CN110141239B - 一种用于下肢外骨骼的运动意图识别及装置方法 - Google Patents

一种用于下肢外骨骼的运动意图识别及装置方法 Download PDF

Info

Publication number
CN110141239B
CN110141239B CN201910460094.3A CN201910460094A CN110141239B CN 110141239 B CN110141239 B CN 110141239B CN 201910460094 A CN201910460094 A CN 201910460094A CN 110141239 B CN110141239 B CN 110141239B
Authority
CN
China
Prior art keywords
time
lower limb
signals
module
model
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
CN201910460094.3A
Other languages
English (en)
Other versions
CN110141239A (zh
Inventor
蒋超超
王斐
秦皞
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910460094.3A priority Critical patent/CN110141239B/zh
Publication of CN110141239A publication Critical patent/CN110141239A/zh
Application granted granted Critical
Publication of CN110141239B publication Critical patent/CN110141239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A61B5/1038—Measuring plantar pressure during gait
    • 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
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • 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
    • A61B5/6804—Garments; Clothes
    • A61B5/6807—Footwear
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0006—Exoskeletons, i.e. resembling a human figure

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种用于下肢外骨骼的运动意图识别及装置方法，属于下肢外骨骼机器人感知技术领域。所述运动意图识别装置包括下肢肌电信号采集模块、足底压力采集模块、下肢惯性信息测量模块、数据采集与传输模块和中央控制器。所述方法采用一对一SVM多分类得到基于足底压力信号的离线数据库步态轨迹，采用CNN在线关节角度估计模型得到基于肌电信号的关节角度实时预测轨迹，并且依据肌肉疲劳程度将两种轨迹进行变增益信息融合，为外骨骼机器人的下肢关节驱动提供精确的运动期望轨迹。本发明有效地结合了肌电信号的超前性和足底压力信号的稳定性，极大程度上提高了运动意图识别的准确性和实时性，为外骨骼机器人的安全性和助力效率提供充足的保证。

Description

一种用于下肢外骨骼的运动意图识别及装置方法
技术领域
本发明属于下肢外骨骼机器人感知技术领域，具体涉及一种下肢外骨骼机器人运动意图识别的装置及方法。
背景技术
随着现代科技的飞速发展，武器装备水平越来越成为现代战争胜利的重要保证，单兵作战外骨骼在军事斗争中地位逐渐上升。同时，现代社会的老龄化问题日益严重，其中腿脚不便是老年人生活中的严重问题之一，轻型助行外骨骼对提高老年人的生活质量有重要的意义。
外骨骼机器人作为典型的人机协作机器人，准确快速的识别人体运动意图一直是研究的一大困扰。目前应用于下肢外骨骼机器人的运动意图识别方法主要有三种：1、基于足底压力的步态相位识别，这种方法只能识别出人体运动步态周期的相位划分，进而作为开关量信号配合柔顺控制算法使用，无法识别不同路况及不同的运动动作；2、基于表面肌电信号(sEMG)的运动意图识别，表面肌电信号产生于动作执行之前，具有一定的超前性，但肌电信号内部包含运动信息太多，目前技术主要聚焦于肌肉激活度，识别模型较为复杂；3、基于力传感器的人体运动意图识别，通过力传感器检测人体和外骨骼的交互力，并根据交互力大小对人体运动意图进行识别，其识别效果较好，但多维力传感器价格昂贵，同时体积较大，需要固定在外骨骼机器人上，增加成本。
发明内容
针对上述现有识别技术的不足之处，本发明提出了一种用于下肢外骨骼的运动意图识别方法及装置。
本发明的技术方案是：
一种用于下肢外骨骼的运动意图识别装置，所述运动意图识别装置包括下肢肌电信号采集模块、足底压力采集模块、下肢惯性信息测量模块、数据采集与传输模块和中央控制器；
足底压力采集模块固定在外骨骼传感鞋上，包括足底压力传感器和足底压力变送模块；足底压力传感器为三个薄膜型压力传感器，分别固定在穿戴者大拇趾前端、小拇趾末端和足跟对应位置的传感鞋上；足底压力变送模块采用全桥电路检测压力传感器的电阻变化，以及二阶低通滤波电路对电压信号进行放大和滤波，足底压力变送模块输出端连接数据采集与传输模块；
下肢肌电信号采集模块主要由Ag/AgCl电极、前置放大电路、工频陷波电路、低通和高通滤波电路、二级放大电路和电压抬升电路构成，分别采集大腿和小腿的六个与关节运动相关肌群的表面肌电信号；
下肢惯性信息测量模块包括两个惯性传感器，用于采集穿戴者下肢的加速度信息、角速度信息及角度信息，惯性传感器安装在穿戴者的小腿处和大腿处；惯性传感器输出端连接数据采集与传输模块；
数据采集与传输模块包括微控制器和总线通讯模块，固定在外骨骼机器人的脚踝处，对肌电信号、足底压力和人机交互力信号进行采集和预处理，将预处理后的信号通过CAN总线传送到工控机模块；
中央控制器通过CAN总线接收数据采集与处理模块发送的数据，并对传感器信号进行实时处理，与预先定义的人体步态及路况进行最佳匹配，实时识别穿戴者的运动意图。
一种用于下肢外骨骼的运动意图识别方法，包括如下步骤：
步骤1：穿戴者穿戴用于下肢外骨骼的运动意图识别装置，通过足底压力采集模块和下肢肌电信号采集模块在不同路况下完成不同的步态动作，同步采集穿戴者的足底压力信号和表面肌电信号；
步骤2：将采集到的足底压力信号及表面肌电信号，经过数据预处理、特征提取，把提取的特征作为不同路况下不同动作分类的依据输入分类器进行人体步态识别训练；
步骤2.1将采集得到的足底压力信号利用巴特沃斯低通滤波算法进行去噪预处理，并从去噪后的信号中提取出时域均方根特征和功率谱密度特征；
步骤2.2：将提取出的时域均方根特征和功率谱密度特征输入分类器，采用支持向量机SVM作为分类器，利用一对一SVM多分类方法进行分类，该分类器的输入为不同路况下不同步态动作的足底压力信号和表面肌电信号的特征向量，输出为不同路况下不同动作的分类标号；
步骤2.3：根据分类标号，从离线步态数据库中选择对应的髋膝关节角度曲线作为识别装置的期望输入角度；
步骤3：通过下肢肌电信号采集模块采集穿戴者下肢六块肌肉的表面肌电信号，经过数据处理及特征提取，将特征量引入CNN在线运动意图识别模型中实现对关节姿态角度的实时预测；
步骤3.1：采用IIR陷波器和小波包变换进行去噪，在硬件滤波去噪的基础上进一步提升去噪效果；
步骤3.2：搭建基于肌电信号的卷积神经网络CNN在线关节角度估计模型，将提取出的特征输入模型中，实时预测关节运动角度；
步骤4：通过表面肌电信号计算各个肌肉群的疲劳程度，从而依据当前人体生理状态进行关节角度的算法融合；
步骤4.1：将下肢肌电信号采集模块采集得到的半腱肌和股直肌部位的肌电信号进行预处理后，导入到时变AR模型中，AR特征参数能够反映出肌肉当前的疲劳程度；
步骤4.2：依据肌肉当前的疲劳程度，采用基于人体生理状态权值更新的集中式融合方法，将基于足底压力得到的步态轨迹和基于表面肌电信号预测的关节角度进行信息融合，从而得到外骨骼机器人各关节的最终期望角度。
所述步骤2.1中，均方根特征提取计算公式如下：
Figure BDA0002077775510000031
其中，t为时间，T为采样周期，F(t)为t时刻的信号值；
功率谱密度特征提取定义为：
Figure BDA0002077775510000032
其中，ω为频率；XT(ω)为连续傅里叶变换；
基于Burg算法的最大熵谱估计：当阶次m由1增大时在前述约束下，利用Levinson递推关系式估计AR系数，最终确定模型参数并求出功率谱密度值；公式如下：
预测误差功率的初始值：
Figure BDA0002077775510000033
前、后向预测误差的初始值：
Figure BDA0002077775510000034
反射系数：
Figure BDA0002077775510000035
预测误差功率：Pm＝(1-|Km|2)Pm-1；
滤波器输出值：
Figure BDA0002077775510000036
其中，n为采样时间点；x(n)为采样点n时刻的信号序列；
Figure BDA0002077775510000037
和
Figure BDA0002077775510000038
为前、后向预测误差值；fm(n)和gm(n)为采样点n时刻时m阶滤波器输出值；
Figure BDA0002077775510000041
为滤波器对偶输出值，
Figure BDA0002077775510000042
为偶反射系数。
所述步骤2.2中，SVM分类器划分超平面表示为：ωT*x+b＝0；其中ω为权重向量，b为偏移向量；
样本空间中任意一个样本x到超平面的距离为：
Figure BDA0002077775510000043
令
Figure BDA0002077775510000044
则距离超平面最近的训练样本点，使上式的等号成立，称它们为支持向量；
两个异类支持向量到超平面的距离之和为：
Figure BDA0002077775510000045
找到最大间隔的划分超平面，也就是找到w和b，使得r的值最大，即
Figure BDA0002077775510000046
s.t.yi(ωT*xi+b)≥1,i＝1,2,…m
等价于，
Figure BDA0002077775510000047
s.t.yi(ωT*xi+b)≥1,i＝1,2,…m
即求解上式，来得到最大间隔划分超平面所对应的模型：
f(x)＝ωT*x+b
一对一SVM多分类：
分别选取两个不同类别构成一个SVM子分类器，对于k个类别来说，共有(k*(k-1)/2)个分类器；在构造i和j的分类器时，将类别i的训练样本置为1，j的样本置为-1来进行训练；
在进行测试的时候，将测试数据x对所有的分类器分别进行测试，由决策函数
Figure BDA0002077775510000048
得到x属于第i类，则第i类加1，属于j类，则第j类投票加1；累计各类别的得分，选择得分最高者所对应的类别为测试数据的类别；式中：sgn()为符号函数；ωij和bij为对第i-j类进行分类时的权重向量和偏移向量；φ(x)为空间变换函数；αi为拉格朗日乘子；k(x,xi)为核函数。
所述步骤3.2具体为：对采集到的sEMG时间序列应用一个滑窗，将滑窗内的数据经特征提取后输入神经网络中进行识别，通过设置步长，即滑动时间窗长度5ms，达到人体运动意图识别的延时要求，经过对模型的离线训练后，在线输入sEMG序列从而识别出人体的运动意图，即预测出关节运动角度；
卷积神经网络CNN由输入层、卷积层、激活函数、池化层、全连接层组成，通过使用不同种类的卷积核，对输入数据进行扫描，每种卷积核都具有识别不同数值特征的能力，通过卷积运算，生成多个记录这些特征出现程度系数的特征映射图；卷积神经网络共享卷积核，对高维数据处理无压力；而且需要手动选取特征，训练权重。
所述步骤4.1中，采用时变AR模型参数评估肌肉疲劳程度的方法，采用时变参数模型法提取肌电信号的特征参数，阶数p取为4，取基函数为Legendre基；采用递推最小二乘法进行计算得到一个p*N时变AR特征参数矩阵；然后通过对特征参数的判断来确定肌肉的疲劳状态，进而对肌肉疲劳状态的评估提供依据。
所述步骤4.2中，融合方法采用基于人体生理状态权值更新的集中式融合方法，融合过程中，涉及求取轨迹数据点的均方根值；令人体生理状态相关的权值为α，其中α1P1+α2P2代表中间过程轨迹式；根据生理状态程度进行权值α的更新，当生理状态正常，即穿戴者自主运动能力高时，权值α很小，即基于sEMG实时预测的轨迹为主导，期望轨迹接近基于sEMG的实时预测角度轨迹；当人体处于疲劳状态时，穿戴者自主运动能力较弱时，权值α较大，期望轨迹更接近于基于足底压力的数据库历史轨迹。
本发明的有益效果：
本发明采用足底压力传感器和表面肌电传感器作为机器人外骨骼运动意图识别的装置，分别采用一对一SVM多分类得到基于足底压力信号的离线数据库步态轨迹，以及采用CNN在线关节角度估计模型得到基于肌电信号的关节角度实时预测轨迹，并且依据肌肉疲劳程度将两种轨迹进行变增益信息融合，为外骨骼机器人的下肢关节驱动提供精确的运动期望轨迹。本发明有效地结合了肌电信号的超前性和足底压力信号的稳定性，极大程度上提高了运动意图识别的准确性和实时性，为外骨骼机器人的安全性和助力效率提供充足的保证。本发明适用范围广泛，主要包括单兵作战外骨骼、医疗康复外骨骼、助行外骨骼等等。
附图说明
图1是下肢外骨骼***整体结构示意图；
图2是下肢外骨骼感知模块安装位置示意图；
图3是表面肌电信号采集电路的原理框图；
图4是薄膜压力传感器安装位置图；
图5是薄膜压力传感器特性曲线图；其中，曲线表示力-电阻，直线表示力-电导；
图6是下肢惯性测量模块；
图7是STM32F103C8T6原理图；
图8是外骨骼***的CAN总线通讯框图；
图9是外骨骼***运动意图识别流程图；
图10是不同步态动作的足底压力信号图；其中，(a)跑步；(b)行走；(c)上楼梯；(d)下楼梯；
图11是均方根特征值分布图；
图12是功率谱密度特征图；
图13是一对一SVM多分类模型测试过程；
图14是不同步态动作的关节角度曲线图；其中，(a)跑步；(b)行走；(c)上楼梯；(d)下楼梯；图中上方曲线表示膝关节角度，下方曲线表示髋关节角度；
图15是采集SEMG信号的肌肉群位置图；
图16是双层卷积-池化结构CNN结构图；
图17是去噪后的肌电信号效果图；
图18是时变AR模型处理过程；
图19是期望轨迹融合算法过程图。
图中：1下肢肌电信号采集模块；2足底压力采集模块；3下肢惯性信息测量模块；4数据采集与传输模块；5中央控制器。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
下肢助力外骨骼***如图1所示，包括外骨骼仿生机构***、感知***、控制***、电源***和驱动***。其中，仿生机构***包括仿生下肢结构、仿生上肢结构、仿生背部支架；感知***包括足底压力信号、腿部肌电信号、关节姿态信号的获取以及运动意图识别；控制***包括运动规划算法、平衡控制算法、伺服控制算法；电源***包括电源管理***和能源接口；伺服***包括伺服电机和伺服驱动器。
本实施例提供一种用于下肢助力外骨骼的运动意图识别***，该运动意图识别***为上述下肢外骨骼***的输入层，其通过足底薄膜压力传感器和下肢肌电传感器获取人体下肢运动数据，并通过数据采集与传输模块将足底压力信号和下肢肌电信号采用CAN总线传送到主控制器，主控制器完成步态识别和关节角度预测的工作，然后将期望角度由CAN总线传送给驱动***，驱动***带动外骨骼本体和穿戴者完成相应动作，从而实现助力效果。
本实施例提供一种用于下肢助力外骨骼的运动意图识别方法及装置，其感知***包括多种传感器和模块，下肢外骨骼感知模块安装位置如图2所示，包括下肢肌电信号采集模块1、足底压力采集模块2、下肢惯性信息测量模块3、数据采集与传输模块4和中央控制器5。
下肢肌电信号采集模块的设计，需要充分考虑表面肌电信号强度较弱，信噪比较低的特点，因此硬件采集电路分别包括前置放大电路、工频陷波电路、二阶高通和低通滤波电路、二级放大和电压抬升电路。其中，前置放大电路采用高共模抑制比、输入阻抗大、高精度的仪表放大器，可以消除共模干扰，放大信号。表面肌电信号具有低频特性，频谱范围主要集中在10-500Hz之间，因此搭建高通、低通滤波器来滤掉频谱范围之外的干扰信号；同时基于UAF42芯片来设计工频陷波电路，消除来自空间和人体皮肤表面的工频电磁干扰。表面肌电信号的整体放大倍数需要在1000倍左右，因此在上述电路基础上设计变增益的二级放大电路，最终输出的就是增益放大的纯净的表面肌电信号。表面肌电信号采集电路的原理框图如图3所示。
足底压力测量模块分为足底压力采集模块和足底压力变送模块。足底压力采集模块采用三个薄膜压力传感器，分别固定在穿戴者大拇趾前端、小拇趾末端和足跟对应位置的传感鞋上，薄膜压力传感器安装位置如图4所示。薄膜压力传感器采用的是I-Motion集团生产的一款薄膜型压力传感器IMS-C20，该传感器在电路中等效为压敏电阻。当压力传感器无外界负载时，电路处于高阻状态。当外界压力施加到传感器上时，电路电阻随之下降。压力与电阻成反向比例关系，但压力与电导成正向比例关系，因此电导可被用于校验计算，电阻、电导和压力的关系曲线，即薄膜压力传感器的特性曲线如图5所示。足底压力变送模块采用全桥电路检测压力传感器的电阻变化，以及二阶低通滤波电路对电压信号进行放大和滤波。
下肢惯性测量模块包括两个惯性传感器，分别通过卡槽绷带固定在大腿处和小腿处。惯性传感器选取的是高精度惯性导航模块MPU6050，通过内部集成的处理器读取MPU6050的测量数据然后通过串口输出，同时保留了原始的I2C接口，以满足高级用户希望访问底层测量数据的需求。模块内部集成了姿态解算器，配合动态卡尔曼滤波算法，能够在动态环境下准确输出模块的当前姿态，姿态测量精度达到0.01度。模块内部自带电压稳定电路，可以兼容3.3V/5V的嵌入式***，通过该模块能够得到三维方姿态角、三维角速度和三维加速度的数据。下肢惯性测量模块如图6所示。
数据采集与传输模块，包括数据采集模块——微控制器1和信号传输模块——CAN总线通讯模块2。微控制器选用的是STM32F103C8T6，原理图如图7所示，STM32F103C8T6是一款基于ARM Cortex-M内核STM32系列的32位的微控制器，程序存储器容量是64KB，主频可以达到72MHz，具备一个USB2.0接口，2路UART，2路I2C，1路SPI，4个16位的定时器，拥有16路AD采集通道，转换速度1us，采样精度12位。数据传输采用CAN总线通讯方式，是一种有效支持分布式控制或实时控制的串行通信网络。相较于RS-485、RS-232等通信总线而言，基于CAN总线的分布式控制***具有实时性强、开发周期短、传输距离远。抗电磁干扰能力强、成本低等优点，本例中外骨骼***的CAN总线通讯框图如图8所示。
中央控制器将采集到的多源感知信号进行识别和融合处理，具体过程如下：通过足底压力信号采集模块和表面肌电信号采集模块采集信号后进行滤波、去噪等预处理，并提取相应的时频域特征；在离线训练模型阶段，首先搭建对应的步态分类器模型和角度估计模型，分析不同的步态动作和角度曲线，建立最终的识别模型；在实时检测阶段，将实时采集的肌电信号和足底压力信号分别导入到角度估计模型和步态分类模型中，得到当前所处的步态动作和步态相位，并从步态数据库中调取对应的步态角度曲线；同时将肌电信号估计的关节姿态角度与步态角度曲线进行融合。最后将融合的结果数据通过CAN总线发送给伺服驱动器，电机根据控制器指令带动外骨骼支架运动，从而达到实时助力效果。
一种采用上述的用于下肢外骨骼***的运动意图识别方法，运动意图识别流程图如图9所示，具体实施方式如下：
步骤1：穿戴者穿戴外骨骼***，通过足底压力采集装置和下肢表面肌电信号采集装置，在不同路况下完成不同步态动作，同步采集其足底压力信号和表面肌电信号，不同步态动作下的足底压力信号如图10所示，不同步态动作下三组足底压力信号在时域和频域上存在明显差异性。
步骤2：将采集到的足底压力信息及下肢惯性信息，经过数据预处理、特征提取等步骤，把提取的特征作为不同路况下不同动作分类的依据输入分类器进行人体步态识别训练。
步骤2.1将采集得到的足底压力信号利用巴特沃斯低通滤波算法进行去噪预处理，由于足底压力信号的有效信号主要分布在15Hz以下，所以低通滤波器的截止频率设定为15Hz；并从去噪后的信号中提取出时域均方根特征和功率谱密度特征。
2.1.1均方根特征提取
均方根是最常用的时域特征，能够表征出一定时间内足底压力信号的平均水平。足底有三处主要受力点，其均方根特征值能够反映出基本的步态情况，计算公式如下：
Figure BDA0002077775510000091
不同的步态动作，一定时间内的平均足底压力值是不同的。三路足底压力信号的均方根特征值分布图如图11所示。
2.1.2功率谱密度特征提取
功率谱密度定义为单位频带内的信号功率，表示为信号功率在频域的分布状况。对于有限的信号，假设信号平稳且随机信号具有遍历性，则功率谱可以估计，定义为：
Figure BDA0002077775510000092
基于Burg算法的最大熵谱估计：最大熵谱估计，是一种具有较高分辨率的谱分析方法，Burg算法是最大熵谱分析的最早算法之一，通过Burg算法进行功率谱估计时是使前、后向预测误差功率和最小。当阶次m由1增大时在前述约束下，利用Levinson递推关系式估计AR系数，最终确定模型参数并求出功率谱密度值。其公式如下：
Figure BDA0002077775510000093
Figure BDA0002077775510000094
Figure BDA0002077775510000095
Pm＝(1-|Km|2)Pm-1
Figure BDA0002077775510000101
最终得到足底压力信号的功率谱密度特征，特征图如图12所示。
步骤2.2：将提取出的特征输入分类器，采用支持向量机(SVM)作为分类器，该模型的输入为不同路况下不同步态动作的足底压力信号和下肢惯性信号的特征向量，输出为不同路况下不同动作的分类标号。
SVM分类器模型：
SVM(support Vector Mac)又称为支持向量机，是一种二分类的模型。当然如果进行修改之后也是可以用于多类别问题的分类。支持向量机可以分为线性核和非线性两大类。其主要思想为找到空间中的一个更能够将所有数据样本划开的超平面，并且使得样本集中所有数据到个超平面的距离最短。
划分超平面可以表示为：ωT*x+b＝0；
样本空间中任意一个样本x到超平面的距离为：
Figure BDA0002077775510000102
令
Figure BDA0002077775510000103
则距离超平面最近的几个训练样本点，使上式的等号成立，称它们为支持向量；
两个异类支持向量到超平面的距离之和为：
Figure BDA0002077775510000104
找到最大间隔的划分超平面，也就是找到w和b，使得r的值最大，即
Figure BDA0002077775510000105
s.t.yi(ωT*xi+b)≥1,i＝1,2,…m
等价于，
Figure BDA0002077775510000106
s.t.yi(ωT*xi+b)≥1,i＝1,2,…m
即求解上式，来得到最大间隔划分超平面所对应的模型：
f(x)＝ωT*x+b
一对一SVM多分类：
分别选取两个不同类别构成一个SVM子分类器，这样对于K个类别来说，共有(k*(k-1)/2)个分类器。在构造i和j的分类器时，可以将类别i的训练样本置为1，j的样本置为-1来进行训练。
在进行测试的时候，使用最多的就是Friedman提出的投票策略：将测试数据x对所有的分类器分别进行测试，若由决策函数
Figure BDA0002077775510000111
得到x属于第i类，则第i类加1，属于j类，则第j类投票加1.累计各类别的得分，选择得分最高者所对应的类别为测试数据的类别。从“一对一”的方式出发，出现了有向无环图(Directed Acyclic Graph)的分类方法，训练过程如“一对一”类似，模型测试过程如图13所示
这种方式的优点是：增加语音的情况下，我们不需要重新训练所有的SVM，只需要重新训练和增加语音样本相关的分类器。在训练单个模型时，相对速度较快。
步骤2.3：根据分类标号，从离线步态数据库中选择对应的髋膝关节角度曲线作为***的期望输入角度。不同步态动作的关节角度曲线如图14所示。
步骤3：通过肌电传感器采集到穿戴者下肢六块肌肉的表面肌电信号(肌肉群位置如图15所示)，经过数据处理及特征提取，将特征量引入识别模型中实现对关节姿态角度的实时预测。
步骤3.1：采用IIR陷波器和小波包变换进行去噪，进一步提升去噪效果，去噪后肌电信号效果图如图17所示。
步骤3.2：搭建基于肌电信号的CNN在线关节角度估计模型，将提取出的特征输入模型中，实时预测关节运动角度。
以惯性传感器采集到的角度为输出目标，sEMG的特征向量为输入，建立二者之间的关联模型，引入CNN在线运动意图识别模型(Convolutional Neural Network)。具体需要对肌电数据进行预处理，和特征提取、特征选择过程产生样本特征集，以贴合皮肤的陀螺仪传感器和加速度传感器来计算得到关节角度值作为训练标签。特征提取和特征选择过程采用基于非特定人识别的研究方案，及提取时域、频域、时频域及非线性领域的各个特征，并对各个特征方案针对各个实验对象的差异性进行评价计算，从而筛选出不同实验对象的共性特征用于构造离线训练样本，以减少非特定人之间的差异对模型的影响。此外，训练好的模型需要经过交叉验证参数寻优来进行优化，以在保证一定精度的前提下提高模型的泛化能力。
双层卷积-池化结构CNN：
CNN通过使用不同的种类卷积核，对输入数据进行扫描，每种卷积核都具有识别不同数值特征的能力，如有的能识别数据上升的趋势，有的识别下降的趋势；通过卷积运算，生成多个记录这些特征出现程度系数的特征映射图。参考深度学习相关资料以及其他开源计算机视觉项目的算法模型，同时对输入进行考察，设计出如图16所示的双层卷积-池化结构CNN。
具体实施上，我们对采集到的sEMG时间序列应用一个滑窗，将滑窗内的数据经特征提取后输入神经网络中进行识别，通过设置步长，即滑动时间窗长度5ms，达到人体运动意图识别的延时要求，经过对模型的离线训练后，在线输入sEMG序列从而识别出人体的运动意图，即预测出关节运动角度。经过我们反复试验以及对模型参数的精细调整，在线运动意图识别即关节角度预测具备超前性以及准确率达98％以上。
步骤4：通过肌电信号计算各个肌肉群的疲劳程度，从而依据当前人体生理状态进行关节角度的算法融合。
步骤4.1：将采集得到的肌电信号进行预处理后，导入到时变AR模型中，AR特征参数可以反映出肌肉当前的疲劳程度。
本实例采用时变AR模型参数评估肌肉疲劳程度的方法，采用时变参数模型法提取肌电信号的特征参数，阶数p取为4，取基函数为Legendre基。采用递推最小二乘法进行计算得到一个p*N时变AR特征参数矩阵。然后通过对特征参数的判断来确定肌肉的疲劳状态，进而对肌肉疲劳状态的评估提供一定依据。该方法将线性非平稳问题转化为线性时不变问题；以时变参数AR模型的第一个时变参数的均值作为肌肉疲劳的快速指针，从而达到对细微信息的放大的目的。时变AR模型处理过程如图18所示。
步骤4.2：依据肌肉的疲劳程度，采用基于人体生理状态权值更新的集中式融合方法，将基于足底压力得到的步态轨迹和基于表面肌电信号预测的关节角度进行信息融合，从而得到外骨骼机器人各关节的最终期望角度。
基于人体生理状态权值更新的集中式融合算法：
由于表面肌电信号易受外界环境干扰，从而导致实时预测的轨迹结果不够准确；而基于足底压力获得的轨迹实时性欠佳。因此，需要对上述两种信息进行有效融合，以得到更为精确的下肢关节运动期望轨迹。
融合方法采用基于人体生理状态权值更新的集中式融合方法，融合过程如图19所示。融合算法的思想为依据人体生理状态对两种轨迹进行权值更新，从而得到完整的关节运动期望轨迹。融合过程中，涉及求取轨迹数据点的均方根值。令人体生理状态相关的权值为α，其中α1P1+α2P2代表中间过程轨迹式。
根据生理状态程度进行权值α的更新，当生理状态正常，即穿戴者自主运动能力高时，权值α很小，即基于sEMG实时预测的轨迹为主导，期望轨迹接近基于sEMG的实时预测角度轨迹；当人体处于疲劳状态时，穿戴者自主运动能力较弱时，权值α较大，期望轨迹更接近于基于足底压力的数据库历史轨迹。
取轨迹数据点的均方根值。令人体生理状态相关的权值为α，其中α1P1+α2P2代表中间过程轨迹式。
根据生理状态程度进行权值α的更新，当生理状态正常，即穿戴者自主运动能力高时，权值α很小，即基于sEMG实时预测的轨迹为主导，期望轨迹接近基于sEMG的实时预测角度轨迹；当人体处于疲劳状态时，穿戴者自主运动能力较弱时，权值α较大，期望轨迹更接近于基于足底压力的数据库历史轨迹。

Claims (9)

1.一种采用用于下肢外骨骼的运动意图识别装置进行运动意图识别的方法，其特征在于：
所述运动意图识别装置包括下肢肌电信号采集模块、足底压力采集模块、下肢惯性信息测量模块、数据采集与传输模块和中央控制器；
足底压力采集模块固定在外骨骼传感鞋上，包括足底压力传感器和足底压力变送模块；足底压力传感器为三个薄膜型压力传感器，分别固定在穿戴者大拇趾前端、小拇趾末端和足跟对应位置的传感鞋上；足底压力变送模块采用全桥电路检测压力传感器的电阻变化，以及二阶低通滤波电路对电压信号进行放大和滤波，足底压力变送模块输出端连接数据采集与传输模块；
下肢肌电信号采集模块主要由Ag/AgCl电极、前置放大电路、工频陷波电路、低通和高通滤波电路、二级放大电路和电压抬升电路构成，分别采集大腿和小腿的六个与关节运动相关肌群的表面肌电信号；
下肢惯性信息测量模块包括两个惯性传感器，用于采集穿戴者下肢的加速度信息、角速度信息及角度信息，惯性传感器安装在穿戴者的小腿处和大腿处；惯性传感器输出端连接数据采集与传输模块；
数据采集与传输模块包括微控制器和总线通讯模块，固定在外骨骼机器人的脚踝处，对肌电信号、足底压力和人机交互力信号进行采集和预处理，将预处理后的信号通过CAN总线传送到工控机模块；
中央控制器通过CAN总线接收数据采集与处理模块发送的数据，并对传感器信号进行实时处理，与预先定义的人体步态及路况进行最佳匹配，实时识别穿戴者的运动意图；
所述进行运动意图识别的方法，包括如下步骤：
步骤1：穿戴者穿戴用于下肢外骨骼的运动意图识别装置，通过足底压力采集模块和下肢肌电信号采集模块在不同路况下完成不同的步态动作，同步采集穿戴者的足底压力信号和表面肌电信号；
步骤2：将采集到的足底压力信号及表面肌电信号，经过数据预处理、特征提取，把提取的特征作为不同路况下不同动作分类的依据输入分类器进行人体步态识别训练；
步骤2.1将采集得到的足底压力信号利用巴特沃斯低通滤波算法进行去噪预处理，并从去噪后的信号中提取出时域均方根特征和功率谱密度特征；
步骤2.2：将提取出的时域均方根特征和功率谱密度特征输入分类器，采用支持向量机SVM作为分类器，利用一对一SVM多分类方法进行分类，该分类器的输入为不同路况下不同步态动作的足底压力信号和表面肌电信号的特征向量，输出为不同路况下不同动作的分类标号；
步骤2.3：根据分类标号，从离线步态数据库中选择对应的髋膝关节角度曲线作为识别装置的期望输入角度；
步骤3：通过下肢肌电信号采集模块采集穿戴者下肢六块肌肉的表面肌电信号，然后以惯性传感器采集到的角度为输出目标，sEMG的特征向量为输入，建立二者之间的关联模型，引入CNN在线运动意图识别模型实现对关节姿态角度的实时预测；
步骤3.1：采用IIR陷波器和小波包变换进行去噪，在硬件滤波去噪的基础上进一步提升去噪效果；
步骤3.2：搭建基于肌电信号的卷积神经网络CNN在线运动意图识别模型，将提取出的特征输入模型中，实时预测关节运动角度；
步骤4：通过表面肌电信号计算各个肌肉群的疲劳程度，从而依据当前人体生理状态进行关节角度的算法融合；
步骤4.1：将下肢肌电信号采集模块采集得到的半腱肌和股直肌部位的肌电信号进行预处理后，导入到时变AR模型中，AR特征参数能够反映出肌肉当前的疲劳程度；
步骤4.2：依据肌肉当前的疲劳程度，采用基于人体生理状态权值更新的集中式融合方法，将基于足底压力得到的步态轨迹和基于表面肌电信号预测的关节角度进行信息融合，从而得到外骨骼机器人各关节的最终期望角度。
2.根据权利要求1所述的方法，其特征在于，所述步骤2.1中，均方根特征提取计算公式如下：
Figure FDA0002455832290000021
其中，t为时间，T为采样周期，F(t)为t时刻的信号值；
功率谱密度特征提取定义为：
Figure FDA0002455832290000022
其中，ω为频率；XT(ω)为连续傅里叶变换；
基于Burg算法的最大熵谱估计：当阶次m由1增大时在前述功率谱密度特征提取定义的约束下，利用Levinson递推关系式估计AR系数，最终确定模型参数并求出功率谱密度值；公式如下：
预测误差功率的初始值：
Figure FDA0002455832290000023
前、后向预测误差的初始值：
Figure FDA0002455832290000024
反射系数：
Figure FDA0002455832290000025
预测误差功率：Pm＝(1-|Km|2)Pm-1；
滤波器输出值：
Figure FDA0002455832290000031
其中，n为采样时间点；x(n)为采样点n时刻的信号序列；
Figure FDA0002455832290000032
和
Figure FDA0002455832290000033
为前、后向预测误差值；fm(n)和gm(n)为采样点n时刻时m阶滤波器输出值；
Figure FDA0002455832290000034
为滤波器对偶输出值，
Figure FDA0002455832290000035
为偶反射系数。
3.根据权利要求1或2所述的方法，其特征在于，所述步骤2.2中，SVM分类器划分超平面表示为：ωT*x+b＝0；其中ω为权重向量，b为偏移向量；
样本空间中任意一个样本x到超平面的距离为：
Figure FDA0002455832290000036
令
Figure FDA0002455832290000037
则距离超平面最近的训练样本点，使上式的等号成立，称它们为支持向量；
两个异类支持向量到超平面的距离之和为：
Figure FDA0002455832290000038
找到最大间隔的划分超平面，也就是找到w和b，使得r的值最大，即
Figure FDA0002455832290000039
s.t.yi(ωT*xi+b)≥1,i＝1,2,…m
等价于，
Figure FDA00024558322900000310
s.t.yi(ωT*xi+b)≥1,i＝1,2,…m
即求解上式，来得到最大间隔划分超平面所对应的模型：
f(x)＝ωT*x+b
一对一SVM多分类：
分别选取两个不同类别构成一个SVM子分类器，对于k个类别来说，共有(k*(k-1)/2)个分类器；在构造i和j的分类器时，将类别i的训练样本置为1，j的样本置为-1来进行训练；
在进行测试的时候，将测试数据x对所有的分类器分别进行测试，由决策函数
Figure FDA0002455832290000041
得到x属于第i类，则第i类加1，属于j类，则第j类投票加1；累计各类别的得分，选择得分最高者所对应的类别为测试数据的类别；式中：sgn()为符号函数；ωij和bij为对第i-j类进行分类时的权重向量和偏移向量；φ(x)为空间变换函数；αi为拉格朗日乘子；k(x,xi)为核函数。
4.根据权利要求1或2所述的方法，其特征在于，所述步骤3.2具体为：对采集到的sEMG时间序列应用一个滑窗，将滑窗内的数据经特征提取后输入神经网络中进行识别，通过设置步长，即滑动时间窗长度5ms，达到人体运动意图识别的延时要求，经过对模型的离线训练后，在线输入sEMG序列从而识别出人体的运动意图，即预测出关节运动角度；
卷积神经网络CNN由输入层、卷积层、激活函数、池化层、全连接层组成，通过使用不同种类的卷积核，对输入数据进行扫描，每种卷积核都具有识别不同数值特征的能力，通过卷积运算，生成多个记录这些特征出现程度系数的特征映射图；卷积神经网络共享卷积核，对高维数据处理无压力；而且需要手动选取特征，训练权重。
5.根据权利要求3所述的方法，其特征在于，所述步骤3.2具体为：对采集到的sEMG时间序列应用一个滑窗，将滑窗内的数据经特征提取后输入神经网络中进行识别，通过设置步长，即滑动时间窗长度5ms，达到人体运动意图识别的延时要求，经过对模型的离线训练后，在线输入sEMG序列从而识别出人体的运动意图，即预测出关节运动角度；
卷积神经网络CNN由输入层、卷积层、激活函数、池化层、全连接层组成，通过使用不同种类的卷积核，对输入数据进行扫描，每种卷积核都具有识别不同数值特征的能力，通过卷积运算，生成多个记录这些特征出现程度系数的特征映射图；卷积神经网络共享卷积核，对高维数据处理无压力；而且需要手动选取特征，训练权重。
6.根据权利要求1、2或5所述的方法，其特征在于，所述步骤4.1中，采用时变AR模型参数评估肌肉疲劳程度的方法，采用时变参数模型法提取肌电信号的特征参数，阶数p取为4，取基函数为Legendre基；采用递推最小二乘法进行计算得到一个p*N时变AR特征参数矩阵；然后通过对特征参数的判断来确定肌肉的疲劳状态，进而对肌肉疲劳状态的评估提供依据。
7.根据权利要求3所述的方法，其特征在于，所述步骤4.1中，采用时变AR模型参数评估肌肉疲劳程度的方法，采用时变参数模型法提取肌电信号的特征参数，阶数p取为4，取基函数为Legendre基；采用递推最小二乘法进行计算得到一个p*N时变AR特征参数矩阵；然后通过对特征参数的判断来确定肌肉的疲劳状态，进而对肌肉疲劳状态的评估提供依据。
8.根据权利要求4所述的方法，其特征在于，所述步骤4.1中，采用时变AR模型参数评估肌肉疲劳程度的方法，采用时变参数模型法提取肌电信号的特征参数，阶数p取为4，取基函数为Legendre基；采用递推最小二乘法进行计算得到一个p*N时变AR特征参数矩阵；然后通过对特征参数的判断来确定肌肉的疲劳状态，进而对肌肉疲劳状态的评估提供依据。
9.根据权利要求1、2、5、7或8所述的方法，其特征在于，所述步骤4.2中，融合方法采用基于人体生理状态权值更新的集中式融合方法，融合过程中，涉及求取轨迹数据点的均方根值；令人体生理状态相关的权值为α，其中α1P1+α2P2代表中间过程轨迹式；根据生理状态程度进行权值α的更新，当生理状态正常，即穿戴者自主运动能力高时，权值α很小，即基于sEMG实时预测的轨迹为主导，期望轨迹接近基于sEMG的实时预测角度轨迹；当人体处于疲劳状态时，穿戴者自主运动能力较弱时，权值α较大，期望轨迹更接近于基于足底压力的数据库历史轨迹。
CN201910460094.3A 2019-05-30 2019-05-30 一种用于下肢外骨骼的运动意图识别及装置方法 Active CN110141239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910460094.3A CN110141239B (zh) 2019-05-30 2019-05-30 一种用于下肢外骨骼的运动意图识别及装置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910460094.3A CN110141239B (zh) 2019-05-30 2019-05-30 一种用于下肢外骨骼的运动意图识别及装置方法

Publications (2)

Publication Number Publication Date
CN110141239A CN110141239A (zh) 2019-08-20
CN110141239B true CN110141239B (zh) 2020-08-04

Family

ID=67592188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910460094.3A Active CN110141239B (zh) 2019-05-30 2019-05-30 一种用于下肢外骨骼的运动意图识别及装置方法

Country Status (1)

Country Link
CN (1) CN110141239B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202000022933A1 (it) * 2020-09-29 2022-03-29 Bionit Labs S R L Sistema integrato per la rilevazione ed elaborazione di segnali elettromiografici

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110537921A (zh) * 2019-08-28 2019-12-06 华南理工大学 一种便携式步态多传感数据采集***
CN110710970B (zh) * 2019-09-17 2021-01-29 北京海益同展信息科技有限公司 肢体动作的识别方法、装置、计算机设备及存储介质
CN110757433A (zh) * 2019-10-14 2020-02-07 电子科技大学 一种拉索式膝关节助力装置
CN110900638B (zh) * 2019-10-31 2022-10-14 东北大学 基于多信号融合的上肢可穿戴式搬运机器人运动识别***
CN111062247B (zh) * 2019-11-07 2023-05-26 郑州大学 一种面向外骨骼控制的人体运动意图预测方法
CN110977961A (zh) * 2019-11-07 2020-04-10 郑州大学 一种自适应助力外骨骼机器人运动信息采集***
CN111079927B (zh) * 2019-12-12 2022-07-08 福州大学 一种基于极限学习机的髌骨疼痛检测***
CN111291865B (zh) * 2020-01-21 2021-12-10 北京工商大学 一种基于卷积神经网络和孤立森林的步态识别方法
CN111267071A (zh) * 2020-02-14 2020-06-12 上海航天控制技术研究所 外骨骼机器人多关节联合控制***和方法
CN111345783B (zh) * 2020-03-26 2021-02-23 山东大学 基于惯性传感器的前庭功能紊乱检测***
CN113143298B (zh) * 2020-03-31 2023-06-02 重庆牛迪创新科技有限公司 肢体骨骼肌发力状态检测装置及方法、发力状态识别设备
CN111506189B (zh) * 2020-03-31 2023-05-09 哈尔滨工业大学 面向人体复杂运动的运动模式预测及切换控制方法
CN111469117B (zh) * 2020-04-14 2022-06-03 武汉理工大学 一种刚柔耦合有源外骨骼的人体运动模式检测方法
CN111582108B (zh) * 2020-04-28 2022-09-20 河北工业大学 一种步态识别及意图感知的方法
CN111658246B (zh) * 2020-05-19 2021-11-30 中国科学院计算技术研究所 一种基于对称性的智能关节假肢调控方法及***
CN111631923A (zh) * 2020-06-02 2020-09-08 中国科学技术大学先进技术研究院 基于意图识别的外骨骼机器人的神经网络控制***
CN111803250A (zh) * 2020-07-03 2020-10-23 北京联合大学 基于肌电信号和角度信号的膝关节角度预测方法及***
CN111832528B (zh) * 2020-07-24 2024-02-09 北京深醒科技有限公司 一种用于行为分析的检出与异常分析方法
CN111898205B (zh) * 2020-07-29 2022-09-13 吉林大学 基于rbf神经网络人机性能感知评价预测方法及***
CN112085169B (zh) * 2020-09-11 2022-05-20 西安交通大学 肢体外骨骼辅助康复脑-肌电融合感知的自主学习与进化方法
CN112107397B (zh) * 2020-10-19 2021-08-24 中国科学技术大学 肌电信号驱动的下肢义肢连续控制***
CN112515657A (zh) * 2020-12-02 2021-03-19 吉林大学 一种基于下肢外骨骼神经网络控制的足底压力分析方法
CN112641603A (zh) * 2020-12-17 2021-04-13 迈宝智能科技(苏州)有限公司 一种外骨骼装置及外骨骼运动控制方法
CN112949676B (zh) * 2020-12-29 2022-07-08 武汉理工大学 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN112618284B (zh) * 2020-12-30 2023-10-24 安徽三联机器人科技有限公司 一种用于辅助下肢的鞋具
CN112617866A (zh) * 2020-12-31 2021-04-09 深圳美格尔生物医疗集团有限公司 Emg肌电信号数字采集电路及系統
CN112884015A (zh) * 2021-01-26 2021-06-01 山西三友和智慧信息技术股份有限公司 一种面向供水管网分区计量***日志信息的故障预测方法
CN112807647A (zh) * 2021-01-28 2021-05-18 重庆工程职业技术学院 一种模拟实战训练***
CN113001546B (zh) * 2021-03-08 2021-10-29 常州刘国钧高等职业技术学校 一种提高工业机器人运动速度安全性的方法及***
CN113081703A (zh) * 2021-03-10 2021-07-09 上海理工大学 一种助行器使用者方向意图判别方法及装置
CN113043249B (zh) * 2021-03-16 2022-08-12 东北大学 一种高精度装配的全身可穿戴外骨骼机器人
CN113043248B (zh) * 2021-03-16 2022-03-11 东北大学 基于多源传感器的搬运装配全身外骨骼***及控制方法
CN113456065B (zh) * 2021-08-10 2022-08-26 长春理工大学 肢体动作识别方法、装置、***以及可读存储介质
CN113885696B (zh) * 2021-08-20 2024-06-18 深圳先进技术研究院 外骨骼装置交互控制方法及其交互控制装置
CN113693604B (zh) * 2021-08-30 2022-04-08 北京中医药大学东直门医院 一种基于佩戴者疲劳状态对肌张力等级的评估方法和装置
CN113962247B (zh) * 2021-09-30 2024-05-03 华南理工大学 一种基于标准库匹配的步态预测方法及***
CN114028775B (zh) * 2021-12-08 2022-10-14 福州大学 一种基于足底压力的踝关节运动意图识别方法及***
CN114343617A (zh) * 2021-12-10 2022-04-15 中国科学院深圳先进技术研究院 一种基于边云协同的患者步态实时预测方法
CN114366559A (zh) * 2021-12-31 2022-04-19 华南理工大学 一种用于下肢康复机器人的多模态感知***
CN114392137B (zh) * 2022-01-13 2023-05-23 上海理工大学 一种穿戴式柔性下肢助力外骨骼控制***
CN114680875A (zh) * 2022-03-11 2022-07-01 中国科学院深圳先进技术研究院 基于多源信息融合的人体运动监测方法、装置
CN114800445A (zh) * 2022-04-02 2022-07-29 中国科学技术大学先进技术研究院 一种用于水中救援的两栖外骨骼机器人***
CN115337003B (zh) * 2022-07-13 2024-05-24 天津理工大学 一种用于脑卒中患者的多维度下肢康复评定装置及评定方法
CN115192050A (zh) * 2022-07-22 2022-10-18 吉林大学 基于表面肌电和反馈神经网络的下肢外骨骼步态预测方法
CN115607140A (zh) * 2022-09-16 2023-01-17 中船智能科技(上海)有限公司 通过外骨骼机器人足底传感器进行运动意图预测的方法
CN116439693B (zh) * 2023-05-18 2024-05-28 四川大学华西医院 一种基于fmg的步态检测方法及***
CN117113205A (zh) * 2023-08-29 2023-11-24 北京自动化控制设备研究所 基于实时惯性参数的行人未知步态类型识别方法
CN117064380B (zh) * 2023-10-17 2023-12-19 四川大学华西医院 下肢表面肌电检测的防摔倒预警***、方法和相关产品

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995031933A1 (de) * 1994-05-20 1995-11-30 T & T Medilogic Mess-anordnung zur analyse des menschlichen ganges
WO1996041599A1 (de) * 1995-06-13 1996-12-27 Otto Bock Orthopädische Industrie Besitz- Und Verwaltungskommanditgesellschaft Verfahren zur steuerung der kniebremse eines prothesen-kniegelenkes sowie oberschenkelprothese
CN101587546A (zh) * 2009-06-12 2009-11-25 浙江大学 基于支持向量多元分类的下肢动作模式的识别方法
CN104027218A (zh) * 2014-06-05 2014-09-10 电子科技大学 一种康复机器人控制***和方法
CN105455996A (zh) * 2015-11-25 2016-04-06 燕山大学 一种基于无线的多源信号反馈控制康复训练装置
CN105561567A (zh) * 2015-12-29 2016-05-11 中国科学技术大学 一种计步及运动状态评估装置
CN106821680A (zh) * 2017-02-27 2017-06-13 浙江工业大学 一种基于下肢步态的上肢康复外骨骼控制方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
CN108785997A (zh) * 2018-05-30 2018-11-13 燕山大学 一种基于变导纳的下肢康复机器人柔顺控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1995031933A1 (de) * 1994-05-20 1995-11-30 T & T Medilogic Mess-anordnung zur analyse des menschlichen ganges
WO1996041599A1 (de) * 1995-06-13 1996-12-27 Otto Bock Orthopädische Industrie Besitz- Und Verwaltungskommanditgesellschaft Verfahren zur steuerung der kniebremse eines prothesen-kniegelenkes sowie oberschenkelprothese
CN101587546A (zh) * 2009-06-12 2009-11-25 浙江大学 基于支持向量多元分类的下肢动作模式的识别方法
CN104027218A (zh) * 2014-06-05 2014-09-10 电子科技大学 一种康复机器人控制***和方法
CN105455996A (zh) * 2015-11-25 2016-04-06 燕山大学 一种基于无线的多源信号反馈控制康复训练装置
CN105561567A (zh) * 2015-12-29 2016-05-11 中国科学技术大学 一种计步及运动状态评估装置
CN106821680A (zh) * 2017-02-27 2017-06-13 浙江工业大学 一种基于下肢步态的上肢康复外骨骼控制方法
CN107397649A (zh) * 2017-08-10 2017-11-28 燕山大学 一种基于径向基神经网络的上肢外骨骼康复机器人控制方法
CN108785997A (zh) * 2018-05-30 2018-11-13 燕山大学 一种基于变导纳的下肢康复机器人柔顺控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《下肢外骨骼机器人控制***平台设计及控制算法分析》;李川;《万方数据库》;20141231;全文 *
《肌电信号控制下肢外骨骼的步态识别与步态规划研究》;刘爱永;《万方数据库》;20141231;全文 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202000022933A1 (it) * 2020-09-29 2022-03-29 Bionit Labs S R L Sistema integrato per la rilevazione ed elaborazione di segnali elettromiografici
WO2022069976A1 (en) * 2020-09-29 2022-04-07 Bionit Labs S.r.l. Integrated system for detection and processing electromyographic signals

Also Published As

Publication number Publication date
CN110141239A (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
CN110141239B (zh) 一种用于下肢外骨骼的运动意图识别及装置方法
CN112754468B (zh) 一种基于多源信号的人体下肢运动检测及识别方法
Tan et al. Time series classification using a modified LSTM approach from accelerometer-based data: A comparative study for gait cycle detection
CN110537922B (zh) 基于深度学习的人体行走过程下肢运动识别方法及***
CN107753026B (zh) 针对脊柱腿部健康的智能鞋自适应监测方法
CN110653817B (zh) 一种基于神经网络的外骨骼机器人助力控制***与方法
Chen et al. A novel gait pattern recognition method based on LSTM-CNN for lower limb exoskeleton
CN108319928B (zh) 一种基于多目标微粒群算法优化的深度学习方法及***
KR102124095B1 (ko) 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
CN113043248B (zh) 基于多源传感器的搬运装配全身外骨骼***及控制方法
Wang et al. sEMG-based consecutive estimation of human lower limb movement by using multi-branch neural network
US11772259B1 (en) Enhanced activated exoskeleton system
CN112949676B (zh) 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN111531537B (zh) 基于多传感器的机械臂控制方法
CN110977961A (zh) 一种自适应助力外骨骼机器人运动信息采集***
Khodabandelou et al. A fuzzy convolutional attention-based GRU network for human activity recognition
Mesanza et al. A machine learning approach to perform physical activity classification using a sensorized crutch tip
Prado et al. Prediction of gait cycle percentage using instrumented shoes with artificial neural networks
Zeng et al. Research on a gait detection system and recognition algorithm for lower limb exoskeleton robot
Song et al. Adaptive neural fuzzy reasoning method for recognizing human movement gait phase
Ye et al. An adaptive method for gait event detection of gait rehabilitation robots
Hu et al. A novel fusion strategy for locomotion activity recognition based on multimodal signals
KR101829356B1 (ko) Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법
Izhar et al. Gait cycle prediction model based on gait kinematic using machine learning technique for assistive rehabilitation device
Zhen et al. Human Motion Mode Recognition Based on Multi-parameter Fusion of Wearable Inertial Module Unit and Flexible Pressure Sensor.

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