意识关联康复机器臂运动意愿提取及协同控制方法技术

本发明专利技术提供了一种意识关联康复机器臂运动意愿提取及协同控制方法，属于康复机器人技术领域。该方法包括：脑电采集模块的配置；肌电采集模块的配置；惯性信号采集模块的配置；脑电信号的采集和处理；肌电信号的采集与处理；惯性信号的采集和处理；基于脑电、肌电及惯性信号的协同控制；镜像康复功能。本发明专利技术所述方法用于康复医疗领域，可以提升患者康复主动性和参与度，达到更好的早期康复效果，有助于解决现有的传统纯机械式康复机器臂存在的问题。决现有的传统纯机械式康复机器臂存在的问题。决现有的传统纯机械式康复机器臂存在的问题。

【技术实现步骤摘要】
意识关联康复机器臂运动意愿提取及协同控制方法


[0001]本专利技术属于康复机器人
，具体涉及一种意识关联康复机械臂运动意愿提取及协同控制方法。

技术介绍

[0002]在当前医疗条件下，脑卒中所引起的诸如偏瘫、运动或语言功能障碍等后遗症，仍然是当今医疗界所面临的一个难题。相关临床研究表明，对脑卒中后遗症患者，必须争取早期康复治疗，尤其在发病后前三个月内进行康复治疗是获得理想功能恢复的最佳时机，治疗总效率可达92.4％。因此，康复训练器械作为一种有效的康复手段，使得中风后遗症患者能够最大限度的恢复到正常状态，以减轻患者的生理和心理痛苦，减轻家庭和社会的负担。
[0003]现有的传统纯机械式康复机器臂往往需要康复治疗师控制，辅助患者进行康复活动，患者很难同机器进行良好的人机交互，其也没有通过患者自身的脑电、肌电信号进行提取、处理及对患者的运动意愿进行分析，从而不仅很难将患者的运动意愿准确地反映到机械臂的运动状态上，而且也不具有镜像康复功能，患者的康复训练过程往往都是被动的、单一的，机械臂本身的高刚度也极易对患者的患侧肌肉组织产生二次损伤。因此，传统的纯机械式康复机械臂很难使患者拥有较好的康复体验，也未必能够达到预想的康复效果。

技术实现思路

[0004]为了使患者拥有更佳的康复训练体验和康复效果，本专利技术提供了一种基于患者的运动意愿提取及协同控制方法，提高患者在康复训练中的主动参与度，保证患者在康复训练过程中的舒适度和安全性。本专利技术基于人体骨骼及肌肉生理特点，利用患者脑电、肌电及健侧惯性信号来控制康复机械臂设备运动，脑电信号为患者运动意愿发生时的反馈提供依据，肌电信号为患者运动意愿进行时的反馈提供依据，而健侧惯性信号为患者根据自身意愿，完全自主的进行自身健侧镜像带动患侧运动康复提供依据，从而全流程地实现患者主动康复训练运动，这种基于患者运动意愿的康复训练适用于绝大部分脑卒中患者的康复治疗，且现代医学证明相对于被动训练，患者的主动参与会有更好的康复效果，这种方式还具有性价比高、安全稳定、结构简约等优势。
[0005]为了达成上述专利技术目的，解决现有的传统纯机械式康复机器臂存在的问题，本专利技术的技术方案是：
[0006]一种意识关联康复机器臂运动意愿提取及协同控制方法，具体步骤如下：
[0007]步骤1：配置脑电信号采集模块
[0008]为了方便使用，同时避免为患者带来更多使用负担，本专利技术采用非植入式的干电极脑电采集电极帽进行脑电信号采集。所述的干电极脑电采集电极帽有多个采集通道，并配置好采样精度和采样频率，采集到的脑电信号被放大后，通过无线传输模块发送到计算机应用程序中的脑电信号处理模块，脑电信号处理模块对脑电信号进行预处理、特征提取和分类识别。由于脑电信号常常会受到眼电伪迹、肌电伪迹以及其他干扰信号影响，所以脑
电信号作为判断患者的手臂运动意愿的根据之一，还需要患者患侧肌电信号予以辅助判断患者的运动意愿。
[0009]步骤2：配置肌电信号采集模块
[0010]采用无损采集即将电极贴粘在患者上肢表皮的肌电信号采集方式。以康复医学理论为依据，选取主要的康复动作为标准动作，包括肩关节的屈伸、收展，肘关节的屈伸共三个主要动作。由于上肢的运动不是单个肌肉收缩产生的，而是肌群联合收缩作用产生的，所以要确定人体执行康复动作的主要肌群。采集到的患者肌电信号进行放大后，通过无线传输模块发送到计算机应用程序中的肌电信号处理模块，肌电信号处理模块对肌电信号进行预处理、特征提取和分类识别。
[0011]步骤3：配置惯性信号采集模块
[0012]采用具有三轴陀螺仪、三轴加速度计和三轴磁力计的惯性传感器为惯性信号采集模块的核心。为了实现镜像康复功能，需获得患者健侧的运动状态，将三个惯性信号采集模块利用扎带分别固定到患者健侧的手腕、手肘近小臂端和大臂近肩端。惯性信号采集模块通过惯性传感器检测患者健侧运动过程中的惯性信号，惯性传感器自带的数字运动处理器再对得到的惯性信号整合；而后将整合后的惯性信号通过无线传输模块发送到计算机应用程序中的镜像信号处理模块，通过四元数法进行解算，得到可靠的姿态数据；再将姿态数据输入到训练好的循环神经网络(RNN)算法处理，输出患者健侧的姿态动作；进而由计算机向患者患侧机械臂各关节电机发送执行命令，实现患者通过自主运动健侧带动患侧的康复运动功能。
[0013]步骤4：对于脑电信号的采集和处理
[0014]脑电信号通过患者对康复动作的运动想象产生，脑电信号通过电极帽进行采集后，由于采集过程中的眼电干扰、肌电干扰、抖动等影响，脑电信号并不纯净，所以需要对采集到的原始脑电信号进行处理；具体过程如下：
[0015]步骤4.1：脑电信号预处理
[0016](1)利用均值法对数据进行基线校正，使用动态脑电信号减去所对应通道前400ms的数据均值，得到校正后的信号值。
[0017](2)由于脑电信号的频率带根据人脑不同活动状态，其频率带也有所不同，根据相关研究，8
‑
12Hz的α节律信号是与人体上肢运动密切相关的，因此本专利技术利用具有良好平滑性能的巴特沃斯滤波器对校正后的信号进行滤波处理，通过MATLAB的信号处理工具箱构建出巴特沃斯滤波器。构建巴特沃斯滤波器最重要的是对变频器阶数和参数设置，具体设置参数为：阻带最小衰减A
s
，通带最大衰减A
p
，通带截止频率Ω
c
，阻带截止频率Ω
s
。变频器阶数N的选择依据：其中考虑相位延迟和偏移问题，有效脑电频率为4
‑
32Hz。
[0018](3)对于脑电信号采集过程中的眼电干扰、肌电干扰、抖动等干扰信号，利用二阶盲源分离法对干扰信号进行分离和清除，即经过对信号白化处理、估计协方差阵和混合矩阵、联合矩阵对角化等步骤构造分离算法，实现将混杂信号分离为脑电信号和干扰信号，再将干扰信号置零，进而得到所需纯净的脑电信号。
[0019]步骤4.2：脑电信号特征提取
[0020]本专利技术采用共空间模式(CSP)算法对脑电信号进行特征提取，其原理是利用最佳的空间滤波器进行投影，使两类事件之间特征方差的差距最大化，进而使一类事件的特征方差最大，另一类事件的特征方差最小，从而区分出两类事件。本专利技术基于此算法经过求白化特征矩阵、主分量分解、求投影矩阵等步骤设计最佳的空间滤波器，用于对不同的脑电信号特征分类，进而可以方便分类器根据特征值对脑电信号特征进行分类识别。
[0021]步骤4.3：脑电信号分类识别
[0022]脑电信号的特征识别采用支持向量机(SVM)算法对脑电信号进行分类识别，由于脑电信号的非平稳性特点，所以其特征具有非线性，SVM分类器模型选用核函数为拉普拉斯核函数：(σ>0)，x
i
、x
j
表示不同的样本数据，σ为标准差，使用sklearn库搭建SVM分类器模型。再对SVM分类器模型进行训练，训练采用的数据集由8名受试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种意识关联康复机器臂运动意愿提取及协同控制方法，其特征在于，该方法包括以下步骤：步骤1：配置脑电信号采集模块采用非植入式的干电极脑电采集电极帽进行脑电信号采集；所述的干电极脑电采集电极帽有多个采集通道，并配置好采样精度和采样频率；步骤2：配置肌电信号采集模块采用无损采集即将电极贴粘在患者上肢表皮的肌电信号采集方式；选取包括肩关节的屈伸、收展，肘关节的屈伸共三个主要动作作为标准动作；步骤3：配置惯性信号采集模块采用具有三轴陀螺仪、三轴加速度计和三轴磁力计的惯性传感器为惯性信号采集模块的核心；为了实现镜像康复功能，获得患者健侧的运动状态，将三个惯性信号采集模块利用扎带分别固定到患者健侧的手腕、手肘近小臂端和大臂近肩端；步骤4：对于脑电信号的采集和处理脑电信号通过患者对康复动作的运动想象产生，脑电信号通过干电极脑电采集电极帽进行采集后，经放大后通过无线传输模块发送到计算机应用程序中的脑电信号处理模块，脑电信号处理模块对脑电信号进行预处理、特征提取和分类识别；步骤5：对于肌电信号的采集和处理肌电信号采集模块采集到的患者肌电信号经放大后，通过无线传输模块发送到计算机应用程序中的肌电信号处理模块，肌电信号处理模块对肌电信号进行预处理、特征提取和分类识别；步骤6：对于惯性信号的采集和处理步骤6.1：镜像康复功能基于惯性信号的采集和处理，惯性信号采集模块中的惯性传感器所采集到的加速度及陀螺仪信号为惯性信号，惯性信号通过惯性传感器自带的数字运动处理器整合，并通过无线传输模块发送到计算机应用程序中的镜像信号处理模块，利用四元数法对传感器的姿态问题进行求解，得到空间角所在坐标系为参考坐标系(O
g
x
g
y
g
z
g
)，其中分别以正东、正北和垂直地面向上的方向为参考坐标系x
g
轴、y
g
轴和z
g
轴的正向，ω表示绕x
g
轴旋转的角度，θ表示绕y
g
轴旋转的角度，表示绕z
g
轴旋转的角度；步骤6.2：由于患者每次使用惯性信号采集模块时佩戴的位置不能确保完全保持一致，所以采用如下校准方法对初始位置进行校准，根据惯性信号采集模块中的惯性传感器x
s
轴和重力矢量之间的角度α
xg
来计算角度变化；表示惯性传感器变动前的重力矢量，和分别表示在惯性传感器坐标系(O
s
x
s
y
s
z
s
)中三个坐标轴上分量，表示惯性传感器变动后的重力矢量，表示惯性传感器变动后的重力矢量，和分别表示在惯性传感器坐标系(O
s
x
s
y
s
z
s
)中三个坐标轴上分量，得到以下式子：)中三个坐标轴上分量，得到以下式子：
再利用向量点积得到惯性传感器变动前后的角度变化余弦值：再利用向量点积得到惯性传感器变动前后的角度变化余弦值：进而得到角度变化的值α
xg
，利用α
xg
消除患者在每次使用惯性信号采集模块时佩戴的位置不能确保完全保持一致而带来的误差，得到较为纯净的空间角数据；步骤6.3：基于空间角数据，使用循环神经网络RNN对患者健侧的姿态动作进行预测；在pytorch中使用nn.RNN类来搭建循环神经网络，根据实际需要设置输入数据的特征数UnputSize和隐藏层的特征数HidenSize，其他参数设置为默认即可；与此同时还需要准备训练循环神经网络的数据集，提前让患者佩戴惯性信号采集模块进行连续性手臂动作，得到一系列具有时间序列性质的空间角数据，进而生成所需的数据集；基于得到的数据集对循环神经网络RNN进行训练，通过多次数据测试得到具有最佳权重的最佳模型，用此最佳模型对实时患者健侧实时动作产生的空间角数据进行识别，判断患者健侧运动意愿，同时将运动意愿数据传给计算机的应用程序；步骤7：基于脑电、肌电及惯性信号的协同控制根据步骤4中得到识别后的有效脑电类型有三种(Ta1,Ta2,Ta3)，根据步骤5中得到的有效肌电类型有三种(Tb1,Tb2,Tb3)，而正确的组合运动也只有三种(Ta1Tb1,Ta2Tb2,Ta3Tb3)，由于患者的运动想象到肢体产生肌电信号有80～150ms的时间延迟间隔，所以为了保证对脑电信号和肌电信号在同一时间判断，在脑电信号类型处理之后加入一个80～150ms的时间延迟窗口；步骤8：镜像康复功能基于步骤6.3得到的循环神经网络最佳模型，判别此时患者健侧的运动姿态；基于此姿态，并依据实时解算出的空间角数据角度数据除了需要严格限制角度的极限值，避免运动超程对患者产生的二次伤害外，还需要将健侧的运动状态镜像的复制到患侧，患侧的运动依靠机械臂关节处电机的运转，患者每一个上肢动作都将被划分为三个电机的执行动作组合，每个电机都需完成各自的执行动作，即在单位时间内向指定方向转动指定的角度。2.根据权利要求1所述的方法，其特征在于，所述步骤4的具体过程如下：步骤4.1：脑电信号预处理(1)利用均值法对数据进行基线校正，使用动态脑电信号减去所对应通道前400ms的数据均值，得到校正后的信号值；(2)利用具有良好平滑性能的巴特沃斯滤波器对校正后的信号进行滤波处理；构建巴特沃斯滤波器最重要的是对变频器阶数和参数设置，具体设置参数为：阻带最小衰减A
s
，通带最大衰减A
p
，通带截止频率Ω
c
，阻带截止频率Ω
s
；变频器阶数N的选择依据：
其中考虑相位延迟和偏移问题，有效脑电频率为4
‑
32Hz；(3)利用二阶盲源分离法对干扰信号进行分离和清除，实现将混...

【专利技术属性】
技术研发人员：王孝良，马鸣浩，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：