英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
尽管肌电图（EMG）信号和相互作用力已广泛用于患者协作或交互式训练，但传统的基于肌电图的控制通常会将该过程分解为患者驱动阶段和单独的被动阶段，这是不可取的。在这项研究中，提出了一种基于运动识别和自适应阻抗控制的主动交互控制器，并在六自由度并联机器人上实现了下肢康复。利用与支持向量机（SVM）分类器相结合的EMG信号的均方根（RMS）特征预先在线预测下肢意图并触发机器人辅助。采用阻抗控制策略直接影响机器人辅助速度，使运动遵循生理轨迹。 此外，自适应方案实时了解肌肉活动水平，并根据患者的自愿参与努力调整机器人阻抗。 对多名健康人进行的实验结果表明，可以提前精确预测下肢运动意图，机器人辅助模式也可以根据人机交互和受试者肌肉活动水平进行调整。 与传统的肌电图触发辅助方法相比，这种策略可以增加患者的动机，因为受试者的运动意图，积极努力以及肌肉活动水平变化可以直接反映在轨迹模式和机器人辅助速度中。
材料和方法
A 用于下肢康复的六自由度并联机器人
最近，平行机器人在机器人领域引起了很多兴趣，因为它们在刚度，准确性和高有效载荷方面优于传统的串行结构。已经发现平行机器人是下肢康复的好选择[13]。本文设计的下肢康复机器人也是一种具有六个过渡和旋转自由度的并联机构。图1（a）所示的平台是由作者研究小组设计的，目的是调查下肢康复。具体而言，该系统主要包括PC，基于DSP的六个运动控制器，松下伺服驱动器以及该平台。每个执行器的线性位置和速度由光电编码器测量。机器人控制器在PC上实现。该设备通过CAN总线接口与PC连接，同时控制机器人的六个执行器，以实现下肢的完全自由度。Stewart平台的几何图如图1（b）所示，其中上平台的半径定义为rb，角度为theta;2，固定平台的参数分别定义为ra和theta;1。 上移动板的半径为180毫米，固定底板的半径为270毫米。 机器人机构和控制硬件中还包含了几项安全功能。 机械限位开关放置在每个关节上，以避免机器人超出运动的生理范围。 并且一个紧急开关被连线，这样一次推动就可以停止整个系统，这是由该人员对培训过程进行监督。
图1（a）是用于下肢康复的六自由度并联机器人，（b）是其几何图。
B 运动识别
肌电图通常用于根据用户的意图来控制助力机器人，因为它直接反映了用户的运动意图和肌肉活动水平。目前，EMG已经做了足够的工作来触发上肢辅助[14]。然而，下肢机器人尚未广泛应用于临床康复。问题在于对下肢的实时控制要求与上肢的要求不同。下肢有更多的自由度，肌肉结构复杂，使用固定分类器难以准确估计多通道肌电图模式的预期运动[15]。近年来，已经提出了许多方法来从EMG中提取有用的信息。这些研究试图在时间，频率或时频域中提取特征，例如使用AR系数，小波变换系数和频谱系数作为特征变量[5]。现有的方法往往比较复杂，或者需要大量的样本，其中大部分用于下肢肌电信号都不甚理想。为了从下肢的原始EMG信号中提取特征，计算EMG信号的RMS并将其用作识别控制器的输入。 RMS计算写为
其中N是段的数量（N = 512），Vi是第i次采样时的电压。 SVM近来在模式识别领域得到了广泛的认可。已经表明，SVM优于其他传统的学习机器，如BPN，因为SVM能够获得更好的未见数据的泛化能力[16]。在本研究中，结合SVM分类器提出了一种基于EMG RMS特征的方法，该方法对求解非线性问题和减轻计算量非常有效。本实践中的特征提取和SVM分类规则可以实现，因此适用于实时机器人控制应用。在我们的工作中应用的分类器的结构图如图2所示。关于SVM的更详细的描述可以在论文中找到[17,18]。本文采用的方法的主要优点是可以在下肢运动过程中用于实时动作识别，并相应地提供机器人辅助。
C 自适应阻抗模型
为了在机器人被触发之后提供补充环境，可以通过监视用户与机器人之间的相互作用力来提供灵活的辅助。 因此，建立导纳或基于位置的阻抗控制器。 通过测量用户施加在踏板上的相互作用力，可以计算出提供某些质量，刚度和阻尼特征所需的参考位置和速度[19]。 人机交互机制的阻抗模型表示为：
其中Md，Bd和Kd表示所需的惯性矩阵，阻尼矩阵和刚度矩阵，x和xd是笛卡尔空间中的实际位置和所需位置。 Fe是施加在末端执行器上的相互作用力，Fd是所需的力。
经典阻抗控制器对患者施加固定的参数，并且不能为不同的用户提供不同的阻抗模式。 如果阻抗设置过于僵硬，患者会被动地移动; 如果太软，患者可能会以不希望的方式移动[11]。 因此，应该通过监测患者的肌肉状况并实时更新阻抗参数来考虑康复。 在本文中，运动过程中考虑患者的肌肉活动水平。 肌电信号的归一化RMS用于评估肌肉活动率：
其中RMSi（t）表示信道i在时间t的RMS值，init（RMSi）是第i信道的初始值（在训练阶段），并且使用四个EMG信号信道（n = 4）。
为了保证训练是生理性的，该控制器在适应速度的同时以恒定的参考轨迹工作。 因此，控制器的阻尼系数是要调整的参数。 当检测到肌肉活动率很低时，阻抗（此处为阻尼）设置得较低，以增强机器人辅助速度，从而轻松改变患者的努力。 一旦检测到增加的肌肉活动比率，阻抗就会增加，以便患者可以尽全力克服挑战。参考轨迹不会被修改，只有阻尼参数B被调整如下：
其中B0为初始粘滞阻尼系数，c为肌电信号效应系数，mar（t）为肌电信号影响的肌肉活动率。 sat（）是一个饱和函数，用于对最大饱和水平和最小饱和水平之间的区域进行线性化。 因此，当相关的下肢肌肉的活动水平同时增加时，阻尼参数B的量增加。
在这种积极的互动培训中，需要患者自愿参与。 机器人的速度与主动相互作用力成正比，转换公式可以用阻抗模型来表示[20]。 自适应阻抗控制器的架构如图3所示。下部回路是带有阻尼参数的阻抗控制器，上部回路是位置/速度控制器。 这种架构表明需要更多的主动互动力量来获得更高的训练速度。 同时，根据肌电信号计算的肌肉活动水平，可以根据不同的训练阻力改变阻尼系数。 肌肉能力越高，阻尼越大，需要更多的主动力量来达到相同的运动速度。
D主动交互控制
在本文中，我们提出了一种用于人体下肢运动辅助的多自由度并联机器人，其中将EMG信号和主动相互作用力与自适应阻抗控制器集成在一起，以实现机器人用户的有效运动辅助。本研究中的主动交互控制过程包含四个步骤，如图4所示：（1）EMG信号采集和预处理，包括过滤和放大; （2）通过EMG和SVM分类器RMS特征的融合进行肢体意图预测和运动解码; （3）实时更新阻抗参数和关节速度命令。提出了一种控制规律，将肌肉活动率与阻尼参数相关联，以便根据人体相互作用力调整训练速度; （4）遵循预定义的基于逆运动学和模糊自适应控制器的平滑轨迹。平行康复机器人具有六个自由度，并且基于模糊控制器的轨迹跟踪方法被实现为位置/速度控制器以引导对象的肢体参考轨迹[1]。由于人体控制的参与必然会促进患者在运动过程中的活动，因此这种策略可以增加患者的动机，因为肌肉活动会发生变化，并且相互作用的努力将直接反映在训练速度上，并产生一致的成功感。
III 实验和结果
A 实验协议
为了评估康复机器人为下肢提供交互式康复的能力，先前描述的机器人和控制器在初步实验中实施。 如图5（a）所示，表面肌电信号由便携式EMG信号采集设备（DataLOG MWX8，Biometrics Ltd. UK）采集。 此外，Futek力传感器安装在移动平台和踏板之间，以感应人与机器人之间等效的相互作用力。
实验进行了9个年龄从20岁到42岁，包括男性和女性受试者。 包括背屈，跖屈，倒位，厌恶，内收和外展[6]在内的六项运动得到实施。 在实验之前，每对肌肉附加四对电极。 在该实验中选择了受试者的腓肠肌内侧（GM），胫前肌（TA），趾长屈肌（FDL）和比目鱼肌（SL）。 电极位置如图5（b）所示。 熟悉期后，受试者站立在椅子上，右脚约束在矫形器上，如图5（c）所示。 考虑到安全问题，初步测试是在健康受试者的基础上进行的。 未来，机器人将被改变以适应受伤的人，并且将配备高度可调的椅子以安慰参与者。
进行了两种形式的实验来评估所提出的控制方法的有效性。在第一个实验中，所有受试者都用机器人的被动辅助进行下肢运动。研究了这种康复的被动模式，其中要求受试者不施加任何力并且在机器人被触发之后保持放松，并且机器人被控制为遵循预定义的轨迹。然后，进行基于实时肌肉活动评估和参数更新的主动控制实验，其中调整阻抗参数以允许患者自己改变依从性。在第一阶段，EMG信号被采样，记录的数据被用作训练样本来修改SVM分类器。在第二阶段，带有力反馈项目的肌电图信号被用来控制机器人跟踪受试者指定的运动并实时影响运动。指示受试者进行自愿行动并参加培训。
B 结果
从9名参与者中选择三名受试者的实验结果来讨论提议方法和传统方法之间的比较。 EMG触发被动控制和主动相互作用依从性控制的实验结果表明，机器人可以跟踪主体的运动意图。 捕获的EMG信号的RMS特征和SVM分析方法可以精确预测人体运动意图。 图6显示了所选受试者的EMG信号和运动分类结果，其中可以获得令人满意的识别准确度（约91.22％-95.44％）。
图6. RMS特征提取和运动识别结果。 （a）是主体1（S1）的结果，（b）是主体2（S2）的结果。 这两个数字（从上到下）显示SL，TA，FDL和GM肌肉在运动过程中的RMS（mV）。 分类结果显示，从1到6的数字分别表示背屈，跖屈，倒位，厌恶，内收和外展六种运动，表明识别的准确性得到满足。
对于第二个实验，评估了阻抗参数调整的影响。为了鼓励患者参与训练，可以根据他/她的肌肉活动水平来调整机器人依从性。图7（a）展示了在运动过程中如何评估患者的肌肉活动比率。图7（b）中的实验结果表明机器人阻抗参数可以根据肌肉活动率进行调整。当肌肉活动水平降低时，阻抗参数将得到适当调整，使机器人更容易“控制”。之后，受试者被要求采取自愿的努力，以改变运动速度。机器人不仅可以跟踪受试者的运动意图，还可以根据相互作用力影响机器人辅助速度，根据肌肉活动水平更新阻抗参数，满足主动和自适应交互控制的要求。阻抗控制器的参数可以根据上述适应规律进行更新。控制器的调整简单直观，因为只需要一个参数，并且阻抗的影响可以被解释为与由患者的努力引起的期望速度相适应的偏差。
图7（a）是S1的肌肉活动评估结果，（b）是S1的自适应阻抗控制结果。从（a）的顶部到底部，第一个是在练习期间四个通道的RMS（蓝色，红色，品红色，绿色线分别指通道1,2,3,4）;第二个是训练阶段六个运动模式的四个通道的初始RMS值（init（RMSi），i = 1,2,3,4，从左到右），因为不同的运动激活不同的肌肉，平均显示每种模式下每个通道的RMS及其偏差;最后一个是通过使用（3）评估的活动比率的肌肉。从（b）的顶部到底部，第一个是由力传感器测量的在x，y，z方向上的主动相互作用的合力;第二个是自适应阻抗参数（这里是阻尼），其由（4）的肌肉活动率形成;最后一个是关节空间中的平均机器人速度（蓝线是期望速度，绿色是实际速度）由相互作用力和阻尼系数决定。
在主动交互控制模式之前，对象在肌电图触发的位置控制回路中进行训练。因此，可以在EMG触发控制和主动交互控制之间进行比较。图8（a，b）报告在两次试验期间执行运动所需的EMG信号量。当通过EMG动作识别激活机器人后患者保持被动状态时，受试者施加的肌肉力量在运动过程中处于较低水平。不同的是，在第二次试验中，受试者必须在肌肉活动方面提供一定的努力。图8注意到，两种模式之间的差异是显着的，特别是当考虑到受试者的肌肉活动比率时，并且主动相互作用阻抗模式中的肌肉力量显示总肌电图值显着增加。确认自适应阻抗控制器可以产生与受试者的肌肉活动水平的变化一致的自适应辅助速度。因此，自适应阻抗控制器能够调整机器人和受损肢体之间的期望阻抗，以产生与肢体肌肉力量一致的适应性训练速度。第二项试验的优点是它们可以自动影响机器人的速度，并能感受到自己贡献所产生的变化。
图8.传统EMG触发辅助和主动交互控制辅助的比较。 （a）是S1的结果，（b）是S3的结果。 从（a）和（b）的顶部到底部，前两位数字是EMG触发的被动辅助机器人的速度和RMS; 在提出的主动交互协助期间，底部的两个数字是速度和RMS记录。 这说明在传统的方法中，机器人的运动在被触发后不会受到主体的影响，肌肉很少活动，而只是触发机器人。 而在所提出的方法中，可以根据外力和肌肉活动水平来调整机器人辅助速度，并且因此肌肉在大部分时间处于活动状态。 这可以让患者在锻炼过程中做出更多努力，并可能增加锻炼效果。
IV 讨论与结论
使用阻抗控制代替位置控制，病人的额外努力可以反映在机器人辅助模式中，这可能会增加他/她的动机。但是，修改参考轨迹可能会增加受检者和机器人开始移出生理阶段的风险。因此，本文中的机器人协助根据患者的努力来调整其速度，同时保持轨迹固定。此外，由于肌肉活动比率的不同水平，阻抗水平可能变化很大，以匹配患者的能力和恢复进展。在提出的策略中，首先使用EMG信号识别患者的运动意图。 RMS方法从原始EMG信号中提取特征简单且有效，并且结果也证明了SVM分类器的有效性。建议从选定肌肉记录的EMG信号可用于触发机器人辅助。然后，根据患者的互动努力，采用阻抗控制器使机器人符合标准;同时，基于肌肉活动的自适应方法被用来调整阻抗参数，并影响机器人对个人贡献的帮助。
对健康受试者进行实验以评估自适应阻抗控制方案是否可以根据训练过程中受试者的参与和肌肉活动率来修改机器人辅助速度。机器人以两种不同的模式运行，即EMG触发模式和自适应阻抗控制模式。在第一次试验中，指示所有受试者在机器人运动期间保持被动，并且允许机器人基于意图识别来引导他们的腿。在第二个实验中，要求受试者在触发机器人
全文共6070字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14079]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
