CN115294653A - 一种基于高斯过程回归的下肢外骨骼步态预测方法 - Google Patents

一种基于高斯过程回归的下肢外骨骼步态预测方法 Download PDF

Info

Publication number
CN115294653A
CN115294653A CN202210953972.7A CN202210953972A CN115294653A CN 115294653 A CN115294653 A CN 115294653A CN 202210953972 A CN202210953972 A CN 202210953972A CN 115294653 A CN115294653 A CN 115294653A
Authority
CN
China
Prior art keywords
lower limb
data
gait
prediction
exoskeleton
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.)
Pending
Application number
CN202210953972.7A
Other languages
English (en)
Inventor
郭庆
陈振雷
石岩
张继宇
向文
严尧
许猛
蒋丹
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of 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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210953972.7A priority Critical patent/CN115294653A/zh
Publication of CN115294653A publication Critical patent/CN115294653A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • 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
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H3/00—Appliances for aiding patients or disabled persons to walk about
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Epidemiology (AREA)
  • Pain & Pain Management (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rehabilitation Therapy (AREA)
  • Rehabilitation Tools (AREA)

Abstract

本发明公开一种基于高斯过程回归的下肢外骨骼步态预测方法，应用于外骨骼机器人领域；针对传统的控制策略与患者被动行走的控制方法不考虑穿戴者的运动意图的情况下，降低了用户的主动性的问题；本发明基于IMU的人体下肢关节角度、角速度采集装置，在人体处于不同环境下所采集到的人体步态数据；另外，本发明使用高斯过程回归的方法实现步态的预测，并设计了健腿预测患腿的预测方法，以所采集到的数据为基础实现对下肢外骨骼机器人预测控制算法的补偿，在人体行走时外骨骼能够提供更好的助力作用，以达到下肢外骨骼机器人对偏瘫病患等的辅助作用，有效提高了下肢外骨骼机器人辅助病患行走时的稳定性与可靠性。

Description

一种基于高斯过程回归的下肢外骨骼步态预测方法
技术领域
本发明属于外骨骼机器人领域，特别涉及一种下肢外骨骼步态预测技术。
背景技术
外骨骼作为一种将人的智慧与机械的力量结合起来的人机一体化装置，能够通过操作者的简单控制使机械提供的强大动力被人体运用，使操作者能够完成自身无法完成的任务。而下肢外骨骼作为一种辅助行走装置，它将外骨骼的机械结构和人的双腿耦合在一起，通过人体控制、外部供能的方式使自身行动不便或无法行走的操作者可以自主行走。并且可以设计不同的步态、步速来适应不同残疾状况的病人，提高治疗效果。外骨骼主要由以下几个部分组成：(1)机械结构部分。负重外骨骼由于其负重功能的要求，多采用髋+膝+踝结构，而康复外骨骼由于多用于病患，需减少关节的活动，因此多采用髋+膝的结构。机械结构多为质量轻，强度大，抗疲劳的材料，如铝合金、钛合金、纳米材料等；(2)动力***。外骨骼的动力***主要为外骨骼的助力提供动力来源，提供动力的方式可以是液压，电机，气动等；(3)传感器***。外骨骼的传感器***主要用来获取人机交互过程中各种信号，用以判断人体步态或运功意图；(4)控制***。通常利用Matlab/Simulink等软件实现所提出的控制算法及相关方法后，在下载到相应的硬件控制器中。
随着外骨骼机器人在日常生活中的普及与推广，传统的控制策略与患者被动行走的控制方法不考虑穿戴者的运动意图的情况下，降低了用户的主动性，而步态预测的方法则根据用户主动的行动意图来实时地控制外骨骼电机驱动的力矩，从而实现驱动患腿关节电机跟随健腿做出与之对应的响应行为。
发明内容
为解决上述技术问题，本发明提出一种基于高斯过程回归的下肢外骨骼步态预测方法，通过健腿实时步态数据，得到患腿对应的95％置信区间的预测输出，实现辅助病患进行主动行走时能够根据患者的意图实时地提供助力效果。
本发明采用的技术方案为：一种基于高斯过程回归的下肢外骨骼步态预测方法，包括：
S1、通过惯性测量单元采集人体步态数据，构造训练集；
S2、根据训练集对高斯回归模型进行训练；
S3、将下肢外骨骼健腿髋、膝两关节的实时步态数据输入训练完成的高斯回归模型，得到患腿髋、膝两关节的预测数据；
S4、患腿侧的下肢外骨骼根据步骤S3输出的预测数据进行动作。
本发明的有益效果：本发明设计了一种基于高斯过程回归的下肢外骨骼步态预测方法，通过采集得到的数据集训练高斯回归模型，再根据高斯回归的输出运用到预测控制算法中，使得下肢外骨骼机器人在辅助病患进行主动行走时能够根据患者的意图实时地提供助力效果，改变了以往病患只能根据预先设定的轨迹被动行走的限制，并且解决了步态拟合困难、预测控制算法设计困难等问题，提高了下肢外骨骼机器人的安全性，有效减小了人机交互力，提高了助力效果。
附图说明
图1为本发明的方法流程图。
图2为本发明的嵌入式数据采集装置测试示意图；
图3为采用本发明的方法关节的预测输出与真实值的对比图；
其中，图(a)为髋关节预测输出与真实值对比图，图(b)为膝两关节预测输出与真实值对比图。
具体实施方式
为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。
本发明具体包括以下三个部分：
1、基于IMU(Inertial Measurement Unit，惯性测量单元)的嵌入式下肢关节角度、角速度采集装置采集人体处于不同环境下的步态数据，再对采集到的数据集划分为训练集和测试集。本实施例中通过采集两腿均为健腿的健康人体的两腿数据，形成数据集；即数据集中保留人体的双腿数据，在训练时将其中一条腿的数据视作健腿数据，作为输入，另一条腿的数据视作患腿数据，作为输出；从而对高斯回归模型进行训练；
这里的不同环境具体如平地、上下楼梯、上下坡等。
本实施例中将采集到的数据集按6:1的比例随机划分为训练集和测试集。
本实施例中以图2所示的嵌入式数据采集装置测试示意图为例进行说明，分别将4个IMU置于两侧小腿靠近膝关节处、两侧大腿靠近髋关节处，即测试得到的两腿数据具体包括：两侧膝关节、髋关节在前后方向、左右方向角度的变化和XYZ三轴方向的角速度。
2、高斯回归模型的构建与训练过程，包括：首先建立先验模型，再根据贝叶斯公式推导得出预测的后验模型；在确定出核函数之后，使用训练数据集对高斯模型进行训练。
2.1高斯模型的建立过程主要如下：
建立高斯回归模型时，考虑目标值y含有噪声，即定义为：y＝f(x)+ε，其中：f(x)＝xTw，f(x)为一高斯过程，x∈N′，
Figure BDA0003790506070000031
其中，w表示权重参数，x表示输入参数，N′表示整数集，ε表示噪声项。
Figure BDA0003790506070000032
表示噪声项ε服从正态分布。
1)求w的后验分布
已知w的先验分布为：
Figure BDA0003790506070000033
其中，xi、yi分别表示某一点的输入和输出，σn表示上述噪声项的标准差，T表示转置。
上述公式是输入序列上某一点的预测值yi，如果有多个点需要预测，将每个点的值看作是独立的，可得
Figure BDA0003790506070000034
其中，X是由x向量组成的矩阵，I表示单位矩阵，w～N(0,εp)，εp表示协方差矩阵。
再根据贝叶斯定理可得：
Figure BDA0003790506070000035
又p(y|X)＝∫p(y|X,w)p(w)dw
这里由于p(y|X)与w无关，本实施例把w看作变量，p(y|X)是一个常量，因此
Figure BDA0003790506070000036
其中，
Figure BDA0003790506070000041
Figure BDA0003790506070000042
其中，
Figure BDA0003790506070000043
得出：p(w|X,y)是w的最大后验估计
2)求f*的概率分布
Figure BDA0003790506070000044
其中
Figure BDA0003790506070000045
Figure BDA0003790506070000046
表示定义为,X是训练集输入，y是训练集输出，X*是测试集输入，f*是预测输出。
Figure BDA0003790506070000047
Φ(x)是训练集中所有的列φ(x)的集合：
f(x)＝φ(x)Tw
Figure BDA0003790506070000048
其中，Φ＝Φ(x)和
Figure BDA0003790506070000049
3)将f*概率分布中均值和方差写成核函数形式
Figure BDA00037905060700000410
其中，φ(x*)＝φ*，定义K＝ΦTεpΦ。
2.2选择核函数
本实施例中采用的核函数为径向基函数(RBF核)
Figure BDA00037905060700000411
2.3使用训练集对建立的高斯模型进行训练；训练的过程中通过预测值与实际值进行比较，比较其偏离实际值的程度，计算两者之间的均方根误差，均方根误差值越小则说明模型越好；若不好时需要调整高斯模型参数，调整高斯模型参数为现有已知技术，本发明在此不做详细说明。一般误差值小于0.1，即认为模型是比较好的。
2.4使用测试集预测输出，
本发明中人体步态预测的方法主要是应用于步态预测控制算法的设计中，以下肢外骨骼机器人的传感器在人机交互中测试得到的关节实时数据为导向，通过高斯过程回归的方法预测得到相应输出的合理置信区间，为控制算法的设计提供一个恰当的参考范围。
将髋、膝两关节预测输出、95％置信区间的预测输出和真实值进行对比评估，其结果如图3中(a)、(b)所示；图3中横坐标Time表示时间，纵坐标Position表示位置，其中图3(a)中的95％代表髋关节95％置信区间的预测输出，qhip表示髋关节真实值，
Figure BDA0003790506070000051
表示髋关节预测值，
Figure BDA0003790506070000052
表示滞后一个时刻的髋关节预测值；图3(b)中的95％代表膝关节95％置信区间的预测输出，qhip表示膝关节真实值，
Figure BDA0003790506070000053
表示膝关节预测值，
Figure BDA0003790506070000054
表示滞后一个时刻的膝关节预测值。从图3可以看出，在采用RBF核时髋、膝两关节的预测结果与实际数据的趋势基本保持一致，实际数据基本分布于95％置信区间的预测结果范围内，说明此时模型预测效果良好。
预测出的95％置信区间的输出是根据健腿的实时数据得出的患腿应当作出响应的输出范围。也就是此时患腿髋、膝两关节转动的范围。
3、人体步态预测方法的设计中，主要包括从下肢外骨骼健腿到患腿的映射关系，在此映射过程中主要使用到的数据为关节转动时前后方向和左右方向的角度和角速度数值。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (5)

1.一种基于高斯过程回归的下肢外骨骼步态预测方法，其特征在于，包括：
S1、通过惯性测量单元采集人体步态数据，构造训练集；
S2、根据训练集对高斯回归模型进行训练；
S3、根据惯性测量单元对下肢外骨骼健腿髋、膝两关节进行实时步态数据采集，并将采集的实时步态数据输入训练完成的高斯回归模型，得到患腿髋、膝两关节的预测数据；
S4、患腿侧的下肢外骨骼根据步骤S3输出的预测数据进行动作。
2.根据权利要求1所述的一种基于高斯过程回归的下肢外骨骼步态预测方法，其特征在于，具体包括4个惯性测量单元，分别设置于两腿膝关节处、两腿髋关节处。
3.根据权利要求2所述的一种基于高斯过程回归的下肢外骨骼步态预测方法，其特征在于，所述训练集包括的数据为：两侧膝关节在前后方向角度的变化、两侧膝关节在左右方向角度的变化、两侧膝关节在XYZ三轴方向的角速度、两侧髋关节在前后方向角度的变化、两侧髋关节在左右方向角度的变化、两侧髋关节在XYZ三轴方向的角速度。
4.根据权利要求3所述的一种基于高斯过程回归的下肢外骨骼步态预测方法，其特征在于，步骤S2通过训练高斯回归模型，得到输入的健腿步态数据与输出的患腿步态数据之间的映射关系。
5.根据权利要求4所述的一种基于高斯过程回归的下肢外骨骼步态预测方法，其特征在于，高斯回归模型输出的预测数据为95％置信区间的数据。
CN202210953972.7A 2022-08-10 2022-08-10 一种基于高斯过程回归的下肢外骨骼步态预测方法 Pending CN115294653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210953972.7A CN115294653A (zh) 2022-08-10 2022-08-10 一种基于高斯过程回归的下肢外骨骼步态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210953972.7A CN115294653A (zh) 2022-08-10 2022-08-10 一种基于高斯过程回归的下肢外骨骼步态预测方法

Publications (1)

Publication Number Publication Date
CN115294653A true CN115294653A (zh) 2022-11-04

Family

ID=83828085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210953972.7A Pending CN115294653A (zh) 2022-08-10 2022-08-10 一种基于高斯过程回归的下肢外骨骼步态预测方法

Country Status (1)

Country Link
CN (1) CN115294653A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7506884B1 (ja) 2023-04-23 2024-06-27 浙江大学 下肢リハビリテーション訓練用の外骨格の歩行パラメータの最適化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7506884B1 (ja) 2023-04-23 2024-06-27 浙江大学 下肢リハビリテーション訓練用の外骨格の歩行パラメータの最適化方法

Similar Documents

Publication Publication Date Title
Wu et al. Development of an RBFN-based neural-fuzzy adaptive control strategy for an upper limb rehabilitation exoskeleton
Yu et al. Design and control of a high-torque and highly backdrivable hybrid soft exoskeleton for knee injury prevention during squatting
Yuan et al. DMP-based motion generation for a walking exoskeleton robot using reinforcement learning
Asl et al. Field-based assist-as-needed control schemes for rehabilitation robots
Qiu et al. Exoskeleton online learning and estimation of human walking intention based on dynamical movement primitives
Lu et al. Development and learning control of a human limb with a rehabilitation exoskeleton
Önen et al. Design and actuator selection of a lower extremity exoskeleton
EP1868546B1 (en) Active control of an ankle-foot orthosis
Long et al. Human motion intent learning based motion assistance control for a wearable exoskeleton
US20060270950A1 (en) Active control of an ankle-foot orthosis
Wei et al. Human-in-the-loop control strategy of unilateral exoskeleton robots for gait rehabilitation
Mummolo et al. Stability of mina v2 for robot-assisted balance and locomotion
CN111390877B (zh) 一种外骨骼装置及外骨骼变导纳控制方法
Huang et al. Modeling and stiffness-based continuous torque control of lightweight quasi-direct-drive knee exoskeletons for versatile walking assistance
Tu et al. A data-driven reinforcement learning solution framework for optimal and adaptive personalization of a hip exoskeleton
Huang et al. Fuzzy enhanced adaptive admittance control of a wearable walking exoskeleton with step trajectory shaping
CN115294653A (zh) 一种基于高斯过程回归的下肢外骨骼步态预测方法
Yang et al. Current developments of robotic hip exoskeleton toward sensing, decision, and actuation: A review
Wang et al. Design and experimental verification of a hip exoskeleton based on human–machine dynamics for walking assistance
Li et al. Human-in-the-loop cooperative control of a walking exoskeleton for following time-variable human intention
Taherifar et al. Assistive-compliant control of wearable robots for partially disabled individuals
Yang et al. A centaur system for assisting human walking with load carriage
Long et al. Design and control of a quasi-direct drive actuated knee exoskeleton
Qiu et al. Exoskeleton active walking assistance control framework based on frequency adaptive dynamics movement primitives
Chen et al. Step length adaptation for walking assistance

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