CN119414691A 一种基于肌电反馈的上肢康复机器人模糊pid控制方法 （河北工程大学）

一种基于肌电反馈的上肢康复机器人模糊本发明公开了一种基于肌电反馈的上肢康使用疲劳状态关键特征集合对融合模型进行训22.如权利要求1所述的一种基于肌电反馈的上肢3.如权利要求1所述的一种基于肌电反馈的上特征提取，从而获得疲劳状态关键特征集合的处理步骤包括：特征选择方法采用4.如权利要求3所述的一种基于肌电反馈的上肢康复机器人5.如权利要求1所述的一种基于肌电反馈的上6.如权利要求5所述的一种基于肌电反馈的上肢康7.如权利要求5所述的一种基于肌电反馈的上8.如权利要求1所述的一种基于肌电反馈的上肢康复3ppd4的主要原因之一.尤其是上肢的运动功能受影响较大，使得患者无法独立完成日常生活活高了约80％。Xu等人提出了一种新开发的基于进化动态模糊神经网络的自适应阻抗控制型不确定性、干扰和抖振，Alireza等人提出了一种用于机器人的模糊滑模控制器设计方[0007]本发明的目的在于提供一种基于肌电反馈的上肢康复机器人模糊PID控制方法，5[0008]为解决上述问题，本发明提供一种基于肌电反馈的上肢康复机器人模糊PID控制设定阈值并选择出关键特征，即按照经验设定阈值或者由SelectFromModel自动选择合适[0018]进一步的，基本分类器组合的类型包括MLP_KNN、LightGBM_LR_MLP、RBF_KNN和6pp[0037]图9为本发明的三种控制器在不同疲劳状态下对上肢康复机器人末端轨迹的仿真[0038]图10为本发明的三种控制器在不同疲劳状态下对上肢康复机器人肩关节的角度7[0048]本发明通过sEMG信号实时监测患者的肌肉活动，利用机器学习中的模型融合技采样者举起不同重量的哑铃，并通过表面肌电系统记录其肱二头肌的肌电图(sEMG)信号。8号数据进行特征提取处理，从而将连续的原始信号转化为更适合分析和分类的离散信号，性评分，训练模型可以是随机森林(RandomForest)模型或者线性模型(带有L1正则化的Logistic回归等)；对于随机森林(RandomForest)模型通过查看每个特征在所有树中用于SelectFromModel自动选择合适的阈值，使得那些重要性评分高于此阈值的特征被选中保9模型进行训练并确定出最佳融合模型；从而实时对待测者的疲劳状态进行检测，完成对[0059]更具体的，基本分类器组合的类型包括MLP_KNN、LightGBM_LR_MLP、RBF_KNN和NearestNeighbors)、SVM：支持向量机、LightGBM：基于梯度提升框架的树模型(Light采用软投票模型SoftVoting通过加权平均基学习器的预测概率来做出决策，对应的模型[0063]通过软投票模型方法，训练基pp[0070]在PID控制器控制原理下对应模糊PID控制器的输出公式与传统PID相似，但其比以考虑设计一种自适应模糊PID控制技术结合疲劳状态检测形成的控制器，当患者出现疲pp疲劳状态，通过采集和分析患者的肌电信号，将疲劳状态划分为不疲劳(NF)、轻度疲劳[0080]当肌肉处于轻度疲劳时，自适应模糊PID控制器需要逐步降低Kp以减少过激的响[0087]基于肌电反馈的模糊PID规则表通过加入疲劳状态的输入，能够根据用户的疲劳模拟不同患者的肌肉疲劳状态对康复机器人运动控制的影响，并对比固定PID控制器和模[0090]本实验通过仿真实验验证基于肌电反馈的自适应模糊PID控制器在康复机器人运[0098]图9中展示了三种控制器在不同疲劳状态下对上肢康复机器人末端轨迹的仿真结制器及基于肌电反馈的自适应模糊PID控制电反馈的自适应模糊PID控制器能够根据实时肌电信号动态调整控制参数，在重度疲劳下[0100]综合来看，基于肌电反馈的自适应模糊PID控制器在各种疲劳状态下均表现出更[0102]仿真结果表明，基于sEMG反馈的模糊PID控制方法在不同疲劳状态下均显著优于是在轻度和高度疲劳状态下，该方法通过实时自适应调节大幅提高了系统的轨迹跟踪精[0103]综上所述，本申请提出的一种基于表面肌电信号(sEMG)的自适应模糊PID控制方迹跟踪精度下降和康复效果不稳定等问题。同时通过构建软投票模型/多种模型融合技术