[发明专利]面向人体复杂运动的运动模式预测及切换控制方法

说明书

本发明涉及面向人体复杂运动的运动模式预测及切换控制方法，属于外骨骼助力技术领域。首先，对人体下肢EMG信号及IMU信号进行采集；随后，对采样后的每段EMG信号及IMU信号提取时域特征，并组成特征向量；最后，采用梯度提升树算法(GradientTreeBoosting,GBRT)，将特征向量输入该模式识别算法实现下肢运动模式及运动相位分类。本发明适用于外骨骼助力机器人相关技术，为外骨骼助力策略提供丰富先验知识，提升系统助力性能与安全性。

技术领域

本发明涉及面向人体复杂运动的运动模式预测及切换控制方法，属于外骨骼助力技术领域。

背景技术

近年来，机器人技术在各行各业中逐渐占据着越来越重要的比重，不仅提高了生产工作的效率，也提高了人们生活的质量。其中，外骨骼机器人(Exoskeleton)作为辅助机器人的一个重要分支，相关技术近几年在国内外成为了一大研究热点，在养老、康复以及军事等领域具有广阔的前景。人机交互(Human-robot interaction，HRI)作为一种交叉学科研究方向，对于外骨骼机器人的发展有着极其重要的影响。不同于传统的人机交互方法，以生物电信号作为控制信号源，外骨骼机器人可以从被动地接受控制指令变为主动理解人体的运动意图，并按照人体运动意图进行适当的辅助，因此解码生物电信号逐渐成为人机交互领域的研究热点之一。

目前备受关注的生物电信号主要有脑电(Electroencephalography，EEG)、眼电(Electrooculography，EOG)以及肌电(Electromyography,EMG)，相比较其它两种电信号，肌电信号(Electromyography,sEMG)具有高度相关性及相对稳定性等特点，且具有可表面无创采集等便利条件，已经广泛应用于医疗诊断、运动分析以及交互游戏等相关领域之中。

人体向前行走时，其中一侧的下肢充当移动支撑端，与此同时，另一侧下肢向前移动并成为下一个新的支撑端，随后两侧下肢交替重复此过程，直至到达目的地。单侧下肢完成这些功能活动的一个单独序列被成为一个步态周期，每一个步态周期都可分为两个阶段：支撑相与摆动相。支撑相定义为足部与地面接触这一阶段的全过程，约为整个步态的60％左右，摆动相开始于足趾离开地面时，足跟再次接触地面之前是摆动相终点，约为整个步态的40％左右。根据脚尖与脚跟的着地状态，支撑相内还可划分为三个子相位：足跟支撑相、全足支撑相以及足尖支撑相。在人体正常行走的一个步态周期内，外骨骼并不需要在所有相位下进行助力，同时不同的地形下施加的助力大小也各不相同，因此对于运动模式及运动相位识别的准确率是整个系统实现精确控制与安全性至关重要的一部分。

近年来，许多学者提出基于人机交互的运动控制方法，其中较普遍的是通过脚底压力传感器或安置在小腿前端的IMU传感器对人体步态相位进行识别。上述两种方法具有较好的稳定性与准确性，但仍存在一些缺点：①脚底压力传感器一般采用贴合的形式固定在人体的脚底，当行走时间较长时，脚底摩擦力会导致传感器发生窜动或失效，极大影响准确率；②上述两种方法无法获得运动模式信息，因此无法实现在多运动模式下的助力控制；③EMG信号的产生要提前于运动实际发生25-125ms，而以上两种控制方式均未选择EMG信号作为信息来源，因此无法提前对运动进行预测。本发明所提出的面向人体复杂运动的运动模式预测及切换控制方法弥补了以上缺点的同时，实现了对运动模式切换的提前预测，且达到了较高的准确率。

发明内容

本发明提出了面向人体复杂运动的运动模式预测及切换控制方法，其目的在于对人体下肢EMG信号及IMU信号进行解码，并根据提取到的信息识别人体下肢运动模式及运动相位，同时早于运动发生提前预测运动模式变化。本发明解决了背景技术中列举的问题。

面向人体复杂运动的运动模式预测及切换控制方法，所述方法包括以下步骤：