基于径向基函数神经网络的步行器精密测力系统标定方法技术方案

本发明专利技术属于助行康复训器械技术领域，涉及人工神经网络数据处理技术，尤其涉及基于径向基函数神经网络的步行器精密测力系统标定方法。为降低多维应力之间的非线性静态耦合干扰，提高步行器受载力的测量精度，本发明专利技术采用的技术方案是：提供一种可用于步行器精密测力系统标定的径向基函数Ｒａｄｉａｌ　Ｂａｓｉｓ　Ｆｕｎｃｔｉｏｎ，ＲＢＦ人工神经网络模型，以测力系统１２个导联应变片电桥输出电压作为网络输入向量，６个负载分量力作为网络输出向量，并通过目标误差下的绝对误差和对比确定出神经网络训练的最优参数。本发明专利技术主要用于为步行器助行康复训练效果的准确监控和评估提供帮助。

【技术实现步骤摘要】

本专利技术属于助行康复训器械
，涉及人工神经网络数据处理技术，尤其涉及基于 径向基函数神经网络的歩行器精密测力系统标定方法。技术背景步行器被广泛应用于助行康复临床，为使用者提供外在的荷重支持和平衡帮助。步行器 精密测力系统主要针对步行器助行过程中动力学参数的测量与分析，用来实时鉴别使用者在 其步态周期不同阶段的力学需求，验证和疲劳有关的失稳危险区间，量化行走质量，在步态 训练和日常生活中有效减少步行器使用风险。步行器精密测力系统一般采用安装在标准步行 器框架上的多导联应变片电桥网络来间接提取助行动力学信息。多维力传感器受到设计原理、加工制造、布片等因素的影响，传感器各维力信号与应变 桥输出信号之间存在着较强的耦合关系。静态耦合是制约多维力传感器测量精度的一个主要 因素。实际测量表明，多维力传感器的维问耦合不完全是线性的，用线性静态解耦的方法虽 然可以使维问耦合明显减小，但是由于受到原理模型的限制，效果并不是很理想。另外，步 行器框架存在的塑性结构非线性也会产生相应的互扰，严重影响系统测量的准确性与可靠性。
技术实现思路
为克服现有技术的不足，本专利技术的目的在于提供一种新的步行器精密测力系统标定方 法，降低多维应力之间的非线性静态耦合干扰，提高步行器受载力的测量精度。本专利技术采用 的技术方案是 一种，借助于下列 结构实现步行器框架上设置有应变片电桥，应变片电桥的输出经放大滤波电路、AD转换 器输入到计算机，由计算机进行数据釆集和人工神经网络模型标定，包括下列步骤系统初始化使用一套可对步行器手柄单侧施加定向负载的多轴框架进行标定，框架内 包含一个用以减少摩擦损失的滑车系统，标定数据采集过程中，已知大小的负载会沿着各力 学分量的方向借助多轴框架逐步施加到步行器手柄上，同时记录下与该负载对应的导联应变 片电桥输出电压值作为后续标定训练和误差校验样本，加载过程至少重复3次，同一加载点 取输出电压的平均值；根据公式al=radbas(wlXU+bl)， F=purelin(w2Xal+b2)，确定神经网络模型，其中，隐含层传递函数为高斯函数radbas，输出层的传递函数为线 性函数purelin，网络输入向量U的维数为12，隐含层有120个神经元，输出层有6个神经元， al表示隐含层输出向量，wl表示隐含层神经元的权值向量，w2为输出层神经元权值向量， bl为隐含层神经元的阈值向量，b2为输出层神经元的阈值向量，网络输入向量U形成隐含 层神经元的权值向量wl，隐含层神经元的权值向量wl与隐含层神经元的阈值向量bl经加 权求和形成隐含层输入向量nl，隐含层输出向量al形成输出层神经元权值向量w2，输出层 神经元权值向量w2与输出层神经元的阈值向量b2经加权求和形成输出层输入向量n2，输出 层的输出为输出向量F。所述的隐含层神经元的权值向量wl、隐含层神经元的阈值向量bl各为对应的120个， 输出层神经元权值向量w2与输出层神经元的阈值向量b2各为对应的6个。所述的电桥具体的安装位置是依照对歩行器框架进行的结构力学有限元分析结果来决 定，电桥都是被安排在相关力学分量作用下的框架相对最大形变位置，其中，设置有分别对 应于x向的两个分量，分别对应于y向的两个分量，分别对应于z向的两个分量，再根据所 测力学分量所引发弯距方向的不同，电桥粘贴位覽还对应于梁管的相应变形侧面。本专利技术可以带来以下效果本专利技术采用了神经M络模型方法，提出了一种新的步行器精密测力系统标定方法，降低 多维应力之间的非线性静态耦合干扰，提高歩行器受载力的测量精度。本专利技术可为步行器助 行康复训练效果的准确监控和评估提供帮助，并获得可观的社会效益和经济效益。 附图说明图l本专利技术系统结构示意图。图2步行器精密测力系统设置。图3 RBF网络用于步行器精密测力系统标定的模型。具体实施方式人工神经网络的基本思想是从仿生学角度模拟人脑神经系统的运作方式，通过大量、简 单的神经元对连续或断续的输入作状态映射而进行信息处理。神经网络能够不需要先验统计 模型而根据输入网络的数据样本构建出任意的非线性映射关系，而任何一种非线性映射都可 以用一个三层甜馈神经网络来实现。RBF神经网络是一种特殊的三层前馈网络，它以径向基 函数作为隐层单元的"基"，具有非线性可分的模式空间映射到线性可分状态空间的特性。本专利技术提供了一种可用于步行器精密测力系统标定的径向基函数(Radial Basis Function, RBF)人工神经网络模型，以测力系统12导联应变片电桥输出电压作为网络输入 向量，6个负载分量力作为网络输出向量，并通过目标误差下的绝对误差和对比确定出祌经 网络训练的最优参数。该方法与传统的线性标定方法相比能够有效减小非线性静态耦合影响， 提高歩行器受载力的测量精度并大大降低了干扰误差，未来有望为步行器助行康复训练效果 的准确监控和评估提供帮助。下面结合附图和实施例进一歩详细说明本专利技术。图1为本专利技术系统结构示意图。该系统以步行器精密测力系统为基础，使用者在步行器 助行过程中所施加的冊V会首先通过安装在步行器上的传感器件转化为电压信号。应力应变 片电桥的电压信号经隔离放大、模数转换后进入计算机中进行处理储存。信号的电压输出范 围大致在士3伏的范围内。系统的采样率可通过计算机调整。本系统所用敏感元件是日本Tokyo Sokki研究所生产的350Q， FLA-2系列应力应变片。 从长期稳定性考虑，应变片粘贴采用的是环氧类，而非氰基丙烯酸盐类粘合剂。应变片采用 弯曲模式。步行器精密测力系统在测量过程中，要求系统测得总共六个力学未知量，即步行 器每只手柄各x， y， z三个方向分量(左手柄Fix, Fly， Flz;右手柄Frx， Fry, Frz), 因此需要在一架标准两轮步行器两侧框架梁各安装六套应力应变片电桥(见图2)。电桥具体 的安装位置是由对步行器框架进行的结构力学有限元分析结果决定的。由于步行器框架在不同方向分量力作用下会产生不同的形变效果，电桥都是被安排在相关力学分量作用下的框架 相对最大形变位置以取得最可靠的结果。其中，B-1和B-2、 B-7和B-8分别对应于x向的两 个分量，B-3和B-4、 B-5和B-6分别对应于y向的两个分量，B-9和B-10、 B-11和B-12分 别对应于z向的两个分量。另外，根据所测力学分量所引发弯距方向的不同，电桥粘贴位置 还需对应于梁管的相应变形侧面。本专利技术要点在于歩行器多轴框架的数据采集，RBF网络各层祌经元数，扩展系数的确定 等技术环节。1、步行器多轴框架的数据采集本专利技术使用 一套可对步行器手柄单侧施加定向负载的多轴框架进行标定，框架内包含一 个用以减少摩擦损失的滑车系统。标定数据釆集过程中，已知大小的负载会沿着各力学分量的方向借助多轴框架逐步施加到歩行器手柄匕同时记录下与该负载对应的12导联应变片电 桥输出电压值作为后续标定训练和误差校验样本。施加负载的量程选择在x向10kg、y向10kg 和z向40kg。加载过程至少重复3次，同一加载点取输出电压的平均值。系统的初始化测量对于准确获取标定结果是l分必要的。由于受到温度，湿度等外界环 境变量的影响，应力应变片电桥的输出即使在空载时也不会维持一个固定值。因此在每次正 式测本文档来自技高网...

【技术保护点】
一种基于径向基函数神经网络的步行器精密测力系统标定方法，借助于下列结构实现：步行器框架上设置有应变片电桥，应变片电桥的输出经放大滤波电路、ＡＤ转换器输入到计算机，由计算机进行数据采集和人工神经网络模型标定，其特征是，包括下列步骤：　系 统初始化：使用一套可对步行器手柄单侧施加定向负载的多轴框架进行标定，框架内包含一个用以减少摩擦损失的滑车系统，标定数据采集过程中，已知大小的负载会沿着各力学分量的方向借助多轴框架逐步施加到步行器手柄上，同时记录下与该负载对应的导联应变片电桥输出电压值作为后续标定训练和误差校验样本，加载过程至少重复３次，同一加载点取输出电压的平均值；　根据公式：ａ１＝ｒａｄｂａｓ（ｗ１×Ｕ＋ｂ１），Ｆ＝ｐｕｒｅｌｉｎ（ｗ２×ａ１＋ｂ２），　确定神经网络模型，其中，隐含层传递函数为高 斯函数ｒａｄｂａｓ，输出层的传递函数为线性函数ｐｕｒｅｌｉｎ，网络输入向量Ｕ的维数为１２，隐含层有１２０个神经元，输出层有６个神经元，ａ１表示隐含层输出向量，ｗ１表示隐含层神经元的权值向量，ｗ２为输出层神经元权值向量，ｂ１为隐含层神经元的阈值向量，ｂ２为输出层神经元的阈值向量，网络输入向量Ｕ形成隐含层神经元的权值向量ｗ１，隐含层神经元的权值向量ｗ１与隐含层神经元的阈值向量ｂ１经加权求和形成隐含层输入向量ｎ１，隐含层输出向量ａ１形成输出层神经元权值向量ｗ２，输出层神经元权值向量ｗ２与输出层神经元的阈值向量ｂ２经加权求和形成输出层输入向量ｎ２，输出层的输出为输出向量Ｆ。...

【技术特征摘要】

【专利技术属性】
技术研发人员：明东，张希，刘秀云，程龙龙，万柏坤，
申请(专利权)人：天津大学，
类型：发明
国别省市：12[中国|天津]