Abstract
Most of the current rehabilitation equipment is bulky and slow to respond. Therefore, we designed a portable three-degree-of-freedom exoskeleton and discrete-mode control system for this situation. The three degrees of freedom of the exoskeleton robot arm was the wrist swing, the forearm lateral movement, and the elbow rotation. We collected the EMG signals of the biceps and triceps, then filtered the acquired EMG signals and extracted features in order to obtain effective information that reflected the activity intentions. Based on this, a discrete motion control method using the EMG signals to achieve elbow rotation was designed. Experiment suggests that the average pattern recognition accuracy rate can reach more than 90%.
Highlights
同单隐含层相比,多隐含层泛化能力强,预测精 度高,但是训练时间较久,对于简单的映射关系,在 网络精度达到要求的情况下可以选择单隐含层。 本 文要求的实验是实时性的,因此选择单隐含层。 对 于复杂的非线性模型,网络预测误差随着节点数增 加会出现先减少后增加的趋势,对于简单的非线性 模型,会随 着隐含层节点数的增加误差逐渐减少。 但是隐含层节点越多所消耗的时间越长。 本文选定 的非线性模型仅有 2 个输入 1 个输出,相对简单,同 时又要求实时性,因此经过对比选择了 6 个节点。 在保证误差的范围下,为了方便运算,采用的 BP 神 经网络结构为:输入层有 2 个节点,分别作为在肱二 头肌和肱三头肌特征值的输入节点。 隐含层采用 tansig 传递函数。 输出层有 1 个神经元,采用 purelin 传递函数。 BP 神经网络的输出结果为识别出的模 式,代表着人体的运动意图。 通过识别出小臂放松、 小臂抬升、小臂下降的运动意图,实时控制电机的停 止、正转和逆转, 以实现外骨骼机械臂辅助患者 运动。
[3] 张琴,骆无意,黄波, 等. 基于肌电信号的下肢关节连续运动预测[ J] . 华中科技大学学报, 2017(10) : 128⁃132 ZHANG Qin, LUO Wuyi, HUANG Bo,et al Continuous Kinematics Prediction of Lower Limb Joints Driven by EMG[ J]
Research on the Upper Limb Rehabilitation System of Exoskeleton Robot Based on sEMG Signals [ D]
Summary
西北工业大学学报 Journal of Northwestern Polytechnical University https: / / doi.org / 10.1051 / jnwpu / 20193730509 在对外骨骼机械臂进行结构设计前,应首先对 人体的生理结构进行研究。 通过对人体的上肢进行 观察,发现人体上肢是由多个关节组合,为了设计一 种便携式的外骨骼机械臂,本文选取了手掌腕部摆 动、前臂侧向运动和肘关节转动 3 个自由度进行设 计,各关节自由度选择位置如图 1 所示。 肌电传感器采集到的肌电信号如图 4 所示,将 信号进行 FIR 数字滤波、卡尔曼滤波、偏置、归一化 和放大等预处理后,肌电信号如图 5 所示。 制分为离散控制和连续控制。 通过不同的离散控制 量直接驱动不同的运动模块,以实现肌电信号的离 散控制,离散运动控制的具体过程如图 6 所示。 本 文利用肌电信号的离散控制模型驱动外骨骼机械臂 运动。 首先采集肱二头肌和肱三头肌处的肌电信 号,然后对肌电信号分别提取时域信号的标准差、频 域幅值的标准差以及小波系数标准差 3 个特征值。 为了减小外界干扰引起特征值的突变和肌电信号特 征值漂移带来的影响,可以将 3 个特征值进行加权 求和作 为最终特征值。 3 个特征值的 “ 权” 均 为 33.3%。 有时计算的最终特征值波动较强,可以利 用卡尔曼滤波进行一次消抖处理,最后将其特征值 作为 BP 神经网络的输入参数。 从时域、频域和时 频域提取的特征值转化为最终特征值的具体过程如 图 7 所示。
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: Xibei Gongye Daxue Xuebao/Journal of Northwestern Polytechnical University
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
