【技术实现步骤摘要】
本专利技术涉及康复机器人控制，具体为自适应位置约束的外骨骼康复机器人按需辅助控制系统及方法。
技术介绍
1、近年来，随着老龄化社会的加剧和运动损伤患者的日益增多，康复治疗领域的需求显著增加。外骨骼康复机器人作为先进的辅助治疗工具，因其在增强患者力量、改善运动功能和加速康复过程中的潜力而受到广泛关注。这些机器人能够提供可调的运动辅助，帮助患者进行康复训练，并在一定程度上减轻医护人员的工作负担。然而，现有的外骨骼康复机器人在实际应用中仍面临诸多技术挑战和限制。
2、首先，现有外骨骼康复机器人在控制系统的设计上往往采用固定参数的控制策略，这种方法难以适应不同患者的个体差异及其在康复过程中变化的生理状态。患者的肌肉力量、关节活动范围、运动控制能力等因素均可能因个体差异而有所不同，这导致相同的控制参数可能无法适应所有患者的需求，从而影响康复效果。而且，传统的外骨骼机器人在训练过程中缺乏实时反馈机制，患者无法获得及时的生理状态监测与运动表现反馈，难以根据自身状况进行有效调整。这种缺乏个性化和自适应控制的设计使得患者在康复过程中不仅感受到挫败感，也可能导致训练效率低下，延长康复周期。
3、其次，现有技术在多传感器数据融合及动态控制方面也存在不足。虽然某些外骨骼机器人配备了多种传感器，但往往缺乏有效的传感器数据处理和融合算法，导致数据的实时性和准确性不足。这种情况下，患者的运动状态评估不够准确，控制系统在响应患者动作时也难以做到及时调整，进而影响整体康复效果。
4、现有技术中的，公开号为cn116386811
5、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术的目的在于提供一种自适应位置约束的外骨骼康复机器人按需辅助控制系统及方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、自适应位置约束的外骨骼康复机器人按需辅助控制系统，具体包括：
4、历史数据采集模块，用于在外骨骼康复机器人运动关节设置综合监测单元，收集患者的历史运动时序数据，并记录患者的对应运动意图，所述综合监测单元由加速度传感器、肌电传感器、力传感器和视觉传感器组成，所述运动意图包括动作类型、运动方向和运动速度；
5、模型训练模块，用于建立深度学习网络模型，将综合监测单元采集的历史运动时序数据作为输入样本，并以患者的对应运动意图作为标签，对深度学习网络模型进行训练，得到运动意图判断模型；
6、目标状态分析模块，用于采集患者的实时运动时序数据，将其输入完成训练的运动意图判断模型中，得到患者的实时运动意图数据，基于实时运动意图数据计算目标状态参数，所述目标状态参数包括目标关节角度、目标电机速度、目标关节力矩和目标施加力量；
7、控制输出生成模块，用于建立状态参数自适应调整模型，采集当前状态参数，基于生成的目标状态参数，分析生成外骨骼康复机器人运动关节的控制输出，所述控制输出包括输出关节角度、输出电机速度、输出关节力矩和输出施加力量；
8、控制输出修正模块，用于采集患者的实时心率数据，根据运动关节的控制输出，对控制输出中的参数进行修正，得到控制自适应输出数据，基于控制自适应输出数据，对外骨骼康复机器人发出控制指令。
9、进一步地，收集患者的历史运动时序数据，其中运动时序数据包括：三轴加速度数据、肌电信号、外骨骼对地面施加的垂直及水平力和图像数据；记录患者的对应运动意图，所述运动意图包括动作类型、运动方向和运动速度，其中动作类型包括走路、站立和下蹲，运动方向包括前进、后退和侧移，并对动作类型和运动方向进行编码，将站立、走路和下蹲分别编码为0、1和2，将前进、后退和侧移分别标定为3、4和5。
10、进一步地，基于卷积神经网络和循环神经网络的组合建立深度学习网络模型，所述深度学习网络模型具有6层网络结构，包括输入层、卷积层、池化层、循环层、全连接层和输出层，其中卷积层即为卷积神经网络层，循环层为循环神经网络层，最终得到输入为运动时序数据，输出为运动意图的运动意图判断模型。
11、进一步地，基于实时运动意图数据计算生成目标状态参数，所述目标状态参数包括关节角度、电机速度、关节力矩和施加力量，其中计算生成目标状态参数所依据的逻辑为：
12、针对目标关节角度θ(t)，计算目标关节角度θ(t)所依据的公式为：
13、
14、式中，θ(t)为在t时刻的目标关节角度，θ0为初始关节角度，kθ为关节角度的缩放因子，dtype(t)为t时刻动作类型的编码，ddir(t)为t时刻运动方向的编码，vdes(t)表示t时刻的运动速度；
15、针对目标电机速度v(t)，计算目标电机速度v(t)所依据的公式为：
16、
17、式中，v(t)表示在t时刻的目标电机速度，kv为电机速度的调整因子，δt为时间步长，θpre表示上一个时间步的关节角度；
18、针对目标施加力量f(t)，计算目标施加力量f(t)所依据的公式为：
19、f(t)＝kf*(dtype(t)+vdes(t))
20、式中，f(t)表示在t时刻的施加力量，kv为施加力量的缩放因子；
21、针对目标关节力矩τ(t)，计算目标关节力矩τ(t)所依据的公式为：
22、τ(t)＝j(θ(t))t*(f(t)-c*v(t))
23、式中，τ(t)表示在t时刻的目标关节力矩，j(θ(t))表示雅可比矩阵，c表示阻尼系数，t表示矩阵的转置；
24、基于计算得到的目标状态参数，生成目的状态向量，所述目的状态向量xref(t)＝{θ(t),v(t),f(t),τ(t)}。
25、进一步地，建立状态参数自适应调整本文档来自技高网...
【技术保护点】
1.自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于，具体包括：
2.根据权利要求1所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：收集患者的历史运动时序数据，其中运动时序数据包括：三轴加速度数据、肌电信号、外骨骼对地面施加的垂直及水平力和图像数据；记录患者的对应运动意图，所述运动意图包括动作类型、运动方向和运动速度，其中动作类型包括走路、站立和下蹲，运动方向包括前进、后退和侧移，并对动作类型和运动方向进行编码，将站立、走路和下蹲分别编码为0、1和2，将前进、后退和侧移分别标定为3、4和5。
3.根据权利要求2所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：基于卷积神经网络和循环神经网络的组合建立深度学习网络模型，所述深度学习网络模型具有6层网络结构，包括输入层、卷积层、池化层、循环层、全连接层和输出层，其中卷积层即为卷积神经网络层，循环层为循环神经网络层，最终得到输入为运动时序数据，输出为运动意图的运动意图判断模型。
4.根据权利要求3所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，
5.根据权利要求4所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：建立状态参数自适应调整模型，采集当前状态参数，基于生成的目标状态参数，分析生成外骨骼康复机器人运动关节的控制输出所依据的逻辑为：采集当前状态参数，生成当前状态向量，所述当前状态向量X(t)＝{θs(t),Vs(t),Fs(t),τs(t)}，基于当前状态向量X(t)与目的状态向量Xref(t)的计算误差向量，所述误差向量计算所依据的公式为：
6.根据权利要求5所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：建立状态参数自适应调整模型，根据误差向量通过模型预测控制算法，得到控制输出，其中构建模型预测控制算法的代价函数Q，代价函数Q的表达式为：
7.根据权利要求6所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：采集患者的实时心率数据，根据运动关节的控制输出向量，对控制输出中的电机速度和施加力量进行修正，其中进行修正所依据的公式分别为：
8.自适应位置约束的外骨骼康复机器人按需辅助控制方法，其特征在于：所述自适应位置约束的外骨骼康复机器人按需辅助控制方法用于控制权利要求1—7任一项所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，包括：
...【技术特征摘要】
1.自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于，具体包括：
2.根据权利要求1所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：收集患者的历史运动时序数据，其中运动时序数据包括：三轴加速度数据、肌电信号、外骨骼对地面施加的垂直及水平力和图像数据；记录患者的对应运动意图，所述运动意图包括动作类型、运动方向和运动速度，其中动作类型包括走路、站立和下蹲，运动方向包括前进、后退和侧移，并对动作类型和运动方向进行编码，将站立、走路和下蹲分别编码为0、1和2，将前进、后退和侧移分别标定为3、4和5。
3.根据权利要求2所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：基于卷积神经网络和循环神经网络的组合建立深度学习网络模型，所述深度学习网络模型具有6层网络结构，包括输入层、卷积层、池化层、循环层、全连接层和输出层，其中卷积层即为卷积神经网络层，循环层为循环神经网络层，最终得到输入为运动时序数据，输出为运动意图的运动意图判断模型。
4.根据权利要求3所述的自适应位置约束的外骨骼康复机器人按需辅助控制系统，其特征在于：基于实时运动意图数据计算生成目标状态参数，所述目标状态参数包括关节角度、电机速度、关节力矩和施加力量，其中计算生成目标状态参数所依据...
【专利技术属性】
技术研发人员：郑义，李畅，刘坤华，王优强，王飞扬，王登泽，郭启欣，刘润昊，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。