髋关节运动模式识别与惯性信号外骨骼

文摘

认识到运动模式是一个关键的一步在控制下肢外骨骼/矫形器。我们的研究提出了一个fuzzy-logic-based运动模式/过渡识别方法使用onrobot惯性传感器的髋关节外骨骼(活跃的骨盆矫正法)。方法输出每个极端点的识别决策髋关节角度纯粹依靠惯性传感器集成。与相关研究相比,我们的方法使校准和认可的脚上没有额外的传感器。我们验证了方法通过测量四种运动模式和八个运动转换三身体健全穿着一个活跃的骨盆矫正法(APO)。的平均识别的正确率是92.46% intrasubject crossvalidation 93.16%,主体crossvalidation。平均延时期间转换为1897.9毫秒(一个步态周期28.95%)。结果在同一水平的相关研究。另一方面,这项研究是有限的小样本大小的对象,结果是初步的。未来的工作将支付在实际应用更广泛的评估。

1。介绍

下肢外骨骼/在康复矫形器作为重要角色、工业制造、和其他以人为本地区(1]。专门设计的机械结构和控制策略可以缓解人体上的载荷,从而增加佩戴者的绝对力量在重负荷或耐力在长期的任务。有各种类型的外骨骼根据活动关节,如全身外骨骼(例如,BLEEX [2和哈尔3])和单一关节的4)(例如,髋关节和踝关节)。髋关节连接下肢和主干。髋关节的主要功能是支持身体的重量在静态(如站)和动态(例如,步行)姿势5]。髋关节外骨骼的发展在这一领域的一个研究热点。有许多团体发展髋关节外骨骼(或活动骨盆矫正器)在世界各地(6- - - - - -13]。髋关节的援助有助于稳定运动(6- - - - - -9),优化代谢成本(10,11),调整异常步态模式(12),并减少脊柱上的额外负载(13),根据外骨骼的设计。

外骨骼控制一个主要步骤是识别下肢运动意图准确。这桥梁之间的差距人类感觉运动系统和外部机器人控制器的性能决定了整个系统的安全性和工作效率(4]。识别任务包括步态相位估计/检测、运动模式识别,和其他关节运动参数估计。运动模式识别涉及到移动模式在不同地形(如水平地面和楼梯)和nongait模式(例如,站)。识别系统应该认识到当前的模式和模式转换准确地在多个主题。识别方法包括传感系统和处理算法。处理算法通常是设计基于传感系统的信号特征。先前对这一领域的研究表明neural-mechanical信号融合方法可以产生令人满意的识别结果(例如,精度和时间延迟)。肌肉的神经信号通常是测量信号(例如,电动活动表示为表面EMG或形状的变化由非接触电容式传感器)。机械信号测量的惯性测量单元(imu)和loadcell传感器。可以集成到传感器节点的外骨骼机械结构。 The muscle signals respond faster than the mechanical signals. However, they convey more noises, and the mechanical signals can produce signals with high repeatability due to the advancement of sensing technology. The combination of the signals can compensate each other to get better performance.

运动模式识别的目标是产生一个精度尽可能高人体干预最少的。肌肉信号需要额外的电极或前端对人体,这降低了方便和潜在的使用意愿。另一个限制是,识别参数应该为每个单独的校准,使用前增加所需的时间。髋关节外骨骼控制,许多研究人员纯粹的机械信号用于人体运动模式识别。例如,研究[14]乌兹别克斯坦伊斯兰运动传感器相结合在一个活跃的骨盆矫正法和步态模式识别的脚压力传感器。设计的算法是一个基于事件的模糊逻辑结构引发的压力传感器。研究[15)确定不同的步态模式与髋关节角度编码器的测量髋关节外骨骼。是一个多层感知器神经网络设计算法。研究[14)进行了实时运动模式识别与IMU信号时穿着活动骨盆矫正法(APO [8])。基于机器学习算法的训练和测试。上述研究结果准确识别在各种运动模式的任务。然而,对于髋关节外骨骼控制,繁重的校准为不同个人和额外的传感器节点对人体实际应用仍然有限。例如,研究克服了subject-dependent面肌电信号的信号问题,但是该系统仍然需要压力鞋垫的脚提供步态事件信息。我们组的研究人群的识别方法进行验证。然而,subject-dependent培训和校准测试程序之前需要。

在这项研究中,我们提出了一种基于惯性测量单元的运动模式识别方法上的传感器髋关节外骨骼。设计fuzzy-logic-based算法可以克服subject-dependent参数数据训练,这为每个主题在使用之前不需要培训。除此之外,不需要额外的传感器对人体,增加实际应用方便。我们初步评估该方法与一个APO运动模式和运动过渡识别在多个主题。

2。实验设置

2.1。髋关节外骨骼

在这项研究中,我们使用一个活跃的骨盆矫正法(APO)研究小组开发的师范学校Superiore圣(SSSA) [8]。轻量级的外骨骼可以提供辅助转矩矢状平面的髋关节(见图1)。人群设计了系列基于扭转弹簧的弹性结构,和扭矩传递给关节和两个轻量级碳fiber-made链接(传动部件图1)。位于(在冠状平面)结构结合绷带固定外骨骼腰部和骨盆的用户,对人体保持稳定。两个矫正的壳被连接到碳fiber-made链接和固定在大腿上绷带。扭矩是通过壳应用于人体。每条腿有三自由度(自由度),两个被动(髋关节内收/绑架和骨盆倾斜),和一个活动(弯曲/扩展)8]。被动自由度移动期间保证整个系统的稳定性。APO的驱动系统的核心是直流电机与齿轮箱减速比(80:1)。扭力弹簧放置在轴的弯曲/扩展的外骨骼,直流电机(齿轮箱)和碳之间的fiber-made链接。的基本计算扭矩的交互是通过扭力弹簧常数的相对位置编码器(8]。人体外骨骼和扭矩之间的交互导致弹簧的变形。集成编码器和扭力弹簧的刚度,控制系统的人群的人体可以计算扭矩之间的交互和直流电机。

APO分层控制的控制策略。转矩控制的底层控制器。扭矩计算的交互的编码器作为反馈控制回路。控制输出确定应用扭矩对人体。有zero-torque模式和assistive-torque模式。zero-torque模式,所需的扭矩和腿之间的交互外骨骼是零。在assistive-torque模式下,控制器的命令转矩是一个预定义的曲线(在一个步)。高级控制器是一种自适应振荡器——(代谢)控制器为基础,采用了一套自适应振荡器持续跟踪一个步态周期的阶段。AO-based控制器的输入是代表髋关节角的编码器信号信息,控制器的输出是步态时相和相应的预期的扭矩。AO-based控制器的一个优点是连续步态阶段与鲁棒性估计不同行走速度(16]。

2.2。传感系统

我们实现了一个IMU委员会每条腿(见图1)。IMU的原始信号板包括使用硬件加速和硬件陀螺仪。有一个microcontrol单元(MCU),即,ATMEGA328。单片机计算螺旋角和横摇角(笛卡尔的全球框架系统)和加速度陀螺仪信号。董事会是固定的袖口外骨骼通过连接器(3 d打印)。IMU的螺旋角与弯曲/髋关节的延伸。倾斜角度的更新速度是100赫兹。

乌兹别克斯坦伊斯兰运动委员会的数据传输到控制电路的。控制电路的数据同步APO和IMU董事会通过通用同步异步接收发送器(USART)。控制电路集成无线模块。乌兹别克斯坦伊斯兰运动传感器和美国的数据的无线传输到主机在每10毫秒。电脑上的图形用户界面设计与MATLAB R2016b控制数据序列和存储数据。

2.3。试验协议

在这项研究中,我们招募了三个健康受试者。他们平均年龄27.3岁,平均身高173.7厘米,平均体重为67.3公斤。每个主题穿着人群,如图1在实验中。在这个实验中,我们记录5 8运动模式和运动转换。运动模式包括站(St)、水平行走(LW),楼梯上行(SA)和楼梯下行(SD)。运动转换包括 , ,和 。每个主题4任务执行移动覆盖所有的运动模式和转换(见图2)。任务1,有两个跨步LW和7步的循环周期的SA ( )。任务2,有7步SD和2步LW周期(周期 )。任务3,有3步的循环LW SD和5跨周期( )。任务4,有5步SA和3步LW周期(周期 )。在图所示的实验的任务2。跨周期的数量表所示1。在我们的研究中,模拟运动在日常活动中,我们允许受试者执行运动模式在他们最喜欢的步伐。因此,步态周期的受试者的数量是不同的。三个主题重复执行不同的任务。主题1 9重复执行每一项任务,包括与90年LW步态周期,SA 108步态周期,SD 108步态周期,为每个运动过渡和9重复( , ,步态起始/终止)。主题2 5重复执行每一项任务,包括与50 LW步态周期,SA与60步态周期,SD 60步态周期,为每个运动过渡和5个重复。主题3 6重复执行每一项任务,包括与60 LW步态周期,SA 72步态周期,SD 72步态周期,为每个运动过渡和6个重复。

3所示。识别方法

3.1。级联识别方法

运动识别方法是基于信号的特性获得了艾莫斯的双腿。首先识别方法级联(第一层)分类(St)的静态模式和动态模式(LW, SA, SD)其次(第二层)确定相应的动态运动模式(见图3)。在第二层,我们设计了一个fuzzy-logic-based算法。有两个隶属函数集fuzzy-logic-based算法,每条腿。隶属度函数的输入是数据对热电值从大腿角度检测。因此,在第二层中,我们首先确定高峰和低谷,其次计算模糊逻辑隶属函数。运动过渡期间,有不同的腿。两条腿的程序在识别过程中独立工作。

在级联识别方法中,第一步是区分静态运动模式和动态模式。没有步态模式在站期间,信号配置文件非常不同于移动模式。我们提取时域特征代表站的信号配置文件和其他运动模式。我们首先分段数据(俯仰角度和加速度),100 ms(10采样)滑动窗口。我们计算标准差的windows左腿的俯仰角度和硬件加速的绝对值的总和 。此外,我们比较了角不同的两条腿在矢状面,表示为_相对 。 右腿的螺旋角,是左大腿的螺距角。_相对之间的相对音高角左腿和右腿。第一层识别是通过比较基于阈值的条件。表达的逻辑

如果逻辑条件很满意,模式将被视为动态模式。否则,它被分为静态模式(St)。是最初的螺旋角的大腿接近0。

在上面的逻辑条件,_性病是滑动窗口标准差阈值被选为0.5°。是两条腿的螺旋角阈值被选为8°。_静态是静态模式的门槛被选为10°。_Acc是加速度的门槛被选为500年。

3.2。检测极端值

第二层是进一步分离(即数据转换成相应的动态运动模式。、LW SA和SD)。我们设计了一个fuzzy-logic-based算法对运动模式进行分类。每个输入是一个 向量包括峰值和山谷球场的角度。我们设计一个算法find_peak()来检测IMU信号的高峰和低谷。最近真峰谷值发现find_peak()将在 缓冲区的输入后续fuzzy-logic-based算法。以找到左腿的高峰值为例(图见图4),我们首先对峰值Th_预定义的阈值_峰和时间间隔Th__时间间隔。螺旋角的左腿在时间吗 。我们使用来表示峰值(伪)实时中找到。其次,过去21之前样品的时间比较(例如, )。如果大于10号向后( 和所有的10个数字前进( ),我们设置 。如果峰值的绝对值-螺旋角的初始值大于Th__峰,我们会考虑峰值作为离群值将被丢弃。否则,将被视为最高的候选人。因为错误的高峰值的存在产生的噪音,我们比较候选人的峰值位置的位置_P(我)与最新的候选人的位置_P(我- - - - - -1)。我们设置阈值的时间间隔Th__时间间隔两个相邻的高峰值。如果这两个峰值之间的时间间隔值小于Th__时间间隔,我们将假定两个候选人中的一个高峰值是错误的。较小的值的候选人是中止。我们决定标记算法。决定标志将被激活,如果一个真正的高峰,一个真正的山谷发现了。热电对当时输入的后续fuzzy-logic-based算法,然后国旗将停用。检测过程的山谷和另一条腿的值是相同的。

3.3。Fuzzy-Logic-Based识别方法

我们设计了一个fuzzy-logic-based LW运动模式之间的分离方法,SA和SD。正如上面提到的,模糊逻辑算法的输入是一个二维(2 d)向量包含最新的峰值检测和山谷(一条腿),表示为和 ,分别。最大/最小值显示不同的运动模式的特点。例如,SA值大于LW和SD,髋关节角度大的弯曲向上走动时。大腿的山谷球场角度也展示了类似的功能。在LW和SD模式,值是在同一水平上,他们将减少在SA模式因为stair-ascending运动包含一个悠閒运动挂腿可能达到的最低的螺旋角没有约束的楼梯。在LW和SD,将有限的地面和楼梯。我们在图可视化的特点5。最大最小的分布不同的运动模式可能是分开的。

我们设计了多元隶属函数分类三种运动模式。隶属函数计算的会员价值基于事件的特征属于目标模式。会员的输出范围(0,1),1是模型的最大成员。隶属度函数的计算与信号并行的两条腿。每条腿的信号,我们定义三个隶属度函数,一个为每个运动模式。被表示为的函数 在哪里表示模式的数量,比例因子, 是输入向量包括检测峰值和山谷,然后呢 是隶属函数的中心点。在我们的研究中,重点是表示为训练数据集的平均值。表示数据分布的协方差矩阵。LW计算三个隶属函数后,SA和SD,分别计算算法进行目标的最大会员模式:

图5表明,二维空间三个隶属度函数创建三个椭圆形区域,中心坐标的三个成员函数的平均值( )。在我们的研究中,参数和配备了训练数据集(下面详细描述)。

3.4。同步的识别决策

有惯性传感器的大腿。fuzzy-logic-based识别方法在并行工作的左腿和右腿。然后识别决策是同步运动转换的错误降到最低。在我们的级联识别方法中,第一层是区分圣和动态模式。转换步态起始和终止步态。步态起始识别( ),第一次认识到转变被认为是结果,表示为 在哪里的时间点检测过渡。终止步态识别,最后识别被认为是过渡到识别的结果。的时间点被表示为

第二层识别,过渡时间点( )是第一个承认时间点之间的左腿和右腿的结果。

4所示。评价方法

4.1。Crossvalidation

我们使用了crossvalidation方法来评估表现。我们评估了性能与1:2主体crossvalidation和1:1 intrasubject crossvalidation。1:1 intrasubject crossvalidation,每个主题的数据被分成两组相同的大小。第一个数据被用于培训,第二组进行测试。第二个数据集的过程重复培训和第一组测试。这两个测试的结果平均为主体的结果。1:2主体crossvalidation,我们使用一个主题的数据训练和其他科目的数据进行测试。在培训过程中,fuzzy-logic-based算法的参数被安装。

4.2。识别精度

第一个指标性能评价是识别精度。

在第一层,识别决策(St和其他动态模式)是连续计算每个样本。识别精度(识别精度1)被定义为 在哪里主题的数量,正确识别的数量决定,是决策的总数。

在第二层,识别决策是计算每个极端点被发现(峰谷)。第二层的识别精度定义为 在哪里是对象的数量,正确认识步态周期的数量,步态周期的总数。

4.3。混淆矩阵

我们使用了混淆矩阵来说明每个运动模式的识别性能。可以找到的细节定义在[17]。

4.4。时间延迟的运动转换

另一个指标来评估性能是时间延迟。有三个关键的时间点在每一个过渡时期,即。,the timing point when the data changed from St to dynamic modes (gait initiation, ),时的时间点数据从动态模式改为圣(步态终止, ),和时间点,当数据从一个动态模式改变到另一个( )。

参考过渡时间是由标签。在我们的级联识别方法中,第一层之间分离站和动态模式。我们手动标记数据通过IMU信号站和动态模式。如果距角超过一个阈值与站相比,数据将被贴上动态模式,被定义为步态起始的参考站和动态模式之间的过渡时间,被定义为引用的步态终止之间的过渡时间动态和站模式。第二层识别,参考转换时间是基于步态事件标记检测到脚压力鞋垫。被定义为引用的两种动态模式之间的过渡时间。会被贴上摆动阶段的中间点。标记方法运动转换一样existing-related研究[18,19]。

步态的延时(Td_init)开始被定义为公认的时机点之间的区别参考过渡步态起始时间 ,表达为

同样,步态终止妊娠的时间延迟(Td_terminal)表示 在哪里步态识别过渡时间的终止,步态的参考过渡时间终止。

时间延迟(Td_dynamic)的动态模式表示为 在哪里动态模式的识别过渡时间,是参考过渡时间的动态模式。的积极价值提出了延迟识别,识别的负值代表着进步,如图6。

5。结果

5.1。识别精度

在本节中,我们显示了识别第一和第二层分类器的精度。第一层识别是为了区分动态模式从站(St)。第二层识别设计分类三种动态模式(LW, SA和SD)。

至于第一层(分类之间的动态模式和圣),每个主题的识别精度为92.18%,93.00%,和90.45%,分别。平均识别精度为91.88%。至于第二层(LW之间的分类,SA和SD), fuzzy-logic-based方法产生准确的识别决策在运动模式下任务(结果见图6)。识别精度高于0.89的评估(主体表所示2和intrasubject表所示3)。在表中2和3,每一行代表数量用于培训,和每一列代表了测试数据(用于测试主题)。offdiagonal结果表2是主体间的识别精度,而对角结果表3表示的精度intrasubject crossvalidation。

1:2主体验证(见表2),隶属度函数与subject3训练数据集的最佳性能,精度最高,为95.51%。平均每个主题用不同的数据集训练识别精度为91.54%,92.80%,95.14%,1,2,分别和主题3。最低的准确性(89.84%)发生在主题1训练2的数据集。主题3的平均识别精度显示最佳性能,95.14%。

在表3(intrasubject crossvalidation),识别精度显示类似但略有下降而主体验证。精度最低,86.80%发生在主题1 subject3的训练数据集。三个科目的平均测试集识别精度相同的训练训练数据集是92.98%,93.26%,和91.16%,分别与1,2,和subject3的训练数据集。测试组平均为每个主题用不同的训练数据集训练识别精度为87.62%,94.27%,和95.51%,分别。

在表中4和5为每一个任务,我们提出了识别精度。从实验结果,识别精度最低为每个主题的结果通常发生在任务2 ( ),在识别算法通常在任务1和任务4表现更好。

5.2。时间延迟的运动转换

我们调查了延时期间运动转换培训/测试主题数据的一半。我们的时差计算识别运动转换和引用的。我们定义的时间延迟步态提升Td_init,步态Td_terminal终端,和动态Td_dynamic过渡。结果的单位是毫秒。

从表6,我们可以看到,步态的平均延时提升对于每个主题是1077.3毫秒,812.8女士,和268.2 ms和步态的平均延时终端是787.5毫秒,315.5女士和29.2 ms。所有受试者的平均延时是554.4毫秒。主题3最低时间延迟对步态提升和步态终端(268.2和29.2 ms)女士。同时,我们可以发现大的时间延迟经常发生在task 2和task 3。

对于表7,我们可以看到每个主题是685.1的平均Td_dynamic女士,女士541.8和394.0 ms。最低的平均Td_dynamic也发生在3。同时,我们可以看到大Td_dynamic通常发生在任务3。

女士步态周期平均为1897.9,平均的平均延时Td_init,平均Td_terminal,平均Td_dynamic 549.5 ms步态周期的占28.95%。

6。讨论

6.1。识别性能

在这项研究中,我们设计和评估的fuzzy-logic-based方法运动模式识别/过渡髋关节外骨骼。方法只有依靠惯性传感器集成到外骨骼,和不需要额外的传感器对人体。使用相同的外骨骼(与之前的作品相比14,20.),改善我们当前的一项研究是我们简化了设置传感方法的训练和测试程序。传感器的简化可以减少所需的时间校准实际应用的识别过程。

有许多研究IMU-based运动模式识别。性能是决定的因素,包括传感器设置(传感器的数量,传感位置),机械设备(外骨骼,假体),以及处理算法。评价方法也影响了数字识别的结果。例如,最近的研究在IMU-based运动模式识别实现> 95%的平均识别精度与intrasubject crossvalidation [21,22]。传感器设置与我们的有很大的不同。研究安装一个IMU董事会的截肢足地形识别(21),而研究固定柄上的IMU董事会,腰部,和手腕22]。

在我们的研究中,乌兹别克斯坦伊斯兰运动板固定在大腿的受试者。目标是臀部外骨骼机器人平台。识别性能的研究是在同一水平上,先前的研究具有类似的传感器/机器人设置(14,20.]。在前面的工作与活动骨盆矫正法(14),作者利用惯性传感器的大腿和脚压力鞋垫七认识运动模式。六个健康受试者的平均精度达到99%以上,运动过渡的任务。平均延时期间运动转换为固定的一个步骤。另一方面,作者还声称使用额外的脚鞋垫的局限性并没有集成的外骨骼。的精度下降到65.7% - -91.2%不同的测试数据集,如果centre-of-pressure(警察)信息被删除14]。在我们先前的工作(20.),作者设计machine-learning-based运动模式识别算法。在的研究23),作者设计了一个基于人工神经网络(ANN)——与惯性信号识别算法(大腿)和脚的压力信号。平均识别精度超过98%有subject-dependent训练和测试流程。每个识别的计算时间决定是小于1毫秒,但运动转换的时间延迟是不报道。相比之下,在我们的研究中,我们产生了93.16%的平均识别精度与1和2主体crossvalidations 92.46%和1对1 intrasubject crossvalidation。

6.2。的混杂因素

影响识别精度的一个关键因素是惯性的高峰和低谷的检测信号。如图6,运动模式和转换成功地识别;虽然,有misdetections极端值。输出值的隶属度函数是由极端点的检测价值。在计算识别结果,fuzzy-logic-based方法可以成功地分辨运动模式只要极端点的分布是区分(如图5)。在我们的研究中,虽然没有测量信号从脚,最大/最小角仍然显示步态信息。大腿的最大值倾角通常发生在摇摆不定的阶段,这是用来区分LW和SA。虽然最小角发生送进附近的一个步态周期的值是区分LW和SD信息。最大髋关节屈曲/扩展角是高度相关的运动模式。例如,SA的最大弯曲角度是明显大于LW和SD。受试者可以调整模式直观地控制外骨骼运动过渡的任务。特性的物理意义在我们fuzzy-logic-based算法可以加快培训/校准过程一个新手的话题。另一点值得指出的是主体间变异性信号配置文件和识别性能。除了运动模式的差异,不同的相对位置IMU董事会的大腿是另一个重要原因。 During the experiments, the IMU boards were fixed on the same positions at the exoskeleton. Due to the different anthropometries of the subjects, the relative positions on the thigh were different. In practical applications, the sensors usually are fixed on the exoskeleton. Adjusting the sensor position to keep the same signal profiles across subjects is also impractical. In future real-time control, we will improve the recognition algorithms with the ability of fast calibration to make the trained model quickly update with the new user.

6.3。机器人控制的识别性能的影响

在人群的实时控制,分级控制框架通常是设计。高级控制器识别运动模式和公认的地形决定了辅助转矩曲线。中层控制器使用自适应振荡器(代谢)跟踪所需的扭矩曲线。底层控制器驱动电机来实现力反馈回路。

如果有认识错误,所需的扭矩曲线所需的控制器将不同于当前的地形。用户将用一个不恰当的辅助转矩曲线。适用人群的辅助转矩在髋关节角矢状面。由于机械设计人群(2被动自由度在冠状面和被动合规),它是不太可能,用户将会造成错误的识别的运动模式。然而,在长期使用,辅助转矩曲线之间的失配和地形可以增加代谢成本(减少的疗效外骨骼)和下跌的风险。如果过渡时间延迟超过的起始时间点应用辅助转矩的一大步,将会有不匹配之间的援助和实际的运动模式。否则,时间延迟是可以接受的。在我们的研究中,平均延时期间转换范围从300毫秒到1000毫秒,从而导致辅助力矩之间的不匹配和当前的运动模式。对用户的影响是相同的,承认错误。

定量评估识别错误,进一步广泛实验结合实时识别和外骨骼控制器是必要的。在未来的研究中,我们将调查的影响与实时识别和控制错误和时间延迟。

6.4。局限性和未来的工作

我们目前的研究有一定的局限性,和下面的问题将在以后的工作中加以解决。首先,研究对象的样本大小是小( )。计算结果与离线评估。不能广泛fuzzy-logic-based算法的泛化能力评估小样本大小。由于个体差异在运动模式和传感器位置,信号配置文件在受试者可能会有所不同。机上训练和实时外骨骼控制还有待研究。在未来的工作中,我们将进行了广泛的研究与机载实时控制培训。我们将调查虚假检测对控制性能的影响。我们还将进行更多实验研究来评价泛化性能。后处理方法也将进一步消除识别错误。其次,识别任务在我们的研究中只涉及结构化地形在实验室环境。在未来的作品,更复杂的任务,包括各种各样的行走速度,慢跑,和其他运动方式在日常生活中,将调查。 Thirdly, the recognition decisions in our study were discrete in one gait cycle. In future works, we will investigate continuous parameter changes in the locomotion tasks, such as different heights of stairs and different upward locomotion modes (ramps and stairs). The processing algorithm will also be studied to cope with more complicated problems.

7所示。结论

在这项研究中,我们设计并初步验证的可行性fuzzy-logic-based运动模式和运动过渡算法识别与一个活跃的骨盆矫正法。纯粹依靠惯性信号测量方法的大腿,和传感器固定在外骨骼。用适当的培训过程中,fuzzy-based算法产生类似的识别精度相同的机器人平台上现有的研究。方法的优势是,它不需要额外的人体上的传感器,增加了实际应用方便。输入fuzzy-logic-based方法检测到的高峰和低谷的大腿的俯仰角度。结合级联识别方法,它产生可靠的识别结果,只要发现极端点之间的动态运动模式。未来的工作将集中在船上培训和实时控制的外骨骼,调查复杂的非结构化地形,适应连续移动参数。

数据可用性

数据是通过相应的作者的电子邮件。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。

作者的贡献

在这项研究中,帮派Du和金晨曾庆红和设计实验的数据分析。金晨曾庆红和Enhao郑设计了识别方法。陈宫进行了实验。Enhao郑指导本文的写作。金晨曾庆红和Enhao郑写了这篇文章。帮派Du和金晨曾庆红的贡献同样工作。

确认

我们应感谢中国地质大学(北京)信息技术创新实验基地的支持这项研究工作。支持的工作是本科教育质量改进项目的中国地质大学(北京)(没有。XNFZ202005)。

引用

1. a . j .年轻和d·p·费里斯”状态的艺术以及下肢外骨骼机器人未来的发展方向,”IEEE神经系统和康复工程,25卷,不。2、171 - 182年,2017页。视图:谷歌学术搜索
2. a . b .环球h . Kazerooni,楚,”伯克利下肢外骨骼的生物力学设计(BLEEX)”IEEE / ASME举办,11卷,不。2、128 - 138年,2006页。视图:出版商的网站|谷歌学术搜索
3. https://www.cyberdyne.jp/english/products/HAL/。
4. 燕,m . Cempini c·m·奥多和联合国主席,“动力下肢矫形器的辅助策略和外骨骼,”机器人和自治系统卷,64年,第136 - 120页,2015年。视图:出版商的网站|谷歌学术搜索
5. d . a .冬天,Ed。人类步态的生物力学和运动控制:正常,老年人和病态滑铁卢大学出版社,1991年。
6. c·l·刘易斯和d·p·费里斯”不变的时尚时刻模式与机器人行走时髋部外骨骼,”生物力学杂志,44卷,不。5,789 - 793年,2011页。视图:出版商的网站|谷歌学术搜索
7. m t . Zhang Tran h .黄,“臀部外骨骼的设计和实验验证与平衡能力的援助,”IEEE / ASME举办,23卷,不。1,第285 - 274页,2018。视图:出版商的网站|谷歌学术搜索
8. f . Giovacchini f . Vannetti m . Fantozzi et al .,”一个轻量级积极矫正法髋关节运动援助,”机器人和自治系统卷,73年,第134 - 123页,2015年。视图:出版商的网站|谷歌学术搜索
9. k .朱尼厄斯m . Degelaen n . Lefeber大肠Swinnen b . Vanderborght和d . Lefeber“双边、Misalignment-Compensating Full-DOF臀部外骨骼:设计和运动学验证,”应用仿生学和生物力学卷。2017年,14页,2017。视图:谷歌学术搜索
10. t·兰兹m . c . Carrozza的说法,和s . k . Agrawal”动力髋关节外骨骼可以减少用户的髋关节和踝关节肌肉激活在走,”IEEE神经系统和康复工程,21卷,不。6,938 - 948年,2013页。视图:出版商的网站|谷歌学术搜索
11. t . k . Seo j·李,y Lee哈,和y垫片,“全自动臀部外骨骼节省代谢走路,成本”2016年IEEE机器人与自动化国际会议上)举行(“国际机器人与自动化会议”,页4628 - 4635,斯德哥尔摩,瑞典,2016年。视图:谷歌学术搜索
12. s . k . s . k . Banala s h . Kim Agrawal, j.p.朔尔茨,”机器人辅助步态训练活动腿外骨骼(ALEX)”IEEE神经系统和康复工程,17卷,不。1,2 - 8,2008页。视图:谷歌学术搜索
13. b . Chen l . Grazi f . Lanotte:主席,美国克雷亚,”一个实时提升臀部外骨骼,检测策略”neurorobotics前沿2018年,12卷,p。17日。视图:谷歌学术搜索
14. a . Parri k元,d .马可尼et al .,“实时混合运动模式识别下肢可穿戴机器人,”IEEE / ASME举办,22卷,不。6,2480 - 2491年,2017页。视图:出版商的网站|谷歌学术搜索
15. 吴x, y, x, y,他和n . Li c . Wang”运动模式识别和步态相位估计外骨骼在连续multi-locomotion任务,”IEEE认知和发展系统,13卷,不。1,45-56,2019页。视图:谷歌学术搜索
16. t ., a . Parri诉Ruiz Garate, m . Cempini r . Ronsse和联合国主席,“oscillator-based光滑的实时估计可穿戴机器人的步态阶段”自主机器人第41卷。。3、759 - 774年,2017页。视图:出版商的网站|谷歌学术搜索
17. k . e .郑l . Wang Wei,问:王,“非接触电容式感应系统识别transtibial截肢者的运动模式,”IEEE生物医学工程,卷61,不。12日,第2920 - 2911页,2014年。视图:出版商的网站|谷歌学术搜索
18. x刘问:王,“实时运动模式识别和辅助转矩控制单边膝盖外骨骼在不同的地形上,“IEEE / ASME举办,25卷,不。6,2722 - 2732年,2020页。视图:出版商的网站|谷歌学术搜索
19. e .郑问:王,“非接触电容sensing-based运动过渡识别与机器人transtibial假肢,截肢者”IEEE神经系统和康复工程,25卷,不。2、161 - 170年,2016页。视图:谷歌学术搜索
20. c .龚d .徐z周:主席,问:王,“实时车载识别一个活跃的骨盆矫正法的运动模式,”2018年IEEE-RAS 18国际会议人形机器人(机器人)北京,页346 - 350,中国,2018。视图:谷歌学术搜索
21. f·f·高,g . Liu梁和w·h·廖”IMU-based运动模式识别transtibial假肢、矫形器和外骨骼,”IEEE神经系统和康复工程,28卷,不。6,1334 - 1343年,2020页。视图:出版商的网站|谷歌学术搜索
22. f中,a .普卢默,p . Iravani”理解LSTM IMU-based运动模式识别应用程序的网络行为在假肢和衣物,“传感器,21卷,不。4 p。1264年,2021年。视图:谷歌学术搜索
23. c .龚d .徐z周:主席,问:王,“BPNN-based实时识别的运动模式与不同的辅助策略,一个活跃的骨盆矫正法”国际仿人机器人技术杂志》上,17卷,不。1,2050004条,2020。视图:谷歌学术搜索

版权

版权©2021 Du et al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。