应该考虑三个关键需求。首先,为了让病人穿它,它应该灵活,重量轻,精度高。其次,它应该有能力足够的电力申请组合动作的病人。第三,运动空间必须符合生理结构( 11]。

实现我们的目标设计,设备应提供足够的扭矩训练上肢。致动器应该有高功率驱动装置和移动上肢。设备的材料应该有高强度,以防止设备在运动表现不佳。

对大多数患者来说,上肢的长度或宽度有许多维度和应该仔细考虑。因此,当我们设计灵活、可穿戴和可调节的概念对大多数患者来说,可调设计要好得多。

此外,结合运动更有利于患者的康复过程。我们的设备应该是免费开展联合运动不受干扰。我们设计了一个三自由度康复机器人。与以前的设备相比,这种设计可以克服一些缺点使它灵活、轻便,重量轻,高度准确,容易磨损( 12]。

机器人如图 1。它具有以下特点: (1)

稳定的磨损。上肢康复机器人有固定凹槽上,前臂、上臂的人体,分别是固定绷带在这些地方。这些固定的地方可以保证正常的3自由度运动。

这个机器人有三部分,一个为肘关节和两个手腕。人体肘关节的只有一个自由度,弯曲和扩展。手腕有三个自由度,但我们只设计了两个自由度,即弯曲和扩展,以及内翻和旋后。每一个运动的范围如表所示 1( 13, 14]。

面肌的外骨骼机器人系统具有实时识别信号和信号处理;因此,肌电图的采集设备使用实时采集芯片。如图 2。面肌电信号采集仪器可以收集原始肌电的信号和纠正和整合的基础上原始肌电信号,进行芯片。芯片的输出可以纠正积分面肌电信号的信号,和最原始表面EMG信号也可以输出。当肌电图是用于收集肌电的信号,电极贴的位置是非常重要的。面肌电信号采集仪器有两个通道,每个通道有两个电极的帖子被纳入的中部和尾部测量肌肉,分别。还有一个肌肉附着在电极免费部分。

收集到的信号作为输出发送到数字万用表,数字万用表功能作为一个广告转换装置。然后,信号收集的数字万用表连接到电脑,作为输出发送到计算机USB的借口下。然后我们使用Matlab软件来处理和模式识别的信号。

在机器人的评价,我们收集和处理EMG信号来获取信息,然后我们实时控制机器人的运动。因此,实验设计的目的是评估实时、准确采集与处理突变信号的机器人系统。在这个过程中,EMG信号特征提取和分类器设计是两个核心问题。

在这个实验中,我们设计的行动模式BFNND肘部有四个操作模式:0度、30度,60度,90度。然后,我们收集肌这四个角度的信号。肱二头肌和三头肌的表面突变信号收集brachii肌肉通过使用双通道肌采集设备。100套的数据被收集和每组的持续时间1秒。EMG收购是1000赫兹的频率,所以在每组有1000分。通过这种方式,100套的双通道数据点。

图 3显示的是1组双通道信号的时域信息在0度。这是原始信号来自肌采集仪器。之后,信号处理和模式识别也将完成。

根据低频弱,面肌电信号的非线性特征信号,我们首先进行带信号通过一个铝箔,通频带带宽的带通滤波器是0 - 150赫兹。巴特沃斯振幅平方函数如下: (1) H ω 2 = 1 1 + ω / ω c 2 n = 1 1 + ε 2 ω / ω p 2 n 。

在( 1), n 过滤器的顺序, ω c 是截止频率;也就是说,振幅的频率下降到3 dB。 ω p 是带边频率( 15]。

然后,我们使用EEMD方法来过滤。EEMD基于EMD,添加白色noise-aided分析方法。EEMD方法认为真正的信号和白噪声叠加形成了原始信号。每个原始信号可以通过EMD得到国际货币基金组织(IMF)组件。然而,国际货币基金组织通过EMD独自仍然含有白噪声的影响。国际货币基金组织(IMF)组件直接通过EMD方法是一个真正的信号。 (2) x 我 ′ t = 1 N ∑ j = 1 N x 我 j t 。

在( 2), x 我 j 原1国际货币基金组织(IMF)与白噪声分量,然后呢 N EMD执行时间的数量。白噪声/国际货币基金组织是不同的,但当EMD死刑的数量是足够的,也就是说,当国际货币基金组织(IMF)的数量是足够的,平均的国际货币基金组织(IMF)将被认为是接近真实的结果。随着越来越多的测试,额外的噪音被认为是完全消失,只有信号是稳定的。

图 4显示了过滤表信号在一定程度的0。我们可以看到,信号预处理后,面肌信号的高频分量明显小于原始信号,信号平滑。这是因为信号预处理过滤掉了高频信号。在这个实验中,四个模式的肌电图,分别,但本文只列举了0度的信号。需要经过信号预处理、特征提取( 16]。

小波变换(WT)来源于本地化的短时傅里叶变换,提高了缺陷,转换过程中的频率不能改变窗口的大小是不变的从开始到结束。它可以使精度随频率改变的时间。它是一个理想的工具时间频率信号的分析和处理。小波变换可以突出问题的特征,从而大大提高了时间频率的精度分析。扩张和翻译操作小波函数,原始信号是逐步完善;细分在高频和低频频率细分是用来解决傅里叶变换的问题,成为信号处理的一个新的和有用的转换方法。因此,小波能量特征作为特征空间设计的一部分。

小波包可以被视为一个家庭的功能,信号分解的功能空间在一个好的层面,选择和相应的频带分解信号,这使得每个分解信号与原始信号频谱;也就是说,它有更好的时间和频率分析。与小波变换相比,小波包变换分解高频性能更好,并且更准确,不失去原始信号的构成。分解图显示在表中 2:

在这种方法中,最高水平(第0个层)包含所有频段的信号,第一层有21个节点,频率段分为21部分, N 层分为 2 N 部分,也有 2 N 节点,每个节点信号在这个节点信号频带内的信号节点。每层节点的最大振幅信号,这是最有效的信号在同一层,它可以被视为代表信号的有效性这一层最大限度地( 17]。

小波分析的方法开辟了一种新的微弱信号检测技术,但关键的特征提取微弱信号的小波变换是确定阈值的小波系数。基于软阈值的小波的概念,它反映了信号的能量分布特征,有不同的小波熵在不同分解尺度,和高频系数的阈值可以自适应地确定。

小波熵可以准确定位弱信号在强噪声环境中,实现能量的传递信号的有效提取。因此,在特征空间中,选择小波熵的特征。最后,我们得到一个多维特征空间。

最后,特征空间是由小波能量特征和小波熵特性。

模式识别的肌电图,我们已经做了一些尝试分类常用的算法。最后,通过对结果的分析,随机森林可以分类算法的分类效果好。在这个实验中,使用随机森林分类器进行分类。这里有一些介绍随机森林分类器。

在RT的方法, k 样品是随机选择从原始训练样本集 N 生成一组新的训练样本,然后随机森林是由生成 K 根据自助样本集分类树。新数据的分类结果是由选票的数量分类树。决策树算法的本质是一种进步,多个决策树相结合在一起。每棵树的建立依赖于一个独立的样本。每棵树在森林里有相同的分布。分类误差取决于每棵树的分类能力和它们之间的相关性。特征选择使用一个随机方法单独的每个节点,然后比较了在不同的情况下产生的错误。固有的估计误差,分类能力,和能被探测到的相关性判断的选择功能。一棵树的分类能力可能是非常小的,但经过大量的随机决策树生成,测试样本可以选择最可能的分类统计的每棵树( 18]。

我们完成了处理、培训和测试所有的EMG信号。测试样本训练样本的比例是9:1。随机森林分类器应用于模式识别。我们做了10实验,结果如图所示 5。

实验结果表明,该分类器的分类精度约为94%。在这个实验的设置中,我们使用一个9:1比例和随机收集实验数据进行分类。这个示例包括0模式的四个动作:30度,30度,60度,90度。模型的训练,这些样本将用于康复外骨骼机器人的分类。在实际的系统操作,我们也应该考虑到延迟时间。在一些数据,病人的最大延时是200 ms - 400 ms,和机器人系统表明,平均延迟大约是300 ms,这是符合时间延迟( 19]。