基于RBF-DMP振荡器的下肢康复型外骨骼步态规划方法与流程

本发明属于康复医疗机器人运动规划领域，特别是一种基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法。

背景技术：

下肢康复型外骨骼带动患者下肢运动、辅助患者行走，在理疗康复方面具有广泛的应用前景，作为下肢康复型外骨骼的关键技术之一，步态规划技术起到不可或缺的作用。然而在下肢外骨骼同患者的配合行走过程中，极其容易出现步态不适、无法利用患者行走的历史步态等难题，从而导致下肢外骨骼实时性不高、步态适宜性不强。如何利用患者的行走特性，实时调整下肢外骨骼规划的步态运动，一直是许多研究下肢外骨骼团队的难题。因此，本次发明一种基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法。

文献(trieuphatl,lowkh,xingdaq,etal.anindividual-specificgaitpatternpredictionmodelbasedongeneralizedregressionneuralnetworks[j].gait&posture,2014,39(1):443-448.)中南洋理工大学的学者，采用现有的步态数据库用于驱动下肢外骨骼带动患者完成康复运动。该规划方法下的步态运动采用固定数据模式，无法利用患者的行动特征，且该规划方法下生成的步态灵活性不强，无法满足实时规划运动，存在很大的局限性，急需一种可以自适应学习患者步态特点的实时步态规划方法。

技术实现要素：

本发明的目的在于提供一种基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法，对患者健康行走历史中的步态轨迹进行学习，并实时规划出髋关节、膝关节的运动轨迹，从而满足实时性和步态适宜性的要求。

实现本发明目的的技术解决方案为：一种基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法，包括以下步骤：

步骤1、采集患者健康行走历史中的髋关节、膝关节运动轨迹；

步骤2、建立髋关节、膝关节rbf-dmp振荡器步态生成模型，模拟患者运动轨迹；

步骤3、基于最小二乘法，完成对rbf径向基神经网络参数的自学习；

步骤4、通过训练好的rbf-dmp振荡器实时规划髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。

本发明与现有技术相比，其显著优点为：(1)本发明实时利用患者的行走特性，自适应调整下肢康复型外骨骼的运动步态，相比固定数据模式的步态运动，具有较好的步态适宜性；(2)本发明使用rbf-dmp振荡器去学习模拟患者的步态，具有较好的学习精度，相比于曲线拟合的方法，具有极高的学习精确度；(3)本发明针对rbf-dmp振荡器的参数自学习，采用最小二乘法对其进行辨识，简单可靠。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明规划方法的总体流程图。

图2为采集患者行走历史中的左腿髋关节、膝关节轨迹曲线图。

图3为rbf神经网络结构图。

图4为rbf-dmp振荡器对单个周期左腿髋关节运动轨迹的学习结果图。

图5为rbf-dmp振荡器对单个周期左腿膝关节运动轨迹的学习结果图。

图6为完整步行运动中患者左腿的参考髋关节、膝关节运动轨迹图。

图7为完整步行运动中rbf-dmp振荡器规划出的左腿髋关节、膝关节运动轨迹图。

图8为完整步行运动中rbf-dmp振荡器规划出的右腿髋关节、膝关节运动轨迹图。

具体实施方式

结合图1，本次发明的一种基于rbf-dmp振荡器的下肢康复型外骨骼步态规划方法，包括以下步骤：

步骤1、采集患者以往健康行走历史中的髋关节、膝关节运动轨迹，将髋关节、膝关节轨迹曲线设为θd。其中完整步行运动的左腿髋关节、膝关节步态曲线如图2所示，其步行运动呈现周期性规律。

步骤2、针对髋关节、膝关节，建立髋关节、膝关节rbf-dmp振荡器步态生成模型。对于周期性规律的步行运动，本发明的步态规划方法是采用rbf-dmp振荡器方法对患者健康行走历史中的髋关节、膝关节运动数据θd进行周期性的学习，即依次对不同周期下的运动轨迹进行学习，从而模拟出患者运动轨迹。

步骤2.1、分别采用两个rbf-dmp模型去表示髋关节、膝关节的运动轨迹，步态周期为3s，其中定义dmp振荡器系统方程为

其中x、y分别为dmp振荡器系统空间的状态量；μ、k为系统方程的参数，均为正实数，τ为dmp振荡器的频率，e0为dmp振荡器的初始能量值，e为dmp振荡器的能量函数如下：

步骤2.2、建立髋关节、膝关节的周期性关节运动模型

其中β为关节运动模型参数(正实数)，τ为dmp振荡器的频率，θ为髋关节、膝关节的运动轨迹，θm为轨迹曲线θ的起始值，f为非线性函数，负责对复杂关节运动的建模。

步骤2.3、构建rbf径向基神经网络结构，由该rbf神经网络对非线性函数f建模，包括以下步骤：

a)确定rbf神经网络结构，如图3所示。输入层1个节点，隐含层10个节点，输出层1个节点。

b)确定rbf神经网络的输入层节点输出。根据dmp振荡器系统方程，计算dmp振荡器的相位时刻t输出φ(t)：

φ(t)＝atan2(x,y)(4)

c)对于rbf神经网络中的隐含层节点，采用径向基函数表达式

其中ci为隐含层第i个神经元的中心矢量，σi决定着该基函数围绕中心点的宽度，φ(t)为rbf神经网络的输入层输出。

d)结合隐含层的输出，得到rbf神经网络的输出

其中ji表示为隐含层第i个神经元节点的输出，wi表示为隐含层第i个神经元节点与输出层神经元节点的连接权重，n表示隐含层的节点数目。

步骤3、基于最小二乘法，完成对rbf径向基神经网络参数的自学习。该方法是一种稳定可靠的参数估计方式，通过自学习得到最佳参数，具有较好的辨识能力、数据抗干扰能力，所以十分适合用于rbf神经网络的参数估计：

步骤3.1、为了实现rbf神经网络权重参数的自学习，首先要先确定rbf神经网络隐含层输出与输出层的期望输出数据。

结合式(4)，rbf神经网络隐含层的计算输出ji(φ)为：

需要去学习步态曲线θd，计算rbf神经网络输出层的期望输出为：

其中fg为非线性函数的目标值，θd为需要学习的步态曲线，τ为dmp振荡器的频率，β为关节运动模型参数(正实数)。

步骤3.2、基于最小二乘法，对rbf神经网络权重参数自学习。为了方便应用最小二乘法，将rbf神经网络组成结构，进一步描述为矩阵形式：

fg＝jw+e(9)

其中fg＝[fg(1),fg(2),...fg(m)]^t为样本中的期望输出向量，w＝[w1,w2,...wn]^t为权重向量，e1为误差项向量，m为样本总数目，输入矩阵j可表示为，

设置代价函数如下：

其中λ为惩罚项系数，经过最小二乘法推导后，隐含层权重估计值表示为：

步骤4、利用训练好的rbf-dmp振荡器，实时规划出髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。根据学习得到rbf神经网络的权重估计值用于规划下肢康复型外骨骼髋关节、膝关节的步态轨迹。

步骤4.1、计算rbf神经网络的输出。根据图3所示的rbf神经网络结构，由式(4)求得dmp振荡器相位时刻t的输出φ(t)，并由式(7)，计算rbf隐含层的输出ji(φ)。计算rbf神经网络的输出为

其中为隐含层第i个神经元节点与输出层神经元节点的连接权重估计值。

步骤4.2、通过髋关节、膝关节的周期性关节运动模型如下

实现对下肢康复型外骨骼髋关节、膝关节轨迹的实时规划。

下面结合附图及具体实施例对本发明做进一步的介绍。

实施例

人体下肢分左腿、右腿，实施例以患者左腿进行阐述，具体步骤如下：

步骤1、采集患者健康行走历史中左腿的髋关节、膝关节的运动轨迹，如图2所示，将髋关节、膝关节轨迹曲线设为θd，其中左腿步行运动呈现周期性规律。

步骤2、建立左腿髋关节、膝关节rbf-dmp振荡器步态生成模型，本发明的步态规划方法是采用rbf-dmp振荡器方法对患者左腿的髋关节、膝关节运动数据进行周期性学习，从而模拟出患者运动轨迹。

步骤2-1、分别采用两个rbf-dmp模型去表示左腿髋关节、膝关节运动轨迹，步态周期为3s，其中定义dmp振荡器系统方程为

其中x、y分别为dmp振荡器系统空间的状态量；μ、k为系统方程的参数(均为正实数)，τ为dmp振荡器的频率，e0为dmp振荡器的初始能量值，e为dmp振荡器的能量函数如下：

步骤2-2、建立左腿髋关节、膝关节的周期性关节运动模型

其中β为关节运动模型参数(正实数)，τ为dmp振荡器的频率，θ为髋关节、膝关节的运动轨迹，θm为轨迹曲线θ的起始值，f为非线性函数，负责对复杂关节运动的建模。

步骤2-3、构建rbf径向基神经网络结构，由该rbf神经网络对非线性函数f建模，包括以下步骤：

a)确定rbf神经网络结构，如图3所示。输入层1个节点，隐含层10个节点，输出层1个节点。

b)确定rbf神经网络的输入层节点。根据dmp振荡器系统方程，计算dmp振荡器的相位时刻t输出φ(t)：

φ(t)＝atan2(x,y)(17)

c)针对rbf神经网络中的隐含层节点输出，采用径向基函数表达式

其中ci为隐含层第i个神经元的中心矢量，σi决定着该基函数围绕中心点的宽度，φ(t)为rbf神经网络的输入层输出。其中参数分别设置为c1＝0.0450，c2＝0.1375，c3＝0.2317，c4＝0.3283，c5＝0.4267，c6＝0.5267，c7＝0.6283，c8＝0.7317，c9＝0.8375，c10＝0.9458，其中σ1＝0.1850，σ2＝0.1850，σ3＝0.1883，σ4＝0.1933，σ5＝0.1967，σ6＝0.20，σ7＝0.2033，σ8＝0.2067，σ9＝0.2117，σ10＝0.2167。

d)结合隐含层的输出，得到rbf神经网络输出层

其中ji表示为隐含层第i个神经元节点的输出，wi表示为隐含层第i个神经元节点与输出层神经元节点的连接权重，n表示隐含层的节点数目。

表1.rbf-dmp振荡器步态生成模型参数表

步骤3、基于最小二乘法，完成对rbf径向基神经网络参数的自学习。该方法是一种稳定可靠的参数估计方式，通过自学习得到最佳参数，具有较好的辨识能力、数据抗干扰能力，所以十分适合用于rbf神经网络的参数估计：

步骤3-1、为了实现rbf神经网络权重参数的自学习，首先要先确定rbf神经网络隐含层输出与输出层的期望输出数据。

结合式(17)，rbf神经网络隐含层的计算输出为：

需要去学习步态曲线θd，计算rbf神经网络输出层的期望输出为：

其中fg为非线性函数的目标值，θd为需要学习的步态曲线，τ为dmp振荡器的频率，β为关节运动模型参数(正实数)。

最后得到所有时刻、总数目为m的输入输出样本，用于最小二乘算法的参数学习。其中m＝300。

步骤3-2、基于最小二乘法，对rbf神经网络权重参数自学习。为了方便应用最小二乘算法，将rbf神经网络组成结构，进一步描述为矩阵形式：

fg＝jw+e1(22)

其中fg＝[fg(1),fg(2),...fg(m)]^t为样本中的期望输出向量，w＝[w1,w2,...wn]^t为权重向量，e1为误差项向量，m为样本总数目，输入矩阵j可表示为，

设置代价函数如下：

其中λ为惩罚项系数，经过最小二乘算法推导后，隐含层权重估计值表示为：

表2.最小二乘算法中的参数表

步骤4、利用训练好的rbf-dmp振荡器，实时规划出髋关节、膝关节的步态轨迹。根据学习得到rbf神经网络的权重估计值，式(17)中计算的相位输出，生成下肢康复型外骨骼左右腿的髋关节、膝关节运动。

步骤4-1、计算rbf神经网络的输出。根据rbf神经网络结构，如图4，由式(17)求得dmp振荡器相位时刻t的输出φ(t)，并由式(20)，计算rbf隐含层的输出ji(φ)。

计算rbf神经网络的输出为

其中为隐含层第i个神经元节点与输出层神经元节点的连接权重估计值。

步骤4-2、根据rbf神经网络的输出完成对非线性部分f的学习表示，通过左腿髋关节、膝关节的周期性关节运动模型如下

实现对下肢康复型外骨骼左、右腿髋关节、膝关节的实时规划。

图4是针对单个周期内的左腿髋关节运动轨迹，采用rbf-dmp振荡器的学习结果，从图中可以发现，rbf-dmp振荡器步态学习方法取得很低的学习误差。图5是针对单个周期内的左腿膝关节运动轨迹，采用rbf-dmp振荡器的学习结果，从图中仍然可以发现，rbf-dmp振荡器步态学习方法取得很好的学习精度。图6是一段完整步行运动下，患者左腿的参考髋关节、膝关节运动轨迹，其中步态周期为3s，其通过采集患者左腿健康行走历史中的髋关节、膝关节运动轨迹获得，用于rbf-dmp振荡器实现周期性的学习。图7是一段完整步行运动下，采用rbf-dmp振荡器实时规划下肢外骨骼的步态，它通过对患者左腿以往行走历史中的髋关节、膝关节运动轨迹(如图6所示)进行周期性的学习，即依次对不同周期下的运动轨迹进行学习，从而实时规划出下肢外骨骼左腿的髋关节、膝关节运动轨迹。图8是一段完整步行运动下，采用rbf-dmp振荡器实时规划出的下肢外骨骼右腿髋关节、膝关节运动轨迹。可以看出，该方法具有很好的学习与模拟效果。

由上可知，本实施例对下肢外骨骼的髋关节、膝关节实时规划步态，首先采集患者左腿健康行走历史中的髋关节、膝关节运动轨迹；其次建立髋关节、膝关节rbf-dmp振荡器步态学习模型，模拟患者运动轨迹；接着基于最小二乘法，完成对rbf径向基神经网络参数的自学习；最后训练好的rbf-dmp振荡器，实时规划髋关节、膝关节的运动轨迹，用于下肢康复型外骨骼的步态生成。整个在线步态规划算法，能够利用患者的行走特性，采用rbf-dmp振荡器去学习患者的步态轨迹，既提高了学习精度，又实时调整下肢外骨骼运动，达到步态适宜性，十分适合用于下肢康复外骨骼的步态规划。