基于自适应表面肌电模型的下肢康复机器人“Human-in-Loop”控制研究

基于表面肌电（sEMG），对激励患者主动意识的"Human-in-Loop" 下肢康复机器人控制展开研究。重点探讨sEMG特征提取与选择、自适应sEMG-下肢运动模式建模、自适应sEMG-关节力矩生物力学建模、下肢康复机器人sEMG控制四个方面的科学问题与关键技术：以广义判别分析为工具，建立sEMG的特征选择的理论依据；基于半监督学习理论，提出sEMG-下肢运动模式模型的在线学习的新方法；以增量式支持向量机为技术手段，探讨具有在线自学习能力的sEMG-关节力矩间的生物力学新模型；借鉴临床康复理论与经验，集成各单元技术，给出基于sEMG的下肢康复机器人"Human-in-Loop"控制新策略。从而结合实验研究形成较为完善的基于sEMG的下肢康复机器人控制理论体系，具有重要的学术价值。项目成果将为康复机器人、假肢/假手、机器人遥操作系统的开发提供理论、技术支持，具有广泛的应用前景和社会价值。

在康复机器人控制中引入反映患者“主动意愿”的生物—机电人机接口，建立患者和康复机器人间的信息传送通道，实现基于表面肌电模型的康复机器人 “Human-in-Loop”控制，对假肢、假手控制、外骨骼式助力机器人控制、机器人遥操作、虚拟现实技术等领域相关研究具有非常重要的现实意义，是当前国际机器人与自动化领域的研究热点之一。受基金资助，申请人面向康复机器人“Human-in-Loop”控制展开研究工作，取得了较丰硕的前期研究成果，分别发表在机器人与信息领域的SCI、EI检索刊物和具有影响力的重要国际会议上，初步受到国内外同行的好评和认可。研究团队通过三年来的科研工作和积累，对基于表面肌电模型的康复机器人“Human-in-Loop”控制问题有了较为深刻的理解以及对国际研究动态的把握，并在该方面研究上过渡到了攻坚阶段，同时形成了从事该领域研究的年轻学术团队。截至目前，取得的进展简要总结如下：1）在表面肌电信号特征提取方法研究中，基于表面肌电信号短时平稳假设，提出了表面肌电信号的分段自回归建模方法，并利用主成分分析与多特征融合实现了4通道表面肌电信号的特征提取。通过不同样本集训练条件下的神经网络分类测试实验，证明了该特征提取方法较传统自回归模型描述方法根具有优越性，并得到了提出的特征提取算法在非线性特征空间可分性更强的理论。2）在基于表面肌电的人体动作模式分类研究中，针对小样本情况下分类器识别率不稳定的问题，将AdaBoost集成分类思想引入表面肌电信号的动作模式识别，提出了一种度量输出信息自适应加权的集成分类算法。实验结果表明：集成分类器由于综合考虑了多个及分类器间的互补信息，较单一分类器具有更强的泛化能力。3）以LSSVM为理论工具，结合核函数方法研究利用多通道表面肌电来实现预测人体下肢的关节角度的方法。4）基于阻抗控制理论提出了进阶交互式的康复训练策略，实验结果验证了表面肌电控制方法与阻抗控制方法的正确性和临床应用的有效性。.今后的工作将继续围绕表面肌电信号在康复机器人控制中的应用展开研究。