基于 CPG 神经 络的下肢康复外骨骼机器人

PART 01

摘要：

鉴于目前下肢外骨骼机器人在医疗康复控制策略中遇到的建模困难、外部干扰大、适应性弱等问题。将基于CPG的仿生控制方法应用于下肢康复的外骨骼控制。通过采用动态赫比安学习算法来改进霍普夫振荡器。并构建CPG振荡器 络，实现步态信 研究，最终提高下肢外骨骼机器人运动性能，增强其适应性。通过病人的穿衣测试。经验证，CPG仿生控制外骨骼可与人体运动周期中产生的肢体控制信 相匹配，能有效控制下肢外骨骼，进行康复练习。

介绍：

CPG 络建模和参数分析：

CPG通常被认为是一个由神经元组成的局部神经 络。稳定的运动控制信 是由神经元之间的相互抑制或刺激产生的。因此，振荡器理论通常用于模拟 CPG，并在此基础上对 CPG 进行建模。构成中央模式生成器的神经元具有很强的非线性，因此 CPG 络通常由非线性自兴奋振荡器构建。
A. CPG 振荡器模型

在公式中，x和z是状态变量，描述振荡器的谐波输出或稳定固定点：r 是系统的扰动，当> 0 时，模型系统成为振荡器：√μ是极限周期的半径和振荡器的振幅：α用于控制振荡器收敛到极限周期的速度：ω表示极限周期的振荡频率。
霍普夫振荡器的参数被选为表1。霍普夫振荡器形成的相图显示在图 1 中。

从图2中可以看出。通过培训，改进的Hopf神经振荡器输出信 和外部周期性训练信 在频率上同步，实现了我们的目标：

从图3可以清楚地看到，Hopf振荡器的旋转角度频率从最初的设定值40逐渐收敛到30，这更直观地反映了振荡器的频率收敛过程。

在Hopf振荡器的数学模型中，振荡器的频率、振幅和相位是固定的常数，但在下肢康复外骨骼使用过程中，每个患者下肢的步态信息是不同的。此外，同一患者在异步状态下的步态信息也会有所不同。因此，有必要改进上述的Hopf振荡器，以便对异步信 进行自适应学习，并调整振荡器本身的参数。
B. 基于动态赫比安学习算法的改进振荡器模型
通过将动态赫比安学习算法引入振荡器的学习和训练，实现振荡器对外部周期信 参数的学习，在引入学习算法后，将振荡器的频率和振幅引入Hopf振荡器数学模型。相位从固定常数变为状态变量，从而能够学习和适应人类步态信 。改进后的霍普夫振荡器数学模型如下：

通过模拟实验，发现使用自适应的Hopf神经振荡器不能达到学习人类步态信 的程度。经过几次模拟和比较，由5个自适应的Hopf神经振荡器构建的CPG神经 络可以实现人类步态信 的学习。CPG神经 络的数学模型在图4中描述。

PART 02

分析和模拟结果：

膝关节的步态信 作为训练的外部周期信 ，通过模拟获得CPG神经 络的输出信 。

通过不同运动模式步态曲线的模拟实验，可以验证CPG神经 络数学模型可以生成不同运动曲线耦合匹配度较高的相应曲线。结果表明该模型具有较高的适应性。
利用步态信 输出模型，结合基本步态参数（角频率、振幅、相位），可获得膝关节步态控制信 ，通过调整基本步态参数实现步调和步幅调整功能。

PART 03

实验验证：

控制系统的硬件实现图显示在图 10 中。

A. 关键设备选择

当人体正常行走时，臀部关节扭矩约为45Nm：膝盖关节扭矩约为35纳米：此外，康复关节旋转速度应小于15转。基于上述数据要求，康复外骨骼机器人使用 MAXON EC90 电机、谐波驱动谐波减速器和 EPOS2 70/10 驱动程序。每个组件的特定参数如下。

B. 外骨骼实际磨损的数据采集和评估

在进行下肢外骨骼康复的实际过程中，收集了膝关节的角度、实际电流值和运动速度，并获得了以下数据。

从电机驾驶员处收集每个联合电机的实际轨迹、速度和行驶电流数据。轮廓轨迹可以很好地遵循实际所需的轨迹。当速度变化最大时，电机的最大速度出现在 1500/rpm，实际电流达到 5A 的最大值，这与理论一致。穿外骨骼后，还测量了膝关节和臀部关节的效果。

上图显示了预期输出轨迹与臀部运动的实际输出轨迹曲线之间的比较。实际轨迹曲线和预期轨迹曲线具有更好的轮廓减少。同时点的最大偏差为8度，平均误差角为5.2度，电机的平均滞后时间为0.83。它们发生在高加速度位置，例如外骨骼机器人腿部前后之间的摆动转换。

上图显示了预期输出轨迹和膝部运动的实际输出轨迹之间的比较。实际轨迹曲线和预期轨迹曲线具有更好的轮廓减少。同时点的最大偏差为 6 度，平均误差角为 2.1 度，电机的平均滞后时间为 0.64s。由于膝盖运动负荷小于臀部运动，所以膝盖轨迹随访效果略好于臀部后续效果。
实验结果表明，CPG神经 络模型可以满足我们对人类步态灵活性、后续性和多样性的要求，效果较好。

结论：

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树人工智能机器学习工具包Scikit-learn211302 人正在系统学习中