论文题目：智能下肢假肢运动意图的感测与识别关键技术研究
摘要：下肢截肢会给患者行动造成障碍,尤其是膝关节以上部位截肢会严重影响其行动能力,给其家庭和社会带来沉重的负担。佩戴性能优异的假肢能极大地提高截肢患者的行动能力,提高患者的社会活动参与度。当前,由于被动假肢成本低,被动假肢是目前使用最广泛的假肢。但是佩戴被动假肢的患者使用时往往步态不自然、行走能量消耗大,且难以实现在不同地形下顺畅行走。智能下肢假肢通过检测外部行走环境和识别人的运动意图,能够自动适应外部行走环境,使佩戴者步态更加自然,行走更加省力,从而能更好地代偿缺失的行动能力。目前,动力（主动）下肢假肢是智能下肢假肢中的研究热点,由于它具备动力输出,能更好地代偿下肢截肢者缺失的功能。但现有的动力型下肢假肢系统通常需要截肢者通过减速、停下、按压电子开关或者做出与行走不相关的肢体动作（如夸张的臀部伸展或向前/向后摇摆假肢等）来检测截肢者的行走模式意图,实现不同步态控制策略的转换。这种非直觉的控制方式无法实现假肢在不同地形之间的稳定、顺畅和自然地行走。为了弥补这一不足,下肢假肢需要在感知外部环境的同时理解人的运动意图,控制假肢本体以合适的步态行走。这就需要解决运动意图识别这一关键问题,实现假肢与人之间的信息交互。本研究针对智能下肢假肢中的运动意图识别问题,从新型传感器、高质量便携式信号采集系统、肢体动作识别、环境和步态识别几方面开展了以下研究工作:首先,针对运动意图识别中应用最广的表面肌电信号微弱、易受干扰且缺少肌肉空间位置信息的不足,根据肌肉在运动过程中会发生形状变化的现象,本文提出了利用纳米金柔性可拉伸材料制作成可通过贴附于肌肉表面检测肌肉形状变化的肌肉形变传感器,然后开发出了相应的多通道肌肉形变信号采集系统用于肢体动作意图识别。最后对肌肉形变传感器的尺寸、放置位置、采样率对肢体运动意图识别准确率的影响进行了研究。实验结果证明,肌肉形变信号作为运动意图识别的一种新的信息源,四通信号用于肢体运动意图识别的准确率可以达到95%以上;适当选择采样率和特征,可以大大降低运动意图识别运算量。其次,针对当前运动意图识别中使用多模信号带来的系统复杂、高密度传感器放置困难的问题,本文根据肌肉在运动过程中同时产生肌肉形变和发放肌电的现象,提出了将纳米金柔性材料制作成肌电/肌肉形变复合信号传感器的方法,在传感器的同一层上实现了肌电和肌肉形变信号的同时检测。然后利用频分复用的方法,开发出了多通道肌电/肌肉形变复合信号采集系统。使用上述传感器和系统测量肌电信号,在信噪比上比目标设备高了约3dB,证明了在信号的质量上达到了和商业设备同样的水平。接着,利用肌电/肌肉形变复合信号进行了肢体动作意图识别,研究了多信号源、多通道信号的冗余优化问题。仅仅使用两对传感器获得了两通道的肌电信号和四通道的形变信号,对十一类动作的分类准确率达到了96%,验证了复合信号用于运动意图识别的可行性。接着,针对当前假肢控制中的环境识别和步态识别问题,开发了一套便携可穿戴的多模信号采集系统用于环境和步态识别。针对使用图像视频进行环境识别方法中运算量大的问题,本研究提出了利用单线激光雷达结合惯性传感器,借助下肢假肢行走时的摆动进行自动环境扫描,并研究了一种新的重建算法进行环境重建。行走环境识别验证结果表明,对五类地形转换的识别平均准确率在90%以上。针对步态识别中地面反作用力测量的问题,本研究首先利用矩阵式柔性压力传感器实现了步态周期检测,然后利用人工神经网络以足底压力为输入实现了地面反作用力的估计。该研究为智能假肢的步态识别与控制提供了实现方法。再其次,在前面研究的基础上,针对运动意图中使用无线传输在数据量大时造成数据延迟、传输不稳定以及运算量增大的问题,本研究提出了利用分布式采集和运算的方式,将主机在模式识别时的数据预处理和特征提取分散到各个采集子模块中进行处理,不但使得传输数据量降低了80%,保证了无线通信的稳定,而且减轻了对主机运算性能的要求,使得运动意图识别系统更加实用化。最后,根据智能下肢假肢控制的通用结构结合本研究完成的信号采集系统,完成了智能下肢假肢系统验证平台,并对部分性能进行了实验验证。
关键词：智能下肢假肢;运动意图识别;纳米金柔性可拉伸传感器;肌肉形变;步态检测
学科专业：模式识别与智能系统
摘要
abstract
第1章 绪论
1.1 下肢假肢研究的背景和意义
1.1.1 社会背景和意义
1.1.2 学术背景和意义
1.2 下肢假肢及其关键技术的国内外研究现状
1.2.1 下肢假肢关节及系统方面
1.2.2 下肢行走意图的识别方面
1.2.3 智能下肢假肢的仿生控制策略方面
1.3 本文的研究目的与研究内容
1.3.1 与本文研究相关项目
1.3.2 本文的研究目的和内容
1.4 本文的结构安排
1.5 本章小结
第2章 智能假肢中的人体运动意图识别
2.1 人体运动意图识别
2.2 运动意图识别的信息源及传感器
2.3 人体运动意图识别系统结构
2.4 基于多模混合信号融合的下肢运动意图识别系统
2.5 本章小结
第3章 基于肌肉形变信号的肢体动作识别方法
3.1 引言
3.2 纳米金柔性肌肉形变传感器
3.3 单体双单元肌肉形变传感器采集系统
3.3.1 单体双单元肌肉形变传感器
3.3.2 采集系统结构和工作原理
3.4 肌肉形变信号用于肢体动作识别——初步验证实验
3.5 肌肉形变信号用于肢体动作识别——肌肉形变信号的进一步研究
3.6 本章小结
第4章 基于肌电/肌肉形变复合信号的肢体动作识别
4.1 概述
4.2 基于柔性传感器的肌电和肌肉形变混合信号采集系统
4.2.1 肌电信号
4.2.2 sEMG信号传感器——纳米金柔性可拉伸电极
4.2.3 频分复用——实现同一传感器上采集两种信号
4.2.4 肌电/肌肉形变复合信号采集系统设计与实现
4.2.5 表面肌电信号采集电路
4.2.6 肌肉形变信号采集电路
4.2.7 右腿驱动电路
4.2.8 主控电路
4.3 肌电/肌肉形变复合信号采集系统性能验证
4.4 基于肌电/肌肉形变复合信号的肢体动作识别——健康受试者
4.5 基于肌电/肌肉形变复合信号的肢体动作识别——前臂截肢患者
4.6 本章小结
第5章 基于多模信号的步态周期检测与地形识别方法
5.1 概述
5.1.1 步态周期检测
5.1.2 地形识别
5.2 多模信号采集系统
5.2.1 数据整合模块
5.2.2 IMU模块
5.2.3 远距离激光雷达模块
5.2.4 近距离激光雷达模块
5.2.5 足底压力模块
5.2.6 系统总成
5.3 地形识别
5.3.1 基于激光雷达和IMU的地形重建与识别方法
5.4 步态识别
5.4.1 基于柔性矩阵足底压力传感器的步态周期识别方法
5.4.2 基于阵列式足底压力传感器的地面反作用力的估计方法
5.5 本章小结
第6章 基于分布式采集和计算的肢体动作识别方法
6.1 概述
6.2 分布式肌电与惯性信号采集系统
6.3 基于分布式运算的运动意图识别方法
6.3.1 基于分布式采集和运算的人体运动意图识别的几种结构
6.3.2 本研究的分布式信号采集与识别系统的方案
6.4 分布式信号采集与运算系统测试
6.4.1 功耗
6.4.2 带宽占用
6.4.3 对下肢动作的识别效果
6.4.4 本章小结
第7章 智能下肢假肢系统验证平台
7.1 智能假肢控制系统一般结构
7.2 基于多模信号的智能下肢假系统验证平台
7.2.1 假肢本体
7.2.2 智能仿生控制模块
7.3 平台实验验证
7.3.1 五种行走地形识别
7.3.2 膝关节控制性能验证
7.4 本章小结
第8章 总结与展望
8.1 本文主要工作
8.2 本文主要贡献
8.3 本研究中存在的不足
8.4 下一步研究方向
参考文献
致谢