基于惯性传感器遥控示教康复系统的研究

针对上肢康复机器人的被动康复训练,建立了一套基于惯性传感器且用于UR协作机器人的实时路径规划的示教系统.利用固定于示教者手心处的惯性传感器,实时获取手部相对于大地坐标系的位姿数据,经过坐标变化,转变为机器人末端在机器人机架坐标系中的位姿数据,再由通讯系统传给机器人系统,最后经逆向运动学转变为机器人各关节坐标数据,进而实现机器人带动患者上肢进行康复运动.现场测试验证了该系统功能的有效性.     

基于无线穿戴式传感系统的智能步态检测研究

为了实现精确的人体步态检测并实时反馈给机器人系统,设计了一种基于惯性传感器的无线传感器节点,在此基础上研发了一套无线穿戴式传感系统.基于人体下肢模型,提出一种可靠的步长和步向检测算法.使用五个自主设计的低成本惯性传感器节点固定在人体下肢和腰部,实现了相对精确的步态测量.为了进一步提高测量精度,利用回声状态网络对整个系统测量误差进行校正,校正后步长测量误差小于3.5cm,步向测量误差小于4.5°.实验结果表明该系统与方法能够实现高精度的步态检测.     

人体步态分析与负重外骨骼机器人的动力学仿真

分析和识别穿戴者的步态信息,指导负重外骨骼机器人的机械结构设计,使其能够和穿戴者协调同步行走。设计仿人体下肢生物平台,利用传感器系统实时反馈人的步态数据,设计与建立步态数据库,在ADAMS中建立三维离线式仿真系统,结合步态的运动学数据,进行动力学分析,为机械结构的设计和驱动单元的选型提供了理论依据和数据支持。通过负重外骨骼机器人的穿戴测试,表明机械结构设计合理,可以真实反映关节转矩的变化。     

基于惯性测量器件的无线步态分析平台

步态定量测量方法应用于许多领域,如临床医学、双足机器人控制等.采用惯性测量单元结合无线传感器网络建立了一个步态分析平台,将两个无线惯性测量单元传感器节点分别绑定在左右双侧脚踝,以同时采集双脚运动过程中的加速度和角速度信号,并将其通过无线方式发送到远程终端.通过模式识别、时间序列分析、阈值检测和零速修正等多种数据融合方法计算步态参数,并通过融合双足传感器数据得到双支撑相、双脚步行周期等重要的双足步态参数,其中双支撑相参数对人体日常动作的识别有重要意义.实验结果显示该研究具有较高的计算精度.     

下肢外骨骼康复机器人步态规划方法的研究

针对脑卒中偏瘫患者,依据正常人髋、膝关节运动数据建立人体关节数学模型。将Brunnstromc与训练过程中下肢肌肉表面肌电信号的变化相结合,规划出对不同患者具有适用性、针对性的人体生理学训练步态。在Visual C++开发环境下获取患者自身健康腿的关节运动数据,并结合Matcom实现混合编程,可避免医疗师将数据提取再用Matlab进行处理的过程;同时由于下肢具有的步态对称性,可作为步态协调性康复训练的参考模型。结果表明通过多方面的结合及应用,加深了对步态规划方法的认识与理解,也为康复训练临床试验及寻求更稳定合理的步态规划提供了借鉴作用。     

基于深度图像的人体关节定位与步态分析

根据面向家庭的健康状况评估的需要,结合Kinect深度图像的特点,提出一种无标记点的下肢关节定位和步态分析方法.首先利用分层处理ViBe算法提取人体目标,然后在多关节骨架模型基础上,采用自适应阈值法来区分侧面人体的前后腿,根据相邻样本差值分别判断膝关节与踝关节有无遮挡现象,再利用比例扩大法和边缘定位法实现下肢各关节定位.最后对获取的关节动态数据进行分析获取步态参数.通过与手工标记点方法的步态分析进行比较实验,表明该算法的人体关节定位的准确度能够较好地满足步态分析的需要.     

基于DSP的助行外骨骼机器人步态控制

助行外骨骼机器人是一种帮助老年人和下肢不便的残疾人扩展行走能力的助力装置.提出一种基于数字信号处理（digital signal processing,DSP）系统的步态控制方法,首先,将连续步态数据离散处理后的结果作为DSP系统的输入,通过执行机构实现机器人的步态行走;然后,在每个步态周期结束之后,通过编码器对步态角度实时采样;最后,控制系统对反馈数据处理后实现步态误差的周期补偿.通过样机试验验证上述方法,得到较好的结果.     

基于扰动卡尔曼滤波的机器人免力矩传感器拖动示教方法

拖动示教技术操作简便且效率高,更符合现代化的柔性生产,而实现工业机器人的拖动示教需要准确地测量外力与控制由外力所引起的关节运动。为了实现免力矩传感器测量操作者施加的外力,设计一种基于扰动卡尔曼滤波的外力观测器。该观测器通过将关节外力矩作为扰动项,并引入广义动量,建立机器人系统的状态空间方程,进而采用卡尔曼滤波算法得到关节外力矩的最优观测值。其中,为了提高外力的估计精度,提出以刚体动力学模型和深度神经网络相结合的方式建立机器人的动力学模型,该方法不仅避免了关节摩擦力矩的复杂建模过程,而且将模型中未建模的因素通过深度神经网络进行补偿。为了实现机器人在拖动示教过程中的牵引控制,将机器人的关节运动与外力矩之间的动态响应关系等效为一个质量阻尼系统,并提出一种自适应阻尼的导纳控制方法,将观测到的外力矩转换成示教运动的期望关节转角,并根据外力矩的变化趋势自适应地调整系统阻尼参数,以改善机器人的示教效果。实验表明,所建立的动力学模型在预测力矩上具有更低的均方根误差,可减小不少于20%的误差;采用所提出的控制方案在六自由度的工业机器人上实现了免力矩传感器的拖动示教,自适应阻尼调整方法能减少约19%的关节...     

基于微型传感器的虚拟人运动控制

利用传感器数据和相邻肢体段相互关联的特点,根据人体运动特征建立了层次化结构的虚拟人运动模型,通过微型传感器采集的数据驱动虚拟人每个关节旋转,计算出关节的旋转角度,给出基于下肢运动的人体位移的计算方法。最后采用微型传感器数据和前向动力学相结合的方法对虚拟人运动进行控制,实现人体运动的重现。     

基于复合摆线的下肢假肢步态规划及运动仿真

摘 要 针对现有假肢产品步态质量不佳的问题,结合四连杆机构和磁流变阻尼器设计了一种磁流变阻尼下肢假肢。基于复合摆线理论对下肢假肢进行了步态规划,并对所得轨迹曲线进行了优化。通过对轨迹曲线的逆运动学求解,得到了下肢假肢的膝关节和髋关节曲线。为验证关节曲线和下肢假肢结构设计的合理性,采用SolidWorks Motion对下肢假肢进行了运动仿真吧,并且利用关节电机进行轨迹跟随实验。结果表明,在关节曲线的驱动下,下肢假肢能够实现连续稳定的行走,具有良好的步态特性。     

基于惯性传感器与模拟传感器的据枪数据捕捉系统设计

为了实现对作训人员射击训练数据的实时捕捉,提高作训人员射击训练效果,设计实现了一种基于惯性传感器与模拟传感器的据枪数据捕捉系统。对数据捕捉系统的原理、组成以及数据处理进行了研究,采用四元数的方法实现了对姿态数据的融合与解算。通过系统下位机将捕捉到的动作数据进行采集并通过无线通信将数据传输至上位机进行实时显示。实验表明,该系统能够实时捕捉当前作训人员的据枪射击数据,数据准确、直观,使用价值高,取得了良好效果,大幅度提升了训练效率。     

排球抛球及挥臂击球动作数据的采集与传输研究

排球抛球及挥臂击球动作具有动态性,当前数据采集与传输方法适应能力较低,导致数据采集与传输精度、实时性和可靠性受到很大的影响,为此,提出一种新的排球抛球及挥臂击球动作数据的采集与传输方法,依据每个惯性传感器得到排球运动员进行抛球及挥臂击球动作时的关节姿态数据,经实时坐标转换处理完成人体模型中的所有关节对排球抛球及挥臂击球动作的对应跟踪,获取相应数据。采集到排球抛球及挥臂击球动作数据后,通过传感器网络,依据节点传输概率对排球抛球及挥臂击球动作数据进行传输。为了使节点间协作完成数据传输,通过构建预测连接时间的数据转发模型实现数据转发。实验结果表明,所提方法具有很高的采集精度、传输实时性和可靠性。     

基于双向LSTM神经网络可穿戴跌倒检测研究

针对老年人跌倒后不能得到及时救助带来的伤害，研究跌倒检测算法和及时告警，可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性，本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法，该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征，实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量，并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型，结果表明该算法在SisFall实验数据集上具备较高的检测精度，满足准实时检测要求，具有较好的实用性和较强的泛化能力。     

基于双向LSTM神经网络可穿戴跌倒检测研究

针对老年人跌倒后不能得到及时救助带来的伤害，研究跌倒检测算法和及时告警，可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性，本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法，该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征，实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量，并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型，结果表明该算法在SisFall实验数据集上具备较高的检测精度，满足准实时检测要求，具有较好的实用性和较强的泛化能力。     

三维惯性传感参数表征下的行人混合步态分类

在行人步态分类研究领域中,传统的基于微机电系统(micro-electro-mechanical system,MEMS)惯性传感器技术的步态分类方法侧重于对行人单一步态模式进行区分,忽略了两个单一步态模式之间的过渡步态模式,从而降低了行人行走过程中走、跑、停等混合步态的分类精度,还会在时间上造成缺失,进而造成行人航迹推算产生不可估量的定位误差.从人体运动学角度出发分析了行人步态特点,同时利用9轴MEMS惯性传感器采集了行人步态原始数据并对其进行剖析,设定了人体三维惯性传感参数,以供后续分类算法使用.为了进一步提高整体混合步态的分类精度,针对朴素贝叶斯算法对相反过渡步态模式区分精度不高的问题,在其基础上通过加窗判断前后两个步态的连续性,完成了行人混合步态的最终分类.验证结果表明,和传统的样本熵与小波能量相结合方法相比,提出的三维惯性传感参数表征下的行人混合步态分类方法,不仅能区分出行人混合步态中的多种单一步态模式和多种过渡步态模式,同时整体分类精度提高了14.46%,从而有效证明了该方法在行人步态分类领域具有良好的理论价值和应用价值.     

基于重构吸引子融合BAG方法的步态识别研究

针对基于惯性传感器的步态识别方法在动态情况下表现不佳且计算复杂度较高的问题,提出一种基于重构吸引子融合盒近似几何(BAG)方法。首先,将人类步态视作一个动态系统,根据Taken理论在潜在空间重构吸引子;然后,利用奇异谱分析方法获得奇异值,并将其应用于惯性传感器的标量测试;最后,利用盒近似几何方法完成步态识别。针对20个不同对象的模式分析了各种参数对步态识别性能的影响,实验结果表明,相比其它几种步态识别方法,本文方法能够实现高精度的识别且具有较低的计算复杂度。     

多惯性传感器的数据采集及其质量筛选研究

MEMS惯性传感器在商业上得到广泛应用,但由于MEMS工艺、检测电路等条件的限制,在精度和可靠性方面存在劣势,有些传感器误差较大或完全损坏。为此,设计了基于STM32的多惯性传感器数据采集系统,通过实验采集了大量的传感器数据,在惯性传感器的误差分析的基础上,提出了MEMS惯性传感器快速筛选方法,基于该方法对采购的批量MEMS惯性传感器进行了筛选,剔除了不可靠的传感器。结果表明,该系统稳定可靠、数据采集真实准确,快速筛选方法对MEMS惯性传感器的筛选十分有效,可用于工程实践中。     

基于最大摩擦因数的下肢肌无力者滑跌步态特性分析

针对老年人行走过程滑跌现象的频繁发生,提出了利用改进的所需最大摩擦因数及COM(center of mass)波动值来分析滑跌过程的方法.该方法以基于Kane方程的仿生下肢行走动力学模型为基础,能够实现行走过程动力学参数值的快速检测,能对行走过程的任一瞬时平衡状态进行分析,并据此判断和验证滑动和跌倒过程的临界值,建立了老年人滑跌步态的理论基础.通过肌力正常与肌无力老年人的行走步态实验数据比较,下肢肌力不足的老年人,因其神经肌肉控制力下降,步态姿势趋于不稳定,发生滑倒的概率更高.步态分析实验数据表明,该方法能够对滑跌过程进行准确描述.     

仿人机器人未知地面行走控制方法研究

介绍了一种仿人机器人未知地面行走的控制算法 .该算法通过踝关节六维力 \力矩传感器信息感知地面环境 ,确定步态参数 ,利用基于ZMP稳定判据的规划方法进行实时运动规划 ,实现机器人稳定行走 .     

人体下肢行走关节连续运动表面肌电解码方法

为实现人体下肢步态动作的连续识别,提出了一种利用表面肌电信号进行下肢关节运动角度连续解码的方法。首先利用光学运动捕捉实现下肢关节运动角度的计算,然后采集下肢运动相关主力肌肉的表面肌电信号并提取其活动强度信息;在此基础上,基于受限玻尔兹曼机构建深度自动编码器(DAE),实现多路表面肌电信号强度时间序列的低维空间编码和最优特征提取;最后,利用BP神经网络建立特征量与关节矢状面运动角度之间的非线性回归模型。实验结果表明:该方法提取的信号特征信息优于传统的主量分析方法,采用提出的模型能够更精确地估计下肢关节连续运动角度,其估计值与真实值的均方误差较传统方法降低25%~35%。研究结果为人机交互接口技术的开发、实现下肢可穿戴智能装备的生物电连续控制、提高人机运动平稳性奠定了基础。