基于人机协同信息融合的上肢外骨骼康复机器人自适应柔顺控制研究

Rehabilitation robot has become an important means of rehabilitation treatment for upper limb dysfunction caused by neurological impairment. However, most of the existing upper limb rehabilitation robot still have difficulty in the sensitivity of motion intention recognition and the compliance of human-machine cooperative motion control. Therefore, the project focuses on the motion intention recognition and adaptive compliance control methods based on human-machine collaborative information fusion, including: 1) Combining the training mode of upper limb rehabilitation robot, the project studies the collaborative function network of multi-skeletal muscle and activation analysis of skeletal muscle during postural tasks, and constructs collaborative function network and force estimation model based on EMG signal, 2) The project develops a method of motion intention recognition based on multi-modal information fusion, which surface EMG, robot position and interactive force feedback, 3) Combining the multi-skeletal muscle collaborative function network and the force estimation model, the project studies the model parameters of dynamic recurrent neural network for intelligent control, and constructs a man-machine collaborative compliance control system that is adaptive to motion intention recognition and track rehabilitation process dynamically. The research achievement of the project will provide new solutions for the flexibility and inclusiveness of human-computer interaction of upper-limb rehabilitation robots. It will also have academic and scientific significance for the research of common problems such as multi-information fusion processing mechanism and human-machine collaborative intelligent control strategy.

康复机器人已成为神经功能损伤引起的上肢功能障碍康复治疗的重要手段。然而，现有上肢康复机器人仍普遍存在运动意图识别灵敏度不足及人机协同运动控制顺应性差的难题。因此，本课题重点研究基于人机协同信息融合的运动意图识别与自适应柔顺控制方法，主要包括：1）结合上肢康复机器人的康复训练模式，研究基于姿势任务下多骨骼肌协同功能网络和骨骼肌激活区域解析，构建基于肌电信号的协同功能网络和肌电的肌力估计模型；2）融合人体肌电与机器人位置及交互力反馈等信息进行肢体运动解码，构建多模态信息融合的运动意图识别方法；3）研究动态循环神经网络进行智能控制的模型参数，结合多骨骼肌协同功能网络和肌力估计，构建自适应运动意图识别和动态跟踪康复进程的人机协同柔顺控制系统。课题研究成果将为上肢康复机器人人机交互的柔顺性与共融性提供新的解决方案，也对多信息融合的处理机制和人机协同智能控制策略等共性问题的研究具有学术价值和科学意义。

因中风、外伤等造成的神经功能损伤导致了严重的上肢功能障碍，传统的临床康复训练手段是由康复医师徒手或借助简单器材对患者进行不间断的被动训练，效率低下。目前融合机器人技术和临床康复手段的上肢康复机器人是为患者提供了经济、高效的康复训练。但上肢康复机器人仍存在着运动意图识别灵敏度不足及人机协同运动控制顺应性差等难题。本课题针对基于人机协同信息融合的运动意图识别与自适应柔顺控制方法，重点研究了上肢康复外骨骼机器人设计、运动意图识别和人机协同控制策略等内容。本课题设计的康复机器人结构轻便，康复训练方式多样，机器人运动流畅且稳定，安全保障机制可靠。在控制方面，基于上肢多块肌肉的sEMG信号和肘关节角度信号等多源信号，并采用改进的PSO-BPNN神经网络算法训练出了连续运动中的肘关节主动力矩估计模型，其主动力矩估计一致性达99%，并以肘关节的估计力矩为主动反馈，集合角度信息设计出基于运动意图的闭环反馈控制策略，在康复机器人嵌入式控制平台中实现，为患者康复训练提供自适应助力。该控制策略具有高准确率和低至几十毫秒的控制延时，大大提高了人机交互时的柔顺性；基于自适应力矩控制模型，搭建了一套无线采集数据的控制平台，使得外骨骼的穿戴更加方便。此外，本课题还研究了不同训练方案对参与度的影响、多感觉交互式运动康复训练中的认知和运动皮层激活，以便优化康复训练策略和提高康复训练效果。本课题从临床需求出发，设计不同助力模式的康复训练方式，重点研究了康复训练人机协同的运动控制和自适应柔顺控制的难点，提高了康复机器人人机交互的柔顺性，对于不同训练方案和康复训练中的多感觉交互研究可为设计更加合理高效的康复训练方案提供理论依据。