CN110236876A - 一种上肢外骨骼机械臂及康复训练的控制方法 - Google Patents

Abstract

一种上肢外骨骼机械臂及康复训练的控制方法，通过医护人员指导并自适应患者肢体的康复训练。本发明通过示教模式记录康复训练运动轨迹，再通过深度学习框架对患者进行运动强度识别，并将识别结果嵌入到基于深度强化学习的整体康复训练控制策略中，输出调节后的关节运动速率信号给机械臂来完成康复训练。该方法在防止患者康复训练二次伤害的前提下，通过运动信号与生物信号的向量融合，可以消除运动信号的滞后性及生物电信号的个体差异性带来的影响，提高运动强度识别准确度，并且拓宽康复运动轨迹的适用面，从而获得减轻医护人员负担及优化患者康复周期的优势，提高了康复训练的安全性和适用性。

Description

一种上肢外骨骼机械臂及康复训练的控制方法

技术领域

本发明涉及康复医疗领域，具体是一种上肢外骨骼康复机械臂及利用该上肢外骨骼机械臂进行康复训练的控制方法。

背景技术

康复训练是康复医学的一个重要手段,主要是通过训练这种方法使病人患肢恢复正常的自理功能,用训练的方法尽可能的使残疾者生理和心理的康复,达到治疗效果。常见的康复训练手段有a.被动活动：完全由外力进行，无任何主动肌肉收缩。外力可由重力、机械、他人或自己的另一肢体作用所产生。b.主动和主动助力活动：自己或借助他人一定的帮助来完成肢体的运动。由于患儿肢体运动的协调性和控制能力比较差，所以必须通过训练来发展运动的协调性和提高功能活动的技能。主动助力活动可提供足够的帮助，以产生应有的关节活动度。c.牵张活动：通过对关节持续牵引来增加关节活动，主要用于挛缩的关节。

康复机械臂就是指能够辅助运动功能受损的瘫痪患者自动或半自动完成康复训练的机电一体化设备。目前在康复医疗领域，康复机械臂取得了良好的使用效果。结合了人体工学及智能控制方法的康复机械臂可以借由穿戴的方式来带动患者的肢体做康复运动，根据康复机械臂对患者的患肢位置连接、支撑、牵引等方式的不同，可以将康复机械臂分为末端引导式机械臂和外骨骼式机械臂，末端引导式机械臂是指机械臂通过末端带动患者的患肢完成康复性动作，一般动力源作用于患者的手或者手腕，具有安装方便，结构简单的特点，适用于大型康复医疗中心。外骨骼式康复机械臂依据仿生学原理，是一种可穿戴的设备，通过将机械臂穿戴在患者的手臂上，带动患者的手臂完成康复动作。

借助外骨骼康复训练机械臂有助于取得较好的康复训练效果。发明专利CN106389072A提出了一种新型的康复机器人及虚拟交互的康复方法，通过引入虚拟现实技术来增强人机交互过程，使患者在较为生动的环境下进行治疗，能有效的提升康复训练环境，同时也能较好地反应出康复训练效果。发明专利CN106730638A提出了一种基于交互力识别运动意图的康复机械臂控制方法，通过力信号来识别人体运动意图，改善了主动训练时人机交互的连续性，保障了主动康复训练的安全性。发明专利CN108721058A提出通过采集常用康复训练轨迹并储存，再通过手动选取，设定相应康复训练时间，实时解析选取的康复训练轨迹来带动患者的肢体运动，从而完成康复训练，对轨迹的优化解析研究较多。上肢康复领域在国外也颇受重视，国际专利WO2018189614-A1提出了一种通过非侵入性脑激活测量过程获得用户的脑信号，利用获得的脑信号的数据确定用户的意图反馈给控制系统，控制系统综合处理多维数据信息最终实现对驱动器的信号输出。同时，为了改善不同患者的个体差异性问题，采用不同患者的数据分组处理的措施，基于生物信号意图识别实现的人机交互对康复训练效果有良好的效果。日本专利JP2018183272-A提出一种通过VR穿戴设备采集人体交互信息，不仅提供了良好的康复视野，同时提供了人机接口，用于确定患者的康复部位及康复动作，极大改善患者的康复环境及康复体验，同时，该设备还能用于运动训练及乐器训练。西北工业大学王文东等2017年在《Technology&Health Care》上发表论文The force control and path planning of electromagnetic induction-basedmassage robot中提及对按摩机器人的力度控制及路径规划，通过调整机器人的运动位置及按摩头的状态来应对不同的按摩需求。

综上所述，目前国内外在康复训练领域已经取得了较好的成果，可以识别患者的运动意图，并将其反馈给康复机械臂控制系统，实现人机交互。但是，对整体康复机械臂的发展而言，依旧存在着人体意图识别精准度低、康复训练轨迹适用面狭隘的问题，因而不能得到广泛推广。

发明内容

为克服现有技术中存在的人体意图识别精准度低、康复训练轨迹适用面狭隘的问题的不足，本发明提出了一种上肢外骨骼机械臂及康复训练的控制方法。

本发明提出的上肢外骨骼机械臂包括连杆轴、直线电机、直线电机架、大臂外侧板、阻尼器连接轴、步进电机、步进电机架、步进电机齿轮、大臂内侧板、小臂内侧板、小臂外侧板、腕部外环、腕部止动环、腕部内侧、腕部齿轮、舵机连接块、舵机支架、舵机和手部拉杆。其中：

所述腕部止动环嵌装在腕部内环外圆周表面上端的卡槽内。所述腕部齿轮套装在该腕部内环的外圆周表面。固定在该腕部内环一侧的小臂内侧板的悬臂端铰接有大臂内侧板；小臂外侧板的一端固定在该腕部内环另一侧，步进电机通过步进电机架固定在该小臂外侧板的外侧表面；该小臂外侧板的悬臂端与大臂外侧板的一端铰接。步进电机齿轮安装在步进电机的输出轴上，并与所述腕部齿轮啮合。阻尼器连接轴安装在所述小臂外侧板上，并靠近该小臂外侧板的悬臂端。连杆轴的一端装入所述阻尼器连接轴内，另一端与直线电机固连；所述直线电机安装在所述大臂外侧板另一端的外侧表面上。腕部外环套装在所述腕部齿轮的外圆周表面，并使二者之间紧密配合。所述该腕部齿轮的上端面与所述腕部止动环的下端面贴合，该腕部齿轮的下端面与腕部内环的端面平齐。所述舵机通过舵机支架和舵机连接块安装在该腕部外环套的安装板上，并使该舵机的舵机轴与所述安装板上的轴孔转动配合。手部拉杆铰接在所述腕部外环的安装板上。直线电机架与大臂外侧板固连。大臂外侧板与小臂外侧板铰接，大臂内侧板与小臂内侧板铰接。两片大臂支撑板与大臂外侧板及大臂内侧板固连，同时将两片小臂支撑板与小臂内侧板及小臂外侧板固连。机械臂腕关节有两个自由度，对应手腕的摆动和扭动。步进电机齿轮与腕部齿轮啮合。

所述腕部内环的内径为120～150mm。该腕部内环一端的外圆周表面有环形的凹槽，用于嵌装腕部止动环。在该腕部内环另一端端面有径向凸出的环形卡板，用于安放所述腕部齿轮，当该腕部齿轮套装在该腕部内环上后，该环形板的上端面与所述腕部齿轮的下端面贴合；所述环形卡板的外端面均布有轴向的安装板，用于安装所述舵机支架和手部拉杆。

所述腕部外环的内径与所述腕部内环的外径相同，并使二者之间能够转动配合。该腕部外环的外径与所述腕部齿轮的内径相同。所述腕部外环的一个端面均布有一对轴向凸出的安装板。该一对安装板之间有腕部齿轮的开口。在该腕部外环的半圆周上有连接孔，并使该连接孔的中心线位于所述半圆周的对称面上。所述一对安装板中，一个安装板上有舵机支架的安装孔和舵机轴的安装孔，另一个的安装板上有安装所述手部拉杆的销孔。

所述腕部齿轮的内径与所述腕部内环外径相同，并使二者之间能够转动配合。在该腕部齿轮二分之一的圆周表面为与步进电机齿轮啮合的齿面。在该腕部齿轮的圆周表面上加工有与所述腕部外环上的连接孔对应的定位孔，该定位孔的中心与所述齿面的周向对称面之间的夹角为180°。

所述大臂外侧板为板条状。在该大臂外侧板的两端分别有轴承孔，分别用于铰接小臂外侧板和直线电机架。在该大臂外侧板上加工有大臂支撑板的安装孔。

所述大臂内侧板的一端有用于铰接小臂内侧板的轴承孔。在该大臂内侧板上加工有大臂支撑板的安装孔。

所述小臂外侧板的一端有连接步进电机架与腕部内环的通孔。在该小臂外侧板的中部有阻尼器连接轴的安装孔，该安装孔与所述阻尼器连接轴之间转动配合。该小臂外侧板的另一端有与所述大臂外侧板连接的轴孔。在该小臂外侧板上加工有小臂支撑板的安装孔。

所述小臂内侧板的的一端有与连腕部内环连接的通孔。该小臂内侧板的另一端有与所述大臂内侧板连接的轴孔。在该小臂内侧板上加工有小臂支撑板的安装孔。

所述手部拉杆由两个连接板和一个拉杆组成。所述两个连接板上均有滑槽，所述拉杆两端的销轴分别装入所述两个连接板上的滑槽内，并能够沿该滑槽滑动。在一个所述连接板内端端头有与所述舵机轴键槽配合的轴孔；在另一个连接板内端端头处的外侧表面有销轴，该销轴装入所述腕部外环一个安装板上的销孔内。

所述舵机连接块的一个表面为与所述腕部外环的安装板表面配合的平面，另一个表面的一个长边的二分之一处有与所述舵机支架嵌合的台阶状凸块。在该舵机连接块上有两个所述舵机支架的安装支杆，并使该安装支杆分别位于所述舵机连接块另一个长边一侧的侧表面的两端；在各所述安装支杆的端面分别有螺纹孔。所述述舵机连接块上分布有连接腕部外环的安装孔。

本发明提出的使用所述上肢外骨骼机械臂进行复训练的具体过程是：

步骤一：生成康复机械臂各关节运动参数的原始运动轨迹点

设定康复训练动作和康复周期。医护人员示范康复训练动作。康复机械臂实时记录并保存当前展示动作时各关节的原始运动轨迹点。

所述各关节的运动参数为电机的角度位置和角速度。

步骤二：患者穿戴外骨骼机械臂，并在患者的手指安置心电传感器。通过计算机将外骨骼机械臂的直线电机、步进电机和舵机的控制模式调节为位置模式。

步骤三：确定康复训练的预设运动强度。

所述运动强度划分为高强度、中强度和低强度，分别对应康复患者的不同阶段：低强度运动对应康复初期患者，处于此阶段的患者自主能力较弱；中强度运动对应恢复期患者，此阶段的患者有一定自主能力，但仍未痊愈；高强度运动对应康复后期患者，此阶段的患者已经具备自主能力，但仍需要加强肌肉恢复。

步骤四：获得重采样后的运动轨迹点。

计算机读取所述原始运动轨迹点，并通过兰索斯重采样算法对读取的轨迹进行插补，以获得重采样后的运动轨迹点。所述重采样后的运动轨迹点的轨迹点数目＝原轨迹点数×2，形成重采样运动轨迹点。保存该重采样运动轨迹点。

所述通过兰索斯重采样算法获得重采样后的运动轨迹点具体过程为：

第一步，确定对应原始运动轨迹点中每个轨迹点对应的兰索斯窗函数权重L(x)为

其中，sinc为辛格函数，x为原始运动轨迹点的时间值，b为算法超参数，取3。

第二步，兰索斯重采样。

对原始运动轨迹点进行兰索斯重采样。在各原始运动轨迹点中间增加新的轨迹点。新增的轨迹点的角度位置S(x^*)

其中，j为求和算法参数，x^*为新增运动轨迹点的时间值，s_j为在j时间的原始轨迹点的角度位置的数值。

步骤五：向直线电机、步进电机和舵机输出该重采样运动轨迹点的角度位置：

计算机读取重采样的运动轨迹，依照当前的运动强度选择实时输出重采样运动轨迹点，并分别向直线电机、步进电机和舵机输出该重采样运动轨迹点的角度位置。

在选择实时输出重采样运动轨迹点中：

当运动强度为高时，选择前一个重采样运动轨迹点之后的第三个重采样运动轨迹点，即使所选择的相邻的两个重采样运动轨迹点之间间隔两个重采样运动轨迹点。

当运动强度为中时，选择前一个重采样运动轨迹点之后的第二个重采样运动轨迹点，即使所选择的相邻的两个重采样运动轨迹点之间间隔一个重采样运动轨迹点。

当运动强度为低时，选择与前一个重采样运动轨迹点相邻的下一个重采样运动轨迹点。

计算机输出位置控制信号，并接收来自心电传感器的信号反馈，以及各个编码器的反馈角度位置信号及角速度信号；计算机对接收的上述各信号进行数据预处理。心电传感器为模拟量转数字量，采样率为1k。当该心电传感器的采样点数N达到3000时，将处理完成的数据导入运动强度识别模型。

所述数据预处理是对采集到的心电信号提取时域标准差的特征值、时域近似熵的特征值、均方根频域的特征值和频域标准差的特征值；从采集到的直线电机编码器反馈角度信号、步进电机编码器反馈角度信号和舵机的编码器反馈角度信号中分别提取轨迹相对速度差的特征值。

将所述提取到的各特征值构成多模向量，进行标准化处理后，导入运动强度感知模型，得到当前的运动强度。所述各特征值构成多模向量是将各特征值并联；并联时，使心电信号中提取的各特征值位于前四位。

所述时域标准差计算方法SD为：

其中x_i为对应心电信号时间序列的信号值，N为心电传感器的采样点数目，μ为心电传感器信号的平均值。

所述时域近似熵为：

对于等时间间隔采样获得的一维的心电离散信号a(1),a(2),…,a(N)，重构成三维向量A(1),A(2),…,A(N-m+1)，即A(i)＝[a(i),a(i+1),…,a(i+m-1)]，统计当1≤i≤N-m+1时，满足以下条件的重构向量个数：

其中d[A(i),A(k)]为向量距离，定义为两个重构向量中各维度绝对差值最大的一项数值，k是算法的序列参数，取值范围为[1,N-m+1]，包括k＝i。定义当前重构维度状态量由高重构维度的状态量与当前维度状态量的差值得到近似熵(ApEn):ApEn＝φ^m(r)-φ^m+1(r)

所述m是算法超参数。m＝3。

所述频域特征值的计算方法为：

其中P为由采集到的心电信号通过快速傅里叶变换得到的频谱图的频域幅值，f为频谱图的频率，MSF为均方频率，FC为重心频率，VF为频率方差，RMSF为均方根频率，RVF为频率标准差。

所述直线电机角度位置、步进电机角度位置和舵机角度位置均以重采样的信号点为基准，根据该直线电机、步进电机和舵机编码器反馈的角度信号分别计算所述直线电机、步进电机和舵机的角速度。

所述的速度差是重采样运动轨迹点的角速度分别与直线电机角速度、步进电机角速度和舵机角速度的差值。

所述多模向量数据标准化为S-core方法。

所述运动强度感知模型由深度神经网络构成。

使用Adams梯度方法对所述运动强度感知模型进行优化；优化对象为交叉熵，优化的数据为多个不同实验测试者在多次康复训练中采集的执行器角度信号及心电信号。

步骤六：计算机依据运动强度感知模型得到的运动强度选取下一个运动轨迹点，并分别向直线电机、步进电机和舵机输出位置控制信号，采集心电反馈信号及编码器反馈信号，预处理后导入运动强度感知模型。

重复本步骤所述选取下一个运动轨迹点--输出位置控制信号--采集心电反馈信号及编码器反馈信号--导入运动强度感知模型的过程，直至完成设定的康复运动周期。

与现有技术相比较，本发明取得的有益效果在于：

本发明通过医护人员指导并自适应患者肢体的康复训练方法，该方法通过示教模式记录康复训练运动轨迹，再通过深度学习框架对患者进行运动强度识别，并将识别结果嵌入到基于深度强化学习的整体康复训练控制策略中，输出调节后的关节运动速率信号给机械臂来完成康复训练。该方法可以在防止患者康复训练二次伤害的前提下，通过运动信号与生物信号的向量融合，可以消除运动信号的滞后性及生物电信号的个体差异性带来的影响，提高运动强度识别准确度，并且拓宽康复运动轨迹的适用面，从而获得减轻医护人员负担及优化患者康复周期的优势，提高了康复训练的安全性和适用性。

本发明提供一种以深度学习框架为基础的控制方案协助医护人员完成患者的完整康复训练疗程。其特色在于使用深度强化学习算法来完成人机交互过程，其中，人机交互的实现主要通过传感器检测患者的运动信号及肌电信号并反馈回控制系统实现及控制系统驱动康复机械臂带动穿戴者肢体进行康复运动。在一些实施方案中，采集到的患者肢体运动信号和采集到的患者肢体生物电信号通过特征向量提取及多维向量融合，再采用深度神经网络实现肢体运动强度感知，得到运动强度。其后，反馈的人机交互信号与机械臂上传感器反馈的电机运动信号导入控制系统，控制系统依据运动强度决定下一时间点的电机运动变量，并传递给关节电机驱动器，驱动机械臂运动，最后通过绑带来带动人体肢体完成人机交互过程。

本发明能够记录关节电机运动信号，实现采集康复运动轨迹，并与控制器组合，储存多种康复轨迹。在实际康复训练环节中选取不同的康复运动来配合不同患者及不同疗程，穿戴式运动轨迹贴近真实康复运动轨迹，保证康复运动的准确度。本康复训练方法采集康复运动过程中的患者肢体运动学信号及生物电信号，采用运动学信号可以得到较好运动强度识别准确率，同时兼备采集生物学信号的较短识别时间的特点，突出患者运动时的人机交互过程，确保患者的康复运动安全及人机共融性。最后，康复运动中记录下的肌电信号也便于观察肌肉发力状态，有助于医护人员对患者康复疗效的后续分析。如图7所示，通过采集患者在康复运动实验中的生物电信号及运动学信号，构成的融合向量，采用t-SNE算法实现降维可视化，对应不同标签强度的点分隔较开，而相同标签的点相距较近，能够看出本发明对人体运动强度识别效果较好，可以获得95％以上的识别率，采集数据及识别时间低于0.2s。

说明书附图

图1是本发明的硬件平台结构示意图。

图2是图1的腕关节拆分结构图。

图3是图1的腕关节扭动自由度结构图。

图4是阻尼器连接轴的结构示意图。

图5是腕部外环的结构示意图。

图6是止动环的结构示意图。

图7是腕部内环的结构示意图。

图8是腕部齿轮的结构示意图。

图9是舵机连接块的结构示意图。

图10是舵机支架的结构示意图。

图11是手部拉杆的结构示意图。

图12是腕关节的俯视图。

图13是图12的剖面图。

图14是肘关节局部示意图。

图15是运动强度识别模型运行示意图

图16是对特征向量t-SNE二维分布示意图

图中：1.连杆轴；2.直线电机；3.直线电机架；4.连接板；5.大臂外侧板；6.阻尼器连接轴；7.步进电机；8.步进电机架；9.步进电机轴套；10.步进电机齿轮；11.大臂内侧板；12.大臂支撑板；13.小臂内侧板；14.小臂支撑板；15.小臂外侧板；16.腕部外环；17.腕部止动环；18.腕部内侧；19.腕部齿轮；20.舵机连接块；21.舵机支架；22.舵机；23.手部拉杆。

具体实施方式

本实施例是一种三自由度的可穿戴的上肢外骨骼康复机械臂，包括连杆轴1、直线电机2、直线电机架3、连接板4、大臂外侧板5、阻尼器连接轴6、步进电机7、步进电机架8、步进电机轴套9、步进电机齿轮10、大臂内侧板11、大臂支撑板12、小臂内侧板13、小臂支撑板14、小臂外侧板15、腕部外环16、腕部止动环17、腕部内环18、腕部齿轮19、舵机连接块20、舵机支架21、舵机22和手部拉杆23。所述的大臂支撑板12和小臂支撑板11各有两个。其中：

所述腕部止动环17嵌装在腕部内环18外圆周表面上端的卡槽内。所述腕部齿轮19套装在该腕部内环的外圆周表面。固定在该腕部内环一侧的小臂内侧板13的悬臂端铰接有大臂内侧板11；小臂外侧板15的一端固定在该腕部内环另一侧，步进电机7通过步进电机架8固定在该小臂外侧板15的外侧表面；该小臂外侧板的悬臂端与大臂外侧板5的一端铰接。步进电机齿轮10通过减速器安装在步进电机的输出轴上，并与所述腕部齿轮19啮合。阻尼器连接轴6安装在所述小臂外侧板15上，并靠近该小臂外侧板的悬臂端。连杆轴1的一端装入所述阻尼器连接轴内，另一端与直线电机2固连；所述直线电机2安装在所述大臂外侧板5另一端的外侧表面上。腕部外环16套装在所述腕部齿轮19的外圆周表面，并使二者之间紧密配合。所述该腕部齿轮的上端面与所述腕部止动环17的下端面贴合，该腕部齿轮的下端面与腕部内环18的端面平齐。所述舵机22通过舵机支架21和舵机连接块20安装在该腕部外环套的安装板上，并使该舵机的舵机轴与所述安装板上的轴孔转动配合。手部拉杆23铰接在所述腕部外环16的安装板上。

所述腕部内环18为圆环状，其内径为120～150mm。该腕部内环一端的外圆周表面有环形的凹槽，用于嵌装腕部止动环17。在该腕部内环另一端端面有径向凸出的环形卡板，用于安放所述腕部齿轮19，当该腕部齿轮19套装在该腕部内环上后，所述环形板的上端面与所述腕部齿轮19的下端面贴合；所述环形卡板的外端面均布有轴向的安装板，用于安装所述舵机支架21和手部拉杆23。

所述腕部外环16为圆环状。该腕部外环的内径与所述腕部内环18的外径相同，并使二者之间能够转动配合。该腕部外环的外径与所述腕部齿轮19的内径相同。所述腕部外环的一个端面均布有一对轴向凸出的安装板。将该一对安装板之间的腕部外环切除，形成腕部齿轮的开口。在该腕部外环的半圆周上有连接孔，并使该连接孔的中心线位于所述半圆周的对称面上。所述一对安装板中，一个安装板上有舵机支架21的安装孔和舵机轴的安装孔，另一个的安装板上有安装所述手部拉杆的销孔。

所述腕部止动环17为开口环。该腕部止动环的外径比所述腕部内环18的外径大2mm。

所述腕部齿轮19为圆环状。该腕部齿轮的内径与所述腕部内环18外径相同，并使二者之间能够转动配合。在该腕部齿轮二分之一的圆周表面为与步进电机齿轮10啮合的齿面。在该腕部齿轮的圆周表面上加工有与所述腕部外环上的连接孔对应的定位孔，该定位孔的中心与所述齿面的周向对称面之间的夹角为180°。

所述大臂外侧板5为板条状。在该大臂外侧板的两端分别有轴承孔，分别用于铰接小臂外侧板15和直线电机架3。在该大臂外侧板上加工有大臂支撑板12的安装孔。

所述大臂内侧板11板条状。在该大臂内侧板的一端有用于铰接小臂内侧板13的轴承孔。在该大臂内侧板上加工有大臂支撑板12的安装孔。

所述小臂外侧板15的一端有连接步进电机架与腕部内环的通孔。在该小臂外侧板的中部有阻尼器连接轴6的安装孔，该安装孔与所述阻尼器连接轴之间转动配合。该小臂外侧板的另一端有与所述大臂外侧板连接的轴孔。在该小臂外侧板上加工有小臂支撑板14的安装孔。

所述小臂内侧板13的的一端有与连腕部内环连接的通孔。该小臂内侧板的另一端有与所述大臂内侧板连接的轴孔。在该小臂内侧板上加工有小臂支撑板14的安装孔。

所述手部拉杆23的外形呈H形，由两个连接板和一个拉杆组成。所述两个连接板上均有滑槽，所述拉杆两端的销轴分别装入所述两个连接板上的滑槽内，并能够沿该滑槽滑动。在一个所述连接板内端端头有与所述舵机轴键槽配合的轴孔；在另一个连接板内端端头处的外侧表面有销轴，该销轴装入所述腕部外环16一个安装板上的销孔内。

所述舵机连接块20为矩形板状，该舵机连接块的一个表面为与所述腕部外环的安装板表面配合的平面，另一个表面的一个长边的二分之一处有与所述舵机支架21嵌合的台阶状凸块。在该舵机连接块上有两个所述舵机支架的安装支杆，并使该安装支杆分别位于所述舵机连接块另一个长边一侧的侧表面的两端；在各所述安装支杆的端面分别有螺纹孔。所述述舵机连接块20上分布有连接腕部外环的安装孔。

所述舵机支架21为矩形框板。在该舵机支架一端的一个表面有与所述舵机连接块20嵌合的凸块，该凸块为台阶状。

所述手部拉杆23由两块连接板和一个拉杆组成，其外形呈H形。所述两块连接板上均有滑槽，该拉杆两端的销轴分别安放在各滑槽内，并能够沿该滑槽滑动。两块连接板中，一块连接板的内端端头有与所述舵机轴固定连接的轴孔，另一块安装板的内端端头有与所述腕部外环一个安装板上的销孔配合的销轴。

所述的连杆轴1为直线电机2的输出轴，连轴杆1一端伸入装有深沟球轴承的阻尼器连接轴6的通孔内，使阻尼器连接轴6与小臂外侧板15通过深沟球轴承GB276-94构成转动副。

所述直线电机2固连在直线电机架3上，直线电机架3与大臂外侧板5通过螺纹固连。大臂外侧板5与小臂外侧板15通过深沟球轴承GB276-94铰接，大臂内侧板11与小臂内侧板13铰接。两片大臂支撑板12与大臂外侧板5及大臂内侧板11通过螺纹固连，同时，将两片小臂支撑板14与小臂内侧板13及小臂外侧板15通过螺纹固连。机械臂腕关节有两个自由度，对应手腕的摆动和扭动。所述的步进电机7输出轴通过过盈配合与步进电机轴套9固连，步进电机齿轮10与腕部齿轮19啮合。

具体康复训练方法实现步骤如下：

步骤一：根据患者病情，医师设定康复训练动作和康复周期。医护人员穿戴康复机械臂，示范康复训练动作。同时调节所述直线电机2、步进电机7和舵机22的模式为电流模式。康复机械臂实时记录下当前展示动作时各关节的运动参数，并生成原始运动轨迹点；依照时间顺序保存该原始运动轨迹点。

所述各关节的运动参数为电机的角度位置和角速度。

步骤二：患者穿戴外骨骼机械臂。

患者穿戴外骨骼机械臂，并在患者的手指安置心电传感器。通过计算机将外骨骼机械臂的直线电机、步进电机和舵机的控制模式调节为位置模式。

心电传感器选择指夹式Heat Rate Clamp，可以选择夹戴在任意一个手指上。

步骤三：根据医师设定康复训练动作和康复周期，确定康复训练的预设运动强度。该运动强度划分为高强度、中强度和低强度，分别对应康复患者的不同阶段：低强度运动对应康复初期患者，处于此阶段的患者自主能力较弱；中强度运动对应恢复期患者，此阶段的患者有一定自主能力，但仍未痊愈；高强度运动对应康复后期患者，此阶段的患者已经具备自主能力，但仍需要加强肌肉恢复。

步骤四：计算机读取所述原始运动轨迹点，并通过兰索斯重采样算法对读取的轨迹进行插补，以获得重采样后的运动轨迹点。所述重采样后的运动轨迹点的轨迹点数目＝原轨迹点数×2，形成重采样运动轨迹点。保存该重采样运动轨迹点。所述兰索斯重采样算法具体过程为：

第一步，确定对应原始运动轨迹点中每个轨迹点对应的兰索斯窗函数权重L(x)为

其中，sinc为辛格函数，x为原始运动轨迹点的时间值，b为算法超参数，取3。

第二步，兰索斯重采样。

对原始运动轨迹点进行兰索斯重采样。在各原始运动轨迹点中间增加新的轨迹点。新增的轨迹点的角度位置S(x^*)

其中，j为求和算法参数，x^*为新增运动轨迹点的时间值，s_j为在j时间的原始轨迹点的角度位置的数值。

步骤五：计算机读取重采样的运动轨迹，依照当前的运动强度选择实时输出重采样运动轨迹点，并分别向直线电机、步进电机和舵机输出该重采样运动轨迹点的角度位置。

在选择实时输出重采样运动轨迹点中：

当运动强度为高时，选择前一个重采样运动轨迹点之后的第三个重采样运动轨迹点，即使所选择的相邻的两个重采样运动轨迹点之间间隔两个重采样运动轨迹点。

当运动强度为中时，选择前一个重采样运动轨迹点之后的第二个重采样运动轨迹点，即使所选择的相邻的两个重采样运动轨迹点之间间隔一个重采样运动轨迹点。

当运动强度为低时，选择与前一个重采样运动轨迹点相邻的下一个重采样运动轨迹点。

计算机输出位置控制信号，并接收来自心电传感器的信号反馈，以及各个编码器的反馈角度位置信号及角速度信号；计算机对接收的上述各信号进行数据预处理。心电传感器为模拟量转数字量，采样率为1k。当该心电传感器的采样点数N达到3000时，将处理完成的数据导入运动强度识别模型。

所述数据预处理是采用通用的Visual Studio2017软件，对采集到的心电信号提取时域标准差的特征值、时域近似熵的特征值、均方根频域的特征值和频域标准差的特征值；从采集到的直线电机编码器反馈角度信号、步进电机编码器反馈角度信号和舵机的编码器反馈角度信号中分别提取轨迹相对速度差的特征值。

将所述提取到的各特征值构成多模向量，进行标准化处理后，导入运动强度感知模型，得到当前的运动强度。所述各特征值构成多模向量是将各特征值并联；并联时，使心电信号中提取的各特征值位于前四位。如图15所示。

所述时域标准差计算方法SD为：

其中x_i为对应心电信号时间序列的信号值，N为心电传感器的采样点数目，μ为心电传感器信号的平均值。

所述时域近似熵为：

对于等时间间隔采样获得的一维的心电离散信号a(1),a(2),…,a(N)，重构成三维向量A(1),A(2),…,A(N-m+1)，即A(i)＝[a(i),a(i+1),…,a(i+m-1)]，统计当1≤i≤N-m+1时，满足以下条件的重构向量个数：

其中d[A(i),A(k)]为向量距离，定义为两个重构向量中各维度绝对差值最大的一项数值，k是算法的序列参数，取值范围为[1,N-m+1]，包括k＝i。定义当前重构维度状态量由高重构维度的状态量与当前维度状态量的差值得到近似熵(ApEn):ApEn＝φ^m(r)-φ^m+1(r)

所述m是算法超参数。m＝3。

所述频域特征值的计算方法为：

其中P为由采集到的心电信号通过快速傅里叶变换得到的频谱图的频域幅值，f为频谱图的频率，MSF为均方频率，FC为重心频率，VF为频率方差，RMSF为均方根频率，RVF为频率标准差。

所述直线电机角度位置、步进电机角度位置和舵机角度位置均以重采样的信号点为基准，根据该直线电机、步进电机和舵机编码器反馈的角度信号分别计算所述直线电机、步进电机和舵机的角速度。

所述的速度差是重采样运动轨迹点的角速度分别与直线电机角速度、步进电机角速度和舵机角速度的差值。

所述多模向量数据标准化为S-core方法。

所述运动强度感知模型由深度神经网络构成。本实施例构建三层神经网络作为感知模型：靠近信号输入层的两层为前两层，前两层激活函数选用relu；最后一层激活函数使用softmax。

使用Adams梯度方法对所述运动强度感知模型进行优化；优化对象为交叉熵，优化的数据为多个不同实验测试者在多次康复训练中采集的执行器角度信号及心电信号。本实施例选取每种运动强度下各300组带有分类标签的多模向量训练数据，用于运动强度感知模型优化。另取每种运动强度下300组多模向量作为模型测试数据。优化后的运动强度感知模型在多模向量训练数据的辨识度达到99.0％，在测试数据下的辨识度能达到95.3％。构成的多模向量在T-SNE方法降维得到的可视化图像。如图16所示。

步骤六：计算机依据运动强度感知模型得到的运动强度选取下一个运动轨迹点，并分别向直线电机、步进电机和舵机输出位置控制信号，采集心电反馈信号及编码器反馈信号，预处理后导入运动强度感知模型。

重复本步骤所述选取下一个运动轨迹点--输出位置控制信号--采集心电反馈信号及编码器反馈信号--导入运动强度感知模型的过程，直至完成设定的康复运动周期。

Claims (10)

1.一种上肢外骨骼机械臂，其特征在于，包括连杆轴、直线电机、直线电机架、大臂外侧板、阻尼器连接轴、步进电机、步进电机架、步进电机齿轮、大臂内侧板、小臂内侧板、小臂外侧板、腕部外环、腕部止动环、腕部内侧、腕部齿轮、舵机连接块、舵机支架、舵机和手部拉杆；其中：

所述腕部止动环嵌装在腕部内环外圆周表面上端的卡槽内；所述腕部齿轮套装在该腕部内环的外圆周表面；固定在该腕部内环一侧的小臂内侧板的悬臂端铰接有大臂内侧板；小臂外侧板的一端固定在该腕部内环另一侧，步进电机通过步进电机架固定在该小臂外侧板的外侧表面；该小臂外侧板的悬臂端与大臂外侧板的一端铰接；步进电机齿轮安装在步进电机的输出轴上，并与所述腕部齿轮啮合；阻尼器连接轴安装在所述小臂外侧板上，并靠近该小臂外侧板的悬臂端；连杆轴的一端装入所述阻尼器连接轴内，另一端与直线电机固连；所述直线电机安装在所述大臂外侧板另一端的外侧表面上；腕部外环套装在所述腕部齿轮的外圆周表面，并使二者之间紧密配合；所述该腕部齿轮的上端面与所述腕部止动环的下端面贴合，该腕部齿轮的下端面与腕部内环的端面平齐；所述舵机通过舵机支架和舵机连接块安装在该腕部外环套的安装板上，并使该舵机的舵机轴与所述安装板上的轴孔转动配合；手部拉杆铰接在所述腕部外环的安装板上；直线电机架与大臂外侧板固连；大臂外侧板与小臂外侧板铰接，大臂内侧板与小臂内侧板铰接；两片大臂支撑板与大臂外侧板及大臂内侧板固连，同时将两片小臂支撑板与小臂内侧板及小臂外侧板固连；机械臂腕关节有两个自由度，对应手腕的摆动和扭动；步进电机齿轮与腕部齿轮啮合。

2.如权利要求1所述上肢外骨骼机械臂，其特征在于，所述腕部内环的内径为120～150mm；该腕部内环一端的外圆周表面有环形的凹槽，用于嵌装腕部止动环；在该腕部内环另一端端面有径向凸出的环形卡板，用于安放所述腕部齿轮，当该腕部齿轮套装在该腕部内环上后，该环形板的上端面与所述腕部齿轮的下端面贴合；所述环形卡板的外端面均布有轴向的安装板，用于安装所述舵机支架和手部拉杆。

3.如权利要求1所述上肢外骨骼机械臂，其特征在于，所述腕部外环的内径与所述腕部内环的外径相同，并使二者之间能够转动配合；该腕部外环的外径与所述腕部齿轮的内径相同；所述腕部外环的一个端面均布有一对轴向凸出的安装板；该一对安装板之间有腕部齿轮的开口；在该腕部外环的半圆周上有连接孔，并使该连接孔的中心线位于所述半圆周的对称面上；所述一对安装板中，一个安装板上有舵机支架的安装孔和舵机轴的安装孔，另一个的安装板上有安装所述手部拉杆的销孔。

4.如权利要求1所述上肢外骨骼机械臂，其特征在于，所述腕部齿轮的内径与所述腕部内环外径相同，并使二者之间能够转动配合；在该腕部齿轮二分之一的圆周表面为与步进电机齿轮啮合的齿面；在该腕部齿轮的圆周表面上加工有与所述腕部外环上的连接孔对应的定位孔，该定位孔的中心与所述齿面的周向对称面之间的夹角为180°。

5.如权利要求1所述上肢外骨骼机械臂，其特征在于，所述大臂外侧板为板条状；在该大臂外侧板的两端分别有轴承孔，分别用于铰接小臂外侧板和直线电机架；在该大臂外侧板上加工有大臂支撑板的安装孔；

所述大臂内侧板的一端有用于铰接小臂内侧板的轴承孔；在该大臂内侧板上加工有大臂支撑板的安装孔；

所述小臂外侧板的一端有连接步进电机架与腕部内环的通孔；在该小臂外侧板的中部有阻尼器连接轴的安装孔，该安装孔与所述阻尼器连接轴之间转动配合；该小臂外侧板的另一端有与所述大臂外侧板连接的轴孔；在该小臂外侧板上加工有小臂支撑板的安装孔；

所述小臂内侧板的的一端有与连腕部内环连接的通孔；该小臂内侧板的另一端有与所述大臂内侧板连接的轴孔；在该小臂内侧板上加工有小臂支撑板的安装孔。

6.如权利要求1所述上肢外骨骼机械臂，其特征在于，所述手部拉杆由两个连接板和一个拉杆组成；所述两个连接板上均有滑槽，所述拉杆两端的销轴分别装入所述两个连接板上的滑槽内，并能够沿该滑槽滑动；在一个所述连接板内端端头有与所述舵机轴键槽配合的轴孔；在另一个连接板内端端头处的外侧表面有销轴，该销轴装入所述腕部外环一个安装板上的销孔内。

7.如权利要求1所述上肢外骨骼机械臂，其特征在于，所述舵机连接块的一个表面为与所述腕部外环的安装板表面配合的平面，另一个表面的一个长边的二分之一处有与所述舵机支架嵌合的台阶状凸块；在该舵机连接块上有两个所述舵机支架的安装支杆，并使该安装支杆分别位于所述舵机连接块另一个长边一侧的侧表面的两端；在各所述安装支杆的端面分别有螺纹孔；所述述舵机连接块上分布有连接腕部外环的安装孔。

8.一种使用权利要求1所述上肢外骨骼机械臂进行复训练的方法，其特征在于，具体步骤是：

步骤一：生成康复机械臂各关节运动参数的原始运动轨迹点：设定康复训练动作和康复周期；医护人员示范康复训练动作；康复机械臂实时记录并保存当前展示动作时各关节的原始运动轨迹点；

所述各关节的运动参数为电机的角度位置和角速度；

步骤二：患者穿戴外骨骼机械臂：患者穿戴外骨骼机械臂并在患者的手指安置心电传感器；通过计算机将外骨骼机械臂的直线电机、步进电机和舵机的控制模式调节为位置模式；

步骤三：确定康复训练的预设运动强度：所述运动强度划分为高强度、中强度和低强度，分别对应康复患者的不同阶段：低强度运动对应康复初期患者，处于此阶段的患者自主能力较弱；中强度运动对应恢复期患者，此阶段的患者有一定自主能力，但仍未痊愈；高强度运动对应康复后期患者，此阶段的患者已经具备自主能力，但仍需要加强肌肉恢复；

步骤四：获得重采样后的运动轨迹点：

计算机读取所述原始运动轨迹点，并通过兰索斯重采样算法对读取的轨迹进行插补，以获得重采样后的运动轨迹点；所述重采样后的运动轨迹点的轨迹点数目＝原轨迹点数×2，形成重采样运动轨迹点；保存该重采样运动轨迹点；

步骤五：向直线电机、步进电机和舵机输出该重采样运动轨迹点的角度位置：计算机读取重采样的运动轨迹，依照当前的运动强度选择实时输出重采样运动轨迹点，并分别向直线电机、步进电机和舵机输出该重采样运动轨迹点的角度位置；

在选择实时输出重采样运动轨迹点中：

当运动强度为高时，选择前一个重采样运动轨迹点之后的第三个重采样运动轨迹点，即使所选择的相邻的两个重采样运动轨迹点之间间隔两个重采样运动轨迹点；

当运动强度为中时，选择前一个重采样运动轨迹点之后的第二个重采样运动轨迹点，即使所选择的相邻的两个重采样运动轨迹点之间间隔一个重采样运动轨迹点；

当运动强度为低时，选择与前一个重采样运动轨迹点相邻的下一个重采样运动轨迹点；

计算机输出位置控制信号，并接收来自心电传感器的信号反馈，以及各个编码器的反馈角度位置信号及角速度信号；计算机对接收的上述各信号进行数据预处理；心电传感器为模拟量转数字量，采样率为1k；当该心电传感器的采样点数N达到3000时，将处理完成的数据导入运动强度识别模型；

所述数据预处理是对采集到的心电信号提取时域标准差的特征值、时域近似熵的特征值、均方根频域的特征值和频域标准差的特征值；从采集到的直线电机编码器反馈角度信号、步进电机编码器反馈角度信号和舵机的编码器反馈角度信号中分别提取轨迹相对速度差的特征值；

将所述提取到的各特征值构成多模向量，进行标准化处理后，导入运动强度感知模型，得到当前的运动强度；所述各特征值构成多模向量是将各特征值并联；并联时，使心电信号中提取的各特征值位于前四位；

使用Adams梯度方法对所述运动强度感知模型进行优化；优化对象为交叉熵，优化的数据为多个不同实验测试者在多次康复训练中采集的执行器角度信号及心电信号；

步骤六：计算机依据运动强度感知模型得到的运动强度选取下一个运动轨迹点，并分别向直线电机、步进电机和舵机输出位置控制信号，采集心电反馈信号及编码器反馈信号，预处理后导入运动强度感知模型；

重复本步骤所述选取下一个运动轨迹点--输出位置控制信号--采集心电反馈信号及编码器反馈信号--导入运动强度感知模型的过程，直至完成设定的康复运动周期。

9.如权利要求8所述上肢外骨骼机械臂进行复训练的方法，其特征在于，所述通过兰索斯重采样算法获得重采样后的运动轨迹点具体过程为：

第一步，确定对应原始运动轨迹点中每个轨迹点对应的兰索斯窗函数权重L(x)为

其中，sinc为辛格函数，x为原始运动轨迹点的时间值，b为算法超参数，取3；

第二步，兰索斯重采样；

对原始运动轨迹点进行兰索斯重采样；在各原始运动轨迹点中间增加新的轨迹点；

新增的轨迹点的角度位置S(x^*)

其中，j为求和算法参数，x^*为新增运动轨迹点的时间值，s_j为在j时间的原始轨迹点的角度位置的数值。

10.如权利要求8所述上肢外骨骼机械臂进行复训练的方法，其特征在于，

所述时域标准差计算方法SD为：

其中x_i为对应心电信号时间序列的信号值，N为心电传感器的采样点数目，μ为心电传感器信号的平均值；

所述时域近似熵为：

对于等时间间隔采样获得的一维的心电离散信号a(1),a(2),…,a(N)，重构成三维向量A(1),A(2),…,A(N-m+1)，即A(i)＝[a(i),a(i+1),…,a(i+m-1)]，统计当1≤i≤N-m+1时，满足以下条件的重构向量个数：

其中d[A(i),A(k)]为向量距离，定义为两个重构向量中各维度绝对差值最大的一项数值，k是算法的序列参数，取值范围为[1,N-m+1]，包括k＝i；定义当前重构维度状态量由高重构维度的状态量与当前维度状态量的差值得到近似熵(ApEn):ApEn＝φ^m(r)-φ^m+1(r)

所述m是算法超参数；m＝3；

所述频域特征值的计算方法为：

其中P为由采集到的心电信号通过快速傅里叶变换得到的频谱图的频域幅值，f为频谱图的频率，MSF为均方频率，FC为重心频率，VF为频率方差，RMSF为均方根频率，RVF为频率标准差；

所述直线电机角度位置、步进电机角度位置和舵机角度位置均以重采样的信号点为基准，根据该直线电机、步进电机和舵机编码器反馈的角度信号分别计算所述直线电机、步进电机和舵机的角速度；

所述的速度差是重采样运动轨迹点的角速度分别与直线电机角速度、步进电机角速度和舵机角速度的差值；

所述多模向量数据标准化为S-core方法；

所述运动强度感知模型由深度神经网络构成。