一种基于高斯过程回归的下肢外骨骼步态预测方法技术

本发明专利技术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；本发明专利技术基于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，本发明专利技术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。助病患行走时的稳定性与可靠性。助病患行走时的稳定性与可靠性。

【技术实现步骤摘要】
一种基于高斯过程回归的下肢外骨骼步态预测方法


[0001]本专利技术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。

技术介绍

[0002]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)动力系统。外骨骼的动力系统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)传感器系统。外骨骼的传感器系统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)控制系统。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。
[0003]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。

技术实现思路

[0004]为解决上述技术问题，本专利技术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。
[0005]本专利技术采用的技术方案为：一种基于高斯过程回归的下肢外骨骼步态预测方法，包括：
[0006]S1、通过惯性测量单元采集人体步态数据，构造训练集；
[0007]S2、根据训练集对高斯回归模型进行训练；
[0008]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；
[0009]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。
[0010]本专利技术的有益效果：本专利技术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
[0011]图1为本专利技术的方法流程图。
[0012]图2为本专利技术的嵌入式数据采集装置测试示意图；
[0013]图3为采用本专利技术的方法关节的预测输出与真实值的对比图；
[0014]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
[0015]为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。
[0016]本专利技术具体包括以下三个部分：
[0017]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；
[0018]这里的不同环境具体如平地、上下楼梯、上下坡等。
[0019]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。
[0020]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。
[0021]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。
[0022]2.1高斯模型的建立过程主要如下：
[0023]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)＝x
T
w，f(x)为一高斯过程，x∈N
′
，
[0024]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。表示噪声项ε服从正态分布。
[0025]1)求w的后验分布
[0026]已知w的先验分布为：
[0027][0028]其中，x
i
、y
i
分别表示某一点的输入和输出，σ
n
表示上述噪声项的标准差，T表示转置。
[0029]上述公式是输入序列上某一点的预测值y
i
，如果有多个点需要预测，将每个点的值看作是独立的，可得
[0030][0031]其中，X是由x向量组成的矩阵，I表示单位矩阵，w～N(0,ε
p
)，ε
p
表示协方差矩阵。
[0032]再根据贝叶斯定理可得：
[0033]又p(y|X)＝∫p(y|X,w)p(w)dw
[0034]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
[0035][0036]其中，
[0037][0038]其中，
[0039]得出：p(w|X,y)是w的最大后验估计
[0040]2)求f
*
的概率分布
[0041][0042]其中其中表示定义为,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。
[0043][0044]Φ(x)是训练集中所有的列φ(x)的集合：
[0045]f(x)＝φ(x)
T
w
[0046][0047]其中，Φ＝Φ(x)和
[0048]3)将f
*
概率分布中均值和方差写成核函数形式
[0049][0050]其中，φ(x
*
)＝φ
*
，定义K＝Φ
T
ε
p
Φ。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：郭庆，陈振雷，石岩，张继宇，向文，严尧，许猛，蒋丹，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：