一种用于下肢外骨骼的运动意图识别及装置方法制造方法及图纸

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。本发明专利技术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。

A Kinematic Intention Recognition and Device Method for Lower Limb Exoskeleton

【技术实现步骤摘要】
一种用于下肢外骨骼的运动意图识别及装置方法
本专利技术属于下肢外骨骼机器人感知
，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。
技术介绍
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。
技术实现思路
针对上述现有识别技术的不足之处，本专利技术提出了一种用于下肢外骨骼的运动意图识别方法及装置。本专利技术的技术方案是：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：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：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：前、后向预测误差的初始值：反射系数：预测误差功率：Pm＝(1-|Km|2)Pm-1；滤波器输出值：其中，n为采样时间点；x(n)为采样点n时刻的信号序列；和为前、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；为滤波器对偶输出值，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：令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：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s.t.yi(ωT*xi+b)≥1,i＝1,2,…m等价于，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、全连接层本文档来自技高网...

【技术保护点】
1.一种用于下肢外骨骼的运动意图识别装置，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。...

【技术特征摘要】
1.一种用于下肢外骨骼的运动意图识别装置，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。2.采用权利要求1所述的装置进行运动意图识别的方法，其特征在于，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。3.根据权利要求2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：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：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：前、后向预测误差的初始值：反射系数：预测误差功率：Pm＝(1-|Km|2)Pm-1；滤波器输出值：其中，n为采样时间点；x(n)为采样点n时刻的信号序列；和为前、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；为滤波器对偶输出值，为偶反射系数。4.根据权利要求2或3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...

【专利技术属性】
技术研发人员：蒋超超，王斐，秦皞，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21