论文部分内容阅读
针对人体运动功能增强和重建的各类助力/助行外骨骼机器人已经应用于助老助残、康复医疗和国防军事等领域。该类人机系统通过生物、计算、控制、机械等技术的有机融合与深度协作、人机物理接触实现人体和可穿戴设备的有机协作,达到实时感知、动态控制、人机共融和信息服务等目的。然而其与人体运动的自然和谐仍不可能,并一直是该领域公认的热点和难点。因此,本文以高斯过程自回归模型为基础,探究人体连续运动在时间序列上的内在关联特性;集成演进系统理论,应对人体运动的不规则性,从而实现人体运动意图自然、快速和准确的理解,在此基础上提升人体-外骨骼系统主动柔顺性。具体地,本文从肌电信号(EMG信号)特征提取出发,通过应用Hill骨骼肌模型和半唯象模型,建立人体-外骨骼耦合动力学模型,进而构建了可以用于人体运动意图理解的状态空间模型;基于人机力交互接口,利用高斯过程自回归模型实现多源信息融合;通过应用演进系统理论,针对系统输入中生理信号的不稳定性和人体运动的不规则性,增强系统的适应性,实现了对人体运动意图的精确识别和理解;开发了用于EMG特征提取的卷积神经网络,提出了基于混合深度学习的外骨骼智能控制策略,并完成了初步的主动柔顺性控制实验。本文的主要研究工作和成果可以归纳为以下几个方面:一、EMG信号特征提取算法研究。针对人体-外骨骼系统对EMG信号特征提取实时性的需求,为提高特征提取算法的计算效率,从信号相图入手,分析椭圆特征中长轴与坐标轴夹角的变化规律,将相对复杂的椭圆面积的计算转化为较为简单的椭圆外接矩形面积的计算。在保证提取精度的前提下,大幅提升了算法的计算效率。并借助深度学习方法,以EMG信号经过短时傅里叶变换的结果为输入,利用卷积神经网络,实现了对信号特征提取算法效果的进一步提升,二、人机力交互接口与人体-外骨骼系统状态空间模型的建立。针对现有人体-外骨骼系统模型中忽略了交互力对系统影响的不足,基于包括Hill模型和半唯象模型在内的骨骼肌生物力学模型,构建了基于关节前向动力学模型及人机交互力产生模型的系统状态空间模型。进一步,针对生物力学模型本身参数数量过多、获取困难且对人体状态变化十分敏感的不足,分别对状态方程和测量方程应用高斯自回归过程和神经网络方法,增加系统的灵活性和自适应性;并在此基础上利用无迹卡尔曼滤波实现系统闭环预测,最终完成对人体关节运动角度和角速度的学习和预测。三、基于演进系统和高斯自回归过程的人体运动意图理解。针对以肌电信号为基础的人体运动意图理解系统中EMG信号的不稳定性和人体运动的不规则性,借助演进系统理论,利用高斯过程非线性自回归模型揭示人体连续运动的内在关联特性,并通过检测预测结果中误差和置信区间的大小,在系统动态特征发生变化时通过对信息数据集中元素的更新,实现模型对系统概念漂移的有效抑制,完成系统动态特征的实时自适应。在此基础上,针对人体运动意图研究中关节角度和关节力估计等重点难点环节,构建了从EMG信号到关节力/力矩,以及从EMG信号、交互力信号到关节角度的自回归模型,实现其在不规则运动模式下的学习和预测。四、基于混合深度学习的外骨骼柔顺性研究。针对人体-外骨骼系统难以实现自然交互的问题,首先基于建立的人体-外骨骼耦合动力学模型,确立人机交互阻尼为判断人机系统柔顺性水平的另一个评价标准;进而借助深度学习算法,利用卷积神经网络,从EMG信号的短时傅里叶变换结果中提取得到肌肉的激活水平,结合人机交互力,运用基于演进系统理论的高斯过程自回归模型,通过结合参数模型和非参数模型的优势,实现对人体运动意图的精确预测;并在此基础上,构建基于混合深度学习的外骨骼主动柔顺性控制策略。通过自制的信号采集系统与下肢外骨骼机器人,完成对提出方法有效性的初步验证。