【技术实现步骤摘要】
基于脑控的残疾人生活辅助装置及其控制方法
本专利技术属于智能控制
，具体涉及一种基于脑控的残疾人生活辅助装置及其控制方法。
技术介绍
康复辅助机器人近年来已经成为独立的机器人大类，包括穿戴式外骨骼、智能假肢、智能轮椅等。其中，穿戴式外骨骼机器人可穿戴与患者身上，对人体运动能力有一定的补偿，但存在体积大，重量大，佩戴不舒服缺陷，具有代表性的是BLLEEX助力型外骨骼机器人。智能假肢主要是通过安装假肢完成丧失的功能，但大都是基于残余肢体肌电信号进行控制。如德国Reiter研制的假手，德国OttoBock公司和Viennatone合作研发的肌电假肢系统。这就要求使用者肌肉功能良好。而老年人一般肌肉功能下降，因此不适合老年人使用。智能轮椅目前已有大量研究，但其自由度少，功能有限如匹兹堡大学Cooper等人制作的手动激活助力轮椅、日本KeigoShiral等人开发的Glimmer全方位轮椅。将轮椅和机械臂结合起来使用可增加其通用性。现有轮椅机械臂大致分为以下两种，一种需要人对外部设备进行手动操作，不适用于完全不能行动的残疾人。如荷兰ExactDynamics公司生产的轮椅机械臂系统iRAM，但是这一系统的机械臂控制方式为16键的软键盘配合一个2D操作杆，用户需要切换各关节的控制来实现机械臂的运动；加拿大Kinova公司发布的产品JACO控制方式以操作杆操作为主。另一种则是由机器去料理人的生活，鲜有人机交互，不能照顾到使用者的感受，如定时电动轮椅机械臂。由于脑控系统有很好的自动化程度以及人机交互性，故近年来脑控系统成为研究热点。但是，传统的脑控系统需采集脑电信控...
【技术保护点】
1.一种基于脑控的残疾人生活辅助装置，其特征在于：包括电动轮椅(1)和固定于电动轮椅(1)右前方的类人机械臂(2)，所述电动轮椅(1)的座位底部安装有微型计算机(3)，所述电动轮椅(1)的顶部安装有高度可调的滑杆(4)，所述滑杆(4)上安装有脑电信号采集装置(5)和摄像头(6)，所述脑电信号采集装置(5)的输出端和摄像头(6)的输出端均与微型计算机(3)的输入端连接，所述电动轮椅(1)上设置有电动轮椅控制器(1‑3)、用于对电动轮椅(1)的位置进行实时检测的电动轮椅位置传感器(1‑2)和用于驱动电动轮椅电机的轮椅电机驱动模块(1‑1)，所述类人机械臂(2)上设置有类人机械臂控制器(2‑3)、用于对类人机械臂(2)的位置进行实时检测的类人机械臂位置传感器(2‑2)和用于驱动类人机械臂电机的机械臂电机驱动模块(2‑1)，所述电动轮椅位置传感器(1‑2)与电动轮椅控制器(1‑3)的输入端连接，所述轮椅电机驱动模块(1‑1)与电动轮椅控制器(1‑3)的输出端连接，所述类人机械臂位置传感器(2‑2)与类人机械臂控制器(2‑3)的输入端连接，所述机械臂电机驱动模块(2‑1)与类人机械臂控制器(2‑...
【技术特征摘要】
1.一种基于脑控的残疾人生活辅助装置，其特征在于：包括电动轮椅(1)和固定于电动轮椅(1)右前方的类人机械臂(2)，所述电动轮椅(1)的座位底部安装有微型计算机(3)，所述电动轮椅(1)的顶部安装有高度可调的滑杆(4)，所述滑杆(4)上安装有脑电信号采集装置(5)和摄像头(6)，所述脑电信号采集装置(5)的输出端和摄像头(6)的输出端均与微型计算机(3)的输入端连接，所述电动轮椅(1)上设置有电动轮椅控制器(1-3)、用于对电动轮椅(1)的位置进行实时检测的电动轮椅位置传感器(1-2)和用于驱动电动轮椅电机的轮椅电机驱动模块(1-1)，所述类人机械臂(2)上设置有类人机械臂控制器(2-3)、用于对类人机械臂(2)的位置进行实时检测的类人机械臂位置传感器(2-2)和用于驱动类人机械臂电机的机械臂电机驱动模块(2-1)，所述电动轮椅位置传感器(1-2)与电动轮椅控制器(1-3)的输入端连接，所述轮椅电机驱动模块(1-1)与电动轮椅控制器(1-3)的输出端连接，所述类人机械臂位置传感器(2-2)与类人机械臂控制器(2-3)的输入端连接，所述机械臂电机驱动模块(2-1)与类人机械臂控制器(2-3)的输出端连接，所述电动轮椅控制器(1-3)和类人机械臂控制器(2-3)均与微型计算机(3)相接，所述微型计算机(3)上还接有用于拾取人的声音信号的麦克风(8)和用于产生电刺激信号作用于残疾人头部的脑电仿生电刺激仪(7)，所述麦克风(8)安装在类人机械臂(2)上。2.按照权利要求1所述的一种基于脑控的残疾人生活辅助装置，其特征在于：所述类人机械臂(2)为六自由度类人机械臂。3.按照权利要求1或2所述的一种基于脑控的残疾人生活辅助装置，其特征在于：所述电动轮椅控制器(1-3)和类人机械臂控制器(2-3)均为单片机。4.一种如权利要求1所述基于脑控的残疾人生活辅助装置的控制方法，其特征在于，该方法包括以下步骤：步骤一、残疾人坐在电动轮椅(1)上，调节好滑杆(4)的高度，使脑电信号采集装置(5)处于残疾人头部正上方；步骤二、当残疾人想要执行生活所需动作时，脑电信号采集装置(5)采集残疾人的脑电信号并对脑电信号进行放大、滤波和A/D转换处理后输出给微型计算机(3)；同时，残疾人对着麦克风(8)说出想要执行的生活所需动作，所述麦克风(8)将其拾取到的残疾人的声音信号传输给微型计算机(3)；摄像头(6)采集电动轮椅(1)前方的环境图像并将采集到的环境图像传输给微型计算机(3)；步骤三、所述微型计算机(3)调用脑电信号解码器模块将脑电信号解码为对电动轮椅(1)的运动控制指令和对类人机械臂(2)的运动控制指令，并将对电动轮椅(1)的运动控制指令传输给电动轮椅控制器(1-3)，将对类人机械臂(2)的运动控制指令传输给类人机械臂控制器(2-3)，电动轮椅控制器(1-3)根据对电动轮椅(1)的运动控制指令控制轮椅电机驱动模块(1-1)驱动电动轮椅(1)动作，使电动轮椅(1)向其目标位置处移动；电动轮椅(1)向其目标位置处移动过程中，电动轮椅位置传感器(1-2)对电动轮椅(1)的位置进行实时检测并将检测到的电动轮椅位置信号输出给电动轮椅控制器(1-3)，电动轮椅控制器(1-3)再传输给微型计算机(3)，同时，残疾人能够看到电动轮椅(1)与目标位置之间的距离变化，带来脑电信号的改变，脑电信号采集装置(5)持续采集脑电信号，微型计算机(3)持续根据脑电信号采集装置(5)输出的信号对电动轮椅(1)进行控制，实现对电动轮椅(1)的闭环控制；当电动轮椅位置传感器(1-2)检测到电动轮椅(1)到达目标位置处时，电动轮椅控制器(1-3)将电动轮椅(1)到达目标位置处的信号传输给微型计算机(3)，微型计算机(3)再将对类人机械臂(2)的运动控制指令传输给类人机械臂控制器(2-3)，类人机械臂控制器(2-3)根据对类人机械臂的运动控制指令控制机械臂电机驱动模块(2-1)驱动类人机械臂(2)动作；同时，所述微型计算机(3)调用声音信号处理模块对麦克风(8)输出的声音信号进行处理，得到残疾人说出的想要执行的生活所需动作；所述微型计算机(3)调用目标信息提取模块对此时摄像头(6)采集到的环境图像进行处理，提取得到环境图像中的与残疾人需要执行的多种生活所需动作对应的多个目标信息；然后，所述微型计算机(3)从环境图像中的多个目标信息中找出与残疾人说出的想要执行的生活所需动作所对应的目标信息，调用目标中心坐标确定模块确定出该目标信息的中心坐标；步骤四、所述微型计算机(3)将目标信息的中心坐标输入预先训练好的专家系统模型中，得到类人机械臂(2)各自由度电机的目标角度；类人机械臂位置传感器(2-2)对类人机械臂(2)的位置进行实时检测并将检测到的类人机械臂(2)各自由度电机的位置信号输出给类人机械臂控制器(2-3)，类人机械臂控制器(2-3)再传输给微型计算机(3)，微型计算机(3)调用路径规划模块对检测到的类人机械臂(2)各自由度电机的位置信号与各自由度电机的目标角度进行处理，得到类人机械臂(2)的运动轨迹；步骤五、所述微型计算机(3)调用脑控辅助控制模块对其调用路径规划模块规划的类人机械臂(2)的运动轨迹与类人机械臂位置传感器(2-2)检测到的类人机械臂(2)各自由度电机的位置信号，采用无模型控制原理进行处理，计算得到双相波电流频率，并输出给脑电仿生电刺激仪(7)，通过脑电仿生电刺激仪(7)产生电刺激信号作用于残疾人头部，实现对脑电信号的反馈调节，实现辅助大脑进行类人机械臂(2)控制的效果。5.按照权利要求4所述的方法，其特征在于：步骤三中所述微型计算机(3)调用脑电信号解码器模块将脑电信号解码为对电动轮椅(1)的运动控制指令和对类人机械臂(2)的运动控制指令时，是将脑电信号输入预先训练好的解码器模型中，得出对电动轮椅(1)的运动控制指令和对类人机械臂(2)的运动控制指令；其中，所述解码器模型的训练过程为：步骤A1、数据生成：邀请X个志愿者做残疾人想要执行的生活所需动作，采集他们的多组脑电信号、右腿位置信号和右臂位置信号，并将采集到的多组信号分为训练集和测试集输入微型计算机(3)中；其中，X的取值为大于100的正整数；步骤A2、解码器训练：所述微型计算机(3)通过维纳滤波原理建立右腿位置信号和右臂位置信号与脑电信号之间的关系，将第k个时刻右腿各关节位置和右臂各关节位置矩阵p(k)与脑电信号矩阵z(k)之间的数学关系模型表示为：p(k)＝wTz(k)(F1)其中，z(k)＝[z1(k),z1(k-1),…,z1(k-L+1),z2(k),z2(k-1),…,z2(k-L+1),…,zN(k-L+1)]，zi(k-j)为在第k-j个时刻第i个大脑皮层采样点的脑电信号采样数据，i的取值为1～N的正整数，N为脑电信号采集装置(5)的脑电信号采集通路数，j为延时时刻且取值为0～L-1，L的取值为6～15的正整数；w为权重矩阵且w的更新公式为：其中，w(k+1)为第k+1个时刻的权重矩阵，w(k)为第k个时刻的权重矩阵，β为正常数，δ为0～2的常数，e(k)为第k个时刻通过解码器求出的右腿位置信号和右臂位置信号与训练集中的右腿位置信号和右臂位置信号与之间的误差；所述微型计算机(3)通过训练得到权重矩阵w的最终适应值；步骤A3、所述微型计算机(3)将测试集输入步骤A2中训练得到的解码器中，当测试结果满足精度需求时，停止训练，得到训练好的解码器；当测试结果不满足精度需求时，重复步骤A1和步骤A2，增大训练集再次执行步骤A1至A3进行训练。6.按照权利要求4所述的方法，其特征在于：步骤三中所述微型计算机(3)调用声音信号处理模块对麦克风(8)输出的声音信号进行处理，得到残疾人说出的想要执行的生活所需动作的具体过程为：步骤D1、所述微型计算机(3)调用语谱图绘制模块，将接收到的声音信号绘制为语谱图；步骤D2、所述微型计算机(3)将语谱图输入预先构建的Tensorflow深度学习语义识别网络中，得到语义识别的结果，多种语义分别对应残疾人需要执行的多种生活所需动作；所述Tensorflow深度学习语义识别网络的构建方法为：步骤D201、人对着麦克风(8)说话时，所述麦克风(8)将其拾取...
【专利技术属性】
技术研发人员：潘红光，米文毓，倪琪，汪梅，温帆，薛纪康，黄心怡，雷心宇，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西,61
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。