The present invention discloses a control method of wearable intelligent equipment for auxiliary handling. A hidden Markov model is constructed by using the characteristics of aggregation and persistence of wavelet coefficients between adjacent scales. The real signal wavelet coefficients are obtained by Bayesian estimation, and the noise is removed by signal reconstruction. The trained neural network is used to analyze and process the control method, and the corresponding muscle force is estimated. The force tactile signal from the muscle electric tactile sensor and the muscle force signal are input into the fuzzy controller to drive the motor's rotation speed to control the grip force. The arm support assistant component action is triggered by the muscle force level of the arm support part. The action signal of the arm support assistant component triggers the passive control of the finger assistant component to the finger, and the lower extremity external bone is controlled by the finger assistant component. As a controlled object, the virtual prototype model of skeleton adopts adaptive controller to overcome the disadvantage that virtual moment control depends heavily on the dynamic model of the system.
【技术实现步骤摘要】
一种辅助搬运的可穿戴智能设备控制方法
本专利技术属于智能穿戴设备领域,尤其涉及一种辅助搬运的可穿戴智能设备控制方法。
技术介绍
目前制造车间工人装卸工件时主要依靠人力搬运,劳动强度大,目前市面上已经出现了外骨骼助力式机器人以辅助搬运。表面肌电信号是从人体骨骼肌表面通过表面拾取电极采集来的,与肌肉活动密切相关的生物电信号。表面肌电信号本质上是一种非平稳信号,小波变换由于能够反映信号的局部特性,观察到信号的细节信息,小波变换虽然可以将这种耦合关系降低到较低程度,使信号与噪声间的可分离性达到较高,但是实际上小波系数之间还是不可避免地残留着相关性,而且现有外骨骼助力式机器人在各辅助部件的控制上相关性较差,助力部件的动作逻辑不够科学,不能最大程度上实现助力部件的助力效果,而且现有力矩控制严重依赖于系统的动态模型。
技术实现思路
针对现有技术存在的问题,本专利技术提供了一种辅助搬运的可穿戴智能设备控制方法。本专利技术是这样实现的,一种辅助搬运的可穿戴智能设备的控制方法,包括:步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号,采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数,将该小波系数利用最大期望算法训练,采用高斯混合模型,假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵,由最大期望算法得到隐马尔科夫模型的各个参数;步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后,用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号;步骤三、利用拉格朗日方程建立下肢系统的动态模型G′a:J表示转动惯,并且是q的函数;B表示离心 ...
【技术保护点】
1.一种辅助搬运的可穿戴智能设备控制方法,其特征在于,该方法包括:步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号,采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数,将该小波系数利用最大期望算法训练,采用高斯混合模型,假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵,由最大期望算法得到隐马尔科夫模型的各个参数;步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后,用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号;步骤三、利用拉格朗日方程建立下肢系统的动态模型G′a:
【技术特征摘要】
1.一种辅助搬运的可穿戴智能设备控制方法,其特征在于,该方法包括:步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号,采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数,将该小波系数利用最大期望算法训练,采用高斯混合模型,假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵,由最大期望算法得到隐马尔科夫模型的各个参数;步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后,用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号;步骤三、利用拉格朗日方程建立下肢系统的动态模型G′a:J表示转动惯,并且是q的函数;B表示离心和克里奥里矩阵,是q和的函数;G表示重力力矩矢量,是q的函数。对应的关节力矩矢量为:T=[T1…Tn]T穿戴者对外骨骼的力矩T为电动机的输出力矩,G′a是下肢外骨骼前向动态的估计,q为下肢外骨骼的关节角输出;步骤四、通过多通道表面肌电信号的特征参数得到肌电整体强度和肌电活动空间分布的多维特征值矩阵,将该征值矩阵分解为个人因素矩阵Z和动作模式矩阵X,动作模式矩阵X作为模式识别分类器的输入,利用对称双线性模型表示特征值矩阵yk=zTWkx;式中:zT表示的是个人因素部分,x表示的是动作模式部分,Wk属于双线性模型的系数矩阵;定义特征值矩阵式中:表示的是第u个受试者执行m动作第N次时的多维特征值矩阵;步骤五、获得新用户在某个动作下的特征值矩阵y,利用双线性模型的动作模式矩阵均值及系数矩阵,计算新用户个人因素矩阵:z=[[WX][WX]CV]+yCV由不同动作模式下的表面肌电信号特征值矩阵y,得到动作模式矩阵部分x为:x′=[[WCVz]CV]+y′步骤六、以柔性电极阵列提取的食指、中指、无名指活动时的指总伸肌整体肌电信号建立表面肌电幅度、肌电活动的空间分布特征矩阵的双线性模型,进行手指力量水平识别;步骤七、下肢采用下式的自适应...
【专利技术属性】
技术研发人员:孙红梅,云海霞,倪春莲,梅竹,
申请(专利权)人:孙红梅,云海霞,倪春莲,梅竹,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。