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