第28卷第9期2007年9月
a
I
V01.28№9
S*口.2007
哈m十、o
滨=叠工‰
r
E
程唱
大Ⅲ
学“学mmR哆
n
外骨骼式上肢康复机器人及其控制方法研究
王东岩…,李庆玲1,杜志江1,孙立宁1
(1.咯尔滨工业大学机器人研究所.黑龙江哈尔痿150001;2黑龙江中医药大学附属第二医院康复科,黑龙江略尔滨150001)
摘要:提出了一种融合单、多关节及日常生活功能行动作训练的5自由度外骨骼式偏瘫上肢康复机器人系统根据偏瘫患者上肢单侧受损的特点.提取偏瘫患者的健但j肢体运动的表面肌电信号用于驱动康复机器人辅助患者患侧肢体实现康复训练动作.采用肌电绝对值积分和自回归参数模型法对上肢运动巾参与动作的4块肌肉产生的sEM(j信号分别进行特征提取,并分别作为基于Levenberg—Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.该方法有利于提高中枢神经系统紧张度,促进血液循环.在康复的同时防止并发症的产生,更有利
于提高患者运动积极性,保持患者正确运动的感觉.
关毽词:外骨骼式康复机器人;表面肌电信号;AR参数模型;I.一M算法;BP网络中囤分类号:TP24文献标识码:A文章编号:1006—7043【2007)09—1008一06
Study
on
exoskeletaIrehabilitationrobotfor
upperlimbandjtscontrOl
method
Li—nin91
WANG
UnlversltvofChinese
Dong—yanl”,LIQing一1in91,DU
ZhHian91,SUN
(1.RobotjcsInstitute,HarblnInstituteofTechnology.Harbin15000l,China;2.Second
AmliatedHospItaIofHeIlon目larlg
Mcdiclne,HarbIn150001,China)
Abstract:A5一DOFexoskeletalrehabilitationrobot,which
can
implementsinglejointandmuItHointcom
plexmotionsandprovideADLtrainingfofhem‘plegicpatients,ispresented.Ingeneral,hemiplegicpa—tients
are
unilaterallylmpaired,sothesurfaceelectromyogram(sEMG)signalinthehealthylimbs
to
can
be
extracted
ses.
drivetherehabilitationrobot
to
assistpatientfimpaired1imbtocarryoutrehabilitationexerci—
ARwereusedto
extract
Hereintwomethodswereinv01ved;IAVand
to
features
ofsEMGacquiredTheextractedfea—
fromfourupperlimbmuscleswhichcont“bute
tures
focusedactivitiesofthatupper1imb.
wereused
as
theinputto
a
a
backpropagationneuralnetwork(BPN)intheLevenbergMarquardt
(LM)algorithm,then
upper
relationshipwasformulatedbetweensMEGandtherehablilitationmotionwithsix
as
limbrehabilitationexercisemotions
ou‘puts.Experimentsprovetheeffectivenessofthismethod,system,improvebloodcirculationandkeep
a
sense
whichisusefulforpatienttotrainthe
er
nervous
ofprop—
motionandimprovera“geofmotion.
Keywords:exoskeIetalrehabilitationr。bot;sEMGIARparametermodel;L—Malgorithm;BPN
脑损伤引起的偏瘫等运动功能障碍给患者的家庭和社会带来了沉重的负担.正确、科学的康复训练对肢体运动功能的恢复和提高起到非常重要的作用.神经康复治疗过程是一项艰苦的工作,目前主要依靠康复医师对患者进行一对一的手工操作和主观临床经验对患肢进行的评估,限制了康复水平的提高.康复医学与机器人技术的结合提高了康复训练
收稿日期:2006—12一06.
基金项目:国家自然科学基金资助项目(60505016);黑龙江省科技攻
关资助项目(GB04A502—2)I哈尔滨市青年科学基金贽助
项目(2004AFQXJ017)
作者筒舟:王东岩(1971一),女・副教授.博士后.E'ma,l;doctwdy@
163.com;
孙立宁(1964一).男.教授.博士生导师
万方数据
第9斯王东岩,等:外骨骼式上肢康复机器人及其控制方法研究
・1009・
的效率并保证了动作训练的强度,为研究新的康复技术开辟了新的途径.
1993年加利福尼亚大学的PeterS.Lum研究设计了名为手一物体一手(hand-object-hand)的双手康复装置及训练双手上举协调性的装置(biman—
ual1ifting
rehabilitator)为患手提供力辅助而训练
上举协调性LI一“.2000年,Lum与斯坦福大学合作开发了名为MIME的系列康复机器人,该系列机器人分为3代,第l代只能完成2个自由度的单关节运动,第2代和第3代在Puma系列机器人的带动下分别能够实现前臂的平面运动和三维空问运动c3].芝加哥大学研制了一种ARMGuide训练装置,通过手动调节其偏转和俯仰2个自由度,可使患者固定在夹板上的手臂完成不同直线轨迹的触点动作训练[“.美国麻省理工1995年研制了M1T—MA—NUS上肢康复机器人,该机器人是由五连杆组成的平面两自由度并联机构,患者握住机构末端的手柄完成平面内的运动训练,通过阻抗控制实现训练的安全性和平稳性D].国内,清华大学研制了二连杆机构的复合康复装置,患者可握住机构末端手柄,由装置带动上肢在一定面积的水平面上完成上肢平面复合运动,也可固定在手臂外侧完成肩部3个自由度的分别训练D-7].由哈尔滨工程大学研制的手臂康复训练器采用桌式结构,利用单片机的控制带动受训者的左右手臂以不同模式进行训练[s].从研究现状看,机器人的辅助治疗研究仍然处于初级阶段,有待进一步的改进提高,如增加训练动作的种类,康复训练过程中对患肢的保护和支撵措施,对患者肢体的主动运动意识的激励等.
针对现有康复机器人系统所存在的不足,从临床偏瘫患者上肢运动功能受损的实际出发,提出了一种针对偏瘫患者,能够完成肩、肘、腕部单关节运动、双关节及三关节复台性运动的5自由度的外骨骼式上肢康复机器人,并在系统中引入表面肌电信号将患者运动意图与康复训练相结合.
1
外骨骼式康复机器人
如图1所示的康复机器人系统应用于中风偏瘫
患者的上肢康复训练,该上肢康复机器人采用可外骨骼式的结构,很好地解决了患肢运动过程中的支撑问题,其硬铝材质的双边结构不仅在保持刚性的前提下大大的减轻了机器人本体的质量,并且为监测上肢肌肉运动状态时的电极放置提供了便利.机器人的设计从解剖学的角度出发,模仿人体的上肢运动,并支持恢复机体功能的专业训练治疗及用于
万
方数据日常生活动作的练习.如图2,机器人具有5个自由度:肩部外展/内收、肩部屈/伸、肘部屈/伸、腕部旋内/旋外和腕部屈/伸.虽然人体肩部具有3个自由度,但为康复机械臂设计的肩部z个自由度可以通过复合运动实现第3个自由度.机器人上臂和前臂部分的长度可调节功能使该机械臂应用于身高不同的人群,调节机器人位姿可实现左右手穿戴,因此适用于左、右侧偏瘫患者.从临床康复应用的实际出发,设计了高度可调的机器人支架,调节其高度可使康复机器人适用于偏瘫患者站姿与坐姿状态的康复运动训练.
罔l上肢康复机器人系统
Fig.1
Rehabilitationrobotsystem
图2上肢康复机器人的结构
F晾2
The
structure
ofrehabilitationfobot
康复机器人系统对于偏瘫患者的训练运动方式包括主动运动、被动运动和辅助运动.主动运动过程中患者依靠自身肌肉力量实现上肢各关节运动,机器人在跟随运动的过程中实现对人体上肢运动参数的测量.被动运动模式融合了各关节的单关节运动和一些简单的多关节复合运动,包括简单的日常生活功能性动作的练习,如进食、提裤等.辅助运动中,通过捕获肢体的运动意图,利用机器人宴现肢体在意图方向上的相关运动.在每个关节选用不同的伺服电机来满足不同的驱动力要求.肩部和肘部3个松下交流伺服电机产生足够的力矩来带动机械臂和
人体上肢进行运动.腕关节由2个maxon直流伺服
哈尔滨工程大学学报
第28卷
电机进行驱动,调节上肢末端的姿态.光电编码器读取装置的位置信息,力矩传感器获取运动过程中的关节力矩变化.
2控制方法研究
传统的康复机器人训练治疗是通过既定的程序来实现的.该康复机器入在这一功能基础上,;fA表面肌电信号surfaceelectromyogram(sEMG)来实现人机交互,根据患者意图实现康复训练动作.表面肌电信号是了解人体运动、肌肉收缩晟直接和重要的信息.偏瘫患者多为单侧受损,利用健侧sEMG驱动康复机器人辅助患者的受损上肢执行康复训练有助于患者保持正确运动的感觉,并激发患者的运动积极性,同时提供了一个很好的人机交互接口.由于康复机器人尚未真正达到临床康复应用,且sEMG在传统的康复机器人中的应用研究少之叉少,因此,仍然需要进行大量的和循序渐进的深入研究.首先,从上肢4块肌肉获取的sEMG包含大量的数据而不便于进行识别康复训练动作的应用.因此利用sEMG的绝对值积分和AR模型参数对其进行特征值的提取.并将其特征值作为BPN的输入.利用这些特征值和与之相对应的康复训练动作对基于L-M算法的3层前馈神经网络进行训练,并将其作为6个上肢运动的分类嚣.6个动作分别为:肩部外展、肩部前届、肘部伸展、腕部屈伸、进食和提裤.该文着重研究康复训练运动的分类,因此各个动作的速度由预先漫定值决定.
2.1
sEMG的采集
sEMG的幅值和频率受诸多因素的影响,特别是电极的放置位置“].经过长期实验发现将电极描着肌肉纤维放置在肌腹处、肌肉收缩时其波幅最高点时,可获取最大幅值的sEMG信号.由于每个上肢关节的运动并非由单个肌肉收缩引起,是多个肌肉共同产生收缩引起的,因此综合识别的上肢各个关节动作,选定上肢4块肌肉进行sEMG的提取,4个电极分别放置于上肢的三角肌前部、三角肌中部、肱二头肌及肱桡肌处.
sEMG是肌肉运动在皮肤表面的体现.采用德国ottoBock公司开发的型号为12E35的表面电极来获取sEMG信号.该电极具有内置的前处理电路和增益可调电路。由于sEMG的固有频率为o~
500Hz,因此电极的输出由美国NI公司生产的
UsB6008采集卡以2
ooo
Hz的采样率进行采集.
当肌肉放松时,电极放置于正确的肌肉位置的输出
在o~o.02V进行波动.但在数据采集过程中,运动
万
方数据的采集起始点会受到各种因素的影响.如果将采集起始阔值设置太低。会造成起始点的误判,如果将起始阈值设置得过高会丢失有用的运动信息,IE【此选择一个合适的起始点是非常重要的.由于上肢运动是多个肌肉共同作用的结果,因此当4个通道的sEMG中有2个均大于0.05V是表明运动开始了.而通过实验发现每个单个运动完成的时间大约为
l
s.因此,考虑到信号分析的便利采样数目设置为2
048,同时对4个通道进行采集,并将采集阈值设
置为0.05V.
2.2
sEMG的特征提取
由电极直接拾取的sEMG信号包含大量数据,
且具有类似的曲线(如图3),因此利用表面肌电信号的绝对值积分和AR参数模型法提取不同肌肉的不同运动的特征.由于经过电极内置电路进行前处理后的sEMG信号均为正值,表面肌电信号的IAV通过下面公式计算:
1三
IAV=寺2:Ij’五
z,I.
<1)
式中:z;足表面肌电信号的第i个采样点.N一2
048为采样点数.对于每个运动通过该方法提取4个特征值.这些特征将作为神经网络的输入对上肢康复训练运动进行分类,并与由AR模型参数作为输入所得到的结果进行比较。
>2
坦孽
7人墨r\一
圣2-7『
馨I—。’’~
0
2048
采样点数
采样点数
(a)三角肌中部提裤动作
(b)三角肌中☆避食动作
>
j
…f
趔墨
匕∑垂忪.
专…I
馨卜——∑=翥8
采样点数
采样点数
(c)三角肌前部提裤动作
(d)三角肌前都进食动作
毫2
7『
趔rf
馨
i门
翟E∑肇卜——二专;48
采样点数采样点数(c)脏二头肌提裤动作
(D肱二头肌进食动作
>j
2・7f
趔趔f
馨
r\^、
霉
【£=!±:
0
20
采样点数采样点数(g)舷挠肌提裤动作
(h)肱桡肌进食动作
图3提裤和进食动作时4块肌肉的预处理sEMG
Fig,3
Preprocessed
sEMGoffourmusclesi“pulling
trousers
and
eatlng
第9期王东岩.等:外骨骼式上肢康复机器人及其控制方法研究
为随机信号建立参数模型是研究随机信号的一种基本方法.其含义是认为随机信号z(n)是由白噪声w(”)激励某一确定系统的响应.只要白噪声的参数确定了,研究随机信号就可以转化为研究产生随机信号的系统.表面肌电信号是一种典型的随机信号,因此利用该方法为其建立AR模型,这是一种线性预测.sEMG是一种典型的非平稳随机过程.但在短时间内可将其看作平稳信号.通过为表面肌电信号建立参数模型的方法可以大大减少实验数据,并
使信号的特征更加确切.AR模型的阶数是正确描述sEMG信号的一个重要因素.根据前人的研究,为表面肌电信号建立一个四阶模型是比较有效的[”].由AR模型对sEMG信号进行描述的表达式为
,
z(”)="(n)一∑Ⅱ}z(n一^).
(2)
^一1
式中:上(”)为sEMG信号,锄(n)为白噪声,声为AR模型的阶数,m为AR模型的参数.由于该模型阶数为4,那么每个通道的sEMG信号通过分析将获得4个特征值(n,~n。).n从1~2048.每个动作中均使用4个电极采集sEMG信号.
2.3康复运动的识别
利用具有自学习功能的人工神经网络实现人机交互,通过计算得到的sEMG的特征值进行康复训练运动的识别.目前大约80%~90%的人工神经网络均采用由Rumelhart等人于1986年提出的误差反向传播网络模型或其变化形式“”.从结构上讲,BP网络是一种分层型网络,由输入层、隐层和输出层组成.层与层之问采用全互连方式,同一层的单元之间则不存在相互连接.隐层可有1个或多个.输入和输出神经元的个数由输入输出信号的数目决定.当利用sEMG的IAV值作为网络的输入时,BP神经网络结构为包含10个神经元的单隐层,输人层为4个神经元,输出层为6个神经元,即6个康复训练动作.当选择4块肌肉表面肌电信号的AR模型参数作为网络的输入值时,神经网络结构为包含22个神经元的单隐层,输入层为16个神经元.输出层为6个神经元.图4为3层前馈神经网络的结构.
常用的反向传播算法是梯度下降法,参数沿着误差梯度相反的方向移动,使误差函数减小,直到取
万
方数据图4三层前馈网络结构
Fig.4
Thestructure
ofthreelaycrfeedforwardnetwork
得极小值.这种基于梯度下降方法的固有缺点是收敛速度慢,易陷入局部极小和易引起震荡.文中采用修正的高斯一牛顿法,即Levenberg-Marquardt算法,它不仅具有梯度法的全局特性又具有高斯一牛
顿法的局部收敛特性‘”].由于利用了目标函数的二阶导数信息,L—M算法比梯度法快得多.为使神经网络在实际应用中解决问题,首先对其进行训练就是从应用环境中选出n组样本数据对({p。(1),
p1(2),…,p1(R);di(6)),…,{p。(1),户。(2),…,p。
(R);n:(6)))对网络的权值(”)进行调节直到得到合适的输入输出关系为止.下面对L-M算法作简要说明.
假设r=[叫1(1,1)埘1(1,2)…锄1(乳,R)61(1)…61(s1)Ⅻ2(1,1)…扩(5M)]’.
网络权值与闻值的变化可以看成△z,对于牛顿
法则:
△z一一[审。V(卫)]叫vy(士).
(3)
式中:yb)表示误差指标函数,v2V(z)是v(z)的Hessian矩阵,vV(z)表示梯度,5M表示第M层的神经元个数(这里M一1,2,3).
哿’V(z)=J7(z)e(z),
(4)
且
v2Vo)=J’(z).,(z)+So).
(5)
式中:J(z)为雅可比矩阵,s(z)为误差函数.
N
s(z)一∑矗(工)v2F;(z).
(6)
【4l
因此联立式(3)~(7),对于高斯一牛顿法则有
△z==一[J’(工).,(z)]1J(z)F(z)
(7)
L—M算法为改进的高斯一牛顿算法,因此
△z一一[J。(z)J(工)+口]一1J(z)F(工)
(8)式中:口为大于O的常数,J为单位矩阵.从上式中可
哈尔滨工程大学学报第28卷
看出当∥足够大时。I,一M算法近似于梯度下降法,若口为o,则是高斯一牛顿法.由于利用二阶导数信息,L-M算法比梯度法快得多。而且[JT(z)J(z)+一]是正定的,所以式(8)的解总是存在的.从这个意义上说L-M算法优于高斯一牛顿法.算法的每次迭代都对p进行自适应调整。对给定的口能使误差函数降低,则被园子p除,P逐渐减小,可以快速收敛到解;当误差函数增大时,F乘以因子口,逐渐增大,权值涮整类似于梯度下降法,可以进行全局搜索,所以L_M算法同时具备了2种方法的优点,但如果网络中权值的数目很大,则计算量和存储量都非常大.3
实验
根据神经康复学理论,实验中选取了6个上肢运动,如图5所示.包括肩部外展、肩部前屈、肘部伸展、腕部屈伸4个单关节的运动,及日常生活活动涉及的进食和提裤2个多关节复合运动.
图5
6种上肢康复训练动作
Flg.5
SixrehabIlIta【IonexercisemotionsforupPer
Iimbs
对于选定的4块上肢肌肉采集的表面肌电信号,利用IAV和AR参数模型的方法对其进行分析并将一部分数据送人BP神经网络训练其识别康复训练运动的识别能力。所有试验均在常温常压及受试者的正常状态下进行.为了满足试验的需要,受试者在非疲劳状态下对每个动作进行了60组数据的采集,其中30组用于训练神经网络,其他30组作为对该网络的检验.实验中将6个动作的识别结果描述为简单的布尔值l或0,如表1所示.BP网络具有6个输出值.当每个值大于o.9时,将这个输出设定为1,当该值小于O.1时,将此输出设定为0.分别将IAV作为网络输入和AR模型参数作为网络输入,以比较2种不同输入下的试验结果.
万
方数据表1
6种上肢动作的识别码
TahIel
R神.,窖njti帅∞d幅ofsIx
upper儿mb
motio畸
动作
代码
肩部屈伸100000肩部外展010000肘部伸展OOl000腕部屈伸000100提裤0000】O进
食
00000l
6种上肢动作动识别实验结果如表2,2种输入的网络训练收敛曲线如图6.从结果可以看出识别方法和算法均获得较好结果.二者比较,虽然IAv方法收敛速度优于AR模型方法,但后者具有较高的识别精度,即sEMG的AR模型压缩数据和提取特征更为有效.
裹2
6种上肢动作动识别结果
TabIe2
Rec唧iti蝴惜ul拓orsixmotio惦
肩部屈伸90O.0086lOOO.001O肩部外展100O.0011looO.ooI4肘部伸展1000.00151000.OOO2腕部屈伸100O.ool
8
100O.001O提裤100O.0027lOOO,0022指
鼻
100
O.002O
100
O.0015
划蜒蜘星
魁罂船叠
"『陈步数
嘞IAV为输入的刚络收敛曲线
圉62种输人的网络训练收敛图
Fig6
Convergenceliguresoftwokinds
o“nput5
第9期壬东岩,等:外骨骼式上肢康复机器人及其控制方法研究
ProductiyityandquaIi‘yofc8理:robot-aided
neuro-reh—
4结束语
blIttati。n[J].Journal
ofRehabilitationResearchandDe—
提出的面向偏瘫患者的新型5自由度康复机器velopment,2000(37):639—652.
人引入sEMG作为康复训练的控制信号,利用2种[6]胡宇川,季林红.一种偏瘫上肢复合运动的康复训练机器
方法提取的表面肌电信号特征值作为基于L-M算人[J].机械设计与制造,z004(6);47—49.
HU
rehabi】lta—法的BP神经网络的输入,通过实验的验证完成了Yuchuan.儿Linhong.Amultriple-motiontl。n
t弛mingrobotforhe订1tplegiaupp盯mnbs[J],Ma-
对康复训练运动较为准确的识别.为下一步工作研chinery【)esignand
Manufacturet2004(6):47—49.
究偏瘫患者的上肢患侧肌肉运动与sEMG信号之[7]zHANG
x
F,JILH,GuOLY.An。velrobot
neur。・
间的关系奠定了基础.
rehabilitationfofupper1imbmotion[A].Proceeding
of
theIEEE27th
参考文献:
EMBc[c].shanghai,china,2005.
[8]杨勇,张立勋,谭爱华,等.由单片机实现的多功能手r1]LUMPS,REINKENsMEYERDJ。LEHMANsL.
臂摩复训练器口].自动化技术与应用,2004,23(2):55
RoboticassistdevIce5
forbima士lual
physKaltherapy:
~57.prelimiIlary
expedments口].IEEE
Transactionson
Neu-
YANG
Yong,ZHANG
LlxuⅡ,TAN
AihIla,etaL
A
ralSystemsandRehabilitation,1993,“3):185—191.
multi—functio衄Iarm
tratner
byusing
AVR
Mcu[J].
[2]I。uM
P
s,LEHMANsL.Thebjmanualllfti“grehabil一
Techmquesof
Automation
and
ApplIcatlons,2004,23
itato‘:anad8ptivemachinefoTtherapyof8troke
pat忙nts
(2):55—57.
[J].
IEEETransacti。n3
on
RehabilitatIonEnglneering,
[9]DE
LucAc
J.The
use
ofsurface
electromyograPhy
in
1995(2):166一174.
bIomechaIlics[J].Jourlla【of
AppliedBiomechan.cs,1997
[3]叫RGAR
c
G,LuMPs.sHORPc,et“.Develop—
(13):135一163.
ment
of∞botsforrehabilitationtherapy:thepaloalto
[10]DOERsHuK
Pc.GusrAFsoND
E,wILLsKYAs.
VA/stanfordexperience[J].JoumalofRehabilItation
Upperextr咖ity
limbfunction
recognitionu5ing
EMG
ResearchandDeveIopmentt2000(37)t663—673.
slgnaI咖Iysis口].1EEETransaction
on
Biomechanics,
[4]KAHNLE.zYGMANML,RYMERwz,eta1.Effect
1983(30):18—29.
ofrDbot—asslstedanduⅡas5i5【edexerciseon
functionai
[11]李士勇.模糊控制・神经控制和智能控制论[M].略尔
reachlnginchronic
hemiparesis[A].ProceedIllgs
23rd
滨:哈尔滨工业大学出版社,1998.
AnnualTEEEEngIneeri“gln
Med商n£andBiologyCon—
[12]HAGANMT,MENHAJM
B
Trainingfeedforward
ference[c].btanbul,Turkey,2001.networksw“hthe
M8rquardtalgonthm[J].
IEEE
[5]KREBs
HI.VOLPEBT,AIsEN
ML,etal-Increasing
Tran5actions
on
NeuraINet,1994(5):989—993.
万
方数据
外骨骼式上肢康复机器人及其控制方法研究
作者:作者单位:
王东岩, 李庆玲, 杜志江, 孙立宁, WANG Dong-yan, LI Qing-ling, DU Zhi-jiang, SUN Li-ning
王东岩,WANG Dong-yan(哈尔滨工业大学,机器人研究所,黑龙江,哈尔滨,150001;黑龙江中医药大学附属第二医院,康复科,黑龙江,哈尔滨,150001), 李庆玲,杜志江,孙立宁,LI Qing-ling,DU Zhi-jiang,SUN Li-ning(哈尔滨工业大学,机器人研究所,黑龙江,哈尔滨,150001)哈尔滨工程大学学报
JOURNAL OF HARBIN ENGINEERING UNIVERSITY2007,28(9)5次
刊名:英文刊名:年,卷(期):被引用次数:
参考文献(12条)
1. LUM P S;RElNKENSMEYER D J;LEHMAN S L Robotic assist devices for bimanual physicaltherapy:preliminary experiments[外文期刊] 1993(03)
2. LUM P S;LEHMAN S L The bimanual lifting rehabilitator:an adaptive machine for therapy of strokepatients [外文期刊] 1995(02)
3. BURGAR C G;LUM P S;SHOR P C Developmerit of robots for rehabilitation therapy:the palo altoVA/Stanford experience 2000(37)
4. KAHN L E;ZYGMAN M L;RYMER W Z Effect of robot-assisted and unassisted exercise on functionalreaching in chronic hemiparesis 2001
5. KREBS H I;VOLPE B T;AISEN M L Increasing productivity and quality of care:robot-aided neuro-rehabilitation 2000(37)
6. 胡宇川;季林红 一种偏瘫上肢复合运动的康复训练机器人[期刊论文]-机械设计与制造 2004(06)
7. ZHANG X F;JI L H;GUO L Y A novel robot neurorehabilitation for upper limb motion[外文会议] 20058. 杨勇;张立勋;谭爱华 由单片机实现的多功能手臂康复训练器[期刊论文]-自动化技术与应用 2004(02)9. DE LUCA C J The use of surface electromyography in biomechanics 1997(13)
10. DOERSHUK P C;GUSTAFSON D E;WILLSKY A S Upper extremity limb function recognition using EMG signalanalysis [外文期刊] 1983(30)
11. 李士勇 模糊控制@神经控制和智能控制论 1998
12. HAGAN M T;MENHAJ M B Training feedforward networks with the Marquardt algorithm[外文期刊]1994(05)
本文读者也读过(10条)
1. 贺琛. 张小栋. 杨玉涛. HE Chen. ZHANG Xiao-dong. YANG Yu-tao 上肢外骨骼机器人控制系统建模与设计[期刊论文]-测控技术2009,28(12)
2. 李庆玲. 叶腾茂. 杜志江. 孙立宁. 王东岩. LI Qing-ling. YE Teng-mao. DU Zhi-jiang. SUN Li-ning. WANG Dong-yan 外骨骼式上肢康复机器人力辅助控制[期刊论文]-哈尔滨工程大学学报2009,30(2)
3. 张秀峰. 季林红. 王景新. ZHANG Xiufeng. JI Linhong. WANG Jingxin 辅助上肢运动康复机器人技术研究[期刊论文]-清华大学学报(自然科学版)2006,46(11)
4. 李庆玲. 孙立宁. 杜志江. LI Qing-ling. SUN Li-ning. DU Zhi-jiang 上肢康复机器人发展现状的分析与研究[期刊论文]-机械设计2008,25(9)
5. 王东岩. 李庆玲. 杜志江. 孙立宁. WANG Dong-yan. LI Qing-ling. DU Zhi-jiang. SUN Li-ning 5 DOF穿戴式上肢康复机器人控制方法研究[期刊论文]-哈尔滨工业大学学报2007,39(9)
6. 孙立宁. 李庆玲. 杜志江. 王东岩 上肢康复机器人的发展现状分析与研究[会议论文]-20077. 李庆玲. 叶腾茂. 王东岩. 孙立宁. 杜志江 外骨骼式上肢康复机器人力辅助控制[会议论文]-20078. 杨晓红 可穿戴的机器人——外骨骼机器人最新发展[期刊论文]-轻兵器2009(8)
9. 杨智勇. 张静. 归丽华. 张远山. 杨秀霞. YANG Zhi-yong. ZHANG Jing. GUI Li-hua. ZHANG Yuan-shan. YANG Xiu-xia
外骨骼机器人控制方法综述[期刊论文]-海军航空工程学院学报2009,24(5)10. 李华召 手臂外骨骼的控制及仿真研究[学位论文]2008
引证文献(5条)
1. 李志华. 梁朝. 孔万增 一种新型上肢康复机器人设计与分析[期刊论文]-中国制造业信息化 2012(15)2. 万大千. 徐义明. 白跃宏 下肢外骨骼康复机器人的研究与进展[期刊论文]-中国组织工程研究与临床康复2011(52)
3. 李军强. 王娟. 赵海文. 刘今越 基于虚拟现实的外骨骼式远程康复系统[期刊论文]-机械设计与研究 2011(4)4. 王月姣. 李会军. 宋爱国 单自由度远程康复训练机器人系统设计[期刊论文]-测控技术 2009(7)5. 吴毅. 贾杰. 刘罡. 白玉龙 脑卒中康复治疗新技术[期刊论文]-中华物理医学与康复杂志 2008(6)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_hebgcdxxb200709011.aspx
第28卷第9期2007年9月
a
I
V01.28№9
S*口.2007
哈m十、o
滨=叠工‰
r
E
程唱
大Ⅲ
学“学mmR哆
n
外骨骼式上肢康复机器人及其控制方法研究
王东岩…,李庆玲1,杜志江1,孙立宁1
(1.咯尔滨工业大学机器人研究所.黑龙江哈尔痿150001;2黑龙江中医药大学附属第二医院康复科,黑龙江略尔滨150001)
摘要:提出了一种融合单、多关节及日常生活功能行动作训练的5自由度外骨骼式偏瘫上肢康复机器人系统根据偏瘫患者上肢单侧受损的特点.提取偏瘫患者的健但j肢体运动的表面肌电信号用于驱动康复机器人辅助患者患侧肢体实现康复训练动作.采用肌电绝对值积分和自回归参数模型法对上肢运动巾参与动作的4块肌肉产生的sEM(j信号分别进行特征提取,并分别作为基于Levenberg—Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.该方法有利于提高中枢神经系统紧张度,促进血液循环.在康复的同时防止并发症的产生,更有利
于提高患者运动积极性,保持患者正确运动的感觉.
关毽词:外骨骼式康复机器人;表面肌电信号;AR参数模型;I.一M算法;BP网络中囤分类号:TP24文献标识码:A文章编号:1006—7043【2007)09—1008一06
Study
on
exoskeletaIrehabilitationrobotfor
upperlimbandjtscontrOl
method
Li—nin91
WANG
UnlversltvofChinese
Dong—yanl”,LIQing一1in91,DU
ZhHian91,SUN
(1.RobotjcsInstitute,HarblnInstituteofTechnology.Harbin15000l,China;2.Second
AmliatedHospItaIofHeIlon目larlg
Mcdiclne,HarbIn150001,China)
Abstract:A5一DOFexoskeletalrehabilitationrobot,which
can
implementsinglejointandmuItHointcom
plexmotionsandprovideADLtrainingfofhem‘plegicpatients,ispresented.Ingeneral,hemiplegicpa—tients
are
unilaterallylmpaired,sothesurfaceelectromyogram(sEMG)signalinthehealthylimbs
to
can
be
extracted
ses.
drivetherehabilitationrobot
to
assistpatientfimpaired1imbtocarryoutrehabilitationexerci—
ARwereusedto
extract
Hereintwomethodswereinv01ved;IAVand
to
features
ofsEMGacquiredTheextractedfea—
fromfourupperlimbmuscleswhichcont“bute
tures
focusedactivitiesofthatupper1imb.
wereused
as
theinputto
a
a
backpropagationneuralnetwork(BPN)intheLevenbergMarquardt
(LM)algorithm,then
upper
relationshipwasformulatedbetweensMEGandtherehablilitationmotionwithsix
as
limbrehabilitationexercisemotions
ou‘puts.Experimentsprovetheeffectivenessofthismethod,system,improvebloodcirculationandkeep
a
sense
whichisusefulforpatienttotrainthe
er
nervous
ofprop—
motionandimprovera“geofmotion.
Keywords:exoskeIetalrehabilitationr。bot;sEMGIARparametermodel;L—Malgorithm;BPN
脑损伤引起的偏瘫等运动功能障碍给患者的家庭和社会带来了沉重的负担.正确、科学的康复训练对肢体运动功能的恢复和提高起到非常重要的作用.神经康复治疗过程是一项艰苦的工作,目前主要依靠康复医师对患者进行一对一的手工操作和主观临床经验对患肢进行的评估,限制了康复水平的提高.康复医学与机器人技术的结合提高了康复训练
收稿日期:2006—12一06.
基金项目:国家自然科学基金资助项目(60505016);黑龙江省科技攻
关资助项目(GB04A502—2)I哈尔滨市青年科学基金贽助
项目(2004AFQXJ017)
作者筒舟:王东岩(1971一),女・副教授.博士后.E'ma,l;doctwdy@
163.com;
孙立宁(1964一).男.教授.博士生导师
万方数据
第9斯王东岩,等:外骨骼式上肢康复机器人及其控制方法研究
・1009・
的效率并保证了动作训练的强度,为研究新的康复技术开辟了新的途径.
1993年加利福尼亚大学的PeterS.Lum研究设计了名为手一物体一手(hand-object-hand)的双手康复装置及训练双手上举协调性的装置(biman—
ual1ifting
rehabilitator)为患手提供力辅助而训练
上举协调性LI一“.2000年,Lum与斯坦福大学合作开发了名为MIME的系列康复机器人,该系列机器人分为3代,第l代只能完成2个自由度的单关节运动,第2代和第3代在Puma系列机器人的带动下分别能够实现前臂的平面运动和三维空问运动c3].芝加哥大学研制了一种ARMGuide训练装置,通过手动调节其偏转和俯仰2个自由度,可使患者固定在夹板上的手臂完成不同直线轨迹的触点动作训练[“.美国麻省理工1995年研制了M1T—MA—NUS上肢康复机器人,该机器人是由五连杆组成的平面两自由度并联机构,患者握住机构末端的手柄完成平面内的运动训练,通过阻抗控制实现训练的安全性和平稳性D].国内,清华大学研制了二连杆机构的复合康复装置,患者可握住机构末端手柄,由装置带动上肢在一定面积的水平面上完成上肢平面复合运动,也可固定在手臂外侧完成肩部3个自由度的分别训练D-7].由哈尔滨工程大学研制的手臂康复训练器采用桌式结构,利用单片机的控制带动受训者的左右手臂以不同模式进行训练[s].从研究现状看,机器人的辅助治疗研究仍然处于初级阶段,有待进一步的改进提高,如增加训练动作的种类,康复训练过程中对患肢的保护和支撵措施,对患者肢体的主动运动意识的激励等.
针对现有康复机器人系统所存在的不足,从临床偏瘫患者上肢运动功能受损的实际出发,提出了一种针对偏瘫患者,能够完成肩、肘、腕部单关节运动、双关节及三关节复台性运动的5自由度的外骨骼式上肢康复机器人,并在系统中引入表面肌电信号将患者运动意图与康复训练相结合.
1
外骨骼式康复机器人
如图1所示的康复机器人系统应用于中风偏瘫
患者的上肢康复训练,该上肢康复机器人采用可外骨骼式的结构,很好地解决了患肢运动过程中的支撑问题,其硬铝材质的双边结构不仅在保持刚性的前提下大大的减轻了机器人本体的质量,并且为监测上肢肌肉运动状态时的电极放置提供了便利.机器人的设计从解剖学的角度出发,模仿人体的上肢运动,并支持恢复机体功能的专业训练治疗及用于
万
方数据日常生活动作的练习.如图2,机器人具有5个自由度:肩部外展/内收、肩部屈/伸、肘部屈/伸、腕部旋内/旋外和腕部屈/伸.虽然人体肩部具有3个自由度,但为康复机械臂设计的肩部z个自由度可以通过复合运动实现第3个自由度.机器人上臂和前臂部分的长度可调节功能使该机械臂应用于身高不同的人群,调节机器人位姿可实现左右手穿戴,因此适用于左、右侧偏瘫患者.从临床康复应用的实际出发,设计了高度可调的机器人支架,调节其高度可使康复机器人适用于偏瘫患者站姿与坐姿状态的康复运动训练.
罔l上肢康复机器人系统
Fig.1
Rehabilitationrobotsystem
图2上肢康复机器人的结构
F晾2
The
structure
ofrehabilitationfobot
康复机器人系统对于偏瘫患者的训练运动方式包括主动运动、被动运动和辅助运动.主动运动过程中患者依靠自身肌肉力量实现上肢各关节运动,机器人在跟随运动的过程中实现对人体上肢运动参数的测量.被动运动模式融合了各关节的单关节运动和一些简单的多关节复合运动,包括简单的日常生活功能性动作的练习,如进食、提裤等.辅助运动中,通过捕获肢体的运动意图,利用机器人宴现肢体在意图方向上的相关运动.在每个关节选用不同的伺服电机来满足不同的驱动力要求.肩部和肘部3个松下交流伺服电机产生足够的力矩来带动机械臂和
人体上肢进行运动.腕关节由2个maxon直流伺服
哈尔滨工程大学学报
第28卷
电机进行驱动,调节上肢末端的姿态.光电编码器读取装置的位置信息,力矩传感器获取运动过程中的关节力矩变化.
2控制方法研究
传统的康复机器人训练治疗是通过既定的程序来实现的.该康复机器入在这一功能基础上,;fA表面肌电信号surfaceelectromyogram(sEMG)来实现人机交互,根据患者意图实现康复训练动作.表面肌电信号是了解人体运动、肌肉收缩晟直接和重要的信息.偏瘫患者多为单侧受损,利用健侧sEMG驱动康复机器人辅助患者的受损上肢执行康复训练有助于患者保持正确运动的感觉,并激发患者的运动积极性,同时提供了一个很好的人机交互接口.由于康复机器人尚未真正达到临床康复应用,且sEMG在传统的康复机器人中的应用研究少之叉少,因此,仍然需要进行大量的和循序渐进的深入研究.首先,从上肢4块肌肉获取的sEMG包含大量的数据而不便于进行识别康复训练动作的应用.因此利用sEMG的绝对值积分和AR模型参数对其进行特征值的提取.并将其特征值作为BPN的输入.利用这些特征值和与之相对应的康复训练动作对基于L-M算法的3层前馈神经网络进行训练,并将其作为6个上肢运动的分类嚣.6个动作分别为:肩部外展、肩部前届、肘部伸展、腕部屈伸、进食和提裤.该文着重研究康复训练运动的分类,因此各个动作的速度由预先漫定值决定.
2.1
sEMG的采集
sEMG的幅值和频率受诸多因素的影响,特别是电极的放置位置“].经过长期实验发现将电极描着肌肉纤维放置在肌腹处、肌肉收缩时其波幅最高点时,可获取最大幅值的sEMG信号.由于每个上肢关节的运动并非由单个肌肉收缩引起,是多个肌肉共同产生收缩引起的,因此综合识别的上肢各个关节动作,选定上肢4块肌肉进行sEMG的提取,4个电极分别放置于上肢的三角肌前部、三角肌中部、肱二头肌及肱桡肌处.
sEMG是肌肉运动在皮肤表面的体现.采用德国ottoBock公司开发的型号为12E35的表面电极来获取sEMG信号.该电极具有内置的前处理电路和增益可调电路。由于sEMG的固有频率为o~
500Hz,因此电极的输出由美国NI公司生产的
UsB6008采集卡以2
ooo
Hz的采样率进行采集.
当肌肉放松时,电极放置于正确的肌肉位置的输出
在o~o.02V进行波动.但在数据采集过程中,运动
万
方数据的采集起始点会受到各种因素的影响.如果将采集起始阔值设置太低。会造成起始点的误判,如果将起始阈值设置得过高会丢失有用的运动信息,IE【此选择一个合适的起始点是非常重要的.由于上肢运动是多个肌肉共同作用的结果,因此当4个通道的sEMG中有2个均大于0.05V是表明运动开始了.而通过实验发现每个单个运动完成的时间大约为
l
s.因此,考虑到信号分析的便利采样数目设置为2
048,同时对4个通道进行采集,并将采集阈值设
置为0.05V.
2.2
sEMG的特征提取
由电极直接拾取的sEMG信号包含大量数据,
且具有类似的曲线(如图3),因此利用表面肌电信号的绝对值积分和AR参数模型法提取不同肌肉的不同运动的特征.由于经过电极内置电路进行前处理后的sEMG信号均为正值,表面肌电信号的IAV通过下面公式计算:
1三
IAV=寺2:Ij’五
z,I.
<1)
式中:z;足表面肌电信号的第i个采样点.N一2
048为采样点数.对于每个运动通过该方法提取4个特征值.这些特征将作为神经网络的输入对上肢康复训练运动进行分类,并与由AR模型参数作为输入所得到的结果进行比较。
>2
坦孽
7人墨r\一
圣2-7『
馨I—。’’~
0
2048
采样点数
采样点数
(a)三角肌中部提裤动作
(b)三角肌中☆避食动作
>
j
…f
趔墨
匕∑垂忪.
专…I
馨卜——∑=翥8
采样点数
采样点数
(c)三角肌前部提裤动作
(d)三角肌前都进食动作
毫2
7『
趔rf
馨
i门
翟E∑肇卜——二专;48
采样点数采样点数(c)脏二头肌提裤动作
(D肱二头肌进食动作
>j
2・7f
趔趔f
馨
r\^、
霉
【£=!±:
0
20
采样点数采样点数(g)舷挠肌提裤动作
(h)肱桡肌进食动作
图3提裤和进食动作时4块肌肉的预处理sEMG
Fig,3
Preprocessed
sEMGoffourmusclesi“pulling
trousers
and
eatlng
第9期王东岩.等:外骨骼式上肢康复机器人及其控制方法研究
为随机信号建立参数模型是研究随机信号的一种基本方法.其含义是认为随机信号z(n)是由白噪声w(”)激励某一确定系统的响应.只要白噪声的参数确定了,研究随机信号就可以转化为研究产生随机信号的系统.表面肌电信号是一种典型的随机信号,因此利用该方法为其建立AR模型,这是一种线性预测.sEMG是一种典型的非平稳随机过程.但在短时间内可将其看作平稳信号.通过为表面肌电信号建立参数模型的方法可以大大减少实验数据,并
使信号的特征更加确切.AR模型的阶数是正确描述sEMG信号的一个重要因素.根据前人的研究,为表面肌电信号建立一个四阶模型是比较有效的[”].由AR模型对sEMG信号进行描述的表达式为
,
z(”)="(n)一∑Ⅱ}z(n一^).
(2)
^一1
式中:上(”)为sEMG信号,锄(n)为白噪声,声为AR模型的阶数,m为AR模型的参数.由于该模型阶数为4,那么每个通道的sEMG信号通过分析将获得4个特征值(n,~n。).n从1~2048.每个动作中均使用4个电极采集sEMG信号.
2.3康复运动的识别
利用具有自学习功能的人工神经网络实现人机交互,通过计算得到的sEMG的特征值进行康复训练运动的识别.目前大约80%~90%的人工神经网络均采用由Rumelhart等人于1986年提出的误差反向传播网络模型或其变化形式“”.从结构上讲,BP网络是一种分层型网络,由输入层、隐层和输出层组成.层与层之问采用全互连方式,同一层的单元之间则不存在相互连接.隐层可有1个或多个.输入和输出神经元的个数由输入输出信号的数目决定.当利用sEMG的IAV值作为网络的输入时,BP神经网络结构为包含10个神经元的单隐层,输人层为4个神经元,输出层为6个神经元,即6个康复训练动作.当选择4块肌肉表面肌电信号的AR模型参数作为网络的输入值时,神经网络结构为包含22个神经元的单隐层,输入层为16个神经元.输出层为6个神经元.图4为3层前馈神经网络的结构.
常用的反向传播算法是梯度下降法,参数沿着误差梯度相反的方向移动,使误差函数减小,直到取
万
方数据图4三层前馈网络结构
Fig.4
Thestructure
ofthreelaycrfeedforwardnetwork
得极小值.这种基于梯度下降方法的固有缺点是收敛速度慢,易陷入局部极小和易引起震荡.文中采用修正的高斯一牛顿法,即Levenberg-Marquardt算法,它不仅具有梯度法的全局特性又具有高斯一牛
顿法的局部收敛特性‘”].由于利用了目标函数的二阶导数信息,L—M算法比梯度法快得多.为使神经网络在实际应用中解决问题,首先对其进行训练就是从应用环境中选出n组样本数据对({p。(1),
p1(2),…,p1(R);di(6)),…,{p。(1),户。(2),…,p。
(R);n:(6)))对网络的权值(”)进行调节直到得到合适的输入输出关系为止.下面对L-M算法作简要说明.
假设r=[叫1(1,1)埘1(1,2)…锄1(乳,R)61(1)…61(s1)Ⅻ2(1,1)…扩(5M)]’.
网络权值与闻值的变化可以看成△z,对于牛顿
法则:
△z一一[审。V(卫)]叫vy(士).
(3)
式中:yb)表示误差指标函数,v2V(z)是v(z)的Hessian矩阵,vV(z)表示梯度,5M表示第M层的神经元个数(这里M一1,2,3).
哿’V(z)=J7(z)e(z),
(4)
且
v2Vo)=J’(z).,(z)+So).
(5)
式中:J(z)为雅可比矩阵,s(z)为误差函数.
N
s(z)一∑矗(工)v2F;(z).
(6)
【4l
因此联立式(3)~(7),对于高斯一牛顿法则有
△z==一[J’(工).,(z)]1J(z)F(z)
(7)
L—M算法为改进的高斯一牛顿算法,因此
△z一一[J。(z)J(工)+口]一1J(z)F(工)
(8)式中:口为大于O的常数,J为单位矩阵.从上式中可
哈尔滨工程大学学报第28卷
看出当∥足够大时。I,一M算法近似于梯度下降法,若口为o,则是高斯一牛顿法.由于利用二阶导数信息,L-M算法比梯度法快得多。而且[JT(z)J(z)+一]是正定的,所以式(8)的解总是存在的.从这个意义上说L-M算法优于高斯一牛顿法.算法的每次迭代都对p进行自适应调整。对给定的口能使误差函数降低,则被园子p除,P逐渐减小,可以快速收敛到解;当误差函数增大时,F乘以因子口,逐渐增大,权值涮整类似于梯度下降法,可以进行全局搜索,所以L_M算法同时具备了2种方法的优点,但如果网络中权值的数目很大,则计算量和存储量都非常大.3
实验
根据神经康复学理论,实验中选取了6个上肢运动,如图5所示.包括肩部外展、肩部前屈、肘部伸展、腕部屈伸4个单关节的运动,及日常生活活动涉及的进食和提裤2个多关节复合运动.
图5
6种上肢康复训练动作
Flg.5
SixrehabIlIta【IonexercisemotionsforupPer
Iimbs
对于选定的4块上肢肌肉采集的表面肌电信号,利用IAV和AR参数模型的方法对其进行分析并将一部分数据送人BP神经网络训练其识别康复训练运动的识别能力。所有试验均在常温常压及受试者的正常状态下进行.为了满足试验的需要,受试者在非疲劳状态下对每个动作进行了60组数据的采集,其中30组用于训练神经网络,其他30组作为对该网络的检验.实验中将6个动作的识别结果描述为简单的布尔值l或0,如表1所示.BP网络具有6个输出值.当每个值大于o.9时,将这个输出设定为1,当该值小于O.1时,将此输出设定为0.分别将IAV作为网络输入和AR模型参数作为网络输入,以比较2种不同输入下的试验结果.
万
方数据表1
6种上肢动作的识别码
TahIel
R神.,窖njti帅∞d幅ofsIx
upper儿mb
motio畸
动作
代码
肩部屈伸100000肩部外展010000肘部伸展OOl000腕部屈伸000100提裤0000】O进
食
00000l
6种上肢动作动识别实验结果如表2,2种输入的网络训练收敛曲线如图6.从结果可以看出识别方法和算法均获得较好结果.二者比较,虽然IAv方法收敛速度优于AR模型方法,但后者具有较高的识别精度,即sEMG的AR模型压缩数据和提取特征更为有效.
裹2
6种上肢动作动识别结果
TabIe2
Rec唧iti蝴惜ul拓orsixmotio惦
肩部屈伸90O.0086lOOO.001O肩部外展100O.0011looO.ooI4肘部伸展1000.00151000.OOO2腕部屈伸100O.ool
8
100O.001O提裤100O.0027lOOO,0022指
鼻
100
O.002O
100
O.0015
划蜒蜘星
魁罂船叠
"『陈步数
嘞IAV为输入的刚络收敛曲线
圉62种输人的网络训练收敛图
Fig6
Convergenceliguresoftwokinds
o“nput5
第9期壬东岩,等:外骨骼式上肢康复机器人及其控制方法研究
ProductiyityandquaIi‘yofc8理:robot-aided
neuro-reh—
4结束语
blIttati。n[J].Journal
ofRehabilitationResearchandDe—
提出的面向偏瘫患者的新型5自由度康复机器velopment,2000(37):639—652.
人引入sEMG作为康复训练的控制信号,利用2种[6]胡宇川,季林红.一种偏瘫上肢复合运动的康复训练机器
方法提取的表面肌电信号特征值作为基于L-M算人[J].机械设计与制造,z004(6);47—49.
HU
rehabi】lta—法的BP神经网络的输入,通过实验的验证完成了Yuchuan.儿Linhong.Amultriple-motiontl。n
t弛mingrobotforhe订1tplegiaupp盯mnbs[J],Ma-
对康复训练运动较为准确的识别.为下一步工作研chinery【)esignand
Manufacturet2004(6):47—49.
究偏瘫患者的上肢患侧肌肉运动与sEMG信号之[7]zHANG
x
F,JILH,GuOLY.An。velrobot
neur。・
间的关系奠定了基础.
rehabilitationfofupper1imbmotion[A].Proceeding
of
theIEEE27th
参考文献:
EMBc[c].shanghai,china,2005.
[8]杨勇,张立勋,谭爱华,等.由单片机实现的多功能手r1]LUMPS,REINKENsMEYERDJ。LEHMANsL.
臂摩复训练器口].自动化技术与应用,2004,23(2):55
RoboticassistdevIce5
forbima士lual
physKaltherapy:
~57.prelimiIlary
expedments口].IEEE
Transactionson
Neu-
YANG
Yong,ZHANG
LlxuⅡ,TAN
AihIla,etaL
A
ralSystemsandRehabilitation,1993,“3):185—191.
multi—functio衄Iarm
tratner
byusing
AVR
Mcu[J].
[2]I。uM
P
s,LEHMANsL.Thebjmanualllfti“grehabil一
Techmquesof
Automation
and
ApplIcatlons,2004,23
itato‘:anad8ptivemachinefoTtherapyof8troke
pat忙nts
(2):55—57.
[J].
IEEETransacti。n3
on
RehabilitatIonEnglneering,
[9]DE
LucAc
J.The
use
ofsurface
electromyograPhy
in
1995(2):166一174.
bIomechaIlics[J].Jourlla【of
AppliedBiomechan.cs,1997
[3]叫RGAR
c
G,LuMPs.sHORPc,et“.Develop—
(13):135一163.
ment
of∞botsforrehabilitationtherapy:thepaloalto
[10]DOERsHuK
Pc.GusrAFsoND
E,wILLsKYAs.
VA/stanfordexperience[J].JoumalofRehabilItation
Upperextr咖ity
limbfunction
recognitionu5ing
EMG
ResearchandDeveIopmentt2000(37)t663—673.
slgnaI咖Iysis口].1EEETransaction
on
Biomechanics,
[4]KAHNLE.zYGMANML,RYMERwz,eta1.Effect
1983(30):18—29.
ofrDbot—asslstedanduⅡas5i5【edexerciseon
functionai
[11]李士勇.模糊控制・神经控制和智能控制论[M].略尔
reachlnginchronic
hemiparesis[A].ProceedIllgs
23rd
滨:哈尔滨工业大学出版社,1998.
AnnualTEEEEngIneeri“gln
Med商n£andBiologyCon—
[12]HAGANMT,MENHAJM
B
Trainingfeedforward
ference[c].btanbul,Turkey,2001.networksw“hthe
M8rquardtalgonthm[J].
IEEE
[5]KREBs
HI.VOLPEBT,AIsEN
ML,etal-Increasing
Tran5actions
on
NeuraINet,1994(5):989—993.
万
方数据
外骨骼式上肢康复机器人及其控制方法研究
作者:作者单位:
王东岩, 李庆玲, 杜志江, 孙立宁, WANG Dong-yan, LI Qing-ling, DU Zhi-jiang, SUN Li-ning
王东岩,WANG Dong-yan(哈尔滨工业大学,机器人研究所,黑龙江,哈尔滨,150001;黑龙江中医药大学附属第二医院,康复科,黑龙江,哈尔滨,150001), 李庆玲,杜志江,孙立宁,LI Qing-ling,DU Zhi-jiang,SUN Li-ning(哈尔滨工业大学,机器人研究所,黑龙江,哈尔滨,150001)哈尔滨工程大学学报
JOURNAL OF HARBIN ENGINEERING UNIVERSITY2007,28(9)5次
刊名:英文刊名:年,卷(期):被引用次数:
参考文献(12条)
1. LUM P S;RElNKENSMEYER D J;LEHMAN S L Robotic assist devices for bimanual physicaltherapy:preliminary experiments[外文期刊] 1993(03)
2. LUM P S;LEHMAN S L The bimanual lifting rehabilitator:an adaptive machine for therapy of strokepatients [外文期刊] 1995(02)
3. BURGAR C G;LUM P S;SHOR P C Developmerit of robots for rehabilitation therapy:the palo altoVA/Stanford experience 2000(37)
4. KAHN L E;ZYGMAN M L;RYMER W Z Effect of robot-assisted and unassisted exercise on functionalreaching in chronic hemiparesis 2001
5. KREBS H I;VOLPE B T;AISEN M L Increasing productivity and quality of care:robot-aided neuro-rehabilitation 2000(37)
6. 胡宇川;季林红 一种偏瘫上肢复合运动的康复训练机器人[期刊论文]-机械设计与制造 2004(06)
7. ZHANG X F;JI L H;GUO L Y A novel robot neurorehabilitation for upper limb motion[外文会议] 20058. 杨勇;张立勋;谭爱华 由单片机实现的多功能手臂康复训练器[期刊论文]-自动化技术与应用 2004(02)9. DE LUCA C J The use of surface electromyography in biomechanics 1997(13)
10. DOERSHUK P C;GUSTAFSON D E;WILLSKY A S Upper extremity limb function recognition using EMG signalanalysis [外文期刊] 1983(30)
11. 李士勇 模糊控制@神经控制和智能控制论 1998
12. HAGAN M T;MENHAJ M B Training feedforward networks with the Marquardt algorithm[外文期刊]1994(05)
本文读者也读过(10条)
1. 贺琛. 张小栋. 杨玉涛. HE Chen. ZHANG Xiao-dong. YANG Yu-tao 上肢外骨骼机器人控制系统建模与设计[期刊论文]-测控技术2009,28(12)
2. 李庆玲. 叶腾茂. 杜志江. 孙立宁. 王东岩. LI Qing-ling. YE Teng-mao. DU Zhi-jiang. SUN Li-ning. WANG Dong-yan 外骨骼式上肢康复机器人力辅助控制[期刊论文]-哈尔滨工程大学学报2009,30(2)
3. 张秀峰. 季林红. 王景新. ZHANG Xiufeng. JI Linhong. WANG Jingxin 辅助上肢运动康复机器人技术研究[期刊论文]-清华大学学报(自然科学版)2006,46(11)
4. 李庆玲. 孙立宁. 杜志江. LI Qing-ling. SUN Li-ning. DU Zhi-jiang 上肢康复机器人发展现状的分析与研究[期刊论文]-机械设计2008,25(9)
5. 王东岩. 李庆玲. 杜志江. 孙立宁. WANG Dong-yan. LI Qing-ling. DU Zhi-jiang. SUN Li-ning 5 DOF穿戴式上肢康复机器人控制方法研究[期刊论文]-哈尔滨工业大学学报2007,39(9)
6. 孙立宁. 李庆玲. 杜志江. 王东岩 上肢康复机器人的发展现状分析与研究[会议论文]-20077. 李庆玲. 叶腾茂. 王东岩. 孙立宁. 杜志江 外骨骼式上肢康复机器人力辅助控制[会议论文]-20078. 杨晓红 可穿戴的机器人——外骨骼机器人最新发展[期刊论文]-轻兵器2009(8)
9. 杨智勇. 张静. 归丽华. 张远山. 杨秀霞. YANG Zhi-yong. ZHANG Jing. GUI Li-hua. ZHANG Yuan-shan. YANG Xiu-xia
外骨骼机器人控制方法综述[期刊论文]-海军航空工程学院学报2009,24(5)10. 李华召 手臂外骨骼的控制及仿真研究[学位论文]2008
引证文献(5条)
1. 李志华. 梁朝. 孔万增 一种新型上肢康复机器人设计与分析[期刊论文]-中国制造业信息化 2012(15)2. 万大千. 徐义明. 白跃宏 下肢外骨骼康复机器人的研究与进展[期刊论文]-中国组织工程研究与临床康复2011(52)
3. 李军强. 王娟. 赵海文. 刘今越 基于虚拟现实的外骨骼式远程康复系统[期刊论文]-机械设计与研究 2011(4)4. 王月姣. 李会军. 宋爱国 单自由度远程康复训练机器人系统设计[期刊论文]-测控技术 2009(7)5. 吴毅. 贾杰. 刘罡. 白玉龙 脑卒中康复治疗新技术[期刊论文]-中华物理医学与康复杂志 2008(6)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_hebgcdxxb200709011.aspx