论文部分内容阅读
近年来,由于智能辅助康复设备需求的不断增加和功能的不断扩展,人机交互成为了康复领域的一个研究热点。在康复过程中,智能假肢等辅助康复设备会与患者躯体进行直接的交互,表面肌电信号(Surface Electromyography,sEMG)因具有反映人体运动意图的能力而被广泛地应用于人机交互系统的设计中。关节力矩可以从生理学角度反映人体运动的具体信息,关节力矩的估计也成为了基于sEMG的人机交互技术的重点研究领域之一。在康复训练过程中,利用骨骼肌模型获取患者的关节力矩/肌肉力信息,能为智能康复设备提供具有生理意义的控制量,从而帮助人机交互接口定量地解读人的运动意图和肢体活动状态。本文以人体上肢肘腕关节为研究对象,对肘腕关节同步屈伸运动过程中的关节力矩估计进行研究。设计肘腕关节力矩在线估计系统,研究基于关节力矩的机械臂控制策略,实现对智能机械臂的多关节连续运动控制。本文的主要研究内容包括:(1)采集肘腕关节屈伸运动过程中的sEMG信号和关节角度信息,对sEMG信号进行预处理以及计算各肌肉总激活度。为了获取各肌肉对应不同关节动作的激活度,结合肌肉协同论模型提出一种改进非负矩阵分解(Non-negative Matrix Factorization,NMF)方法。针对传统NMF方法因非监督性而导致的稳定性差的问题,采用半监督式分解思想,先获取单关节独立运动过程中各肌肉的贡献度矩阵,再结合Moore-Penrose广义逆来获取两个关节同步运动时的激活系数序列。还针对传统NMF算法因强制非负而导致重构精度低的问题,将非负矩阵分解过程分为矩阵实数分解和矩阵非负化两步来进行,使分解结果保持非负性的同时降低重构误差。通过改进算法获得分解结果后,结合肌肉协同模型即可得到各肌肉对不同关节动作的激活度。(2)通过骨骼肌模型对肘腕关节力矩进行估计,并与逆动力学模型获得的参考关节力矩进行对比。针对个体差异性的问题,结合正、逆向动力学原理对模型参数进行辨识以优化关节力矩的估计结果。针对常用的生物进化算法在所需辨识参数目较多的情况下耗时严重的问题,提出一种基于差分进化算法(Differential Evolution,DE)优化的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)(简称为DE-UKF)算法来获取个性化参数的最优值,在优化估计结果的同时有效提高参数辨识效率。(3)设计并实现肘腕关节力矩在线估计系统,对肘腕关节同步屈伸运动过程中的关节力矩进行在线估计。研究关节力矩估计在机械臂控制中的应用,结合基于肌电信号的比例控制策略,设计力矩-位移控制策略,将估计的关节力矩转化为机械臂的运动控制指令,实现机械臂的多关节运动控制。