 knee Anatomy 0.000 claims description 9
- 210000001698 popliteal fossa Anatomy 0.000 claims description 5
- 210000004233 talus Anatomy 0.000 claims description 4
- 210000000544 articulatio talocruralis Anatomy 0.000 abstract description 8
- 210000002683 foot Anatomy 0.000 description 19
- 239000010410 layer Substances 0.000 description 13
- 238000005253 cladding Methods 0.000 description 10
- 239000012792 core layer Substances 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 9
- 239000010959 steel Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 239000011241 protective layer Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 210000004394 hip joint Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 230000003183 myoelectrical effect Effects 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- -1 polyethylene terephthalate Polymers 0.000 description 1
- 229920000139 polyethylene terephthalate Polymers 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003319 supportive effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Rehabilitation Tools (AREA)
Abstract
本公开提供一种下肢步态识别装置及方法、外骨骼系统,属于助力或康复机器人控制技术领域。下肢步态识别装置包括:鲍登线、光波导、光敏传感器以及步态识别单元;鲍登线与光波导贴合设置,且鲍登线设置于主体下肢小腿后侧,以在主体行走时产生弯曲,光波导随着鲍登线弯曲而弯曲;光敏传感器分别与光波导、步态识别单元连接,以获取光波导弯曲时对应的光强损失率,步态识别单元根据光强损失率拟合得出主体行走时对应的步态相位,通过对光强损失率的拟合可实现对人行走步态的精准估计,准确率较高,不需要IMU、肌电、足底压力或者角度传感器等一系列外部设备,可以大大简化踝关节装置体积,降低成本。
Description
技术领域
本公开属于助力或康复机器人控制技术领域,具体涉及一种下肢步态识别装置与方法、下肢外骨骼系统。
背景技术
我国老龄化问题逐渐加剧,随着人们年龄增长,出现乏力、步行困难等症状的情况逐渐普遍。因此,老年人对助力型外骨骼的需求不断增加,面对该需求,国内外的研究机构纷纷投入力量进行外骨骼机器人的研究。这类机器人是一种可供人体穿戴的人造设备,旨在增强人体机能并辅助人体运动。其中,下肢外骨骼机器人的目标是通过提供行走或跑步关节的辅助力矩,降低代谢成本,以增强人体的机动性。
踝关节助力外骨骼技术的发展源于对下肢功能障碍患者康复和生活质量改善的需求。踝关节助力外骨骼技术的背景融合了多个学科领域的研究成果,例如,生物力学、机器人学和医学工程等学科的知识,旨在通过智能助力装置提供对踝关节的支持,促进患者的运动康复和生活自理能力,改善患者生活质量、促进康复进程方面展现出巨大的潜力。
踝关节作为人体运动链的重要组成部分,对于维持正常步态和平衡具有关键性作用。因此,踝关节助力外骨骼技术的涌现受到了康复医学领域的高度关注。患有下肢疾病或受伤的个体往往面临着步态不稳、运动能力下降的挑战,而踝关节助力外骨骼通过模拟正常步态,可以提供必要的支持,帮助患者更自如地行走。
目前的助力外骨骼主要有穿戴式柔性下肢助力外骨骼、刚柔混合的下肢助力外骨骼等,在上述外骨骼助力装置中均需要设置识别步态的传感系统,例如,惯性传感器,将其设置于鞋的底部,该惯性传感器还包括加速度计和陀螺仪,其中,加速度计用于检测被测载体在三维空间的加速度信号,陀螺仪用于检测被测载体在三维空间的角速度信号,根据角速度与加速度获取步态,以根据步态其进行助力;再例如,足部感测单元与膝部感测单元,以分别感测足底压力信息与第一、第二膝部三维角度信息,根据压力信息、第一与第二膝部三维角度信息确定步态信息;再例如,在下肢设置肌电传感器、运动传感器和足底的压力传感器,以采集行走时的肌电信号、关节角度和足底压力,以根据上述信息确定步态类别。可见,目前的助力外骨骼装置中均需要设置多个传感器,结构复杂,体积较大,检测准确率低,并且,在识别过程中需要获取多个数据,基于对多个数据计算才能确定步态,识别过程繁琐。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一,提供一种下肢步态识别装置及方法、外骨骼系统。
本公开的一方面,提供一种下肢步态识别装置,包括:
鲍登线、光波导、光敏传感器以及步态识别单元;
所述鲍登线与所述光波导贴合设置,且所述鲍登线设置于主体下肢小腿后侧,以在主体行走时产生弯曲,所述光波导随着所述鲍登线弯曲而弯曲;
所述光敏传感器分别与所述光波导、所述步态识别单元连接,以获取所述光波导弯曲时对应的光强损失率,所述步态识别单元根据所述光强损失率拟合得出主体行走时对应的步态相位。
可选地,所述鲍登线与下肢之间设置有第一固定件与第二固定件;其中,
所述第一固定件位于裸关节距骨位置处,所述第二固定件位于膝盖后方的腘窝位置处。
可选地,所述光波导的光强损失率与弯曲角度的关系式如下:
θ=H(R);
其中,θ为光波导的弯曲角度,H(R)为弯曲角度关于弯曲半径的函数;
;
式中,R为光波导弯曲半径,A eff 为光波导的有效面积,β 1为光波导芯层传播常数,β 2为光波导包层传播常数,W()为Lambert W函数,α为光强损失率。
可选地,所述步态识别单元采用BP神经网络模型;其中,
BP神经网络模型的输入值为光强损失率,输出值为步态相位。
可选地,光强损失率作为输入值,步态相位作为输出值,构建形成BP神经网络模型。
可选地,所述步态相位包括步态开始、步态结束以及支撑步态。
本公开的另一方面,提出一种下肢外骨骼系统,包括:驱动装置以及前文记载的所述下肢步态识别装置;其中,
所述驱动装置分别与鲍登线以及步态识别单元连接,在所述步态识别单元识别出的步态相位为步态开始时,所述驱动装置通过所述鲍登线向外骨骼提供助力。
本公开的另一方面,提出一种下肢步态识别方法,包括:
将鲍登线与光波导相贴合,并将所述鲍登线设置于主体下肢小腿后侧;
在主体行走时,获取所述光波导弯曲时对应的光强损失率;
根据所述光强损失率拟合得出主体行走时的步态相位。
可选地,所述鲍登线的弯曲角度与所述光波导的光强损失率以及主体的步态相位具有一一对应关系。
可选地,所述方法还包括:
构建所述光强损失率与所述步态相位相关联的BP神经网络模型。
本公开提供一种下肢步态识别装置及方法、外骨骼系统,识别装置包括:鲍登线、光波导、光敏传感器以及步态识别单元;所述鲍登线与所述光波导贴合设置,且所述鲍登线设置于主体下肢小腿后侧,以在主体行走时产生弯曲,光波导随着鲍登线弯曲而弯曲;光敏传感器分别与所述光波导、步态识别单元连接,以获取光波导弯曲时对应的光强损失率,步态识别单元根据光强损失率拟合得出主体行走时对应的步态相位。本公开将光波导附着于鲍登线表面,通过实时反馈光波导的光强损失率,并在此基础上引入BP神经网络训练的步态识别算法,通过对光强损失率的拟合可实现对人行走步态的精准估计,准确率较高,不需要IMU、肌电、足底压力或者角度传感器等一系列外部设备,可以大大简化踝关节装置体积,降低成本。
附图说明
图1为本公开一实施例的下肢步态识别装置的结构示意图;
图2为本公开另一实施例的踝关节外骨骼右脚弯曲时演示图;
图3为本公开另一实施例的踝关节外骨骼右脚支撑时演示图;
图4为本公开另一实施例的外骨骼系统结构框图;
图5为本公开另一实施例的下肢步态识别方法的流程框图;
图6为本公开另一实施例的踝关节外骨骼实验中步态拟合真实值与预测值图;
图7为本公开另一实施例的混淆矩阵训练数据;
图8为本公开另一实施例的混淆矩阵测试数据。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和具体实施方式对本公开作进一步详细描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护范围。
如图1至图3所示,本公开的一方面,提出一种下肢步态识别装置,包括:鲍登线110、光波导120、光敏传感器30以及步态识别单元140;其中,鲍登线110与光波导120贴合设置,且鲍登线110设置于主体下肢小腿后侧,以在主体行走时产生弯曲,此时光波导120随着鲍登线110弯曲而弯曲;其次,光敏传感器130分别与光波导120以及步态识别单元140连接,以在光波导120弯曲时获取光波导120的光强损失率,步态识别单元140根据光强损失率拟合得出主体行走时对应的步态相位。
在本实施方式中,通过将鲍登线紧密结合于下肢小腿后侧,以模拟得出主体裸关节至膝盖处的弯曲曲率,该结构不仅考虑了步态中关键的关节运动,还可以准确地捕捉到鲍登线的弯曲状态,再基于将光波导贴合于鲍登线上,将鲍登线的弯曲曲率转化为光强损失率,以通过实时检测到的光强损失率来估计行走步态,为步态的拟合提供可靠数据支持,无需其他外部传感器的干扰,更无需IMU、肌电、足底压力或者角度传感器等一系列外部设备,可以大大简化踝关节装置体积,使得外骨骼系统更为轻巧和紧凑,提高外骨骼系统的可靠性和稳定性。
进一步地,为了提高检测准确率,在一些实施例中,鲍登线与下肢之间设置有第一固定件与第二固定件;其中,第一固定件位于裸关节距骨位置处,第二固定件位于膝盖后方的腘窝位置处。也就是说,在鲍登线与下肢之间存在两个固定点,这样,当主体开始行走时,在脚踝和腘窝两个固定点之间的鲍登线发生弯曲,压缩鲍登线产生弯曲量,同时,光波导也随之弯曲,这种弯曲的变化能够直接反映人体步态的特征,即,通过上述两个固定件有利于外骨骼系统捕捉主体行走下肢的步态信息。
需要说明的是,在本实施方式中,对于固定件的类型不做具体限定,例如,固定件包括固定本体以及位于固定本体上的固定槽,固定本体可拆卸地固定于外骨骼的固定支架上,鲍登线与光波导穿设在固定槽中,以实现对鲍登线的固定。
更进一步地,鲍登线包括钢丝和护套,护套套设于钢丝外,这样,可利用鲍登线自身的刚度限制光波导材料的拉伸和一定的挤压变形,因此,采用这种结构可忽略这两个因素造成的光强损耗,让光波导中光强的敏感性集中于光波导的弯曲角度,有效提高检测精度。
不难理解的是,光波导应用时需要设置有光源,以对其发出一定的光波,在一些示例中,在光波导的一端设置有光源,光波导的另一端设置有光敏传感器,光敏传感器用于获取光波导中传输的光强度,在未弯曲状态下,其损耗小,光强与初始光强接近,在弯曲状态下,损耗增加,检测到的光强降低。
需要说明的是,在本实施方式中,光源可采用红色光源,例如,红色LED光源,该光源在光波导中的敏感性更高,易产生光强损失,这样,更容易检测到鲍登线的弯曲曲率。另外,光源还可以具有15°-30°透镜,用于对光源发出的光进行聚焦。
更进一步地,光波导包括由内向外依次包裹设置的芯层、包层以及保护层;其中,芯层采用聚氨酯,保护层采用聚对苯二甲酸乙二醇酯,包层为空气薄膜层。也就是说,芯层和保护层之间由于空气静压原理会留有一道空气薄膜,该空气薄膜形成光波导的包层。
需要说明的是,在本实施方式中,芯层的折射率大于包层的折射率,较大的折射率差可增强光敏传感器对光损耗的敏感性,当光线从芯层出发接触到包层时,如果入射角大于临界角,入射光线就会发生全反射从而达到传输光的目的。
进一步需要说明的是,鲍登线与光波导可以以胶粘的方式将两者贴合于一起,例如,UV胶,利用紫外线照射使胶水凝固,具有较高的折射率,降低对光路传输的影响。
应当理解的是,光波导是引导光波在其中传播的介质,当光波导随着鲍登线弯曲而弯曲时,光波在光波导中的传输会产生一定的损耗,因此,光波导光强损失率与鲍登线的弯曲曲率存在对应关系,在一定程度上,鲍登线的弯曲曲率又可以反映出人体行走时对应的步态相位。基于此,本实施方式创新性地将光波导引入至鲍登线中,将两者结合用于模拟人体行走步态,仅通过检测光波导的光强损失率即可模拟得出步态相位,无需设置多个用于获取足底等部位的传感器。
在一些示例中,光波导材料的光强损失率与弯曲半径存在下述关系式:
(1);
其中,α为光强损失率,A eff 为光波导的有效面积,由横截面电场强度分布决定,一般将A eff 设置为10μm2,R为鲍登线弯曲半径,β 1为光波导芯层传播常数,,n 1为光波导芯层折射率,λ为光源波长,β 2为光波导包层传播常数,/>,n 2为光波导包层折射率。
设为光波导传播常数,则式(1)化简为:
(2);
其中,ψ为累计弯曲角度,并在式(2)的两边同时取平方倒数并乘以2,则式(2)可化为以下关系式(3):
(3);
等式(3)两边同时取Lambert W函数:
(4);
由于Lambert W函数为F(x)=xe x 的反函数,即W(xe x )=x,基于上关系式(4)可等价于下述关系式(5):
(5);
整理上式可估计弯曲半径R的表达式(6):
(6);
当光波导材料在缩小弯曲半径或者增加弯曲角度均可造成光的损耗,因此光波导材料的弯曲半径R与累计弯曲角度θ存在反比关系,假设其具有以下关系式(7):
θ=H(R) (7);
其中,θ为光波导的弯曲角度,H(R)为弯曲角度关于弯曲半径的函数。
针对上述关系式可知,光强损失率与光波导材料的弯曲角度有关,而光波导的弯曲角度应当与鲍登线的弯曲角度一致,由此,通过构建光波导的光强损失率与弯曲角度的关系式,也可以得到鲍登线的弯曲角度,这也进一步说明光波导的光强损失率与鲍登线的弯曲曲率存在对应关系。
更进一步地,在本实施方式中,步态识别单元采用BP神经网络模型,即,在鲍登线与光波导的基础上引入这一智能算法,以实现对助力时机的高精度识别,达到91.1%的准确率。
应当理解的是,需要将数据划分为训练集与测试集,利用训练集的数据对神经网络模型训练,利用测试集的数据对模型进行验证并更新,其中,BP神经网络模型的输入值为光强损失率,输出值为步态相位,通过训练构建形成了BP神经网络模型。其中,BP神经网络作为外置的补偿控制器仅拥有三层结构,分别为输入层,隐含层和输出层,结构简单,具有较强的非线性映射能力。
需要说明的是,虽然运动过程中的扰动和建模时的误差会降低外骨骼的跟踪性能,但由于本实施方式采用的BP神经网络具备弹性拓扑,高度冗余和非线性运算且学习线性,且BP神经网络可以在线实时学习并辨识模型误差,以此保证闭环系统的稳定性。
更进一步地,应当理解的是,正常人体行走分为支撑相和摆动相,如图2和图3所示,以右脚为例,其包括有支撑态与摆动态。
其中,如图3所示,支撑态有以下几种情形:(a)右脚脚后跟触地时刻开始,即为右脚支撑态的开始,右脚开始支撑身体(同时左脚未离开地面);(b)左脚离开地面,左脚开始摆动态,右脚独自支撑身体;(c)重心前移至右脚正上方;(d)左脚触地,左脚结束摆动态,开始支撑态;(e)右脚离开地面,结束支撑态。
其次,如图2所示,右脚摆动态有以下几种情形:(a)右脚脚尖离开地面,开始摆动态,重心移至左脚;(b)重心移至左脚正上方;(c)右脚脚后跟触地,结束摆动态,开始支撑态。
更进一步地,基于上述支撑相与摆动相的情形,在一些实施例中,将人体步态相位可划分为,步态开始:脚后跟第一次触地时刻;步态结束:脚后跟再次接触地面;支撑步态。
不难理解的是,不同的步态相位,对应下肢具有不同的弯曲度,这样,通过将弯曲曲率与步态相位建立一定的关联关系,而弯曲曲率又可以由光波导的光强损失率反映出,这样,可以将鲍登线弯曲曲率与步态相位的关联关系转化为光强损失率与步态相位的关联关系,或者说,鲍登线的弯曲曲率、光波导的光损失率以及人体行走的步态相位三者具有对应关系。这样,在实际应用时,为了节省流程,提高识别效率,基于上述对应关系,可以仅通过光敏传感器获取的光强损失率来训练神经网络模型,根据构建的神经网络模型拟合得出对应的步态相位,以在最合适的时机提供助力支持,例如,在步态开始时,为人体提供踝关节的助力,促进患者的运动康复和生活自理能力,改善人体行走步态和效率。
在本实施方式中,鲍登线具有多重作用,其一、基于鲍登线将人体行走时发生的弯曲曲率传递至光波导,再基于光波导的弯曲得出其光强损失率,进而模拟得出步态相位,起到步态识别的作用,有效简化结构,以解决在识别步态时需要设置多个传感器设备的问题;其二,鲍登线还可以作为助力传输结构,以与外骨骼系统的驱动装置连接,将驱动装置提供的助力传输至外骨骼,为患者提供助力。
本公开的另一方面,提出一种外骨骼系统,该外骨骼系统包括前文记载的下肢步态识别装置与驱动装置,以在步态相位为步态开始时,利用驱动装置向裸关节等外骨骼提供助力。
具体地,如图2、图3和图4所示,驱动装置210分别与步态识别单元140、鲍登线110连接,其中,驱动装置210是通过钢丝230与鲍登线110连接,这样,在步态识别单元140识别出步态相位为步态开始时,驱动装置210通过鲍登线110向裸关节外骨骼220提供扭矩助力,实现对人体下肢行走运动时提供助力,减少人体行走时相应的作用力。
需要说明的是,本实施方式对驱动装置不作具体限定,例如,可采用电机,并将该电机设置于腰部,鲍登线的钢丝绕设于电机的输出轴端上,鲍登线通过电机的驱动而收缩或伸长,进而为裸关节外骨骼提供助力。
进一步需要说明的是,鲍登线中的钢丝长度不作具体限定,可以根据需要进行具体设置,例如,在需要与电机连接时,可将鲍登线中的钢丝延伸至电机位置处,当然,鲍登线以外的这部分钢丝外部可以不设置护套,仅具有助力传输作用。也就是说,仅在膝盖与裸关节之间设置鲍登线,在与电机连接的区域仅设置钢丝即可。
应当理解的是,在目前的外骨骼系统中,其鲍登线仅起到带动脚步穿戴组件运行以提供助力的作用,例如,驱动控制系统的电机转速,以使得鲍登线收缩以辅助髋关节的伸展等,对于步态的检测需要额外设置多个传感器,其结构复杂,检测过程繁琐。针对此,在本实施方式将检测步态与助力功能均集成于鲍登线上,该鲍登线既起到传输人体行走时弯曲曲率的作用,还可以作为动力传输装置,用于为裸关节、髋关节等外骨骼传输助力,有效简化了结构与检测过程。
本实施方式的系统能够更加智能地判断用户的步态需求,准确地识别出对应的步态相位,并在最合适的时机为外骨骼提供助力支持,提高外骨骼系统的实用性和用户体验。
如图5所示,本公开的另一方面,提供一种下肢步态识别方法S100,包括步骤S110~S130:
S110、将鲍登线与光波导相贴合,并将所述鲍登线设置于主体下肢小腿后侧。
具体地,通过UV胶将鲍登线与光波导相贴合,并在光波导的其中一端固定有光源,在光波导的另一端固定有光敏传感器,这样,将固定后的鲍登线与光波导固定于人体小腿后方。
进一步地,为了提取检测准确率,还在鲍登线与下肢之间设置有第一固定件与第二固定件;其中,第一固定件位于裸关节距骨位置处,第二固定件位于膝盖后方的腘窝位置处。也就是说,在鲍登线与下肢之间存在两个固定点,这两个固定点不仅可以用于固定鲍登线与人体下肢,还可以将鲍登线与光波导进行固定,这样,当主体开始行走时,鲍登线在脚踝和腘窝两个固定点之间发生弯曲,压缩鲍登线产生弯曲量,这种弯曲的变化能够直接反映人体步态的特征,即,通过上述两个固定件有利于外骨骼系统捕捉主体行走下肢的步态信息。
S120、在主体行走时,获取光波导弯曲时对应的光强损失率。
应当理解的是,不同的步态相位,对应下肢具有不同的弯曲度,这样,通过将弯曲曲率与步态相位建立一定的关联关系,而弯曲曲率又可以由光波导的光强损失率反映出,这样,鲍登线的弯曲曲率、光波导的光损失率以及人体行走的步态相位三者具有对应关系,但为了简化识别流程,可以直接获取光波导的光强损失率,基于该光强损失率拟合得出步态相位。
在一些示例中,光波导的光强损失率与弯曲半径存在下述关系式:
(1);
其中,α为光强损失率,A eff 为光波导的有效面积,由横截面电场强度分布决定,一般将A eff 设置为10μm2,R为鲍登线弯曲半径,β 1为光波导芯层传播常数,,n 1为光波导芯层折射率,λ为光源波长,β 2为光波导包层传播常数,/>,n 2为光波导包层折射率。
设为光波导传播常数,则式(1)化简为:
(2);
其中,ψ为累计弯曲角度,并在式(2)的两边同时取平方倒数并乘以2,则式(2)可化为以下关系式(3):
(3);
等式(3)两边同时取Lambert W函数:
(4);
由于Lambert W函数为F(x)=xe x 的反函数,即W(xe x )=x,上式(4)可得到等价于下述关系式(5):
(5);
整理上式可得估计弯曲半径R的表达式(6):
(6);
当光波导材料在缩小弯曲半径或者增加弯曲角度均可造成光的损耗,因此光波导材料的弯曲半径R与累计弯曲角度θ存在反比关系,假设其具有以下关系式(7):
θ=H(R) (7);
其中,θ为光波导的弯曲角度,H(R)为弯曲角度关于弯曲半径的函数。
S130、根据光强损失率拟合得出步态相位。
具体地,基于训练后的BP神经模型对步态相位进行识别,不同的步态相位,对应下肢具有不同的弯曲度,BP神经网络模型的输入值为光波导的光强损失率,输出值为步态相位,该方法的识别准确率达91%以上。
更进一步地,本实施方式的方法还包括:
在步态相位为步态开始时,通过鲍登线向裸关节外骨骼传输助力。
在本实施方式提供的方法中,通过在鲍登线的基础上引入光波导,可将弯曲曲率转化为光强损失率,再通过引入BP神经网络训练的步态识别算法,对光强损失率拟合得出步态相位,实现对助力时机的高精度识别,能够更加智能地判断用户的步态需求,并在最合适的时机提供助力支持,识别过程简单快速。
下面将结合具体实施例进一步说明下肢步态识别装置及方法:
实施例 1
本示例给出了基于鲍登线传动曲率估计下肢步态的方法,包括如下步骤:
S1、将光波导与鲍登线设置于人体小腿后侧,并在脚踝和腘窝两个位置处将其固定。
S2、利用光敏传感器测量光波导弯曲时对应的光强损失率。
S3、利用BP神经网络模型根据光强损失率拟合得出人体步态相位。
进一步地,本实施例1拟合得出的数据如图6所示,实际模型的RMSE值为0.10161,通过实验数据表明,该模型拟合得出的预测值与真实值比较接近,误差小,这说明,利用光波导光强损失率代替鲍登线弯曲曲率来拟合人体步态的方法有效且效果显著。
更进一步地,本实施例1将数据分为训练集与测试集,利用训练集数据,基于鲍登线弯曲曲率拟合得出相应步态相位的混淆矩阵如图7所示,利用测试集数据,基于鲍登线弯曲曲率拟合得出相应步态相位的混淆矩阵如图8所示,图7和图8中矩阵均是基于matlab软件得出。
根据图7和图8可知,在混淆矩阵的训练数据中,模型识别到的步态相位为步态开始的准确率达91.1%,在混淆矩阵的测试数据中,模型识别到的步态相位为步态开始的识别准确率达91.0%,两者基本一致。此外,模型识别到的步态相位为步态结束的准确率也接近90%。这表明,本实施例基于光波导的光强损失率代替鲍登线弯曲曲率的步态拟合模型表现出色,预测准确率较高,更够准确识别出步态相位,具有实际应用的价值。
应当理解的是,对于步态识别过程中,最关键的是步态开始,这一步态相位是踝关节外骨骼应当提供助力的节点,因此,有效识别到这一关键步态相位有利于提升系统的助力效果,进而提升其实用性。
本公开提出一种下肢步态识别装置及方法、外骨骼系统,相对于现有技术而言具有以下有益效果:
本公开通过将光波导附着于鲍登线表面,通过实时反馈并拟合光波导的光强损失率,实现对人行走步态的精准估计,摆脱了对多个外部传感器(如IMU、肌电、足底压力、角度传感器等)的依赖,从而成功简化了踝关节装置的体积,使得外骨骼系统更为轻巧和紧凑,提高系统的可靠性和稳定性,并降低了整体系统的成本,并且,通过将这一装置可与现有的外骨骼技术相结合,以实现更加自然和高效的步态拟合,而无需使用昂贵和复杂的传感器系统。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (7)
1.一种下肢步态识别装置,其特征在于,包括:鲍登线、光波导、光敏传感器以及步态识别单元;在所述光波导的一端设置有光源,所述光波导的另一端设置有光敏传感器,所述光敏传感器与所述步态识别单元连接;
所述鲍登线与所述光波导贴合设置,且所述鲍登线设置于主体下肢小腿后侧的脚踝和腘窝两个固定点之间,以在主体行走时产生弯曲,所述光波导随着所述鲍登线弯曲而弯曲;
所述光敏传感器用于获取所述光波导弯曲时对应的光强损失率,所述步态识别单元根据所述光强损失率拟合得出主体行走时对应的步态相位;其中,
所述步态识别单元采用BP神经网络模型;所述BP神经网络模型的输入值为光强损失率,输出值为步态相位。
2.根据权利要求1所述的下肢步态识别装置,其特征在于,所述鲍登线与下肢之间设置有第一固定件与第二固定件;其中,
所述第一固定件位于裸关节距骨位置处,所述第二固定件位于膝盖后方的腘窝位置处。
3.根据权利要求1所述的下肢步态识别装置,其特征在于,所述步态相位包括步态开始、步态结束以及支撑步态。
4.一种下肢外骨骼系统,其特征在于,包括:驱动装置以及权利要求1至3任一项所述的下肢步态识别装置;其中,
所述驱动装置分别与鲍登线以及步态识别单元连接,在所述步态识别单元识别出的步态相位为步态开始时,所述驱动装置通过所述鲍登线向外骨骼提供助力。
5.一种下肢步态识别方法,其特征在于,包括:
将鲍登线与光波导相贴合,所述光波导的一端设置有光源,所述光波导的另一端设置有光敏传感器,所述光敏传感器与所述步态识别单元连接;
将所述鲍登线设置于主体下肢小腿后侧的脚踝和腘窝两个固定点之间;
在主体行走时,光波导随着鲍登线的弯曲而弯曲,利用所述光敏传感器获取所述光波导弯曲时对应的光强损失率;
利用所述步态识别单元根据所述光强损失率拟合得出主体行走时对应的步态相位;其中,
所述步态识别单元采用所述光强损失率与步态相位相关联的BP神经网络模型,所述BP神经网络模型的输入值为光强损失率,输出值为步态相位。
6.根据权利要求5所述的下肢步态识别方法,其特征在于,所述鲍登线的弯曲角度与所述光波导的光强损失率以及主体的步态相位具有一一对应关系。
7.根据权利要求5所述的下肢步态识别方法,其特征在于,所述方法还包括:
在步态相位为步态开始时,通过鲍登线向外骨骼传输助力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115184.XA CN117643469B (zh) | 2024-01-29 | 2024-01-29 | 一种下肢步态识别装置与方法、下肢外骨骼系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410115184.XA CN117643469B (zh) | 2024-01-29 | 2024-01-29 | 一种下肢步态识别装置与方法、下肢外骨骼系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117643469A CN117643469A (zh) | 2024-03-05 |
CN117643469B true CN117643469B (zh) | 2024-04-30 |
Family
ID=90043594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410115184.XA Active CN117643469B (zh) | 2024-01-29 | 2024-01-29 | 一种下肢步态识别装置与方法、下肢外骨骼系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117643469B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110478199A (zh) * | 2019-07-22 | 2019-11-22 | 南方科技大学 | 助力式膝关节外骨骼 |
CN111773027A (zh) * | 2020-07-03 | 2020-10-16 | 上海师范大学 | 一种柔性驱动的手功能康复机器人控制系统及控制方法 |
CN116038663A (zh) * | 2023-01-28 | 2023-05-02 | 河北工业大学 | 一种鲍登线柔性助力踝关节下肢外骨骼机器人及控制方法 |
CN116115217A (zh) * | 2023-01-13 | 2023-05-16 | 电子科技大学 | 一种基于深度网络的人体下肢步态相位估计方法 |
CN117268605A (zh) * | 2023-11-23 | 2023-12-22 | 常熟理工学院 | 鲍登线传动装置 |
CN117297932A (zh) * | 2023-09-04 | 2023-12-29 | 武汉理工大学 | 一种柔性膝关节外骨骼康复机器人 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106491317B (zh) * | 2016-12-01 | 2018-12-25 | 北京理工大学 | 一种自驱动自适应步态的可穿戴膝关节助行装备 |
DE102019100920B4 (de) * | 2019-01-15 | 2020-07-30 | Nedinsco B.V. | Sichtgerät |
-
2024
- 2024-01-29 CN CN202410115184.XA patent/CN117643469B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110478199A (zh) * | 2019-07-22 | 2019-11-22 | 南方科技大学 | 助力式膝关节外骨骼 |
CN111773027A (zh) * | 2020-07-03 | 2020-10-16 | 上海师范大学 | 一种柔性驱动的手功能康复机器人控制系统及控制方法 |
CN116115217A (zh) * | 2023-01-13 | 2023-05-16 | 电子科技大学 | 一种基于深度网络的人体下肢步态相位估计方法 |
CN116038663A (zh) * | 2023-01-28 | 2023-05-02 | 河北工业大学 | 一种鲍登线柔性助力踝关节下肢外骨骼机器人及控制方法 |
CN117297932A (zh) * | 2023-09-04 | 2023-12-29 | 武汉理工大学 | 一种柔性膝关节外骨骼康复机器人 |
CN117268605A (zh) * | 2023-11-23 | 2023-12-22 | 常熟理工学院 | 鲍登线传动装置 |
Non-Patent Citations (1)
Title |
---|
基于多传感器的实时步态检测研究;张今瑜;王岚;张立勋;;哈尔滨工程大学学报;20070228(第02期);正文第219-220页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117643469A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190032925A (ko) | 개인화된 보행 정책을 갱신하는 방법 및 장치 | |
KR102614779B1 (ko) | 보행 보조 방법 및 장치 | |
US20200000373A1 (en) | Gait Analysis Devices, Methods, and Systems | |
KR102133933B1 (ko) | 보행 보조 방법 및 이를 수행하는 장치 | |
KR102150297B1 (ko) | 보행 보조 로봇 및 보행 보조 로봇의 제어 방법 | |
KR102546547B1 (ko) | 보행 보조 방법 및 장치 | |
KR102094852B1 (ko) | 토크 설정 방법 및 장치 | |
JP6791715B2 (ja) | ジョイントアセンブリ及びこれを含む運動補助装置 | |
Ding et al. | Control of walking assist exoskeleton with time-delay based on the prediction of plantar force | |
CN113143697B (zh) | 一种髋关节外骨骼的控制方法及装置 | |
CN107714400A (zh) | 引导下肢外骨骼助力机器人行走的智能拐杖控制方法 | |
CN114948579B (zh) | 踝关节外骨骼及其助力控制方法、装置及可读存储介质 | |
CN117643469B (zh) | 一种下肢步态识别装置与方法、下肢外骨骼系统 | |
KR20200072867A (ko) | 보행 보조 장치를 제어하는 방법 및 그 방법을 수행하는 전자 장치 | |
US20230330835A1 (en) | System and process for estimation of gait phase for use with a wearable robot | |
Wang et al. | A real-time walking pattern recognition method for soft knee power assist wear | |
Kyeong et al. | A mechatronic mirror-image motion device for symmetric upper-limb rehabilitation | |
WO2023035457A1 (zh) | 助行器的控制方法、系统和驱动设备 | |
KR102550854B1 (ko) | 보행 보조 방법 및 그 방법을 수행하는 보행 보조 장치 | |
CN109925165B (zh) | 基于绳驱动的“4+2”式下肢康复机器人 | |
Yao et al. | Design of the pneumatic pressure smart shoes for an ankle-assisted exoskeleton | |
Silva | Wearable sensors systems for human motion analysis: sports and rehabilitation | |
Zhu et al. | A new driving strategy for Lower limb-assisted exoskeleton robot | |
CN117770796A (zh) | 一种基于光纤传感的虚拟交互训练系统 | |
WO2024040813A1 (zh) | 一种传感装置及用于捕捉手部动作的手套 |
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 |