CN110675933A - 一种手指镜像康复训练*** - Google Patents

Abstract

本发明公开了一种手指镜像康复训练***，包括肌电信号采集模块、压力采集模块、主控制模块、康复机器人模块、人机交互虚拟环境模块以及康复评估模块。优点：本发明的***通过肌电信号采集模块、压力采集模块、主控制模块、康复机器人模块、人机交互虚拟环境模块以及康复评估模块构建了手指镜像康复训练***，而且具有虚拟康复交互场景，能够帮助指肌能损伤患者进行高效率的康复训练，通过压力采集模块还能够实现康复效果评价。

Description

一种手指镜像康复训练***

技术领域

本发明涉及一种手指镜像康复训练***，属于自动化控制技术领域。

背景技术

因脑中风手术所引发的因中枢神经损伤而导致的手部运动功能障碍必然会给患者的日常生活带来巨大的不便。目前针对这种致残情况，需要通过重复而高强度的训练以刺激皮质层的重组，并加强患肢的习得性应用，借此帮助患者恢复手部运动功能。

临床上对手部患者的康复方法很大程度依赖于治疗医师对患者一对一的物理治疗。传统的手部康复训练方法是依靠专业的理疗医师对患者进行手把手的训练。对于这种病患，医生的辅助训练虽有一定的帮助，但是不会太理想，不能完全达到理想的康复效果，这种训练方式存在如下诸多问题：首先，治疗师一次只能对一名患者进行运动训练，训练效率不高，并且由于治疗师在操作过程中带有主观态度的原因，可能无法保证患者得到足够的训练强度，或者是训练强度超出患者的忍受极限，治疗效果往往取决于治疗师的经验和水平；其次，缺少精确的控制指标和记录训练参数(比如运动速度、轨迹、强度等等)，不能为确定和改进治疗方案提供合理的理论依据；再有，康复评价指标不够客观，不利于后续更加深入的研究康复机理；一些直观的反馈信息不能实时的提供给患者，整个训练过程患者被动的参与治疗，从主观上影响康复效果。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种手指镜像康复训练***。

为解决上述技术问题，本发明提供一种手指镜像康复训练***，包括肌电信号采集模块、压力采集模块、主控制模块、康复机器人模块、人机交互虚拟环境模块以及康复评估模块；

所述肌电信号提取模块用于提取健侧和患侧的肌电信号并传输给主控制模块，所述主控制模块用于根据健侧的肌电信号以及控制康复机器人模块动作，所述压力采集模块用于采集健侧和患侧的手指压力信号，并转化为电信号传输给康复机器人模块，康复机器人模块控制患侧的手指同步健侧的手指动作并输出同样的作用力，所述主控制模块同时控制人机交互环境模块模拟显示手指对应的运动姿态，所述压力采集模块输出的电信号还传输给所述康复评估模块，用于判断康复效果。

进一步的，所述肌电信号提取模块包括环形阵列式肌电传感器和蓝牙设备，环形阵列式肌电传感器用于采集健侧和患侧的前臂端的肌电信号，并通过蓝牙设备传输给主控制模块。由于人体指关节的控制肌肉主要由分布在前臂部分，包括手背面的指伸肌和前面的指屈肌。因此，通过环形阵列式肌电传感器提取的肌电信号最佳而且，通过蓝牙设备无线传输，更轻便快捷。

进一步的，还包括预处理模块，用于对肌电信号提取模块采集的肌电信号采用时变功率谱方法提取信号特征，并采用LSTM模型进行学习分类，得到去除干扰的肌电信号，并传输给主控制模块。能够有效去除诸如：电源、通信、力矩、传感器等元件带来的内部噪音以及外部电磁辐射干扰。

进一步的，所述预处理模块的处理过程为：

将肌电信号提取模块采集的肌电信号分为两组。

对第一组的肌电信号直接采用卷积神经网络处理，卷积神经网络可以将8 通道的一组采样信号转变为一组特征量，其方法是：构造一个具有I层的卷积层和池化层结构的神经网络，其中，第i层卷积层具有N_i个卷积核，当采样信号逐层通过卷积神经网络时，第i层卷积层产生N_i个特征映射矩阵，然后每个特征映射矩阵经过池化层降采样后送入第i+1个卷积层，在卷积神经网络的最后一层，卷积层中有b个卷积核，该卷积层输出为b个2*2特征映射矩阵，随后，最后一层池化层将b个2*2特征映射矩阵降采样为b个1*1特征映射矩阵，即长度为b的特征向量。

对第二组的肌电信号采用时变功率谱方法提取信号特征。将第二组提取的信号特征与第一组提取出的1*b维的向量一同送入MLP层，在MLP层中完成特征向量的拼接，得到1*(b+6)维的特征向量。再输入至一个三层的全连通神经网络，该网络输出层共有c个神经元，于是输出一个1*c的矩阵，将得到的矩阵作为历史特征存入一个尺寸为1*c*i的先进先出队列中。保存当前时刻到之前i个时刻的输出作为历史数据，输入LSTM神经网络，LSTM网络层输出即为整个神经网络识别结果。该方法能够有效去除诸如：电源、通信、力矩、传感器等元件带来的内部噪音以及外部电磁辐射干扰。

进一步的，所述压力采集模块包括类圆柱形弹性体和压力传感器，所述类圆柱形弹性体的顶部贴设压力传感器模块。类圆柱形弹性体受到手指压力变形后，反应给压力传感器，产生电信号，以该信号的强弱，反映出手指的施力大小。

进一步的，所述康复机器人模块包括驱动器、控制板以及基于柔性关节外骨骼式手指康复机构，所述基于柔性关节外骨骼式手指康复机构包括底座、驱动模块、手背支撑体、手指穿戴部分，其中底座用于放置前臂，并且作为容纳电源和驱动器的容器，驱动模块包括依次连接的电机、齿轮以及相关腱绳，用于带动手指穿戴部分实现抓取运动，手指穿戴部分为五指穿戴部件，手背支撑体用于固定电机和连接手指穿戴部分，所述控制板分别连接主控制模块、压力采集模块以及驱动器，所述驱动器连接所述电机。本申请中康复机器人通过柔性材料实现指关节连接，可有效保护患者手指免受二次伤害；采用基于绳线的欠驱动控制方法有效减少控制成本。

进一步的，所述康复机器人模块对压力采集模块输入的电信号采用变论域模糊自适应PD控制方法进行处理，输出相应手指电机的力矩控制信号，控制患侧的手指输出与健侧的手指相同的作用力。能够实现患侧的手指与健侧的手指作出相同动作的同时还能输出相同的作用力。

进一步的，所述采用变论域模糊自适应PD控制方法进行处理的过程为：

将压力采集模块采集的健侧和患侧的压力信号差e初始的模糊论域分级，即[-E3,-E2,-E1,E0,E1,E2,E3]，压力信号差的变化率

初始的模糊论域为 [-CE3,-CE2,-CE1,CE0,CE1,CE2,CE3]，输出变量为对应手指的电机，输出变量的输出力矩的论域表示为U＝[-U_min,U_max]，建立模糊生产器

E＝6×(e-E_min)/(E_max-E_min)

其中，压力信号差e∈[E_min,E_max]以及变化率

E_min和E_max分别表示信号差e论域的最小值和最大值，CE_min和CE_max分别表示信号差变化率论域的最小值和最大值，E和CE分别为模糊生产器对应的输出；其中的-E3,-E2,-E1,E0, E1,E2,E3以及-CE3,-CE2,-CE1,CE0,CE1,CE2,CE3分别表示相应的模糊论语的模糊集划分的基本符号

根据自适应PD控制律设计模糊规则如下：

U＝K_pΕ+K_dCΕ

K_p＝K_p0+ΔK_p×q_p

K_d＝K_d0+ΔK_d×q_d

其中，K_p，K_d为PD控制器的最终控制参数；K_p0，K_d0为PD控制器的初始整定参数；ΔK_P，ΔK_d为模糊控制器输出量；q_p，q_d为修正系数；

通过隶属度最大值方法进行***输出的模糊消除，直接选择输出模糊子集的隶属度函数峰值作为输出的确定值，输出模糊子集U_i的逻辑“并”为：

最后通过取中值来反求控制变量u的精确输出；

逐渐缩小e和

的论域，论域缩小后的压力信号差e的论域为 E(t)＝[-α₁(t)E_min,α₁(t)E_max]，变化率

的论域为CE(t)＝[-α₂(t)CE_min,α₂(t)CE_max]，输出论域为U(t)＝[-β(t)U_min,β(t)U_max]，其中，α₁(t)、α₂(t)和β(t)分别为相应论域的伸缩因子，其中；

α₁(t)＝(|e|/E)^τ+ε₁，α₂(t)＝(|ec|/EC)^τ+ε₂，

其中，1≥τ＞0，ε₁和ε₂为较小的正数，分别取为ε₁＝(E_max-E_min)/1000，ε₂＝(CE_max-CE_min)/1000，ec表示压力差的变化率的值；K_I为一个设计比例参数； e(τ)表示τ时刻的压力差；β(0)表示为初始输出论域的伸缩因子；t为时间。

压力信号差e和变化率

的输入论域E(t)和CE(t)作为论域模糊自适应 PD控制的输入，用于反馈健/患侧双手的镜像同步效果，输出论域U(t)作为相应手指的驱动电机输出。

进一步的，所述康复评估模块根据压力采集模块的压力差ΔP以及肌电传感器特征信号差Δf的时域特性，进行康复效果评价，ΔP和Δf达到稳定的时间越短，说明手指同步性越好，康复效果也就越好，反之则说明患侧的运动能力越差。该康复评估模块能够简单快速高效的获得评估结果。

本发明所达到的有益效果：

本发明的***通过肌电信号采集模块、压力采集模块、主控制模块、康复机器人模块、人机交互虚拟环境模块以及康复评估模块构建了手指镜像康复训练***，而且具有虚拟康复交互场景，能够帮助指肌能损伤患者进行高效率的康复训练，通过压力采集模块还能够实现康复效果评价。

附图说明

图1是本发明的***示意图；

图2是本发明的康复机器人结构示意图；

图3是基于LSTM网络模型的动作识别流程。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种手指镜像康复训练***，包括MYO臂环1、握力测试瓶2、压力传感器3、驱动器及控制板4、基于柔性关节外骨骼式手指康复机构5、主控电脑6、人机交互虚拟环境7；

MYO臂环1被用来佩戴在患者双臂的前臂端，MYO臂环1探测患者的肌肉活动，通过低功率蓝牙设备与主控电脑进行连接，捕获患者的运动意图。主控电脑6接受到健侧手8的臂环控制信号后，对指关节动作进行识别，采用CAN总线将控制命令发送给驱动器及控制板4，通过基于柔性关节外骨骼式手指康复机构对患侧手9的手指进行同步的运动控制。根据基于柔性关节外骨骼式手指康复机构5的电机编码器的反馈信息，感知患侧手指的运动状态。在构建的人工交互虚拟环境7中，显示对应的运动姿态。通过在握力测试瓶2顶部贴压力传感器3的方法，构建握力反馈***，实时监测健、患侧的手指抓取力大小，用于康复评估***。

如图2所示，基于柔性关节外骨骼式手指康复机构包括底座10、驱动模块、手背支撑体11、手指穿戴部分，其中底座10部分用来放置前臂，并且作为容纳电源和驱动器的容器；手背支撑体11用来固定电机12和连接手指穿戴部分；驱动模块包括电机12、齿轮以及相关腱绳带动手指穿戴部分实现抓取运动；手指穿戴部分为五指穿戴部件，分别用于穿戴在五个手指上。

根据手指康复动作评价***，设计了包含：五指握拳，五指张开，拇指-食指弯曲，拇指-中指弯曲、拇指-无名指/小指以及自然状态共六个基本动作状态。由于表面肌电信号属于微弱信号，容易受到诸如：电源、通信、力矩、传感器等元件带来的内部噪音，以及外部电磁辐射干扰。同时，患者本身的手臂姿态、肌肉疲劳、情绪状态等对于动作识别来说都是难以掌握的环境变量。

因此，本***针对使用者的手指动作的表面肌电信号，采用时变功率谱(TD-PSD)方法提取信号特征，并采用LSTM模型进行学习分类，如图3所示。

记sEMG信号为x[j]，j＝1,2,…,N。采样频率为fs Hz，于是，平方根零阶矩、二阶矩和四阶矩分别为：

定义如下6个信号特征：

f₁＝log(m₀)；f₂＝log(m₀-m₂)；f₃＝log(m₀-m₄)；

这些信号具有更小的误识别率和更快的处理速度。

为了对具有时变特性的表面肌电信号进行准确识别，采用长短期记忆网络(LSTM)的RNN网络模型进行样本训练。LSTM模块被用以代替滑动窗口，其最大的特点是，通过模拟人的记忆机制，可以处理无限长的时间序列，并自适应的决定“记住”或是“忘记”某些信息。当每段时间的信号被神经网络提取出特征后，LSTM会根据特征决定是“忘记”以前的记忆(进入下一个主题/ 动作)，还是“记住”当前的参数，并将这些特征综合，送入下一层，此时，由 LSTM控制何时进入下一个“主题”(动作)，可有效解决滑动窗口法的窗口长度难以确定的问题。

将神经网络的输入分为两组，第一组对肌电信号直接采用卷积神经网络处理，将8通道的一组采样信号经过多层卷积层之后输出为一组1*b的特征向量。第二组是由上面TD-PSD方法得到的6个基本特征组成(f₁～f₆)，与第一组提取出的1*b维的特征向量拼接后一同送入MLP层。经过一个三层的全联通神经网络，输出一组1*c的当前时刻的历史特征，通过跟踪i个历史时刻特征，经过 LSTM网络训练，得到动作识别结果。

由于肌电信号一般仅作为动作分类信号，而对于动作的施力程度难以估计。因此，我们构建了力反馈***，图1所示，在两个同样的类圆柱形弹性体上方，安装压力传感器，当弹性体受到手指压力变形后，反应给压力传感器，产生电信号。以该信号的强弱，反映出手指的施力大小。

以两个压力传感器的压力信号差e∈[E_min,E_max]以及误差的变化率

作为控制***的输入，以MYO识别出的动作结果作为选择对应的控制电机。考虑到压力信号的非线性特点，采用模糊控制器进行控制。

选择力误差e初始的模糊论域分为6级，即[-E3,-E2,-E1,E0,E1,E2,E3]，力误差变化率

初始的模糊论域为[-CE3,-CE2,-CE1,CE0,CE1,CE2,CE3]，输出变量为对应手指的控制电机M1～M4，记U＝[-U_min,U_max]为输出力矩的论域。建立模糊生产器

E＝6×(e-E_min)/(E_max-E_min)

对于模糊规则，参考自适应PD控制律的设计，于是

U＝K_pΕ+K_dCΕ

其中，K_p和K_d分别表示PD控制的控制参数，依据下面的迭代公式进行调节。

K_p＝K_p0+ΔK_p×q_p

K_d＝K_d0+ΔK_d×q_d

式中，K_p，K_d为PD控制器的最终控制参数；K_p0，K_d0为PD控制器的初始整定参数；ΔK_P，ΔK_d为模糊控制器输出量；q_p，q_d为修正系数。

***选用隶属度最大值方法来进行***的模糊消除。所谓最大隶属度法，是指在经过推理所得的模糊集合中选取隶属度最大得元素作为清晰量的方法。直接选择输出模糊子集的隶属度函数峰值最为输出的确定值。这里我们的输出论域是U，输出模糊子集的逻辑“并”为：

最后通过取中值来反求控制变量u的精确输出。

随着控制过程的进行，误差和误差的变化率在不断减小，若继续用初始的论域及其划分进行模糊推理，控制的精度自然不会高。其原因在于初始论域的模糊集划分相对于减小后的误差和误差的变化率过于粗糙，因此需要改变论域的大小。根据我们的控制目的，随着迭代次数的增加，***是趋于稳定的，误差会越来越小。因此逐渐变小e和

的论域能够有效提高控制精度。

记变换后的误差输入论域为E(t)＝[-α₁(t)E_min,α₁(t)E_max]， CE(t)＝[-α₂(t)CE_min,α₂(t)CE_max]，***输出论域为U(t)＝[-β(t)U_min,β(t)U_max]，其中，α₁、α₂和β分别为相应论域的伸缩因子。借助分层理论，分别选择下列函数作为输入论域的伸缩因子：α₁＝(|e|/E)^τ+ε，α₂＝(|ec|/EC)^τ+ε，这里1≥τ＞0，ε为较小的正数，对于输出论域的伸缩因子，选用下面的函数作为伸缩因子

本***的实施方法为：

步骤1：实验环境搭建；

让受试者舒适地坐在椅子上，患侧手指连接到外骨骼机器人上。手被锁定在中间位置，前臂由控制盒支撑。调整外骨骼的位置和桌子的高度，使得受试者的前臂和上臂之间的角度在90度和120度之间。受试者分别于健侧和患侧前臂1/3～2/3处佩戴好MYO传感器，通过蓝牙连接操作电脑。测试手指康复机器人的控制***，MYO传感器以及压力传感器的数据反馈信号，确保没有接触问题。

步骤2：健、患侧表面肌电信号采样网络参数训练；

首先，给其一段时间熟悉所设计的六种基本动作。受试者按照实验者给出的随机顺序执行一次每种运动动作，重复15次。对于每次运动，要求受试者采取舒适的姿势和施力大小，保持约2秒，同时记录EMG数据，然后给予短暂休息以避免疲劳。将训练数据样本输入神经网络，计算真实动作与预测动作的交叉熵，并使用反向传播算法更新网络参数。经实验表明，基本动作均能达到93％以上的准确率。

步骤3：镜像同步训练；

让受试者双手抓握相同的压力测试瓶，开启游戏的虚拟环境界面，受试者根据游戏指示，进行基本动作的变换。过程中，康复机器人根据双手的肌电信号识别动作意图，确定需要控制的电机。根据两个压力传感器的压力差，采用上述变论域模糊自适应PD控制，控制电机进行辅助运动，达到双手同步运动，输出同样作用力的目的。受试者，可以通过视觉和皮肤表面的触觉反馈，刺激大脑中的镜像神经元兴奋，促进脑神经的重塑，诱发运动功能恢复。

步骤4：康复效果评估；

我们根据压力传感器的压力差ΔP以及肌电传感器特征信号差Δf的时域特性，进行康复效果评价。一般而言，ΔP和Δf达到稳定的时间越短，说明手指同步性越好，康复效果也就越好，反之则说明患侧的运动能力越差。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种手指镜像康复训练***，其特征在于，包括肌电信号采集模块、压力采集模块、主控制模块、康复机器人模块、人机交互虚拟环境模块以及康复评估模块；

所述肌电信号提取模块用于提取健侧和患侧的肌电信号并传输给主控制模块，所述主控制模块用于根据健侧的肌电信号以及控制康复机器人模块动作，所述压力采集模块用于采集健侧和患侧的手指压力信号，并转化为电信号传输给康复机器人模块，康复机器人模块控制患侧的手指同步健侧的手指动作并输出同样的作用力，所述主控制模块同时控制人机交互环境模块模拟显示手指对应的运动姿态，所述压力采集模块输出的电信号还传输给所述康复评估模块，用于判断康复效果。

2.根据权利要求1所述的手指镜像康复训练***，其特征在于，所述肌电信号提取模块包括环形阵列式肌电传感器和蓝牙设备，环形阵列式肌电传感器用于采集健侧和患侧的前臂端的肌电信号，并通过蓝牙设备传输给主控制模块。

3.根据权利要求1所述的手指镜像康复训练***，其特征在于，还包括预处理模块，用于对肌电信号提取模块采集的肌电信号采用时变功率谱方法提取信号特征，并采用LSTM模型进行学习分类，得到去除干扰的肌电信号，并传输给主控制模块。

4.根据权利要求3所述的手指镜像康复训练***，其特征在于，所述预处理模块的处理过程为：

将肌电信号提取模块采集的肌电信号分为两组：

对第一组的肌电信号直接采用卷积神经网络处理，卷积神经网络将8通道的一组采样信号转变为一组特征量，其方法是：构造一个具有I层的卷积层和池化层结构的神经网络，其中，第i层卷积层具有N_i个卷积核，当采样信号逐层通过卷积神经网络时，第i层卷积层产生N_i个特征映射矩阵，然后每个特征映射矩阵经过池化层降采样后送入第i+1个卷积层，在卷积神经网络的最后一层，卷积层中有b个卷积核，该卷积层输出为b个2*2特征映射矩阵，随后，最后一层池化层将b个2*2特征映射矩阵降采样为b个1*1特征映射矩阵，即长度为b的特征向量；

对第二组的肌电信号采用时变功率谱方法提取信号特征,将第二组提取的信号特征与第一组提取出的长度为b的特征向量一同送入MLP层，在MLP层中完成特征向量的拼接，得到1*(b+6)维的特征向量,再输入至一个三层的全连通神经网络，该网络输出层共有c个神经元，输出一个1*c的矩阵，将得到的矩阵作为历史特征存入一个尺寸为1*c*i的先进先出队列中,保存当前时刻到之前i个时刻的输出作为历史数据，输入LSTM神经网络，LSTM网络层输出即为整个神经网络识别结果。

5.根据权利要求1所述的手指镜像康复训练***，其特征在于，所述压力采集模块包括类圆柱形弹性体和压力传感器，所述类圆柱形弹性体的顶部贴设压力传感器模块。

6.根据权利要求1所述的手指镜像康复训练***，其特征在于，所述康复机器人模块包括驱动器、控制板以及基于柔性关节外骨骼式手指康复机构，所述基于柔性关节外骨骼式手指康复机构包括底座、驱动模块、手背支撑体、手指穿戴部分，其中底座用于放置前臂，并且作为容纳电源和驱动器的容器，驱动模块包括依次连接的电机、齿轮以及相关腱绳，用于带动手指穿戴部分实现抓取运动，手指穿戴部分为五指穿戴部件，手背支撑体用于固定电机和连接手指穿戴部分，所述控制板分别连接主控制模块、压力采集模块以及驱动器，所述驱动器连接所述电机。

7.根据权利要求1所述的手指镜像康复训练***，其特征在于，所述康复机器人模块对压力采集模块输入的电信号采用变论域模糊自适应PD控制方法进行处理，输出相应动作涉及的电机力矩控制信号，通过康复机器人装置控制患侧的手指输出与健侧的手指相同的作用力。

8.根据权利要求7所述的手指镜像康复训练***，其特征在于，所述采用变论域模糊自适应PD控制方法进行处理的过程为：

将压力采集模块采集的健侧和患侧的压力信号差e初始的模糊论域分级，即[-E3,-E2,-E1,E0,E1,E2,E3]，压力信号差的变化率

初始的模糊论域为[-CE3,-CE2,-CE1,CE0,CE1,CE2,CE3]，输出变量为对应手指的电机，输出变量的输出力矩的论域表示为U＝[-U_min,U_max]，建立模糊生产器

E＝6×(e-E_min)/(E_max-E_min)

其中，压力信号差e∈[E_min,E_max]以及变化率

E_min和E_max分别表示信号差e论域的最小值和最大值，CE_min和CE_max分别表示信号差变化率

论域的最小值和最大值，E和CE分别为模糊生产器对应的输出；其中的-E3,-E2,-E1,E0,E1,E2,E3以及-CE3,-CE2,-CE1,CE0,CE1,CE2,CE3分别表示相应的模糊论语的模糊集划分的基本符号

根据自适应PD控制律设计模糊规则如下：

U＝K_pΕ+K_dCΕ

K_p＝K_p0+ΔK_p×q_p

K_d＝K_d0+ΔK_d×q_d

其中，K_p，K_d为PD控制器的最终控制参数；K_p0，K_d0为PD控制器的初始整定参数；ΔK_P，ΔK_d为模糊控制器输出量；q_p，q_d为修正系数；

通过隶属度最大值方法进行***输出的模糊消除，直接选择输出模糊子集的隶属度函数峰值作为输出的确定值，输出模糊子集U_i的逻辑“并”为：

最后通过取中值来反求控制变量u的精确输出；

逐渐缩小e和

的论域，论域缩小后的压力信号差e的论域为E(t)＝[-α₁(t)E_min,α₁(t)E_max]，变化率

的论域为CE(t)＝[-α₂(t)CE_min,α₂(t)CE_max]，输出论域为U(t)＝[-β(t)U_min,β(t)U_max]，其中，α₁(t)、α₂(t)和β(t)分别为相应论域的伸缩因子，其中；

α₁(t)＝(|e|/E)^τ+ε₁，α₂(t)＝(|ec|/EC)^τ+ε₂，

其中，1≥τ＞0，ε₁和ε₂为较小的正数，分别取为ε₁＝(E_max-E_min)/1000，ε₂＝(CE_max-CE_min)/1000，ec表示压力差的变化率的值；K_I为一个设计比例参数；e(τ)表示τ时刻的压力差；β(0)表示为初始输出论域的伸缩因子；t为时间。

压力信号差e和变化率

的输入论域E(t)和CE(t)作为论域模糊自适应PD控制的输入，用于反馈健/患侧双手的镜像同步效果，输出论域U(t)作为相应手指的驱动电机输出。

9.根据权利要求1所述的手指镜像康复训练***，其特征在于，所述康复评估模块根据压力采集模块的压力差ΔP以及肌电传感器特征信号差Δf的时域特性，进行康复效果评价，ΔP和Δf达到稳定的时间越短，说明手指同步性越好，康复效果也就越好，反之则说明患侧的运动能力越差。

Images