CN105213153B - 基于脑肌信息变阻抗的下肢康复机器人控制方法 - Google Patents

Abstract

本发明公开了一种基于脑肌信息变阻抗的下肢康复机器人控制方法，通过脑电、表面肌电信号采集仪实时采取患者的脑电和表面肌电信号，监测、评估患者的康复程度。然后，据此采取不同的康复训练策略。康复程度低时，实施被动训练控制，采用PD位置伺服控制方法，控制下肢康复装置使患者以正确的生理学步态轨迹运动。康复程度高时，采取主动控制模式，通过实时提取患者脑电信号和表面肌电信号的特征向量，对患者的运动意图作出预测。再用模糊神经网络算法将脑电信号和表面肌电信号进行融合，实时产生患者期望的运动步态轨迹曲线。然后，利用变阻抗控制方法实现下肢康复机器人人机***的主动、实时协同控制。

Description

基于脑肌信息变阻抗的下肢康复机器人控制方法

技术领域

本发明涉及机器人控制技术，特别涉及一种下肢康复机器人的控制方法。

背景技术

近年来，脊椎损伤、脑卒中风等中枢神经***疾病引起的下肢运动功能障碍患者呈急剧增加的趋势，严重危害着人类的健康。随着社会的发展和人民医疗、生活水平的提高，残疾人的健康引起了全社会的关注。减重步行训练是针对该类疾病患者步行康复治疗的重要手段之一，已有大量的临床研究证实了其有效性。传统的康复治疗方法主要是由护理师协助患者进行康复训练，其康复训练效果取决于护理师的技术水平及爱心，同时，护理师数量严重不足，训练效率低，工作强度大，所以难以迅速提高患者的康复训练效率。

为此，将机器人技术与康复医学结合，研制智能化的下肢康复机器人代替护理师完成偏瘫患者的步态运动训练，可以显著地提高患者的康复效率，减轻护理师的劳动强度。目前国内外有许多研究人员在开展康复机器人的研究工作，但已有的康复机器人，训练动作种类比较少，动作范围具有局限性，运动幅度较小，多数忽略了患者下肢的主动运动意图，不利于激发患者的主动意识及参与康复训练的兴趣，很难达到理想的康复训练要求。

近年来，国内外的研究机构研制了各种类型的康复机器人，但大多采用较简单的控制方法，没能很好地设计有效的人机交互接口，不能很好地实现人机***的协同控制。申请号为201010561379.5和201310306301.2的中国专利文献，从下肢康复机器人控制的角度分别以人机交互力、表面肌电信号单一信息为控制源实现一定程度的主动康复控制。由于缺乏考虑人体运动特性的时变阻抗特点，所以不能很好地实现人机***的实时协同控制。此外，缺乏对患者生理信息的实时监测及康复程度评估、实现康复程度的实时反馈、***修正人体的运动控制均比较困难，不能实现真正意义上的人机***的主动协同控制。

发明内容

针对背景技术所指出的下肢康复机器人康复运动控制存在的问题，本发明的目的在于提供一种能够实时监测、反馈康复程度、并考虑患者运动柔顺特性及阻抗参数的时变特点来合理训练患者的下肢康复机器人控制方法。

为达到上述目的，本发明采用如下技术方案予以实现的：

一种基于脑肌信息变阻抗的下肢康复机器人控制方法，其特征是，包括下述步骤：

(1)实时采集患者大脑皮层边缘***的脑电信号，以及股四头肌和胫骨前肌的表面肌电信号；

(2)对采集到的患者脑电信号和表面肌电信号进行放大、带通滤波的预处理；

(3)通过特征提取方法，获取患者脑电信号和表面肌电信号的时频域特征向量；

(4)将健康人的脑电信号和表面肌电信号特征向量与患者脑电信号和表面肌电信号特征向量进行比对，设定康复程度阈值，当小于该阈值时，进行步骤(5)的被动康复训练模式；当大于该阈值时，进行步骤(6)的主动康复训练模式；

(5)被动康复训练模式，采用PD(Proportion‐Derivative)位置伺服控制方法，患者完全由下肢康复机器人带动，以标准的生理学步态轨迹进行下肢康复运动；同时，检测下肢康复机器人各关节的角度、角速度，并作为反馈信号，实时调整下肢康复机器人的运动轨迹；

(6)主动康复训练模式，采取实时变阻抗控制方法，具体包括下述子步骤：

a.建立人机***的阻抗模型：

①通过人机交互力传感器检测人机交互作用力，并通过逆动力学模型提取出人机交互作用力矩，反馈给变阻抗控制器；

②将人体下肢与下肢康复装置相接处的位移、速度、加速度，分别通过逆运动学、雅可比矩阵关系映射到相应的关节空间，建立人机交互作用力矩和下肢康复装置偏离预定关节轨迹偏差的阻抗控制模型；

③建立患者偏离预定关节轨迹偏差和人机交互作用力矩的人体阻抗模型；最后联合建立人机***的阻抗模型：

式中，θ_e(t)为人体下肢与下肢康复装置相接处对应关节偏离预定关节轨迹的角度偏差，T_int(t)为人体下肢与下肢康复装置相接处对应关节的人机交互力矩；M_e、B_e、K_e分别为人体下肢的转动惯量，阻尼和刚度；M_r、B_r、K_r分别为下肢康复外骨骼装置的转动惯量，阻尼和刚度；其中，M_e、B_e、K_e是时变的；

④采用自适应UKF滤波估计算法对时变参数M_e、D_e、K_e进行实时在线动态估计，得到模型准确、精度较高的实时阻抗参数；

b.将步骤(3)获取到患者脑电信号和表面肌电信号的时频域特征向量通过模糊神经网络算法进行融合处理，实时产生患者期望的运动步态轨迹曲线；

c.用a步骤中④的阻抗模型对b步骤的运动步态轨迹曲线进行负反馈修正；

d.将修正后的运动步态轨迹曲线输入到下肢康复装置的外骨骼关节内环位置控制器中，控制各关节的转角运动，实现期望的轨迹输出。

上述步骤中，步骤(3)所述的特征提取方法为小波变换模平均值算法。

步骤(2)所述的预处理，其中放大为2000倍；带通滤波的频率为10‐1000Hz，且不包含50Hz陷波信号。

与已有技术相比较，本发明的优点在于：

1、本发明根据实时监测，提取的多源生理信息(脑电信号、表面肌电信号)，实时进行康复程度评估。

2、通过实时监测反馈的生理信息(脑电信号、表面肌电信号)，预测患者的运动趋势，提前产生相应的步态运动轨迹期望曲线，实现主动的康复控制。能够充分调动患者参与康复训练运动的主动性和积极性，增强其康复信心，减轻护理师的工作强度。

3、在主动康复训练模式下，充分考虑了人体阻抗的时变特性，采取变阻抗控制方法，实现康复机器人人机***的主动、实时协同控制，改善人机交互的自然性和柔顺性。

附图说明

下面结合附图及具体实施方式对本发明作进一步详细说明

图1是本发明控制方法原理框图。

图2是人机***耦合阻抗示意图。

图3是本发明控制硬件结构示意图。

图4是本发明涉及的下肢康复装置。图中：9、动力外骨骼；10、医用跑步台；11、主动减重***；12、移动架。

图5是图4中的动力外骨骼(机械腿)结构图。图中：13、曲柄滑块机构；14、滚珠丝杠线性驱动器；15、伺服电机；16、绑腿机构。

具体实施方式

参见图1和图3，本发明下肢康复机器人运动控制方法：实时监测患者的生理信息(表面肌电信号、脑电信号)并进行患者康复程度的评估，据此，实施不同的康复训练模式：康复程度低时，采用被动康复训练模式，控制机器人带动患者以正确的生理学步态轨迹运动，患者被动跟随机器人做步态康复训练；康复程度高时，采用主动康复训练模式，通过对患者生理信息(表面肌电信号、脑电信号)实时进行监测和分析,提取患者运动时脑电信号和表面肌电信号的特征，对患者的运动意图作出预测。通过感知层的模糊神经网络算法将这些生理信号进行融合处理，产生相应的下肢外骨骼运动步态轨迹期望曲线，实现主动的步态轨迹控制；然后，通过变阻抗控制方法实时修正患者期望的步态训练轨迹，实现下肢康复外骨骼装置人机***的实时协同、柔顺控制。其具体实施过程包括下述步骤：

1.对患者的康复程度进行评估，具体包括：

(1)分别用脑电、肌电信号采集仪实时采取大脑皮层边缘***的脑电信号，股四头肌和胫骨前肌的表面肌电信号。

(2)对采集到的脑电信号和表面肌电信号进行预处理。在本实施例中，对采集到的脑电信号和表面肌电信号进行2000倍放大，然后再进行10‐1000Hz带通滤波，且不包含50Hz陷波信号。

(3)提取脑电信号和表面肌电信号的时频域特征值。在本实施例中，采用小波变换模平均值方法计算患者脑电信号β波段与表面肌电信号的时频域特征值，构成特征向量。

(4)把健康人的脑电信号和表面肌电信号的特征向量作为标准的单位向量，通过比对患者的脑电信号和表面肌电信号特征向量与正常健康人的差异程度，用患者的特征向量与健康人特征向量的比率来实时评估患者的康复程度。

(5)本实施例中，设定判断康复程度高低标准的阈值为50％，当患者康复程度评估的特征向量比率小于50％时，采用被动康复训练模式，当患者康复程度评估的特征向量比率大于50％时，采用主动康复训练模式。

2.被动康复训练模式，采用PD(Proportion‐Derivative)位置伺服控制方法(如图1所示)，其具体实现方式又可细分为以下几步：

(1)采集不同身高、腿长的人体行走时的关节角度值，对同一类测试者的采集值取平均值，获得人体标准的步态数据库，对不同的使用者选取相应的标准步态。步态过程中，根据数据库选取对应步态时刻的各关节转角值

(2)通过光电角度编码器实时检测康复训练中下肢康复训练装置各关节的角度、角速度，反馈给PD位置伺服控制。

(3)根据关节转角值，经运动反解计算，求解出各伺服电机的运动情况，控制各伺服电机按要求运动。

3.主动康复训练模式采取实时变阻抗控制方法，其具体实现方式又可细分为以下几步：

(1)患者主动运动意图预测。通过小波变换模平均值方法获取患者的脑电信号和表面肌电信号的时频域特征向量，对患者的运动意图作出预测。

(2)患者主动期望轨迹实时生成。将获取的患者脑电信号和表面肌电信号的特征向量作为输入信号，输入至模糊神经网络处理获得预测的关节角度值；主动、实时地产生患者期望的运动步态轨迹曲线。在本实施例中，模糊神经网络采用五层拓扑结构：输入层，模糊化层，模糊推理层，模糊规则输出层和去模糊化层。具体实施过程可细分为如下子步骤：

a.输入层接收患者脑电信号和表面肌电信号的特征向量；

b.模糊化层设定五个人工神经元分别与五种模糊语言变量相对应，通过高斯函数将输入层脑电信号和表面肌电信号的特征向量分别转换成负大值，负小值，零值，正小值和正大值五种模糊语言变量；

c.根据人体解剖学知识及一些先验实验结果，在模糊推理层分别建立对应的神经网络模糊规则。然后，通过逻辑算子与运算计算对应模糊规则的隶属度。

d.在模糊规则输出层采用最小二乘法来学习优化输出隶属函数参数，通过计算分别获得每条模糊规则隶属度的加权值；

e.在去模糊化层对所有模糊规则输出进行加权平均，通过最后的融合，获得预测的关节角度值。

(3)下肢康复装置人机***的阻抗建模，如图2所示。本实施例中，具体实施过程又可细分为如下子步骤：

a.通过人机交互力传感器检测人机交互作用力，并将测量的人机交互力通过逆动力学模型提取出人机交互作用力矩，反馈给变阻抗控制器；

b.将人体下肢与下肢康复装置相接处的位移、速度、加速度，分别通过逆运动学、雅可比矩阵关系映射到相应的关节空间；建立人机交互作用力矩和下肢康复装置偏离预定关节轨迹偏差的阻抗控制模型；

c.建立患者偏离预定关节轨迹偏差和人机交互作用力矩的人体阻抗模型；最后联合建立人机***的阻抗模型。

式中，θ_e(t)为人体下肢与下肢康复装置相接处对应关节偏离预定关节轨迹的角度偏差，T_int(t)为人体下肢与下肢康复装置相接处对应关节的人机交互力矩；M_e、B_e、K_e分别为人体下肢的转动惯量，阻尼和刚度；M_r、B_r、K_r分别为下肢康复外骨骼装置的转动惯量，阻尼和刚度；其中，M_e、B_e、K_e是时变的。

d.针对上述人机***的阻抗模型，利用先验噪声统计特性与实际观测值的误差，实时修正调整UKF(Unscented Kalman Filter)滤波估计算法的状态协方差矩阵和增益矩阵，构建自适应UKF(Unscented Kalman Filter)滤波估计算法，对人体阻抗时变参数进行实时的在线动态估计。

(4)用经过自适应UKF(Unscented Kalman Filter)滤波估计算法修正的精确的人机***变阻抗模型实时修正由患者脑电信号和表面肌电信号主动预测的步态轨迹期望曲线。

(5)将修正后的步态轨迹曲线输入到下肢康复外骨骼装置关节内环位置控制器中，控制各关节的转角实现期望的轨迹输出。

(6)根据各关节的转角值，经运动反解计算，求解出各伺服电机的运动情况，控制各伺服电机运转，最终实现下肢康复外骨骼装置人机***的主动、实时协同控制。

参考图3，基于图1的控制方法，本发明对应提供了一种下肢康复机器人,包括：传感器模块、数据采集模块、中央处理模块和运动控制模块及下肢康复装置等，其中：传感器模块由脑电、表面肌电信号采集仪1、人机交互力传感器2和光电角度编码器3组成，数据采集模块由运放滤波器4和数据采集卡5组成，中央处理模块由上位机6组成，运动控制模块由运动控制卡7和伺服驱动器8组成，下肢康复装置由机械结构本体和伺服控制电机组成。

该下肢康复机器人中，传感器模块中的脑电、表面肌电信号采集仪1分别选用16通道脑电帽Emotiv和16通道肌电采集仪，人机交互力传感器2选用压电薄膜式传感器；运放滤波器4通过屏蔽线与传感器模块中的各传感器依次连接。

当下肢康复机器人开始工作后，数据采集卡5通过脑电、表面肌电信号采集仪1、人机交互力传感器2和光电角度编码器3采集患者的脑电信号、表面肌电信号，康复机器人与患者的交互力以及关节角度等，与此同时，数据采集卡5还通过运放滤波器4对采集到的原始脑电信号和表面肌电信号进行带通滤波和放大；然后，把采集到的各种信号发送到上位机6，上位机6首先对采集到的信号进行信号调理，再通过中央处理器进行患者康复程度评估，确定康复机器人采取何种康复运动训练模式，根据不同的运动控制模式生成下肢康复机器人的关节角位移和角速度，再用下肢康复装置中机械结构的几何尺寸通过运动反解，综合得出动作命令；运动控制卡7接受上位机6输出的动作命令对下肢康复装置中伺服电机的运动进行规划，并输出至伺服驱动器8，伺服驱动器8生成脉冲信号至下肢康复装置中的伺服电机，驱动伺服电机实现下肢康复装置带动患者进行康复训练运动的功能。

参考图4，本实施例下肢康复机器人涉及到的下肢康复训练装置由动力外骨骼9、医用跑步台10、主动减重***11及移动架12组成。

参考图5，上述装置中，核心部分是动力外骨骼9，动力外骨骼设计为两条外骨骼式机械腿，每条机械腿具有髋关节弯曲/伸展和膝关节弯曲/伸展两个自由度，可以模拟人在步行时矢状面内相应的两关节转动，实现两自由度的转动，在每个关节处安装有曲柄滑块机构13，通过滚珠丝杠线性驱动器14连接到伺服电机15上，用于驱动外骨骼机械腿各关节的转动。分别在髋关节、膝关节处安装4个光电角度编码器3用于测量运动过程中的关节角度，分别在大腿和小腿的绑腿机构16中各安装有4个人机交互力传感器2用于检测康复训练运动过程中人与下肢康复装置的接触力，两种信息均用于检测康复训练的运动状态，并应用在不同的康复训练模式中。

上述装置中，主动减重***11在患者进行康复训练运动时，可对患者的重心进行主动调整，使其符合人体重心的运动特征，有助于减小髋关节和膝关节位置控制的偏差。

Claims (1)

1.一种基于脑肌信息变阻抗的下肢康复机器人，其特征在于，包括：传感器模块、数据采集模块、中央处理模块和运动控制模块及下肢康复装置，其中：传感器模块由脑电、表面肌电信号采集仪(1)、人机交互力传感器(2)和光电角度编码器(3)组成，数据采集模块由运放滤波器(4)和数据采集卡(5)组成，中央处理模块由上位机(6)组成，运动控制模块由运动控制卡(7)和伺服驱动器(8)组成，下肢康复机器人由机械结构本体和伺服控制电机组成；

通过脑电、表面肌电信号采集仪(1)、人机交互力传感器(2)以及光电角度编码器(3)实时采集患者大脑皮层边缘***的脑电信号，以及股四头肌和胫骨前肌的表面肌电信号；

通过运放滤波器(4)以及数据采集卡(5)对采集到的患者脑电信号和表面肌电信号进行放大、带通滤波的预处理，其中放大为2000倍；带通滤波的频率为10‐1000Hz，且不包含50Hz陷波信号；

通过中央处理模块由上位机(6)，采用小波变换模平均值算法提取特征，获取患者脑电信号和表面肌电信号的时频域特征向量；将健康人的脑电信号和表面肌电信号特征向量与患者脑电信号和表面肌电信号特征向量进行比对，设定康复程度阈值，当小于该阈值时，进行被动康复训练模式；当大于该阈值时，进行主动康复训练模式；

被动康复训练模式：

采用PD位置伺服控制方法，患者由运动控制卡(7)和伺服驱动器(8)带动；同时，检测下肢康复机器人各关节的角度、角速度，并作为反馈信号，实时调整下肢康复机器人的运动轨迹；

主动康复训练模式：

采取实时变阻抗控制方法，具体包括下述子步骤：

a.建立人机***的阻抗模型：

①通过人机交互力传感器检测人机交互作用力，并通过逆动力学模型提取出人机交互作用力矩，反馈给变阻抗控制器；

②将人体下肢与下肢康复装置相接处的位移、速度、加速度，分别通过逆运动学、雅可比矩阵关系映射到相应的关节空间，建立人机交互作用力矩和下肢康复装置偏离预定关节轨迹偏差的阻抗控制模型；

③建立患者偏离预定关节轨迹偏差和人机交互作用力矩的人体阻抗模型；最后联合建立人机***的阻抗模型：

式中，θ_e(t)为人体下肢与下肢康复装置相接处对应关节偏离预定关节轨迹的角度偏差，T_int(t)为人体下肢与下肢康复装置相接处对应关节的人机交互力矩；M_e、B_e、K_e分别为人体下肢的转动惯量，阻尼和刚度；M_r、B_r、K_r分别为下肢康复外骨骼装置的转动惯量，阻尼和刚度；其中M_e、B_e、K_e是时变的；

④采用自适应UKF滤波估计算法对时变参数M_e、B_e、K_e进行实时在线动态估计，得到模型准确、精度较高的实时阻抗参数；

b.将所述获取到患者脑电信号和表面肌电信号的时频域特征向量通过模糊神经网络算法进行融合处理，实时产生患者期望的运动步态轨迹曲线；

c.用a步骤中④的阻抗模型对b步骤的运动步态轨迹曲线进行负反馈修正；

d.将修正后的运动步态轨迹曲线输入到下肢康复装置的外骨骼关节内环位置控制器中，控制各关节的转角运动，实现期望的轨迹输出。