论文部分内容阅读
可穿戴下肢外骨骼机器人是一款辅助行走设备,可以帮助人体增强运动机能,减少能量的消耗。外骨骼装置需要在行走过程中与人体达到高度的人机协调,从而可以满足穿戴的舒适性以及增加助力效果,而步态相位的准确识别是下肢外骨骼机器人精确控制以及人机协调的前提与基础。为了解决步态识别准确率低、不能很好满足人机协调运动效果等问题。本文以人机协调的下肢助力外骨骼机器人为研究对象,提出了一种改进隐马尔科夫(New Hidden Markov Model,N-HMM)步态相位识别算法和一种深度卷积记忆神经网络(Deep Convolution Long Short Term Memory Networks,DC-LSTM)步态相位识别算法。通过系统设计、仿真分析、理论研究以及实验验证,对提出的步态相位识别算法进行了有效的验证。本文的主要研究内容、方法和结论如下:1.下肢外骨骼机器人系统设计。基于人机仿生学,设计了一款轻量型仿生单下肢助力外骨骼机器人系统,穿戴舒适、柔顺自然。分析了人体行走时的下肢运动模式,根据实际运动过程,设计外骨骼系统的机械结构,采用Solidworks建立三维模型,并对受力杆件进行分析,保证了结构设计的可靠性与安全性,并对外骨骼机器人的步态感知系统及控制系统进行设计。2.基于机器学习算法进行步态相位识别。搭建了步态分类器模型对预处理后的数据进行识别分析,使用了SVM、KNN、BP神经网络搭建步态分类器。并且利用PSO优化算法对支持向量机中的参数进行优化选择,消除了参数选择的局部最优问题,开展了KNN、SVM、PSO-SVM、BP等不同算法的识别对比实验。3.提出了一种N-HMM步态相位识别算法。针对传统HMM模型数据增加导致模型复杂性以及为了更好的解决模型参数自适应等问题,提出了一种N-HMM步态相位识别算法。通过对其模型中的前向-后向算法以及Baum-Welch算法进行了改进优化,使用自适应算法修正模型参数。实验证明N-HMM算法提高了对步态相位识别的准确性和对步态数据的适应性。4.提出了一种DC-LSTM步态相位识别算法。针对传统的LSTM数据特征提取困难以及过拟合问题,对LSTM步态相位识别算法进行改进和优化,提出一种DCLSTM步态相位识别算法。通过对输入数据进行卷积操作及池化操作,可以满足数据的深层次的特征提取。结合卷积核更新时参数的梯度和闵氏距离,对卷积核进行优化改进。实验证明该算法对人体步态相位的平均识别准确率高达95.6%,提升了人体步态相位的识别效果。5.人机协调穿戴测试实验。为了验证人机协调效果,并进一步验证步态相位识别算法的有效性,通过人机协调穿戴测试实验,对主观参数与客观参数进行评价。主观指标平均值均大于85,达到良好的水平;客观评价指标相比较于SVM算法,本文提出的优化算法DC-LSTM、N-HMM以及PSO-SVM在膝关节角度均方误差相比SVM平均降低了56%,35%和17%。实验结果证明了本文提出算法的有效性,达到更好的人机协调运动效果,改善了穿戴舒适性。本研究能够更加准确的识别人体步态相位,提高步态相位识别算法的准确性,通过人机协调穿戴测试实验,可以达到更加理想的人机协调运动目的。本文的研究将为外骨骼机器人实用化的集成研究和应用发展奠定坚实的理论和技术基础。