一种新型双侧上肢康复装置的设计与交互控制

摘要

提出了一种双侧双自由度上肢康复装置。BULReD可用于医院和家庭环境，易于治疗师和患者使用，与上肢机器人外骨骼相比更安全。实现了基于系统运动学和动力学的被动和交互训练，以及实时识别人类用户的运动意图。初步结果表明，BULReD具有良好的位置和交互力跟踪性能，具有临床应用的潜力。未来的工作将集中在脑卒中后患者大样本BULReD的临床评价。

1.介绍

在美国，每年有70多万人患中风，其中大约三分之二的人存活下来，需要康复[1］．在新西兰(NZ)，估计有6万名中风幸存者，其中许多人有行动障碍[2］．中风是导致健康损失的第三个原因，占3.9%，尤其是在中年人群中，中风作为一种非致命疾病在新西兰[3.］．卡普兰教授在哈佛医学院研究神经病学，他把中风描述为一种大脑损伤，是由于大脑部分血液供应异常引起的。4］．脑损伤最有可能导致功能障碍和残疾。这些幸存者通常在日常生活活动中有困难，如行走、说话和理解，以及肢体瘫痪或麻木。康复的目标是帮助幸存者尽可能地独立，并获得最好的生活质量。

物理治疗通常由治疗师进行。虽然这已经被证明是一种有效的运动康复方法[5，既费时又费钱。治疗师手动提供的治疗需要在特定环境(医院或康复中心)进行，并可能持续数月以提高康复效果[6］．Kleim等人的一项研究[7研究表明，物理治疗，如定期锻炼，可以提高神经系统的可塑性，然后有利于运动强化程序，促进脑功能模型的康复。这是一个事实，物理治疗应该是一个更好的方式，使患者进入定期锻炼，并由物理治疗师指导，但Chang等[8表明这是一个花钱的计划。机器人辅助康复解决方案作为促进临床实践的治疗辅助手段，在过去的几十年里得到了积极的研究，为康复中心从劳动密集型手术向技术辅助手术的转变提供了一个迟来的转变[9］．机器人还可以通过内置传感器提供丰富的数据流，以方便患者诊断、定制治疗和维护患者记录。作为一种流行的神经康复技术，Liao等[10]表明，由于治疗过程的量化和个性化，机器人辅助治疗具有市场潜力。机器人辅助治疗的量化是指机器人在给定的参数下能够提供一致的无疲劳的训练模式。个性化的特征允许治疗师为个人定制特定的培训方案。

近年来，许多用于中风康复的机器人设备已被开发出来，并显示出巨大的临床应用潜力[11，12］．典型的上肢康复设备有MIME、MIT-Manus、ARM Guide、NeReBot和ARMin [5，13- - - - - -21］．相关证据表明，这些机器人对上肢康复是有效的，但主要是对人体一侧的康复。此外，上肢康复装置可为单侧或双侧[22- - - - - -24］．尽管这两种设计策略存在争议，但在日常生活中，双边活动比单边活动更为常见。Liu等[25指出中枢神经系统支配着人类的运动，协调双肢以一个单位行动，而不是独立的单侧行动。从这一点来看，双边机器人比单边机器人更有潜力。上肢康复机器人设备按结构也可分为外骨骼和末端执行器两类[26］．上肢外骨骼的两个例子是手臂外骨骼[27]和鲁伯特四世[28］．此外，Lum等人[13采用了PUMA 560机器人(Staubli Unimation Inc.， Duncan, South Carolina)在MIME系统中对麻痹肢体施加力。这种机器人装置可以在三维空间中进行单侧和双侧运动。综上所述，目前用于上肢康复的机器人外骨骼大多用于单侧训练。

有一些设备是专为双侧上肢训练中风后康复而设计的。van Delden等[29对双侧上肢训练器械的临床应用进行了系统综述和定性评价。系统搜索共发现6个机械装置和14个机器人双侧上肢训练装置，并从机械机电特性、运动模式、目标部位、上肢主动参与、训练方案、临床试验结果等方面进行对比分析。和商业可用性。显然，这些机械设备需要人的四肢主动运动来进行训练，而机器人的四肢可以在被动和主动两种模式下操作。然而，在目前的技术下，这些机器人双侧上肢训练设备很少能商业化。例如，在[30.要求开发功率重量比更高的电机和结构材料，使其移动和更紧凑。

奥克兰大学开发了一种末端执行器ReachHab装置，以帮助双侧上肢功能恢复[31］．然而，该装置受到了一些限制，如框架变形导致显著的振动，也难以达到令人满意的控制性能。介绍了一种改进的双侧上肢康复装置(BULReD)的设计和交互控制。该设备可用于医院和家庭环境，易于治疗师和患者使用，与上肢机器人外骨骼相比更安全。本文组织如下。在介绍之后，对BULReD进行了详细的描述，包括机械设计、电气设计、运动学和动力学。在此基础上，提出了针对被动训练和交互训练的控制方案，以及基于模糊的自适应训练方案。然后介绍实验和结果，最后是结论。

2.双侧上肢康复装置(BULReD)

2．1．机械设计

BULReD旨在为中风患者提供双侧上肢锻炼。BULReD的概述如图所示1．该装置有两个自由度，用于人体上肢的平面运动。

为了使结构设计更加清晰，图中还给出了Solidwork中的三维模型设计2．BULReD主要由三个部件组成(底座模块、运动模块和手持器)。基座模块是支撑整个运动模块的基础，也是一些电子元件的容器。在底座模块中有一个支撑杆，可以用来调节BULReD的倾斜角。运动模块由两个相互垂直的直线滑轨系统，桥架和小车组成。直线滑块系统是利用两条同步带将电机的旋转运动转换为滑块的直线运动。桥沿着y-轴轨道，推车沿x设在铁路。通过三轴力传感器与推车刚性连接。一些轴承也设置为允许低摩擦运动传输。

当运动模块与底部基座平行时，BULReD的倾角为0°。通过移动支撑杆的附着位置，倾斜角度可调至60°。这样的设计可以使患者有一个更大的上肢康复训练的工作空间。基于人体测量学的手握器设计。Kaya等人[32]显示17岁时肩宽的平均测量值为女性355.8 mm，男性389.4 mm。在BULReD的原型中，设计的肩宽设置为38厘米。弗朗松和温克尔[33，表明手尺寸测量的最大手指长度和手宽在女性和男性的平均值之间分别为72毫米和90毫米。在原型中，手柄高度设置为90毫米。然而，这两个参数可以很容易地进行调整，以允许不同尺寸的患者使用。

2．2.电气设计

BULReD的电气组件包括两个Maxon直流电机(每个有一个无刷电机和一个变速箱)，两个电机控制器(Maxon ESCON 50/5)，一个三轴力传感器(FUTEK MTA400)，三个放大器(FUTEK CSG110)，和一个嵌入式控制器(NI myRIO-1900)。预定义数据和来自电机控制器的数据通过数字输入/输出(DI/O)、模拟输入(AI)、模拟输出(AO)与嵌入式控制器进行通信。具体来说，myRIO输出信号驱动伺服电机，并获得位置反馈输入。伺服系统提供基于内置编码器的速度反馈，每轮2048计数。通过计算速度反馈来实现位置反馈。电机控制器为直流电机提供稳定的电源，内部实现闭环速度控制。采用三轴力传感器实时测量人机交互，便于实现人机交互训练。为了培训安全，还设置了四个限位开关，位于工作台的角落。它们也被用作设定起点的参考。

2．3.运动学

H-Bot(又称h -龙门或h -框架)是工业上常用的一种XY定位系统。它可以在平面空间内放置零件或携带工具。H-Bot模型由两个相互垂直的线性滑轨系统组成，通过同步带与电源连接[34］．它由两个独立的电动机协同工作驱动，形成平面运动。数字3.介绍了BULReD的原理图，其中桥沿着y轴和马车沿着x设在。所述手架与推车刚性连接，形成平面运动区域。

小车的平面位移由两个旋转电机(图中电机1和电机2)获得3.)．正运动学可以用来推导直线位移和小车的两个角位移和的汽车。正运动学模型在(1),为位置和方向向量，是角位移矢量吗为初始正运动学矩阵。

表格1给出了BULReD上运动传递机构的定性描述。例如，沿着x-轴可由两个电机以逆时针方向旋转(运动模式2见表)1)，以及y电机1逆时针旋转，电机2顺时针旋转(表中运动模式3)1)．

正运动学矩阵最终为(2),为电机滑轮的半径。通过结合(1)和(2)，则正运动学模型为(3.)．通过MATLAB矩阵逆函数可得到运动学逆模型，如(4)和(5),为齿轮头的减速比，电机的控制电压，和为电机的速度常数。

2．4．动力学

建立了一种参数较少的简化动力学模型，可用于控制系统。在BULReD中，有两个相同大小的定时滑轮，其他的是低摩擦轴承。由于H-Bot系统的目的是将带有两个同步滑轮的两个电机的旋转运动转换为直线运动，为了简化，可以认为使用的轴承是无摩擦的，对桥和小车的运动没有影响。计时滑轮也被认为是无摩擦的，以减少计算负担。如图所示4，其中运动模块被分为三个不同颜色的部分，左边部分(紫色)，右边部分(绿色)，前面部分(蓝色)。

简化系统中各截面的动能可表示为

简化系统的势能存储在三个部分，如下图所示:

采用拉格朗日方程建立动态模型，如(12)．结合虚拟工作理论，(13)。

代入所给出的拉格朗日方程，简化后的动力系统可以用

3.BULReD的控制设计

3．1.轨迹跟踪控制

BULReD的轨迹跟踪控制是各种机器人辅助康复训练的基础。可直接用于主动运动能力较差的脑卒中患者的被动训练。然而，对康复应用来说，跟踪预期的轨迹不仅是一种简单的方法，而且是一种有效的方法[35］．被动训练时，患者完全遵循预先设定的BULReD运动轨迹。所提出的控制技术如图所示5．

３．２．交互控制

为保证机器人训练过程中患者的积极参与，提高训练效果，提出了一种基于模糊自适应的变阻抗(FABVI)控制器，在检测到用户力的情况下，根据期望力修改刚度和阻尼参数。所提出的控制技术如图所示6．考虑到残肢，给出了期望的机器人与残肢之间的阻抗特性 在哪里 ， ，和分别为变惯性矩阵、阻尼矩阵和刚度矩阵;是21 .设备末端执行器期望位置的矢量;和是21当前位置向量; ， 和分别为一阶导数和二阶导数;为末端执行器输入力;和表示肢体对设备施加的力。模糊推理规则如表所示2．

模糊子集定义如下: , 所有服从高斯分布。

4.实验和结果

为了初步评估BULReD及其控制系统的性能，两名健康受试者在实验室环境中参与了测试。受试者A年龄20岁，身高178厘米。受试者B为男性，28岁，身高174厘米。拉和推的最大力都是200牛。预定义的训练轨迹如图所示7．

4．1.轨迹跟踪反应

在被动训练中，被试A被引导完成三个训练轨迹(A- b, A- c, D，分别记为测试1，测试2，测试3)。在整个过程中，受试者被鼓励放松，并没有对手持器施加有意的主动力。数字8给出试验1的位置跟踪响应，对应的速度跟踪如图所示9．两者的跟踪精度均令人满意，位置跟踪的均方根误差(RMSE)值为4.0558 mm，速度跟踪的均方根误差(RMSE)值为3.3779 mm/s。测试二是沿着y，实验结果如图所示10和11．实现的位置跟踪精度RMSE为3.7781 mm，速度跟踪精度RMSE为2.0551 mm/s。沿着两者进行联合运动x- - -y- axis，测试3的设计，BULReD采取四肢在工作空间内的一个圆。位置跟踪响应如图所示12和13为x- - -y分别相互重合。RMSE值分别为1.8324 mm和1.2391 mm。这些统计结果汇总于表中3.．

4．2．交互控制反应

对于FABVI控制器，初始期望阻抗控制参数米，B,K分别为1.5、20和100。模糊自适应算法中输入和输出变量的域定义为 ．BULReD和人类四肢之间所需的力设定为10n。

在交互训练中，引导被试B完成两个训练轨迹(E和F，分别记为测试4和测试5)。在这种情况下，要求人们使用变力来模拟僵硬或痉挛。在测试4中，被试施加初始力8 N，在14秒左右减小到6 N，在23秒恢复到8 N，最后在28秒变为11 N。试验5中，初始力也是8 N，在第10秒时变为10 N，在第19秒时又恢复到8 N，在第27秒时又下降到5 N。这些数据显示在图的顶部14和15．

数字14同时给出了试验4(中间图)的力跟踪响应。结果表明，在用户施加可变力的情况下，该控制器可以实现参考恒力，均方根误差为1.0051 N。同样,图15也显示了良好的力跟踪性能，RMSE值在0.9012 N。这些统计结果也包括在表中3.．

5.结论

提出了一种用于双侧上肢康复训练的二自由度末端执行器。BULReD可用于医院和家庭环境，易于治疗师和患者使用，与上肢机器人外骨骼相比更安全。实现了基于系统运动学和动力学的被动训练和交互训练，以及实时识别人类用户的运动意图。初步结果表明，BULReD具有良好的位置和交互力跟踪性能，具有临床应用的潜力。未来的工作将集中在脑卒中后患者大样本BULReD的临床评价。

的利益冲突

两位作者宣称他们没有相互竞争的利益。

参考文献

1. D. Mozaffafian, E. J. Benjamin, A. S. Go等人，《心脏病和中风统计——2015年更新》，循环， vol. 31, pp. e29-e322, 2015。视图:出版商的网站|谷歌学者
2. “关于新西兰中风的事实”，2014年，http://www.stroke.org.nz/stroke-facts-and-fallacies．视图:谷歌学者
3. M. Turley和新西兰，M. Turley卫生部，《新西兰的健康损失:2006-2016年新西兰疾病负担、伤害和风险因素研究报告》2013年，新西兰惠灵顿，2013年。
4. l·r·卡普兰中风， AAN出版社，美国神经学学会c2006，纽约:圣保罗，MN:纽约:Demos;明尼苏达州圣保罗，2006年。
5. P. S. Lum, C. G. Burgar, P. C. Shor, M. Majmundar，和M. Van der Loos，“机器人辅助运动训练与中风后上肢运动功能康复的传统治疗技术的比较，”物理医学和康复档案，第83卷，第952-959页，2002。视图:出版商的网站|谷歌学者
6. R. Loureiro, F. Amirabdollahian, M. Topping, B. Driessen, and W. Harwin，“上肢机器人介导的中风治疗- gentle /s方法”，自主机器人， 2003年第15卷，第35-51页。视图:出版商的网站|谷歌学者
7. J. A. Kleim, T. A. Jones和T. Schallert，“脑损伤前后的运动增强和可塑性的诱导”，神经化学研究，第28卷，第1757-1769页，2003。视图:出版商的网站|谷歌学者
8. Y.-J。Chang W.-Y。汉和研究。“一种基于kinect的上肢康复系统，帮助脑性瘫痪患者，”发展性残疾研究， vol. 34, pp. 3654-3659, 2013。视图:出版商的网站|谷歌学者
9. H. I. Krebs, J. J. Palazzolo, L. Dipietro等，“康复机器人:基于性能的渐进式机器人辅助治疗，”自主机器人， 2003年第15卷，第7-20页。视图:出版商的网站|谷歌学者
10. “机器人辅助上肢康复对慢性脑卒中患者日常功能和实际手臂活动的影响:一项随机对照试验，”临床康复，第26卷，111-120页，2012。视图:出版商的网站|谷歌学者
11. G. Kwakkel, B. J. klen，和H. I. Krebs，“机器人辅助治疗对中风后上肢康复的影响:系统综述，”神经康复和神经修复，第22卷，111-121页，2008。视图:出版商的网站|谷歌学者
12. J. Stein, H. I. Krebs, W. R. Frontera, S. E. Fasoli, R. Hughes，和N. Hogan，“中风后机器人辅助上肢运动训练的两种技术的比较，”美国物理医学与康复杂志，第83卷，第720-728页，2004。视图:谷歌学者
13. P. S. Lum, C. G. Burgar, M. Van der Loos, and P. C. Shor，“亚急性中风患者上肢神经康复的MIME机器人设备:后续研究，”康复研究与发展杂志，第43卷，第631-642页，2006。视图:出版商的网站|谷歌学者
14. H. Krebs, N. Hogan, B. Volpe, M. Aisen, L. Edelstein，和C. Diels，“MIT-MANUS的临床试验概述:机器人辅助神经康复设施”，技术和卫生保健，第7卷，第419-423页，1999。视图:谷歌学者
15. C. Fanin, P. Gallina, a . Rossi, U. Zanatta, and S. Masiero，“Nerebot:一种基于电线的神经康复机器人”第八届国际康复机器人会议论文集，页23-25,2003。视图:谷歌学者
16. M. Mihelj, T. Nef, R. Riener， " ARMin-toward a six DoF upper limb rehabilitation robot， " inBioRob 2006。首届IEEE/RAS-EMBS国际生物医学机器人和生物机电学会议，2006年，第1154-1159页，比萨，意大利，2006。视图:谷歌学者
17. 互动运动技术，“InMotion ARM™互动治疗系统”，2015年8月，http://interactive-motion.com/healthcarereform/upper-extremity-rehabilitiation/inmotion2-arm/．视图:谷歌学者
18. k·鲍尔，《手臂康复(阿明)》，2015年8月，http://www.sms.hest.ethz.ch/research/current-research-projects/armin-robot.html．视图:谷歌学者
19. G. Rosati, P. Gallina和S. Masiero，“神经康复用线基机器人的设计、实现和临床测试，”神经系统与康复工程学报， vol. 15, pp. 560-569, 2007。视图:出版商的网站|谷歌学者
20. C. G. Burgar, P. S. Lum, A. M. Scremin等，“机器人辅助上肢治疗中风后急性康复设置:退伍军人事务部多部位临床试验，”康复研究与发展杂志，第48卷，第445-458页，2011。视图:出版商的网站|谷歌学者
21. L. E. Kahn, M. L. Zygman, W. Z. Rymer，和D. J. Reinkensmeyer，“机器人辅助伸展运动促进慢性偏瘫中风的手臂运动恢复:一项随机对照试点研究，”神经工程与康复杂志， 2006年第3卷，第12页。视图:出版商的网站|谷歌学者
22. J. Mehrholz和M. Pohl，“中风后机电辅助步态训练:比较末端执行器和外骨骼设备的系统综述”，康复医学杂志，第44卷，第193-199页，2012。视图:出版商的网站|谷歌学者
23. J. J. Summers, F. a . Kagerer, M. I. Garry, C. Y. Hiraga, a . Loftus, J. H. Cauraugh，“慢性中风患者上肢功能的双侧和单侧运动训练:TMS研究，”神经科学杂志，第252卷，第76-82页，2007。视图:出版商的网站|谷歌学者
24. J. H. Morris, F. van Wijck, S. Joice, S. A. Ogston, I. Cole，和R. S. MacWalter，“中风后早期康复中双侧和单侧上肢任务训练的比较:一项随机对照试验，”物理医学和康复档案，第89卷，第1237-1245页，2008。视图:出版商的网站|谷歌学者
25. W. Liu, S. M. Waller, T. Kepple, J. Whitall，“中风后的补偿手臂伸展策略:诱导位置分析”，康复研究与发展杂志， vol. 50, pp. 71-84, 2013。视图:出版商的网站|谷歌学者
26. 罗宏生和谢思强，“上肢康复的外骨骼机器人:现状和未来前景，”医学工程与物理学第34卷第3期3，页261-268,2012。视图:出版商的网站|谷歌学者
27. D. G. Caldwell, N. G. Tsagarakis, S. Kousidou, N. Costa和I. Sarakoglou，“上半身和下半身康复的“软”外骨骼设计、控制和测试，”国际类人机器人学报，第4卷，549-573页，2007。视图:出版商的网站|谷歌学者
28. S. Balasubramanian, W. Ruihua, M. Perez et al.，“RUPERT:一种辅助手臂功能康复的外骨骼机器人”2008个虚拟康复，页163 - 167,2008。视图:谷歌学者
29. A. E. Q. van Delden, C. E. Peper, G. Kwakkel, P. J. Beek，“中风后康复双侧上肢训练器械的系统综述”，中风研究与治疗， vol. 2012, Article ID 972069, 17页，2012。视图:出版商的网站|谷歌学者
30. J. C. Perry, J. Rosen和S. Burns，“上肢动力外骨骼设计”，IEEE/ASME机电一体化学报，第12卷，第408-417页，2007。视图:出版商的网站|谷歌学者
31. H. Sheahan和E. Maxwell，“ReachHab:一种治疗中风的双侧上肢康复设备，”UoAA，第8页，2013。视图:谷歌学者
32. M. D. Kaya, A. S. Hasiloglu, M. Bayramoglu, H. Yesilyurt, and A. F. Ozok，“一种通过自适应神经模糊推理系统估计人体测量数据的新方法”，国际工业工效学杂志，第32卷，105-114页，2003。视图:出版商的网站|谷歌学者
33. C. Fransson和J. Winkel，《手的力量:握持广度和握持类型的影响》，人体工程学，第34卷，第881-892页，1991。视图:出版商的网站|谷歌学者
34. S. Weikert, R. Ratnaweera, O. Zirn和K. Wegener，H-Bot运动系统的建模与测量，美国精密工程学会，丹佛，2011。
35. T. Proietti, V. Crocher, a . Roby-Brami, N. Jarrassé，“上肢机器人外骨骼用于神经康复:控制策略综述”，生物医学工程IEEE评论， 2016年9月，第4-14页。视图:出版商的网站|谷歌学者

版权

版权所有©2017青苗等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。