[发明专利]一种辅助搬运的可穿戴智能设备控制方法

说明书

本发明公开了一种辅助搬运的可穿戴智能设备控制方法，利用相邻尺度间小波系数的聚集性和持续性的特点构建了隐马尔科夫模型,采用贝叶斯估计得到真实信号小波系数,通过信号重构去除噪声，用训练后的神经网络对其进行分析处理，估计出相应肌肉用力大小，将肌电力触觉传感器所得力触觉信号和肌肉用力大小信号输入模糊控制器，驱动电机转动速度从而控制握力大小，利用手臂支撑部位肌肉用力大小的等级触发手臂支撑助力部件动作，该手臂支撑助力部件的动作信号触发手指助力部件对手指的被动控制，将下肢外骨骼的虚拟样机模型作为被控对象，采用自适应控制器，克服虚拟力矩控制严重依赖于系统的动态模型的缺点。

技术领域

本发明属于智能穿戴设备领域，尤其涉及一种辅助搬运的可穿戴智能设备控制方法。

背景技术

目前制造车间工人装卸工件时主要依靠人力搬运，劳动强度大，目前市面上已经出现了外骨骼助力式机器人以辅助搬运。表面肌电信号是从人体骨骼肌表面通过表面拾取电极采集来的，与肌肉活动密切相关的生物电信号。表面肌电信号本质上是一种非平稳信号，小波变换由于能够反映信号的局部特性，观察到信号的细节信息，小波变换虽然可以将这种耦合关系降低到较低程度，使信号与噪声间的可分离性达到较高，但是实际上小波系数之间还是不可避免地残留着相关性，而且现有外骨骼助力式机器人在各辅助部件的控制上相关性较差，助力部件的动作逻辑不够科学，不能最大程度上实现助力部件的助力效果，而且现有力矩控制严重依赖于系统的动态模型。

发明内容

针对现有技术存在的问题，本发明提供了一种辅助搬运的可穿戴智能设备控制方法。

本发明是这样实现的，一种辅助搬运的可穿戴智能设备的控制方法，包括：

步骤一、获取食指、中指、无名指活动时的多通道表面肌电信号，采用隐马尔科夫模型对表面肌电信号小波分解得到手指肌电信号的小波系数，将该小波系数利用最大期望算法训练，采用高斯混合模型，假设在同一尺度内所有小波系数是同一分布的并且有相同的状态转移矩阵，由最大期望算法得到隐马尔科夫模型的各个参数；

步骤二、得到食指、中指、无名指分别对应的隐马尔科夫模型的参数之后，用去除噪声的小波系数重构得到滤波之后的多通道表面肌电信号；

步骤三、利用拉格朗日方程建立下肢系统的动态模型G′_a：

J表示转动惯，并且是q的函数；B表示离心和克里奥里矩阵，是q和的函数；G表示重力力矩矢量，是q的函数。对应的关节力矩矢量为：

T＝[T₁...T_n]^T

穿戴者对外骨骼的力矩

T为电动机的输出力矩，G′_a是下肢外骨骼前向动态的估计，q为下肢外骨骼的关节角输出；

步骤四、通过多通道表面肌电信号的特征参数得到肌电整体强度和肌电活动空间分布的多维特征值矩阵，将该征值矩阵分解为个人因素矩阵Z和动作模式矩阵X，动作模式矩阵X作为模式识别分类器的输入，利用对称双线性模型表示特征值矩阵y_k＝z^TWk_x；

式中：z^T表示的是个人因素部分，x表示的是动作模式部分，Wk属于双线性模型的系数矩阵；

定义特征值矩阵

式中：表示的是第u个受试者执行m动作第N次时的多维特征值矩阵；

步骤五、获得新用户在某个动作下的特征值矩阵y，利用双线性模型的动作模式矩阵均值及系数矩阵，计算新用户个人因素矩阵：

z＝[[WX][WX]^CV]+y^CV