技术领域
[0001] 本
发明涉及外骨骼
机器人技术领域，特别涉及一种用于负重外骨骼助力效率的检测方法。
背景技术
[0002] 负重外骨骼是基于仿生外骨骼的设计，通过
传感器感知及智能控制等技术，为穿戴者提供身体
支撑与运动辅助以及增强负载能力，辅助穿戴者完成独自无法完成的任务的可穿戴式机器人。
[0003] 但目前行业内针对外骨骼的助力效率的检测没有统一的方法，大多采用间接的综合测量方式，对人体穿戴及不穿戴外骨骼场景下完成特定任务时人体综合生理信息或外骨骼灵敏度等性能指标进行测量，如利用心
肺功能测试仪测试二
氧化
碳排放量及耗氧量、肌肉活性、实现人体疲劳程度及助力效率的评定。这些方法都涉及人的新陈代谢过程，仅测量误差就可达10％，同时受到不同受试者个体因素差异及其他环境因素的影响，最终测试结果存在一定误差。
发明内容
[0004] 为了克服上述
现有技术的不足，本发明的目的在于提供一种用于负重外骨骼助力效率的检测方法，通过在一定时间t内，计算人体在穿戴外骨骼负重下髋、膝、踝主要助力关节提供的力矩，再保证人体在不穿戴外骨骼时的相关主要助力关节提供的力矩相等的情况下，通过测量计算这两种情况下测试者所背负的重量来进行助力效率的评定。
[0005] 为了实现上述目的，本发明采用的技术方案是：
[0006] 一种用于负重外骨骼助力效率的检测方法，包括以下步骤；
[0007] 1)人不穿戴外骨骼并且不背负重物，在三维测力跑台上以速度v行走t1时间，采用三维运动采集系统和测力跑台获得运动学和动力学信息，以逆动力学解算的人体关节力矩作为基准，对基于表面肌电
信号的人体关节力矩正向测试模型进行验证；
[0008] 2)人穿戴外骨骼并负重G1，采用基于表面肌
电信号的方法，测试在三维测力跑台上以速度v行走t1时间段内髋、膝、踝关节的力矩与时间的关系M髋-t、M膝-t、M踝-t；
[0009] 3)人不穿戴外骨骼，进行0到40kg负重测试，测试间隔为5kg，从0kg开始，每次测试负重增加5kg，在三维测力跑台上以同样速度v行走相同时间段t1，测试该时间段内不同负重下人体的髋、膝、踝关节的力矩与时间的关系M髋1-t、M膝1-t、M踝1-t；
[0010] 4)根据实验测得的不同负重下，不穿戴外骨骼时人体负重与人体总关节驱动力矩间的数据，通过插值补点作出不穿戴外骨骼时负重与关节力矩的拟合曲线，再将穿外骨骼时负重为G1时计算得到的关节力矩M代入到拟合曲线，得到在关节力矩为M时不穿戴外骨骼的人体负重G2，那么助力外骨骼平均助力效率η即为外骨骼机器人有效负重与总负重的比值，即：
[0011]
[0012] 式中，η为效率，G1为穿戴外骨骼机器人时背负的重量，G2为在人体主要助力关节力矩相等的情况下，不穿戴外骨骼时人体负重的大小。
[0013] 所述的步骤1中逆动力学解算为建立人体下肢三
连杆模型，对每个连杆建立
牛顿欧拉方程，得到人体动力学模型，再通过vicon系统与贴在人体下肢的标记点，通过vicon系统配套
软件解得速度以及
加速度等信息，结合国标给定的人体参数计算公式，得到
质量转动惯量，求解得到人体各关节力与关节力矩；
[0014] 所述国标人体参数计算公式如下：
[0015] Y＝B0+B1X1+B2X2
[0016] Ii＝B0+B1X1+B2X2(i＝x,y,z)
[0017] 式中：Y表示质量或质心，B0为回归方程常数项，B1为体重的回归系数，B2为身高的回归系数，X1为体重，X2为身高，Ix为绕冠状轴的转动惯量，Iy为绕矢状轴的转动惯量，Iz为绕垂直轴的转动惯量。
[0018] 所述的步骤3中对人体无外骨骼时的负重行走进行测量，通过压力跑台、三维运动捕捉系统以及无线表面肌电采集系统测得动力学信息，动力学信息为一维足底压力、人体运动学信息以及肌肉肌电信息，由一维足底压力与人体运动学信息，以逆动力学解算得到人体关节力矩，再通过神经网络模型训练，实现表面肌电对关节力矩的预测，得到人体无外骨骼负重下的下肢关节力矩。
[0019] 所述的步骤2由足底压力
鞋垫、三维运动捕捉系统以及无线表面肌电采集系统测得穿戴外骨骼负重下的一维足底压力、人体运动学信息以及肌肉肌电信息，同样以逆动力学解算得到人体关节力矩，再通过神经网络模型训练，实现表面肌电对关节力矩的预测，得到人体穿戴外骨骼负重下的下肢关节力矩。
[0020] 所述三维运动捕捉系统为vicon三维运动捕捉系统，三维测力板为AMTI三维测力板，压力跑台为Zebris压力跑台，无线表面肌电采集系统Noraxon无线表面肌电采集系统，足底压力
鞋垫为pedar分布式足底压力鞋垫。
[0021] 所述的鞋垫式足底压力测量系统可以将足底分为3个压力区，前脚掌区、中脚掌区和后脚掌区，每个分区具有多个传感器，三个区的压力即为所求的足底压力，计算公式如下：
[0022]
[0023] 式中：,xcop，ycop——压力中心坐标；F1——前脚掌压力值；F2——中脚掌压力值；F3——后脚掌压力值；x1，y1为前脚掌区的坐标；x2，y2为中脚掌区的坐标；x3，y3为后脚掌区的坐标。
[0024] 所述的具体步骤为：
[0025] 受试者首先要进行自然行走步态
数据采集，在不穿戴外骨骼以及不负重的情况下使用三维测力板和三维运动捕捉系统进行人体无负重关节力矩测试，通过采集人体自然行走时足底一维压力信息、压力中心信息和标志点三维运动信息，计算出较为准确的人体关节力矩，并进行初步的分析，从而为后续力矩实验提供基准关节力矩，整个测试过程应保证测试者在三维测力跑台上以速度v行走t1时间，可以使用
节拍器进行行走速度的控制，在多次行走训练后再采集数据，并且进行多次实验；
[0026] 所述自然行走时足底压力信息的采集使用AMTI三维测力板，测试者不背负重物自然行走在测力板上，通过其配套的软件可以测得人在行走时垂直方向上的作用力，以及测试者的足底压力中心
位置；
[0027] 所述标志点三维运动信息使用vicon三维运动捕捉系统，在人体下肢相关学位贴上配置的标记点，通过vicon系统中的红外摄像头记录人体运动轨迹，再由配套软件系统计算得到运动学信息，运动学信息为人体运动的速度、加速度、
角速度信息；
[0028] 所述踝、膝、髋关节力矩计算公式分别如下：
[0029]
[0030]
[0031]
[0032] 式中：M3为足部驱动踝关节力矩；M2为小腿驱动力矩；M1为大腿驱动力矩；J3为足部转动惯量；J2为小腿转动惯量；J1为大腿转动惯量；θ1为大腿质心与髂前上棘标志点连线与
水平面的夹角；θ2为小腿质心与
膝关节标志点连线与水平面的夹角；θ3为足部质心与踝关节标志点连线与水平面的夹角；l1为大腿长度；l2为小腿长度；l3为踝关
节距地面高度；Fx为地面对足部的平行分力；Fy为地面对足部垂直分力；cix，ciy分别代表足部，小腿，大腿的质心位置(i＝3,2,1)。
[0033] 步骤2：穿戴外骨骼时基于神经网络建立表面肌电-关节力矩映射模型的人体关节力矩测试系统，采用鞋垫式足底压力测试系统、三维运动捕捉系统和表面肌电测试系统，采集包括人体穿戴外骨骼负重情况下的足底一维压力信息、压力中心信息、标志点三维运动信息以及下肢表面肌电信息，通过逆运动学计算人体关节力矩，并与基准力矩进行对比验证，确保计算的数据准确，通过神经网络训练，建立表面肌电对关节力矩的
预测模型，得到人体穿戴外骨骼负重行走下的关节力矩，在受试者穿戴外骨骼并负重G1行走的情况下，采集其以速度v行走t1时间段内的数据，计算得到髋、膝、踝关节的力矩与时间的关系M髋-t、M膝-t、M踝-t；进行多次测量，每次测试完成后休息10～15分钟；
[0034] 所述鞋垫式足底压力信息采集使用pedar分布式足底压力鞋垫，测试者穿戴压力鞋垫后，穿戴外骨骼进行负重行走，通过鞋垫上的传感器采集数据，再传输到配套软件上处理，得到负重行走时足底压力与压力中心位置；
[0035] 所述表面肌电信息采集使用Noraxon无线肌电表面采集系统，将无线表面肌电传感器贴在主要肌肉位置，记录人体运动时肌肉活动程度，再对采集的肌电数据进行滤波、特征提取、降
采样以及幅值归一化等处理，可以提取肌电均方根值(RMS)与平均整流肌电值(AEMG)等信息；
[0036] 所述关节力矩神经网络预测，将无线表面肌电系统处理得到的特征数据、vicon系统采集得到的
关节角度以及逆运动学求解得到的关节力矩分别进行幅值归一化处理，然后代入建立好的神经网络模型中，进行训练测试，从而得到基于神经网络的人体关节力矩预测值；
[0037] 步骤3：在受试者不穿戴外骨骼进行负重行走时，采用压力跑台、三维运动捕捉系统和表面肌电测试系统，采集包括人体负重行走下的足底一维压力信息、压力中心信息、标志点三维运动信息以及下肢表面肌电信息，通过逆动力学计算人体关节力矩，并与基准力矩进行对比验正，确保数据准确，将关节力矩、表面肌电以及关节角度代入神经网络进行训练，以实现表面肌电对关节力矩的预测模型，得到人体无外骨骼负重行走下的关节力矩，测试者在不穿戴外骨骼时，进行0到40kg负重测试，负重增加间隔为5kg，让测试者在三维测力跑台上以同样速度v行走相同时间段t1，采集各时间段内不同负重下的数据，从而得到不同负重下人体髋、膝、踝关节的力矩与时间的关系M髋1-t、M膝1-t、M踝1-t；每种负重情况下进行多次测量，每次测试完成后休息10～15分钟；
[0038] 根据计算得到的髋、膝、踝的力矩与时间的关系M髋1-t、M膝1-t、M踝1-t，由以下公式可以计算得到各总驱动力矩：
[0039] 髋关节总驱动力矩：
[0040] 膝关节总驱动力矩：
[0041] 踝关节总驱动力矩：
[0042] 步骤4：根据步骤3测得的不同负重下，不穿戴外骨骼时人体负重与人体总关节驱动力矩间的数据，通过插值补点作出不穿戴外骨骼时负重与总关节力矩的拟合曲线，再将穿外骨骼时负重为G1时的关节力矩与时间的关系代入步骤3计算得到的关节总力矩M代入到拟合曲线，得到在关节力矩为M时，测试者不穿戴外骨骼的负重G2，那么助力外骨骼平均助力效率η即为外骨骼机器人有效负重与总负重的比值，即：
[0043]
[0044] 式中，η为效率，G1为穿戴外骨骼机器人时背负的重量，G2为在人体主要助力关节力矩相等的情况下，不穿戴外骨骼时人体负重的大小。
[0045] 本发明的有益效果：
[0046] 通过逆动力学的人体膝关节力矩解算方法，解决了采用三维运动捕捉系统及三维测力板等系统无法采集穿戴外骨骼时的人体运动学和动力学信息的问题，通过足底压力鞋垫测量人体足底压力，代入牛顿欧拉方程实现逆动力学解算助力外骨骼系统中的人体下肢关节力矩，从而为外骨骼下肢关节力矩测试提出了一种新的方法。
[0047] 通过无外骨骼时的关节驱动力矩与负重的拟合曲线，将无外骨骼和穿戴外骨骼时相同力矩下的负重差值视作有效负重，进行助力效率的评估，减小了采用心肺功能测试仪测试耗氧量等测量方法中由于人体新陈代谢差异带来的误差，使得测量结果更加精确。
附图说明
[0049] 图2是足底压力脚掌分区。
[0050] 图3是下肢关节力矩信息采集系统。
[0051] 图4是人体自然行走下肢关节力矩计算流程。
[0052] 图5是穿戴外骨骼负重时下肢关节力矩计算流程。
[0053] 图6是无外骨骼负重时下肢关节力矩计算流程。
[0054] 图7是助力效率测试系统流程图。
[0055] 图8是关节逆动力学计算流程。
[0056] 图9是下肢三连杆动力学模型图。
[0057] 图10是关节力矩神经网络预测流程图。
[0058] 图11是负重外骨骼三维模型示意图。
具体实施方式
[0059] 下面结合附图对本发明作进一步详细说明。
[0060] 本发明采用标准实验室环境限定因素的对比实验，针对人体行走这一运动模式，控制
温度等实验影响变量，构建标准实验环境，通过实验测量和计算在一定时间段内，行走速度一定的情况下，测试者穿戴和不穿戴外骨骼时人体关节力矩数值相等时，测试者背负的重量来进行助力效率的检测。负重外骨骼三维模型示意图如图11所示。
[0061] 如图1所示，
[0062] 首先通过三维运动捕捉系统和三维测力板测量人体自然行走时的运动学和动力学信息，以逆动力学解算人体关节力矩从而可以为负重下基于表面肌电信号的人体关节力矩正向测试模型进行标定。
[0063] 所述逆动力学解算过程，如图8所示，建立人体下肢三连杆模型，对每个连杆建立牛顿欧拉方程，得到人体动力学模型，见图9。再通过vicon系统与贴在人体下肢的标记点，通过vicon系统配套软件解得速度以及加速度等信息，结合国标给定的人体参数计算公式，得到质量转动惯量，求解得到人体各关节力与关节力矩。
[0064] 所述国标人体参数计算公式如下：
[0065] Y＝B0+B1X1+B2X2
[0066] Ii＝B0+B1X1+B2X2(i＝x,y,z)
[0067] 再对人体无外骨骼时的负重行走进行测量，通过压力跑台、三维运动捕捉系统以及无线表面肌电采集系统测得一维足底压力、人体运动学信息以及肌肉肌电信息，由一维足底压力与人体运动学信息，以逆动力学解算得到人体关节力矩，再通过神经网络模型训练，实现表面肌电对关节力矩的预测，得到人体无外骨骼负重下的下肢关节力矩。
[0068] 再由足底压力鞋垫、三维运动捕捉系统以及无线表面肌电采集系统测得穿戴外骨骼负重下的一维足底压力、人体运动学信息以及肌肉肌电信息，同样以逆动力学解算得到人体关节力矩，再通过神经网络模型训练，实现表面肌电对关节力矩的预测，得到人体穿戴外骨骼负重下的下肢关节力矩。
[0069] 所述三维运动捕捉系统为vicon三维运动捕捉系统，三维测力板为AMTI三维测力板，压力跑台为Zebris压力跑台，无线表面肌电采集系统Noraxon无线表面肌电采集系统，足底压力鞋垫为pedar分布式足底压力鞋垫。
[0070] 传统逆动力学解算关节力矩方法多采用三维测力板及三维运动捕捉系统，结合人体运动学信息，实现对人体关节力矩的精确解算。但该方法无法采集人体穿戴外骨骼之后的足底压力信息，且计算通常较为耗时，不能应用于关节力矩实时解算中。
[0071] 采用逆动力学的人体膝关节力矩解算方法，可以解决三维测力板无法采集穿戴外骨骼时的人体动力学信息的问题，通过足底压力鞋垫测量人体足底压力，由三维运动捕捉系统的标志点设置获得下肢所需运动学信息，通过牛顿欧拉方程实现逆动力学解算助力外骨骼系统中的人体下肢关节力矩，这些获取关键数据的设备组成的系统即为关节力矩信息采集系统。
[0072] 通过足底压力进行人体膝关节力矩逆动力学解算，还需要得到足底压力合力位置，即压力中心，如图2所示，鞋垫式足底压力测量系统可以将足底分为3个压力区，前脚掌区、中脚掌区和后脚掌区，每个分区具有多个传感器，三个区的压力即为所求的足底压力，计算公式如下：
[0073]
[0074] 如图3所示，关节力矩信息采集系统主要分为人体
生物学信息采集系统，人体三维运动学信息采集系统及人体动力学信息采集系统三个子系统。
[0075] 人体生物学信息采集系统，基于表面肌电信号采集系统，利用表面肌电生理感知技术，解码人体在实际运动情境中的人体生理电信号的变化过程，实时获取并记录人体肌肉激活程度，从而直接定量表征人体实际运动状态和生理特征。由于肌电特性具有个体差异，同一个体也有时变差异，因此在实际中使用时，需要对基于肌电的关节力矩估算模型进行测试前的校准。同时采用基于肌肉电信号的关节力矩估算模型对下肢关节力矩进行解算，并将这两种方法的结果进行比较，对基于肌肉电信号的关节力矩估算模型进行修正标定。
[0076] 人体三维运动学信息采集系统，基于三维运动捕捉系统的肢体主动运动
位姿及状态的感知技术，实现记录人体在不同时刻下的空间运动位置，从而实现对于人体运动角度，角速度，
角加速度等运动学信息的精确解算。
[0077] 人体动力学信息采集系统，主要基于鞋垫式足底压力采集传感器或压力跑台上的
压力传感器获取人体运动状态下足底压力值变化信息及足底压力中心位置，通过变化的人体足底压力信息，结合人体三维运动信息，基于逆向动力学从而推算出人体关节力矩。三维测力板能够获取更为准确的三维方向上的人体足底压力信息。人体运动速度主要由
跑步机或压力跑台进行限定，避免由于人体的实际运动速度的不同，对穿戴与不穿戴外骨骼这两种不同状态下力矩值测量的准确性产生影响。
[0078] 具体实施步骤如下：
[0079] 1)如图4所示，受试者首先要进行自然行走步态数据采集，在不穿戴外骨骼以及不负重的情况下使用三维测力板和三维运动捕捉系统进行人体无负重关节力矩测试，通过采集人体自然行走时足底一维压力信息、压力中心信息和标志点三维运动信息，计算出较为准确的人体关节力矩，并进行初步的分析，从而为后续力矩实验提供基准关节力矩。整个测试过程应保证测试者在三维测力跑台上以速度v行走t1时间，可以使用节拍器进行行走速度的控制，为保证结果的准确性，应在多次行走训练后再采集数据，并且进行多次实验。
[0080] 所述自然行走时足底压力信息的采集使用AMTI三维测力板，测试者不背负重物自然行走在测力板上，通过其配套的软件可以测得人在行走时垂直方向上的作用力，以及测试者的足底压力中心位置。
[0081] 所述标志点三维运动信息使用vicon三维运动捕捉系统，在人体下肢相关学位贴上配置的标记点，通过vicon系统中的红外摄像头记录人体运动轨迹，再由配套软件系统计算得到人体运动的速度、加速度、角速度等信息。
[0082] 所述踝、膝、髋关节力矩计算公式分别如下：
[0083]
[0084]
[0085]
[0086] 2)如图5所示，穿戴外骨骼时基于神经网络建立表面肌电-关节力矩映射模型的人体关节力矩测试系统，采用鞋垫式足底压力测试系统、三维运动捕捉系统和表面肌电测试系统，采集包括人体穿戴外骨骼负重情况下的足底一维压力信息、压力中心信息、标志点三维运动信息以及下肢表面肌电信息，通过逆运动学计算人体关节力矩，并与基准力矩进行对比验证，确保计算的数据准确，通过神经网络训练，建立表面肌电对关节力矩的预测模型，得到人体穿戴外骨骼负重行走下的关节力矩。在受试者穿戴外骨骼并负重G1行走的情况下，采集其以速度v行走t1时间段内的数据，计算得到髋、膝、踝关节的力矩与时间的关系M髋-t、M膝-t、M踝-t；进行多次测量，每次测试完成后休息10～15分钟，通过受试者自评及便携式心率仪控制，保证受试者得到足够的休息，从而保证测得的数据更加可靠。
[0087] 所述鞋垫式足底压力信息采集使用pedar分布式足底压力鞋垫，测试者穿戴压力鞋垫后，穿戴外骨骼进行负重行走，通过鞋垫上的传感器采集数据，再传输到配套软件上处理，得到负重行走时足底压力与压力中心位置。
[0088] 所述表面肌电信息采集使用Noraxon无线肌电表面采集系统，将无线表面肌电传感器贴在主要肌肉位置，记录人体运动时肌肉活动程度，再对采集的肌电数据进行滤波、特征提取、降采样以及幅值归一化等处理，可以提取肌电均方根值(RMS)与平均整流肌电值(AEMG)等信息。
[0089] 所述关节力矩神经网络预测如图10所示，将无线表面肌电系统处理得到的特征数据、vicon系统采集得到的关节角度以及逆运动学求解得到的关节力矩分别进行幅值归一化处理，然后代入建立好的神经网络模型中，进行训练测试，从而得到基于神经网络的人体关节力矩预测值。
[0090] 3)如图6所示，在受试者不穿戴外骨骼进行负重行走时，采用压力跑台、三维运动捕捉系统和表面肌电测试系统，采集包括人体负重行走下的足底一维压力信息、压力中心信息、标志点三维运动信息以及下肢表面肌电信息，通过逆动力学计算人体关节力矩，并与基准力矩进行对比验正，确保数据准确，将关节力矩、表面肌电以及关节角度代入神经网络进行训练，以实现表面肌电对关节力矩的预测模型，得到人体无外骨骼负重行走下的关节力矩。测试者在不穿戴外骨骼时，进行0到40kg负重测试，负重增加间隔为5kg，让测试者在三维测力跑台上以同样速度v行走相同时间段t1，采集各时间段内不同负重下的数据，从而得到不同负重下人体髋、膝、踝关节的力矩与时间的关系M髋1-t、M膝1-t、M踝1-t；每种负重情况下进行多次测量，每次测试完成后休息10～15分钟，通过受试者自评及便携式心率仪控制，保证受试者得到足够的休息，从而保证测得的数据更加可靠。
[0091] 根据计算得到的髋、膝、踝的力矩与时间的关系M髋1-t、M膝1-t、M踝1-t，由以下公式可以计算得到各总驱动力矩：
[0092] 髋关节总驱动力矩：
[0093] 膝关节总驱动力矩：
[0094] 踝关节总驱动力矩：
[0095] 4)根据步骤(3)测得的不同负重下，不穿戴外骨骼时人体负重与人体总关节驱动力矩间的数据，通过插值补点作出不穿戴外骨骼时负重与总关节力矩的拟合曲线，再将穿外骨骼时负重为G1时的关节力矩与时间的关系代入步骤(3)计算得到的关节总力矩M代入到拟合曲线，得到在关节力矩为M时，测试者不穿戴外骨骼的负重G2，那么助力外骨骼平均助力效率η即为外骨骼机器人有效负重与总负重的比值，即：
[0096]
[0097] 式中，η为效率，G1为穿戴外骨骼机器人时背负的重量，G2为在人体主要助力关节力矩相等的情况下，不穿戴外骨骼时人体负重的大小。
