文摘

为了提供方便康复医生为患者制定康复计划,提出了一种基于传感器的运动康复机器人训练方法。在这个研究中,定制的可穿戴传感器和通用移动终端作为硬件。基于传感器,运动捕获算法和运动重建算法开发。表的实验结果表明,使用传感器,可以节省成本和捕获的数据可以准确,可以满足运动功能康复医学的需求评估和培训指导。关节的运动范围和手动测量值在5°,可以满足运动功能康复医学的需求评估和培训指导。系统延迟小于0.5年代,具有良好的实时性能并能对突发事件做出快速响应,确保病人的心脏康复的安全。运动康复机器人根据传感器的训练方法有利于康复医生执行统计数据功能评价和具有重要意义的康复医生为病人制定培训计划和实施康复训练。

1。介绍

随着信息技术的快速发展,传统的医疗设备是智能的方向不断发展,而康复机器人是结合多学科的发展成果和广泛应用于医学诊断和治疗,临床手术、康复医学和其他相关医学领域(1]。

传感器技术是现代信息技术的重要基础技术。随着现代检测的发展、控制和自动化技术,传感器技术越来越成熟。人们越来越多的关注,它在各个领域的广泛应用2]。传感器技术的应用领域的康复医学的发展提供了新的动力康复评估和处理技术(3]。

作为医疗机器人康复医学领域的使用,患者康复机器人可以帮助锻炼或认知功能训练和在一定程度上解决疲劳问题和分歧在多个培训人工康复训练(4]。根据他们不同的功能训练,康复机器人可分为运动残疾康复机器人和认知障碍康复机器人。根据不同的训练有素的四肢,康复机器人运动障碍可分为上肢康复机器人和下肢康复机器人。上肢康复机器人主要协助运动训练患者的肩,肘,手和其他上肢关节。通过主动和被动康复训练,病人的肌肉组织的力量和手做精细动作的灵活性增强,力,扭矩,和其他传感器安装评价康复训练的过程和结果。下肢康复机器人主要是下肢外骨骼机器人,其重点是病人的康复训练等辅助站,平衡和行走。如果病人的康复训练可以被传感器很长一段时间形成统计数据,然后评估由康复医生根据统计值,结果是康复医学的发展具有重要意义和介入治疗效果的评价。因此,康复训练机器人已经成为近年来研究热点在医疗机器人。图1显示了康复训练机器人的交互方法。

2。文献综述

随着科学技术的发展,运动康复机器人近年来取得了前所未有的发展。利用机器人的特点,如精度高、可重复性高,和定制的基本思想,结合体育康复治疗机器人应用于体育康复,导致大量的体育康复机器人,包括康复训练机器人的上肢,下肢,脚踝,脚。其中,基于可穿戴外骨骼运动康复机器人近年来被广泛研究和应用,如表所示1。

Dionisio等监测数据的分析和比较10部分侏儒衡量Kinect传感器及最先进的标示3 d相机(MBC)通过使用主成分分析方法和发现Kinect传感器高精度识别整个身体运动模式,价格低,这是更适合推广和应用在临床康复训练(5]。陈等人设计了一个基于电阻传感器膝关节屈曲角度测量系统。系统记录电阻变化运动通过电阻传感器安装在可穿戴护膝,然后计算出膝关节屈曲角度。它可以使用康复专业人员和患者膝关节功能障碍在实时监控膝关节屈曲角度训练,以提高康复评估和康复训练的过程6]。张成泽和其他人开发的一个集成的传感器压力和弯曲传感器组成的鞋。这双鞋可以发送步态行走时收集的信息到服务器,这样医生可以直观地观察到脚的重量和踝关节角度的变化当病人走(7]。段和其他监控偏瘫的患者的日常能源消耗将swp2a系统由2个加速度计,1皮肤电反应传感器、热传感器,皮肤温度传感器,1环境温度传感器在健康的肱三头肌brachii的中点。结合患者的个人条件,比如身高,体重,和其他信息,每个运动的受试者的强度计算通过独特的配方,从而达到监控的目的偏瘫的患者的能源消耗(8]。于和其他人使用惯性和空气压力传感器设备类似于腕表。病人手腕上戴着这个设备后,代谢当量患者的日常生活活动可以根据实时监控传感器接收到的信息。相比之前的设备监控的新陈代谢,这是简单的和不会影响病人的活动(9]。

鉴于上述问题,考虑到光学跟踪设备很难发挥作用在各种复杂的环境条件,在本文中,我们开发了一种MEMS装置和动作捕捉算法基于磁强计和惯性传感器实现运动康复机器人训练方法的研究。

3所示。方法

3.1。研究方案

3.1.1。设备组成

的核心组成部分,本文中描述的可穿戴传感器设备是yd122传感器,这是一种MEMS传感器(10]。每个传感器结合9-axis mpu9250芯片,可以测量加速度、角速度,和磁场强度的三个轴(11]。传感器过滤器内的STM32微处理器测量加速度,角速度和磁力值分为四个元素或欧拉角表示当前的态度。此外,yd122主传感器有自己的电池和蓝牙模块,可以单独使用或在级联yd122奴隶传感器。在使用时,一个主传感器固定在胸部的主题通过皮带和4套主+从传感器,分别绑定到外部的左和右大腿,左和右小腿外侧,左和右上臂外侧,左和右前臂的外面,总共9。除了传感器,该装置还包括一个通用的移动终端,用于获得9的数据传感器和重建运动状态。

为了最小化外骨骼的质量和提高响应速度的启动和停止,选择6061铝合金的一部分材料外骨骼机械(12]。与此同时,为了提高穿着舒适性,肩结构安装在机架上,病人没有穿后承担任何部分的质量。根据外骨骼的重量,加上成人体重统计和临床康复训练经验,每个自由度所需的动态参数选择,如表所示2。

3.1.2。动作捕捉算法

人体的姿态变化可以分解成横摇角、航向角,螺旋角的树干,头部和四肢。穿着传感器设备后,传感器与人类同步运动,测量磁场的变化,加速度和角速度可以用来重建运动状态。在这个实验中,双方动作的躯干和四肢关节的研究对象主要是跟踪(通常是双方的四肢关节有明显运动模式的差异),而运动的头和四肢的末端被忽略了。此外,树干也认为作为一个整体,不管脊椎的弯曲和扩展。

在多传感器数据融合的运动捕获算法,穿的位置传感器对算法的设计有很大的影响。前臂和上臂三自由度,可以自由改变方向和速度快,是无法预测的。大腿和小腿的运动主要是弯曲和扩展方向和方向的变化,和双方偏转(卷)越少,范围很小。主干部分主要是转化,用更少的大型向前倾斜,向后倾斜,和横向弯曲,动作缓慢。在这里,把传感器放在大腿为例,介绍了动作捕捉算法在该设备中实现。

大腿弯曲和扩展角θ被定义为之间的角度y设在和重力方向相反,大腿摆动速度(角速度)v=dθ/dt(13,14]。考虑到大腿的摆动速度是缓慢的,传感器的采样率是25赫兹,采样间隔内的角速度变化非常小(变化值可以模拟由系统噪声),和过滤器使用恒定的角速度模型来推断。状态更新方程

其中下标表示时间和时间 , 是采样间隔, 和w_c分别各状态变量的系统噪声(15]。可以认为他们是独立的0表示高斯噪声,和他们的分布函数

问的计算方法

每一个状态变量的方差(16]。加速度传感器的测量值是D - - - - - -轴方向和加速度B - - - - - -轴的方向。观测值之间的关系和状态变量(观测方程)

在哪里和观测噪声和吗就是从髋关节到传感器的距离。同样,假设观测噪声是高斯噪声与独立0表示(17]:

在哪里 观测噪声的协方差矩阵,然后呢和测量值的方差。方程(4)写进一个矩阵格式如下公式所示(18]:

观测方程方程(4)和(5)不是线性的,所以卡尔曼滤波方程不能直接导出。它需要局部线性化,函数的偏导数每一个状态变量,也就是说, 得到以下方程:

局部线性化应当根据以下方程:

在哪里和估计的值吗和和 , , 和估计的值吗 , , 和 ,分别。在获得后状态变量的预测值,更新状态变量的协方差矩阵的估计价值根据以下方程:

上面的步骤是卡尔曼滤波的递归的推导。在实际使用中,需要估计状态变量,系统噪声、观测噪声,和协方差矩阵(参见初始化参数设置和递归计算的例子)。花时间作为一个例子,之前预测的时间根据状态方程方程所示(10),波线右边的参数方程是滤波器估计时间的价值 ,和下标 代表时间的一步预测时间 :

与此同时,在一步预测协方差矩阵,见以下方程:

在哪里 的状态转移矩阵方程(1)。单步预测的观测值

卡尔曼增益来源于多个协方差矩阵和局部线性化观察功能,如以下所示方程(19]:

如方程所示(14),状态变量的估计值通过加权得到卡尔曼增益的两个估计的值。

最后,协方差矩阵的估计价值状态变量更新准备过滤 ,见以下方程:

上面的算法跟踪大腿的螺旋角。该算法也适用于类似的腿运动模式。根据康复医生的建议,树干的俯仰和滚动动作很小,变化缓慢。系统获得通过三角测量根据重力组件的组件在每个轴,树干的方位也通过三角测量的磁强计组件。前臂和上臂的操作相对复杂。使用卡尔曼滤波器类似于上述设备的跟踪。原理是一样的,但是尺寸变量和状态更新方程和观测方程的矩阵大大增加。中使用的卡尔曼滤波跟踪算法滤波算法没有系统延迟。当前状态的滤波值参数后可以获得新获得测量值 。强大的计算能力,与微处理器的数据过滤可以采样间隔内完成。

3.2。联合控制实验

因为镜子控制和同步控制仅仅是不同的在运动控制模式下,和上肢运动数据处理和转换的过程基本上是相似的,只有单关节控制躯体感觉镜子实验分析。影响实验者的右臂(肢体)穿着外骨骼机械手臂,站在2.0 ~ 2.5米的距离从Kinect, Kinect和面孔。左臂(健康肢体)执行缓慢的肩膀绑架,向前弯曲,屈肘单关节运动。Kinect收集左胳膊的关节角,即转化为控制信号通过上层计算机处理项目,和躯体感觉控制外骨骼机械臂驱动执行镜像的右手臂运动(20.]。

为了进一步研究每个轴的“后续”表现在镜子里模式,提取上肢运动数据和电动机的实际位置在15 s(提取频率30 Hz),并绘制变化曲线,如图2(一个),2 (b),2 (c)。在运动的开始,有一个大的关节角误差控制手臂和外骨骼机械臂的关节角。这是因为第一组的角度从躯体感觉数据计算获得的Kinect往往不为零,和每个轴的驱动电机的初始零位(21]。经过一段时间的锻炼,两者的区别逐渐减少。水平直线生成的曲线的波峰或波谷是由于关节运动的范围限制在数据处理过程中,以确保系统的安全运行。表3显示了平均每个关节的角速度,角误差平均在一个机器人的各关节的弯曲和扩展,和最大的行动推迟一段时间内。

从表可以看出3越大,健康的肢体关节运动的角速度,角之间的误差越大得到的躯体感觉和实际位置外骨骼机器人手臂关节。这是因为关节角的刷新率通过Kinect是每秒30帧,而电动机的位置更新速度滞后于负载。联合的减少速度,位置误差和最大延迟降低,后续性能得到了改进。一般来说,进行康复训练的关节角速度是在低速度低于30°/ s。每个轴的跟踪性能的上肢外骨骼康复机器人基本上满足康复训练的要求。

4所示。结果分析

考虑到设备是一种监测设备,不是治疗或诊断设备,和设备不会对病人施加辅助运动影响,病例的选择主要是基于以下两点:①病人需要有良好的运动能力和执行大范围运动在监测过程中,和②病人有良好的合规和认知能力,可以穿很长时间才能完成设备监控。疾病类型、药物治疗和其他因素不作为案例选择的基础。基于上述考虑,选择三个家庭康复患者正常认知能力的初步实验。上、下肢的Brunnstrom阶段的三个患者离开医院时超过4。他们有类似的转移和日常生活能力和能够佩戴和使用所需的设备。在系统部署在病人的家里,每个病人将穿传感器在早上和下午2 h的动作捕捉。在实验过程中,患者接受总共1 h康复训练根据医生的要求,包括20分钟跑步机上行走训练,并能自由移动室内在其他时间。实验持续了4周。为了保证实验的可重复性,我们选择步行训练高相似度的测试。当病人走路,跑步机的速度是3公里/小时。 In addition to wearing sensors for monitoring, the optical tracking method described in previous studies is also used as a reference, and the walking video is synchronously recorded at a frame rate of 25 Hz. The included angle between the thigh centerline and the vertical direction is measured frame by frame for the obtained video, forming a pitching angle curve as shown by the dotted line in Figure3(22]。同时,根据卡尔曼滤波算法,大腿的螺旋角曲线在步行作为一个实线画在图3。

两条曲线在图3表现出相同的变化趋势。的平均偏差最大值大腿的螺旋角进行这两种方法是0.063弧度(≈3.6°),最小值的平均偏差为0.067弧度(≈3.8°),和两条曲线的平均差异的角度是0.072弧度(≈4.1°)。除了上面的剪辑,统计后四周行走测试结果3例,大腿的平均差异光学和卡尔曼滤波算法获得的螺旋角为3.7°,4.3°,和4.0°,分别平均为4.0°(23]。在这项研究中,数据传输的最大延迟设备是80毫秒,而TD是320 ms。的增加延迟滤波算法有关。本文中描述的卡尔曼滤波模型采用恒定的角速度。当角速度变化突然,大腿的摆动速度在这个例子中突然增加或减少,和角速度值和相应的协方差矩阵需要若干次迭代匹配当前的运动。过滤结果表示为一个滞后一段时间,这也会导致不同的测量和计算角度值同时通过上述光学和卡尔曼滤波算法(24]。统计数据后三个病人的行走测试结果,系统的最大延迟是480 ms,平均为297 ms。

康复医生的评价设备的使用也是一个实验的一部分。康复医生观察到实际的行动和模型行动显示的移动终端在病人使用该设备。评估结论如下:①模型行动有一个高度的减少相对于病人的实际行动,行动是准确的和连续的,它可以代替人工监控,和不使用摄像头,并且不侵犯患者的隐私;②运动显示的运动重建应用程序的范围在5°的手动测量值,满足运动功能康复医学的需求评估和培训指导;③系统延迟小于0.5秒,具有良好的实时性能并能对突发事件做出快速响应,确保病人的心脏康复的安全(25]。

5。结论

在这个研究中,定制的可穿戴传感器和通用移动终端作为硬件。基于传感器,运动捕获算法和运动重建算法开发。在最初的实验应用,事实证明,这个设备能够提供稳定、准确的实时动作捕捉结果,提供统计数据,帮助康复医生进行功能评估,具有重要意义,康复医生制定培训计划并对患者进行康复训练。这是一个至关重要的领域的尝试“互联网+康复医学的东西。”

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是安徽省哲学社会科学规划项目“研究群众体育发展的制度保障和政策支持安徽省Prethreshold下全面小康社会”(AHSKQ2020D108);重点项目的安徽省高校人文社会科学研究:研究高质量的集成开发长江三角洲地区体育产业的新模式下的“双重循环”(SK2021A0411);阜阳师范大学2021年关键青年人才项目”研究安徽省生态体育的发展道路在新的正常”(rcxm202115);和安徽省质量工程项目:新的文科,新的医学研究和改革实践项目(2020 wyxm134)。