文摘

人工智能能给人类生活带来便利。在体育领域的康复,人工智能的应用越来越深入。本文旨在研究体育康复的预防和检测的人工智能和合规下肢康复机器人的控制方法提出了一种基于人工神经网络。本文设计了一种双闭环控制系统:外层循环是一个基于面肌电信号反馈自适应阻抗控制模型,目的是调整预测所需的关节轨迹。在内部循环,滑模设计迭代学习控制器抑制周期性扰动和异常抖动,实现稳定跟踪目标轨迹。最后,控制方法由matlab / simulink仿真和验证,并统计实验是以病人的恢复。实验结果表明,利用人工智能技术能有效提高控制系统的敏感性,提高病人的恢复率。与传统体育康复控制系统相比,灵敏度增加了22.7%,和病人恢复率增加了10.4%,这是在体育领域的康复具有重要意义。

1。介绍

在现实生活中,体育与运动损伤康复不仅是人;它也能帮助患者肌肉骨骼系统损伤,骨科手术后病人,甚至一些亚健康的人。体育康复是康复医学的一个分支,它的本质是“运动”和“医学的整合。“体育康复是一个和多个学科相关的专业,包括康复治疗设备、手动康复治疗,和积极锻炼的患者运动损伤修复。传统康复训练主要依靠人工康复医师的培训。它不仅康复效率低而且是有限的康复医师的临床经验的训练强度,训练效果,患者的主观情感。由于缺乏及时、清楚地了解中风患者的情绪状态,很容易使患者感到厌恶整体康复治疗,这是更不利的康复治疗。这也是传统康复治疗的缺点。

AI能够开发人工构造的人类意识和思维模式,它可以代替人类在某些工作。目前,世界上许多国家,如美国、日本和德国,利用人工智能技术带来方便人类生活领域。人工智能的发展水平也代表了国家的发展水平在一定程度上。人工智能科学与技术的更新和应用带来了对人类和社会的发展产生深远影响(1,2]。人类是否会被机器取代,他们是否将会被人工智能奴役,以及如何合理应对人工智能带来的挑战,我们迫切需要回应。因此,研究人工智能的影响对人类和社会发展人工智能可以更好地服务于社会和人类。所有社会实践活动都致力于实现人们的实际目标。因此,研究人工智能的影响对人类和社会发展有利于坚持人类主体性的原则在社会实践活动。另一方面,它引导人们正确认识人工智能带来的社会风险,及时预防。经过多年的发展,人工智能在医学方面取得了商业和规模效应,制造,和其他领域。例如,工业机器人的自动识别。

这一主题旨在恢复肢体运动功能和运动图像EEG信号的提取特征。深入研究特征选择和运动康复训练系统的设计和实现奠定基础的体育康复训练系统的应用程序。它不仅具有非常重要的理论意义,也有很高的应用价值。

2。相关工作

崔et al。实验表明,老年人更方便和有效地使用智能医疗3]。改善noise-affected图像分割性能,Memon和李提出许多不同的标准模糊 - - - - - -聚类算法(FCM)意味着本地空间邻域信息合并到图像分割(4]。她等人提出了一种新型的下肢康复机器。从左到右不对称,机器的结构和负载可以很容易地调整以适应不同的需求在下肢。他们设计和建造一个单腿半边船模机原型机,给部分初步实验的结果(5]。金姆和Bae提出了一种新型的智能轮椅车载系统。它的主要目的是帮助老年人和残疾人开展日常活动尽可能和二级残疾的程度降到最低6]。

Kosar等人描述了一种基于遗传算法(GA)——模糊proportional-integral-derivative (FPID)控制器方案两个航天器对接的时候(7]。邹等人介绍了一个平行wire-driven下肢康复机器人。机器人的模块化设计、可重构multimodel,和良好的人机兼容性。它已经做出了巨大的贡献,解决相关技术问题的下肢康复机器人方面的配置设计,符合人体工程学的兼容性,重量轻,和multimodel康复8]。体育康复系统基于人工鱼群体智能算法对运动功能的恢复产生积极的影响的患者禁用。为了更好地将检测系统应用于残疾患者的临床治疗,曹国伟等人建立了一个体育康复检测系统基于人工鱼群体智能算法。然后,他们运行性能测试。研究发现,涡流信号的频率通过这个系统是118.60赫兹。它可以有效地收集传感器的微弱信号,和残疾患者的肢体控制能力使用该系统后可以提高。因此,体育康复检测系统有利于残疾病人的运动功能的恢复。他们的研究提供了理论依据体育康复检测系统的改进(9]。虽然这些专家建立了体育康复的人工智能算法模型,他们只是在理论阶段,没能让特定的实验证实了理论的可行性。

3所示。运动康复基于人工神经网络的控制方法

3.1。人工神经网络

人类的大脑是世界上最有效的智能系统。人类发展的辉煌成就依赖于信息处理能力、信息存储能力,和人类大脑的学习能力。科学家继续研究人类的大脑来模拟人类大脑的结构和操作,希望能发现人类大脑的奥秘。在此期间,最著名的人工神经网络(出生10,11]。

人工神经网络相互连接人工神经元按照一定的连接规则。人工神经网络学习的过程中,相互连接的神经元的权重根据一定的规则将会改变。因此,人工神经网络的性质是由其网络结构,即神经元之间的互连和学习的方式。也就是说,它是由权重变化的方式。

3.1.1。神经元

人类大脑的基本构建块和深度学习是神经元(12]。人类大脑中的神经元连接到其他神经元树突和轴突终端。从他们的人工神经元,神经元接收信号连接到他们的树突,模仿人类大脑中的神经元。虽然各种神经网络提出了解决各种问题,神经元的基本单位组成神经网络神经元,也有类似的结构。人工神经元的结构如图1。

人工神经元需要输入输出的数据处理。b1到bn代表神经元的输入,w1 ~ wn神经元的突触权值向量,和代表神经元的偏见。求和代表输入信号的处理函数,公式代表神经元的激活函数,输出神经元的输出。人工神经元的主要功能是通过处理过程神经元的输入函数,然后使用激活函数计算的输入处理的处理函数获得的输出神经元(13]。一般来说,通常使用求和函数的处理函数。有许多种类的激活函数,常见的如下:(1)乙状结肠功能:乙状结肠函数隐层神经元的输出。这是一个单调递增的函数,其优点是,它的价值范围是[0,1];因此,s形的函数表达式为:

乙状结肠函数的导数: (2)双曲正切函数:双曲正切函数是一个改进的s形的函数。与乙状结肠函数相比,双曲正切函数的值是0。在实际应用中,双曲正切函数具有更好的性能比乙状结肠功能,及其函数表达式: (3)Relu功能:Relu函数是一个近年来广泛使用的激活函数,及其函数表达式:

与乙状结肠函数和双曲正切函数相比,Relu函数使用SGD时具有快速收敛算法,不需要使用指数函数,所以计算很简单14]。然而,当Relu函数,如果学习速率过大,函数值可能会下降到0,导致神经元失败的现象。因此,当使用Relu函数作为激活函数时,应该选择一个合适的学习速率。(4)Leaky-Relu功能:Leaky-Relu函数克服缺点Relu函数可能会导致神经元的失败时,它被用作一个激活函数。Leaky-Relu函数的表达式如下:

是一个常数与一个较小的值,所以Leaky-Relu函数保留梯度函数值小于0时不改变数据分布,从而避免神经元失败的情况(15]。

此外,其他常用的激活函数如下:Cos (Cos)激活函数,sin (Sinc)激活函数,正弦信号功能,绝对函数,等等。

3.1.2。类型的人工神经网络

神经网络是由互连形成的神经元。根据不同的神经元之间的连接,普通人工神经网络分为以下类型:前馈神经网络,反馈神经网络、自组织神经网络等。16- - - - - -19]。(1)前馈神经网络:单层神经元组成的神经网络的学习能力是极其有限的,它只能处理,或者,非线性可分问题。然而,在应用程序中,常常需要处理非线性可分问题。前馈神经网络的出现解决了这个问题。前馈神经网络通常由输入层、隐层和输出层。输入层接受外部输入神经网络,并且不处理输入信号。在输出层和隐层处理输入信号,输出层输出神经网络的处理结果。神经元之间的各层前馈神经网络相互连接在一个完全连接的方式,和同一层的神经元彼此连接(20.]。图2显示了一个与3层前馈神经网络(2)自组织网络是一种神经网络可以类似的样本映射到相邻输出神经元。自组织网络采用竞争学习策略的一种神经网络训练训练样本,采用无监督学习方法。自组织网络实现高维输入样本的低维空间的映射将高维输入数据映射到二维输出神经元。自组织网络的输出层神经元排列在一个二维的方式,和每个输出层神经元的权向量。当训练样本输入到输入层,训练样本之间的距离和每个计算输出层神经元和神经元的最小距离是选为获胜神经元(21]。随后,周围的神经元获胜神经元调节体重减少训练样本的距离向量。自组织网络结构如图3

人工神经网络是模仿人类行为的数学模型和算法。

3.2。特征提取的运动图像基于LCD和CSP EEG信号

ISC组件满足: 在哪里

一般来说(22),以 ;在这种情况下, 。

计算的值 根据公式(7),然后,把它变成公式(8)的值来计算 :

的值和从2到 ,和EE的端点值和需要估计。通过延续,左翼和右翼的极端点结束了,然后,等于0, ,分别和的值 , , ,和给出了根据公式(7)和公式(8)。

为了获得基线,即 ,所有 配有立方样条函数形成一个平滑的曲线。

基线是由原始信号减去基线分离,即

如果满足条件(1),(2),也就是说,一个内在规模组件,输出 。

其他的,就作为原始信号数据,重复这个过程

如果仍然不满足ISC的两个条件,重复步骤(1),(2),(3),(4),(5)和周期次,直到符合条件的ISC组件是第一个ISC组件,用吗 ,公式(11)将组件从原始数据,以获得一个新的信号,即

然后,被认为是原始信号数据,并不断重复获得第二个组件 。重复循环次,直到是一个单调或常量函数。获得的组件 和趋势项 , ,这可以分解成的总和ISC组件和单调的残余项或常数函数,即:

其中,标准偏差方法(标准差,SD)是ISC组件终止标准在这一章,和被定义为:

的公式,的时间长度。一般来说,如果该值小于0.5,理想组件可以获得。

由于液晶仍然有一定的时间消耗,三个渠道C3, C4和C最有助于分类选择的液晶分解。每个通道的分解级别是3,所以9组件可以从一个实验数据获得。获得9 ISC组件集成与原22-channel脑电图信号获得31-channel信号数据。Hjorth参数(2331]从信号中提取数据的通道。

Hjorth参数三个参数用来描述EEG信号的特点。Hjorth参数包含平均功率 ,平均频率估计 ,估计和频率带宽 。由于EEG信号是一个收集的离散序列一台电脑,它是由离散序列的方差 ,和和的方差表示为一阶导数和二阶导数的变化 ,分别;因此:

液晶处理22-channel脑电图数据后,9 ISC组件可以被获得。它执行Hjorth这些31信号数据特征提取,提取3为每个通道特性,然后得到时频域特性 ;在这里, 。

3.3。控制方法

为了使病人更好更快地恢复他们的运动能力,根据康复医学理论的指导,当病人的肌肉力量几乎是零的早期康复,机器人会让病人进行被动训练以一定的速度。中间的训练,当病人恢复肌肉力量的一部分,机器人将帮助病人维持一定的速度辅助训练。在培训结束时,病人正在积极训练,和机器不提供援助或阻力增加肌肉力量。因此,本文设计了三种训练方法:被动,协助,积极24]。

三种训练方法的被动训练是相对简单的。病人的圆周运动的机器人在一个恒定的速度可以被视为位置控制,所需的转速作为输入。这是一个对于单变量的位置与实际速度作为输出控制系统。有很多控制方法来实现这一目标,常用的PID控制,前馈+ PD控制,计算转矩方法(25]。其控制框图如图4。

PID控制是如图4。PID是比例的缩写、积分和导数。期望值和实际值之间的差异被用作输入的PID。后比例、积分和微分操作,它作用于康复机器人,这样曲轴的位置可以按照所需的位置。

在被动训练模式中,曲柄的转速作为所需的输入值,和病人或医生可以设置所需的转速。PID控制后,曲柄的实际速度所需的速度范围内波动,所以从理论上讲,这个病人能驱动被动训练(26]。

PID控制相对比较简单,主要是在PID参数的确定27]。除了PID控制方法对位置控制,前馈+ PD反馈控制(如图5)和转矩计算方法(如图6)是常用的。一个通用的动态模型 - - - - - -二自由度机械手是: 在哪里是关节角矢量;是关节驱动力矩向量;惯性力系数; 离心力和科里奥利力;是粘滞摩擦的术语;是动摩擦的术语;和是重力项。

公式(15)之间的关系建立了关节驱动力和关节运动状态。所需的运动状态的曲柄通过前馈输入方法,和所需的曲柄驱动转矩可以通过逆动力学计算。由于实际的模型并不完全符合建立动力学模型,获得预期之间存在一个错误驱动转矩和实际价值。这个错误是消除PD控制和前馈+ PD控制算法所示 在哪里是预期的驱动转矩逆动力学计算;之间的区别是曲柄关节和预期的实际角度角度;和 是角度不同的系数和速度不同,分别。

转矩计算方法类似于前馈+ PD控制算法,除了PD反馈操作之前执行逆动力学计算。所示的转矩计算方法的算法 在哪里是关节角矢量;是关节驱动力矩向量;惯性力系数; 离心力和科里奥利力;是粘滞摩擦的术语;是动摩擦的术语;重力项;之间的区别是曲柄关节和预期的实际角度角度;和 是角度不同的系数和速度不同,分别。

协助和积极的训练模式是病人的过程和机器人一起工作来帮助患者进行康复训练。人机交互时,病人和机器交换能量。兼容的控制是必要的,以确保病人安全。合规控制可分为力控制的范畴,和常用的力控制方法包括阻抗控制,force-position混合控制、自适应控制和模糊控制(28]。阻抗控制是首先的基本控制方法来实现灵活控制。阻抗控制是调整目标阻抗的操纵者,这机械手与环境之间的力和位置满足一定的动态关系。阻抗控制不是简单的控制位置或控制但将力量控制和位置控制到相同的系统,来实现位置控制,同时实现力的控制。阻抗控制是实现环境所需的位置,同时应用环境所需的力通过调整操作臂之间的动态力和位置的关系和环境。这种动态关系称为目标阻抗。通常情况下,目标阻抗由系统质-弹表示,也就是说,由一个二阶线性微分公式: 在哪里 是惯性矩阵、阻尼矩阵和刚度矩阵; 是理想的位置、速度和加速度的机器人结束; 是实际的位置、速度和加速度的机器人结束;和 预期的和实际的机器人末端与环境之间的力量。

通常有两种方法可以实现阻抗控制,一个是部队阻抗控制,另一种是定位阻抗控制。部队执行阻抗控制的外环通过检测机械手的结束的位置,计算出理论实际接触力根据机器人动力学模型。然后达到所需的位置通过一个内部循环力控制器,控制框图如图7。因为传感器检测到结束位置,部队阻抗控制适用于低刚度的外部环境。定位阻抗控制是执行在外层循环检测机械手与环境之间的力。然后它将强行通过阻抗参数转换成一个修正位置,速度或加速度。内循环实现位置跟踪功能位置控制器,控制框图如图8。

本文中采用的阻抗控制算法定位阻抗控制,和一个阻抗控制算法设计(29日]。曲柄的旋转编码器的测量,和人机交互转矩可以通过人机动态模型。然后,人机交互扭矩转化为曲柄位置通过阻抗参数修正量,添加到所需的位置,实现了内循环位置控制。内循环位置控制算法本文由PID控制实现,所以阻抗控制算法公式所示(19)和公式(20.):

的公式,是外环的位置校正量;拉普拉斯逆变换;曲柄的长度;和 阻抗参数。

的公式,是外环的位置校正量;所需的位置值;和 PID参数;

4所示。体育康复实验设计和结果分析

4.1。实验分析EEG数据的处理

在实验中,5 Ag / AgCl电极用于记录EEG信号在头皮上,和所有渠道的分布如图9。

的数据集包括四个虚构的运动的左手,右手,脚,和舌头。6个科目记录脑电图数据集在两个不同的日子。每个数据集包含6个单独的数据字符串分开休息期间。每个数据字符串包含48个实验,12个实验为每个类型的虚构的运动。所以一个数据集有288个实验。

在实验中,受试者坐在电脑前,根据电脑提示进行了实验。一个实验持续14秒,实验序列如图10。

在 ,一圈是黑色的屏幕上显示出来,同时,一个简短的声音会提醒受试者开始实验。在 ,将会有一个箭头上,下,左移或右移(对应于舌、脚,左手,右手,分别)提示主题的想象的任务。在 ,箭头消失了。没有反馈在这个过程中,受试者执行电动机意象在十字架上消失了 。

在实验过程中,采样率为250 hz,电极和信号处理0.5 hz - 100 hz的带通滤波器和陷波滤波器50赫兹。每个主题的数据集可以分为两部分,数据集训练和评估,,分别包括288实验。

为了消除工件的干扰,提高信号的信噪比,需要过滤脑电图信号先提取特征。在这一章,根据ERD和人的特点,数据在数据集过滤8-30赫兹去除干扰。根据文献,选择2.5 - 3.5年代的数据进行分类处理,和之前和之后的信号过滤图所示11。

针对大量的计算问题,在液晶和高维度特征融合后,三个频道C3, C4和C最大的贡献五组的选择信号。LCD进行时频分解,分解到每个通道获得3 ISC组件,总共9 ISC组件。根据该方法,频域特性提取这些9 ISC组件。图12显示了ISC组件图EEG信号的C3通道被LCDF1分解后的一个实验。

最初的5组EEG信号和9 ISC组件集成在一起,然后,空间特性和时频域特征提取的综合信号。最后,两个特征向量和融合为特征 ,由mcf排序,然后输入SDRA分类器进行训练和测试。

4.2。手运动康复实验

手康复机器人的控制策略设计了本文基于主动控制和主动控制的核心是阻抗控制。控制系统识别系统的外部输入力和输出所需的运动位置的位置控制器通过变阻抗控制系统。第三部分描述的具体过程。现在,通过手康复平台,积极运动的控制方法是测试。理论上,运动控制轨迹输出阻抗系统设计摘要不太敏感的外部力量。它更注重于在给定的理想培训轨迹。为了验证设计是否可变阻抗系统可以完成目标后的轨迹设计,理想实验后的运动轨迹是现在进行。在这个实验中,力传感器的输入值被设置为一系列由程序自动生成的随机数,在一定范围内变化。没有给出图形描述,电动机转向控制器基于被动运动设计,收集和电机编码器的输出,如图13。

实验结果表明,电机的峰值较高,而电动机的平均值是22.7%高于电机两个,这说明电机一个人工智能的干预下的敏感性高于运动两种。可以看出,在电机控制方面,电动机的旋转是由连续的正弦曲线。它证明了设计的阻抗控制环节主动康复系统通过模糊神经网络可以学习。它调整系统阻抗来实现控制的目标运动轨迹跟随理想的轨迹。

4.3。比较实验人工智能的体育康复和传统体育康复

在这项实验中,培训操作选择1到5级测试。计算后,DTW距离和HD距离得到,然后,分别由系统分配的置信水平(本文集DTW(0.60):高清(0.40)),该算法进行融合计算,和行动的综合评级流匹配。表1显示了五组的统计结果随机选择的测试数据。

实验结果表明,患者在人工智能干预的回收率显著提高,高于10.4%的传统体育康复训练。

5。讨论

尽管控制系统Matlab / Simulink仿真验证了本文取得了良好的静态和动态特性,还有缺乏实验数据验证实验的单口运动康复训练过程。接下来,该控制方法将由物理实验,验证和进一步的工作将实现控制系统的实际应用做得更快。

康复训练策略而言,虽然已经建立了一个系统的康复模式,仍然需要大量的工作在病人数据库软件的建设。和数据库软件建设通过许多实验工作需要完善。

根据传统康复训练评价方法,在最后的康复效果评价,病人的身体感觉整个康复训练过程中,也就是说,疼痛的程度,应考虑。

6。结论

人工智能技术已逐步应用于体育康复领域的因为它的模仿,实现,和扩展人类智能行为的特性。通过初步总结应用人工智能的体育康复科学研究、评估技术和治疗技术,工作理念和科研创新领域的康复将扩大。首先,人工智能提供了一个更好的方法让体育康复科学研究。第二,人工智能的应用使康复评估更直观和准确。第三,人工智能的应用在体育康复技术解放治疗师和使得治疗变得更加容易。持续改进和成熟的人工智能,运动康复的智能方向在未来将成为新的发展趋势。

数据可用性

的数据支持本研究的发现可以从相应的作者在合理的请求。

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。

确认

这项工作是支持的大学体育教育的课程设计和实践在私立大学基于在线和离线混合教学(没有。JXJG-21-26-6)。