2. 中国科学院大学人工智能学院, 北京 100049
2. School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049, China
在全球范围内,约有15% 的人群患有某种形式的残疾[1]。中国约有8500万残疾人,其中肢体残疾人口超2400万,致残原因包括人口老龄化、脑卒中、脊髓损伤、先天性疾病等。肢体残疾会严重影响患者的日常生活质量,对于运动神经损伤患者,合理地进行康复训练能够促进患者的运动功能康复,进而提高患者的生活质量。然而我国现有康复医疗资源仍然存在不足,康复过程中康复医师需要进行大量重复动作,工作强度高并且任务单调枯燥。为了缓解康复资源短缺造成的压力,学者们逐渐把目光聚集到康复外骨骼机器人的设计研发。外骨骼作为新兴技术,能够提供精确、稳定的运动辅助,在运动康复等领域具有极大的应用潜力[2],已经成为机器人研究的热点。
康复外骨骼在20世纪90年代得到了广泛的研究[3],研究主要针对人体的上肢关节(肩关节、肘关节、腕关节以及手部各关节)和下肢关节(髋关节、膝关节、踝关节)。人体下肢承担了保持身体平衡的任务,并负责完成走路、跑步等周期性运动;相比之下,上肢的动作通常不是做周期性的运动,且更加复杂。人体上肢能够实现各种姿态,以完成日常生活中更加多样的任务。肢体的功能差异导致下肢、上肢外骨骼控制的重点有所不同。鉴于上肢的复杂功能,本文以上肢康复外骨骼的需求实现为重点进行介绍。
在上肢康复外骨骼机器人发展的初期,人们更加关注其机械机构的设计,希望外骨骼具有轻便、安全、人机相容等特点。近年来,为了让上肢外骨骼走向临床应用,其控制系统设计得到了重视和发展。在上肢外骨骼控制系统设计中,往往需要考虑以下需求:
(1) 佩戴外骨骼后形成的人机交互系统的动力学模型较为复杂,需要控制系统具有处理非线性系统和不确定性系统的能力;
(2) 在人机交互控制中,控制算法必须具有柔顺性以及面对异常情况的安全性;
(3) 康复外骨骼的用户可能出现抽搐痉挛、不受控抖动等症状,要求控制器具有足够的鲁棒性和稳定性;
(4) 外骨骼需要能够预测人体期望运动意图(DMI),根据运动意图进行辅助,提供舒适自然的交互体验;
(5) 外骨骼带动人体运动的轨迹需要符合人体运动模式,实现人机相容,保证设备使用的舒适;
(6) 用户的生理特征存在差异,患者的生理特征会发生病理性改变,且运动能力不同,需要控制系统能够评估患者的康复状态,根据用户状态对控制器进行调整。
为了满足上述复杂的控制需求,智能控制方法得到了应用。智能控制适用于复杂非线性、不确定性系统以及复杂任务中的控制需求,具有自学习、自适应、自组织的特点,是控制上肢康复外骨骼人机交互复杂系统的重要方法。
智能控制由华裔学者傅京逊[4]于1971年提出,常用的智能控制算法包括专家系统、模糊控制、神经网络控制、滑模控制(SMC)以及演化计算等。1977年,Saridis等[5]结合人工智能、运筹学和自动控制3个学科,提出了智能控制系统的分层递阶结构,由上到下包括组织级、协调级和执行级。组织级的智能水平最高,能够根据已有的知识进行组织决策和任务规划;协调级负责接收组织级的指令,协调执行级的动作;执行级负责具体控制任务的实现。在外骨骼的控制系统设计中,由于外骨骼机器人机构以及人机交互任务的复杂性,其控制器通常具有智能控制系统的分层结构。比如Tucker等[6]总结了外骨骼控制系统的3层结构。上层控制器负责根据人机交互信息提取人体运动意图,中层控制器将运动意图映射为期望轨迹,底层控制器负责轨迹跟踪控制。康复外骨骼的智能控制系统框架如图 1所示。
本文基于智能控制系统的分层递阶结构展开,介绍了智能控制算法在上肢康复外骨骼控制系统中的应用。
2 上肢康复外骨骼介绍(Introduction of the upper limb rehabilitation exoskeleton)Dupont等[3]指出,在2010年到2020年内,康复机器人的研究主要集中在4个领域。第一是新颖的机械结构设计,相比于末端执行器,外骨骼的研发受到了更多的关注;第二是学者们开始关注人机交互控制算法的研发,以最大程度吸引患者主动参与;第三是通过意图检测的方法推测患者的意图轨迹;第四是在治疗的基础上扩展定量评估的功能。为明确智能控制系统的控制对象,本节简单介绍了上肢康复机器人的种类和结构。不同于肩、肘、腕关节的外骨骼,人手外骨骼的设计需要解决空间小、自由度多、功能复杂等问题,因此下面将手部外骨骼与肩、肘、腕关节外骨骼分别进行介绍。
2.1 肩、肘、腕关节康复机器人康复机器人可以根据机械结构分为末端执行器和外骨骼两类。末端执行器是指患者握住手柄进行康复训练,如图 2(a)所示的MIT-Manus机器人[7]。单点受力的末端执行器无法针对上肢的关节进行单独驱动,不能约束上肢在运动过程中的姿态。相比之下,外骨骼可以覆盖整个上肢,在多个位置与人体相连接,能够单独驱动多个人体关节自由度。人体的肩关节、肘关节、腕关节共有9个自由度[8],其中肩部关节最复杂,由4个关节组成,共5个自由度,为了简化肩部机械结构设计,通常将肩关节视为3个自由度的球窝关节,忽略运动过程中的关节旋转中心变化。肘关节和腕关节各2个自由度。本文主要介绍用于康复的上肢外骨骼,其驱动方式包括电动、气动等[9],多数上肢外骨骼采用电机直驱,比如ARMin IV[10]、SUEFUL-7[11]、UL-EXO7[12]等。少数上肢外骨骼采用气动(气缸[13]、气动肌肉[14-15]等)方式,比如图 2(c)为气动人工肌肉驱动的RUPERT外骨骼[14],图 2(d)是并联气缸驱动的外骨骼BONES[13]。
与肩部、肘部、腕部的康复机器人类似,手部康复机器人也可分为末端执行器(如图 3(a)所示的HandCARE机器人[16])和外骨骼机器人2类。或者从执行器角度分类,分为柔性外骨骼和刚性外骨骼。柔性驱动方式包括液压、气动、串联弹性驱动器[17-19]以及形状记忆合金等[20],图 3(b)展示了美国哈佛大学研制的液压柔性手部外骨骼[21]。刚性外骨骼通常采用线驱动或者电机直驱,图 3(c)是意大利比萨大学设计的线驱动手部外骨骼HX[22],图 3(d)是香港理工大学设计制造的“希望之手”手部外骨骼[23]。为了实现更好的人机相容,刚性手部外骨骼可采用人机关节轴线对齐、关节轴线自适应两种设计思路,具体可参考等综述文章。
Brunnstrom技术将脑损伤患者的康复分成6个阶段,按照康复的进行依次是迟缓期、联合反应期、共同运动期、部分分离运动期、分离运动期、正常。在迟缓期和联合反应期,患者的肌力水平较低,不足以抵抗重力或者完成手指屈曲伸展,需要外骨骼带动上肢被动运动,以维持关节的活动度,避免肌肉萎缩。随着患者的不断康复,在部分分离运动期和分离运动期,患者具有一定的运动能力,但仍不能主动完成各种任务。外骨骼需要在患者难以完成任务时提供帮助,同时尽可能地提高患者在主动康复任务中的参与度。此外,还应当鼓励患者在康复任务中进行主动探索,通过机械助力放大患者的上肢力量,完成康复任务。在主动运动康复的场景中要求上肢康复外骨骼控制系统能够在线检测患者的运动意图。
运动意图信息可以来自于人机交互的物理信号和人体的生物信号[25]。其中物理信号包括关节角度、角速度、人机交互力等,其优点是信噪比高,缺点是信号的产生滞后于人机交互运动,导致实时性方面的不足。可用于人体运动意图识别的生物信号包括肌电信号(EMG)、眼电信号(EOG)、脑电信号(EEG)等。生物电信号的优点是超前于运动产生(表面肌电信号约超前30~150 ms),信息实时性好;缺点是信噪比较低,需要进行滤波放大等处理。相比脑电,肌电信号与肢体运动直接相关,且具有更高的信噪比,在现有的运动意图识别研究中取得了更好的效果。在智能假肢的应用场景中,有时会使用侵入式肌电传感器[26]以提高肌电信号的信噪比。而在康复外骨骼领域,由于运动障碍患者具有完整的肢体结构,对植入传感器的接受程度较低,因此更多地采集和利用了表面肌电信号(sEMG)。由于皮肤、脂肪以及其他肌肉的阻挡和汗液、运动、心电伪影等的干扰[27],表面肌电信号具有较低的信噪比和一定的随机性。先将表面肌电信号处理之后进行特征提取,再基于人工智能算法进行运动意图识别,是学者们的常用思路,其流程如图 4所示。
在运动意图的表示中,可以认为运动意图是某种特定的离散动作;也可以是关节角度(或力矩等)的连续变化,并对其进行在线识别。
3.1 基于sEMG的运动意图分类运动意图分类是指识别离散的上肢运动的意图方向或者意图动作,比如判断手的放松状态、握紧状态或者打开状态[28]。这种判断是非常实用的,基于sEMG幅值大小的判断,“希望之手”外骨骼可以让患者主动控制手的张开闭合[23]。
除了幅值特征,sEMG特征包括了时域特征、频域特征、时频域特征以及非线性特征等,比如中指出的37个可用特征。为了充分利用sEMG中的信息,提高上肢运动意图分类精度,各种机器学习算法得到了应用,如支持向量机[30-34]、随机森林[35]、高斯混合模型[36]、神经网络[33, 37-49]等。
在上述分类算法的应用中,神经网络算法通常取得了更好的分类效果。相关分类工作较多,表 1总结了近年来神经网络算法在上肢运动意图分类中的典型应用。从的分类结果中可以看出,尽管神经网络算法在CapgMyo数据集的分类精度高达99.8%,但同样的算法在NinaPro数据集的最高分类精度仅为85.0%。造成这种现象的因素是多元的,分类精度受到分类类别数量、肌电信号通道数量、肌电信号采集时间、传感器质量、传感器位置、肌肉疲劳程度[50]、用户健康状况、其他肢体姿态、肢体运动速度、电极串扰和伪影,甚至是环境温度的影响。鉴于上述因素,近年来的工作在保证分类精度可接受的同时,重点研究了如何提高分类算法的实用性。
尽管表 1总结的算法应用中的sEMG全部采集于健康受试者,但近年来的研究工作都在尝试从一个或者多个角度提高肌电意图分类的实用性。比如Chen等[42]利用迁移学习,将源手势集合的先验知识(即神经网络参数值)迁移到3个不同的目标集合,将分类精度提高了10%~38%,训练时间缩短了几十倍。南开大学Yang等[44]为了降低任务复杂度,提高算法实用性,探索了用更少肌电信号通道和更少的特征进行分类的可行性。通过对特征进行组合,Yang等发现采用2个通道肌电信号的2个时域特征时,6类手势的分类精度可达95.46%。Moin等[51]提出一种便携的小型手势分类设备,其质量仅26g,且能够独立完成肌电信号采集和自适应手势分类的任务,对21类手势具有92.87% 的平均分类准确率。Jiang等[46]探索了不同个体、不同速度等因素对分类精度的影响。Rehman等[49]采集了15天内的肌电信号,并测试了分类算法对肌电信号时变性的适应性。
3.2 基于sEMG的连续运动意图识别分类本质上是离散的,这带来了一定的局限性:(1) 人体的上肢运动具有灵活多变的特点,能够完成多种复杂的日常任务,而固定数量的分类类别限制了上肢运动的多样性;(2) 基于意图分类结果的固定运动模式比较生硬,不利于患者根据意图灵活调整运动轨迹,导致不自然的人机交互体验;(3) 未知的运动类型、外界干扰或者传感器的损坏可能会导致运动意图的错误识别,使外骨骼产生非期望的运动,进而严重影响外骨骼的康复效果。相比之下,连续的运动意图识别可以预测关节角度、速度、力矩以及刚度等的变化,这更接近人类的自然运动方式。连续运动意图识别能够在线调整更新意图轨迹,有着更高的灵活性且能够及时处理干扰造成的误差[53],有利于实现更好的人机交互体验。在不同的应用场景下连续运动意图识别具有不同的术语,比如假肢应用中的比例肌电控制[54]等,在本文中使用连续运动意图识别来进行表述。连续运动意图识别主要可以分成两类:第一类是基于模型的方法,第二类是基于数据的机器学习方法。
3.2.1 基于模型的连续运动意图识别此处的模型是指区别于机器学习算法的、需要应用参数辨识等方法确定其参数的模型。比如Koirala等[55]估计肘关节力矩所用的高阶有限脉冲响应(FIR)模型、Dai等[56]估计手指角度时所用的二次多项式回归模型以及Hill肌肉骨骼模型等。其中Hill模型由Hill在1938年提出[57],是肌力估计领域的经典生物物理模型。Hill肌肉骨骼模型基于人体生理结构建立,假设肌力是肌肉长度、速度以及肌肉激活程度等的函数,再结合肌肉骨骼的几何学特征得到关节力矩,模型可解释性较好。
Hill肌肉模型通常用于估计肌力和关节力矩,然而模型中的一些生理参数是无法直接测得的,比如最大肌力、肌肉纤维长度、肌腱长度、羽状角等。Zhao等[58]使用遗传算法针对特定个体优化上述生理参数,基于Hill模型得到了腕关节的力矩,进而计算加速度得到运动学状态。Xu等[59]建立了肌电信号到肌肉长度的模型作为Hill模型的参数,进而计算得到肘关节力矩。类似的,Liu等[60]估计了肘关节的力矩,并以此作为上肢外骨骼连续运动控制的参考值,为了能够让外骨骼灵活地运动和停止,Liu等进一步采用SVM(支持向量机)对用户的动静意图进行了二分类,让用户可以自由切换外骨骼的运动状态。除此之外,通过结合Hill模型和关节刚度计算方法还可以进行关节刚度估计[61]。
3.2.2 基于机器学习方法的连续运动意图识别在基于sEMG的上肢连续运动意图识别中,常用的机器学习算法有神经网络[62-76]、随机森林[77]以及模糊逻辑算法[78]等。神经网络仍是最常用的人工智能算法,表 2总结了近年来神经网络算法在连续运动意图识别中的典型应用,其中的识别对象包括关节力矩、关节角度和上肢轨迹。研究表明,肌电信号与关节力矩之间的线性关系更明显;相比之下,基于肌电信号估计关节角度更困难。从表 2中可以看出,基于神经网络的连续运动意图识别更多地用于关节角度的识别,尤其是多关节、多自由度的识别。识别精度的评价指标主要包括归一化均方根误差(NRSME)、平均绝对误差(MAE)、相关系数(CC)、决定系数(R
尽管关节角度预测具有较高的精度,但在实际的外骨骼连续运动控制中,更多研究采用了关节力矩估计[66-67, 78]。比如Kilic等[67]基于sEMG使用神经网络来估计关节力矩,作为外骨骼导纳控制的参考。力矩应用更多的原因一方面是复杂的神经网络限制了算法的实时性,另一方面是神经网络算法预测得到的轨迹噪声、抖动、毛刺现象较严重[69, 72],相比于力矩的抖动,预测关节角度的抖动对控制的影响会更加明显。显然,sEMG信号的低信噪比是造成预测值抖动的重要原因。为了解决这一问题,Tang等[79]将sEMG和惯性传感器得到的数据进行多源数据融合,得到了更加平滑的关节角度运动轨迹,并且根据得到的关节角度实时控制外骨骼。同样的,Ren等[75]基于数据融合实现了机械臂关节的角度实时跟随控制。此外,一些研究将神经网络与Hill模型结合,同样提高了预测算法的鲁棒性[59, 80]。
3.3 基于sEMG的意图识别的不足上肢运动意图识别研究仍是不完善的,一些实际问题限制了意图分类算法的实用性。首先,肌电信号的个体差异明显。研究表明健康、年轻受试者的肌电信号存在显著差异(
面对上述问题,学者们提出和改进了一些提高sEMG实用性的应用思路:(1) 影响sEMG的因素较多,寻找肌电信号的不变特征[45, 83-84]是一种提高鲁棒性的思路。比如Rajapriya等[45]提出的不变高阶统计量-频域特征集能够在上肢处于不同位置时,以90% 以上的准确率识别手势。(2) 阵列sEMG信号可以看作不同肌肉运动单位动作电位(MUAP)序列的卷积混合信号,对MUAP混合信号进行分解可以从解剖学角度得到更具可解释性的生理电信号。在sEMG信号处理中得到应用的分解算法有盲源分离法[85-87]、渐近快速独立成分分析剥离算法[68, 88]、PD III算法[89]、同态反卷积算法[90]等。(3) 引入数据增广[91]以及迁移学习技术[42, 84]以减少新用户使用前的采集和训练时间。其中Chen等[42]提出的基于迁移学习的CNN+LSTM方法成功地将预训练模型迁移到3个不同数据集中,大大缩短了模型训练时间,这有利于算法的在线使用。(4) 多源信息融合可以在一定程度上减小肌电信号信噪比低的影响[92-93],提高意图识别精度。可用的多源信息不仅包括上肢的运动姿态、速度、加速度等运动信息,也包括除了sEMG之外的生物信号,比如EEG、EOG[94]等。此外,一些生理参数同样能够提供有用的信息,比如在连续意图识别中常用的Hill肌肉骨骼模型。(5) 中风患者健侧手臂通常具有正常的运动功能,因此采集患者健侧肌电信号来镜像地控制患侧运动[32],是一种可行的康复方案。研究表明,镜像运动有助于患者神经系统的修复和重构[95]。此外,考虑到患者的肌电信号异常,与大脑相关的生理信息可以作为异常肌电信号的替代或补充。
3.4 基于脑电信号的运动想像识别脑电是肌电发生的根源,大脑中的各种信号能够更加切实地反映人类的意图,具有更多的信息,但同时其解码也更加困难。现有能够实时获得的脑部信号主要有脑磁图(MEG)、近红外脑功能成像(fNIRS)以及各种脑电信号等。其中脑磁图是脑部磁场的实时绘制,MEG测量设备昂贵且笨重,仍处于不断迭代的阶段。fNIRS实时测量氧合血红蛋白和脱氧血红蛋白在大脑皮层中的含量,主要用于治疗效果等的评估[96]。相比之下,脑电信号更多用于意图识别。脑电信号包括非侵入式EEG、半侵入式皮层脑电(ECoG)[97]以及侵入式微电极。
脑机接口(BCI)是脑电信号的采集设备,脑电信号的采集通常需要配合脑电的诱发。基于脑电信号的诱发方式可以对BCI进行分类,包括稳态视觉诱发电位BCI(SSVEP-BCI)[98]、P300-BCI[99]、运动想像BCI(MI-BCI)[100]、情绪BCI[101]等。其中运动想像BCI需要用户想像运动的执行,并基于感觉运动皮层(sensorimotor cortex)的
运动想像BCI只需要用户想像而非真正地执行相关运动即可触发脑电信号,适用于神经损伤患者的康复治疗。比如Biasiucci等[103]使用机器学习算法识别脑卒中患者想像的手部握紧以及打开,并将预测结果与功能性电刺激结合产生运动,实验证明这种基于意图的运动促进了大脑皮层运动神经元的重塑。Caria等[104]将运动想像得到的运动意图与手部外骨骼结合,对30名重度卒中患者进行了对照试验,证明MI-BCI促进了患者运动神经功能恢复。
脑电信号包含更多的信息、具有更大的潜力,而基于MI-BCI的运动康复暂时处于实验室验证阶段。MI-BCI的应用需要用户足够专注以避免脑电信号受到污染,这与患者有限的能力和精力相矛盾。此外,脑电信号采集的难度大、时间长,这与深度学习模型需要大量的训练数据相矛盾[105]。因此脑电信号在康复中的实际应用仍然需要不断地探索和改进。
4 中层控制器:运动轨迹生成(The middle controller: motion trajectory generation)在人体运动意图识别算法中,连续的运动意图识别可以直接得到底层控制器的运动参考轨迹(位移、速度、力矩等与时间的关系)。相比之下,分类算法并未给肢体提供明确的运动轨迹,比如中会检测患者的手臂是否想要执行喝水动作,而喝水动作如何实现需要进行设计。此时外骨骼的运动轨迹规划作为中层控制器连接了外骨骼智能控制系统中的上层控制器和底层控制器。由于人体与外骨骼之间密切的联系,设计合理的运动轨迹可以保证用户的安全性和舒适性,还可以矫正患者由于肌力恢复不完全产生的不协调的动作。
上肢康复外骨骼的轨迹规划通常希望尽可能地模仿康复医师带动患者运动的轨迹,或复现上肢的日常生活活动(ADL)轨迹。需要注意的是,轨迹规划可以在外骨骼机器人的工作空间和关节空间进行。传统的轨迹规划方法通常在工作空间展开,首先在笛卡儿坐标系下生成外骨骼的末端轨迹,然后通过逆运动学的方法将工作空间的运动轨迹映射到关节空间。在笛卡儿坐标系中生成轨迹,这一任务可以描述为在起点和终点之间拟合一条曲线。多项式可以生成两点之间复杂的曲线,比如哈尔滨工业大学的李戈等[106]使用5阶多项式生成上肢外骨骼的运动轨迹。然而多项式函数参数多且计算量大,有学者提出用S型函数代替多项式函数[107]。除了直接函数拟合,为了让轨迹更加符合人体运动模式,一些仿人运动规划方法被提了出来。仿人运动规划假设人类运动是通过优化已知的成本函数产生的,比如最小加加速度[108-109]、最小扭矩[110]、类惯性[111]和最小势能[112]模型等。上述算法多用于生成工作空间的轨迹,由于上肢外骨骼通常具有冗余自由度,逆运动学轨迹映射存在难度,因此影响了轨迹的在线生成和应用。并且轨迹优化通常只针对一个特征状态进行优化,不能完全模仿人体的自然轨迹。除此之外,上述方法主要针对点对点之间的轨迹规划,由于不能对轨迹进行灵活调整,因此不适用于现实世界中的非结构化环境。
除了传统的轨迹规划方法,示教学习(LfD)算法是近年来学者们基于机器学习方法提出的新的轨迹规划算法。示教学习算法是指机器人通过学习人类示教轨迹,对示教轨迹进行复现或者产生类似的运动轨迹。相比于传统的轨迹规划方法,示教学习算法不仅适用于工作空间的轨迹规划,还广泛应用于关节角度空间以及关节力矩空间的轨迹规划,这避免了外骨骼逆运动学的求解。此外,示教学习能够调整轨迹的起点、终点,可以复现更复杂的轨迹,具有更高的灵活性。示教学习算法中常用的机器学习算法包括神经网络[113-114]、混合高斯模型(GMM)[115-116]、隐马尔可夫模型(HMM)[117]等。除此之外,动态运动基元(DMP)[118]也是常用的方法,DMP使用微分方程表达轨迹。
对于复杂的运动轨迹,基于神经网络的示教学习通常将轨迹分段,然后进行高精度编码。比如Naghibi等[113]将日常生活动作轨迹进行分段,使用3个神经网络形成闭环,高精度复现了示教动作。由于神经网络产生的轨迹对时间的依赖性较强,动态时间规整(DTW)算法可以与神经网络结合使用,来调整编码轨迹的到达时间。混合高斯模型和隐马尔可夫模型是基于概率模型的示教学习方法。GMM模型通常与高斯混合回归(GMR)算法结合使用,其中GMM用于建立轨迹的概率模型,而GMR将概率模型转化为具体的轨迹。比如华南理工的Deng等[115]结合GMM以及GMR算法实现了上肢外骨骼的轨迹示教学习。需要注意的是,这里的轨迹不仅包括外骨骼的角度等位置信息,还包括了人机交互力。Deng等的实验表明,通过加入人机交互力可以使上肢外骨骼具有按需辅助的特征。隐马尔可夫模型也是概率模型,其根据当前状态的转移概率得到概率最高的状态转移路径。例如Garrido等[117]使用Lloyd算法修改了HMM模型,实现了上肢外骨骼关节空间的示教学习。基于概率的轨迹模型可以从多次示教轨迹中不断改进概率模型,生成更一般化的运动轨迹。
相比于上述算法,DMP算法使用微分方程而不是机器学习算法表示轨迹,其通用微分方程表达式如式(1) 所示。
$ \begin{align} \tau \ddot{y}=\alpha [\beta (g-y)-\dot{y}]+f \end{align} $ | (1) |
其中,
尽管示教学习方法能够复现更加复杂的轨迹并且展现出了更大的潜力,但是上述示教学习应用仍然以离线学习为主,很少能够看到在线更新的轨迹设计。根据患者意图对轨迹进行在线更新可以避免康复过程中出现过大的交互力,有利于提高患者的安全性和舒适度。在线更新轨迹的难度主要包括外骨骼对环境的感知能力不足,以及轨迹的机器学习模型的复杂度较高导致模型更新计算量较大。实现外骨骼的灵活辅助需要在意图感知、环境感知、轨迹模型设计、轨迹优化等方面付出更多的努力。
5 底层控制器:人机交互控制(The bottom controller: human-robot interaction control)传统的控制器(如PID控制器)在工业控制等方面得到了广泛的应用。不同于工业机器人,上肢康复外骨骼需要人机交互。人的存在以及外骨骼的复杂结构,使得人机交互系统存在强非线性和时变特性,同时控制器必须具有一定柔顺性来保证人的安全和舒适。此外,由于患者的生理指标时刻变化,因此需要根据患者的康复水平调整控制器的参数或者康复方案。针对上述需求,本节从人机交互智能控制和脑损伤患者康复需求的角度展开分析。
5.1 动力学模型补偿与自适应非线性系统建模和控制是自动化技术关注的焦点。人机交互系统具有强非线性和时变性,导致其动力学建模难度较大。为了避免复杂系统的动力学建模,一些研究使用了无模型控制器。比如Abane等[119]使用模糊PID算法实现了5自由度外骨骼力矩控制。迭代学习控制(ILC)算法同样不需要系统动力学模型,其根据上次的控制量和误差对下一次控制进行修正,对于非线性系统的固定轨迹控制具有很好的控制效果。外骨骼带动上肢被动运动的场景中,ILC算法得到了一定的应用[120-125]。
尽管无模型控制器简单可行,但基于模型设计控制器可以实现更多的功能(如阻抗控制提供柔顺性)和更好的效果。在基于模型的控制器设计中,通常利用人工智能方法(比如模糊集合和神经网络)的非线性拟合能力,估计人机交互系统中的动力学特征以及干扰等,作为模型或控制器的补偿。常用的上肢外骨骼人机交互系统的动力学模型表达式如式(2) 所示。
$ \begin{align} \mathit{\boldsymbol{M}}(\mathit{\boldsymbol{q}})\ddot{\mathit{\boldsymbol{q}}}+\mathit{\boldsymbol{C}}(\mathit{\boldsymbol{q}}, \dot{\mathit{\boldsymbol{q}}})\dot{\mathit{\boldsymbol{q}}}+ \mathit{\boldsymbol{G}}(\mathit{\boldsymbol{q}})+\mathit{\boldsymbol{F}}(\mathit{\boldsymbol{q}}, \dot{\mathit{\boldsymbol{q}}}, \ddot{\mathit{\boldsymbol{q}}})=\mathit{\boldsymbol{\tau}} \end{align} $ | (2) |
其中
造成上肢康复外骨骼的非线性和不确定性的原因包括输入饱和、迟滞误差、摩擦力、电机死区、患者抖动痉挛、不同用户上肢重量的差异等。针对不确定或者变化的物理量,自适应控制也是常用的方法。Brahmi等[135]基于反步法设计了上肢外骨骼控制器,为了得到控制算法中不确定的动力学特征,Brahmi等提出了一种基于控制误差迭代更新动力学特征估计值的方法,并通过实验证实了上肢外骨骼控制器的高精度效果。线驱动设计能够减轻外骨骼穿戴部分的重量,并提供一定的柔顺性。在线驱动柔性上肢外骨骼的控制中,鲍登线与线鞘之间的摩擦导致的迟滞效应与线鞘曲率有关,而线鞘曲率随着运动实时变化,难以直接测量。Dinh等[136]针对这一问题,提出了非线性自适应控制器,根据误差实时更新控制器参数来适应变化的摩擦力所带来的影响。除了上述自适应算法,智能控制中的演化计算同样可以用于上肢外骨骼控制器参数的优化[63, 137]。然而鉴于演化计算算法的时效性较差,这种优化通常是离线的。
5.2 滑模控制除了对人机交互系统的动力学模型进行补偿和自适应,控制器也需要具有一定的鲁棒性来应对模型的误差。在中风患者康复的共同运动期和部分分离期,随着肌力的不断恢复,患者容易出现异常的运动模式、痉挛以及无意识的抖动[138]。因此外骨骼控制器必须具有足够的鲁棒性跟随既定的轨迹,以帮助共同运动期患者矫正不正常的运动模式。
在现有的鲁棒控制方案中,滑模控制器是解决不确定动态和有界干扰的有力手段[139]。当控制误差较大时,滑模控制可以以平滑、过阻尼的形式收敛至期望轨迹,产生平稳的实际轨迹。传统滑模控制具有抖振、有限时间内控制误差不为0等问题。针对这些问题,更多学者采用了滑模控制改进算法。Watanabe等[140]使用基于代理的滑模控制(PSMC)算法辅助脊髓损伤患者进行上肢运动,PSMC算法抑制了传统SMC算法的抖振现象[141],提高了设备的使用寿命。终端滑模控制(TSMC)算法使用非线性滑模面解决了传统滑模控制算法有限时间内稳态误差不为0的问题,河北工业大学的杨鹏等[142]使用干扰观测器结合TSMC算法实现了5自由度上肢外骨骼轨迹跟踪。Riani等[143]在积分终端滑模控制的基础上,提出了一种在不确定性的上下界未知时,滑模面参数自适应修正的控制律,进一步提高了控制器的轨迹跟踪精度。此外,高阶滑模控制器[144-146]以及分数阶滑模控制[147-148]都在上肢外骨骼康复辅助运动中得到了一定的应用。
上述应用中,评价滑模控制器的指标通常是轨迹跟踪精度,而追求高精度的轨迹跟踪效果可能产生过大的交互力,不利于进行安全舒适的人机交互。这也导致滑模控制通常应用于患者的被动运动。为了避免外骨骼与患者之间产生大的交互力,为外骨骼的控制器提供柔顺的特性,Brahmi等[149]将人机交互力输入径向基函数神经网络,实时更新用户意图轨迹,增强了滑模控制的柔顺性。
5.3 变阻抗控制在康复的迟缓期及联合反应期,患者肌力很小,需要外骨骼带动患者被动运动,以维持关节活动程度,防止肌肉的萎缩。为了保证患者的安全,阻抗控制这种柔顺控制器常常被用于带动患者被动地运动。
阻抗控制器能够将人机交互系统的动力学特征转变为指定的弹簧-阻尼2阶系统,为人机交互提供需要的柔顺性。从的实验中可以看出,当阻抗控制器使用低阻抗参数时,上肢外骨骼的跟踪轨迹误差增大,轨迹变形严重;相反,高阻抗参数在提高轨迹跟踪精度的同时导致了人机交互力较大。因此人机交互控制中,如何合理选择阻抗控制的刚度系数和阻尼系数是值得研究的课题[151]。
固定阻抗参数的阻抗控制器不利于在变化的复杂环境中进行作业[152]。此外,研究表明,上肢运动的运动过程中关节阻抗是不断变化的[153]。造成手臂刚度变化的因素包括手臂姿态、肌肉协同效应、牵张反射等[154]。举例来说,当人体手臂中相互拮抗的肌肉同时收缩时,手臂处于紧绷的状态,关节刚度会大幅增大。一种变阻抗控制的思路是外骨骼通过模仿人体关节的刚度和阻抗,产生自然的仿人的动态特性,进而提高患者佩戴设备的舒适性和安全性,同时能够降低外骨骼的能耗等。在这种思路下,不仅要对人机交互系统进行动力学建模,还需要估计手臂的阻抗特征作为外骨骼的目标动态特征。
由于人体阻抗时刻变化、难以测量其真值,因此建立手臂刚度模型进行刚度估计具有一定的难度。早期的工作对上肢施加一个微扰动,根据关节角度的变化量估计其刚度[155],然而施加扰动的方法在实际应用中存在困难。肌电信号能够反映肌肉激活程度,因而与肌力和肢体刚度相关。李智军等[133]基于肌电信号和Hill肌肉模型,建立了人体上肢在每一个采样时刻的刚度增量表达式。除此之外,李智军团队[156]还提供了一种优化求解手臂末端刚度的方法,通过微动法离线测得不同肌肉激活程度下的手臂末端刚度矩阵,根据在线测得的肌电信号优化更新手臂末端刚度。以上算法均在上肢外骨骼中进行轨迹跟踪验证,实验结果表明变阻抗控制能够在提供柔顺性的同时保证轨迹的跟踪精度,然而上述变阻抗控制并没有对算法的柔顺性、舒适性等指标进行定量的评估。为了提高患者的参与度,促进患者大脑皮层的运动重塑,在远程阻抗控制(tele-impedance control)算法[157]的启发下,提出了一种在线估计健侧手臂的刚度、带动患侧手臂镜像运动的康复策略。在偏瘫患者佩戴外骨骼之后,测量健侧的肌电信号来估计手臂刚度。患侧上肢在外骨骼的带动下跟随健侧手臂的轨迹,并模仿其刚度。这样构成了患者运动想像和肢体运动之间的闭环,有利于促进患者大脑皮层的运动重塑。
除了模仿人体手臂刚度实现变刚度控制,吴青聪等[159]在上肢康复机器人的控制中采用了基于跟踪误差大小调整康复机器人刚度的策略。当跟踪误差较小时,康复机器人提供较小的阻抗以提高患者的主动性;误差较大时,康复机器人表现出较大阻抗保证患者的安全。这样设计的阻抗控制器可以根据患者任务的完成效果调整阻抗参数,具有按需辅助特点。
5.4 按需辅助处于部分分离期和分离期的患者有一定的肌力支撑手臂进行运动,然而不同患者的肌力水平具有较大的差距,并且随着康复的进行,患者的肌力也会逐渐增大。这要求外骨骼实时判断患者完成康复任务的能力,辅助患者完成主动的运动康复训练,即按需辅助(AAN)。
按需辅助首先要判断患者“需”的程度,判断的方法是多样的,一种简单的思路为判断用户主动跟踪既定轨迹的误差。Wolbrecht等[160]假设理想的康复机器人具有以下3个特征:具有较高的机械柔顺性、拥有辅助患者运动的能力以及能够提供最低限度的必要助力。在实验验证中,当患者主导的运动任务跟踪误差较小时,减弱Pneu-WREX机器人的力输出,进而提高患者的参与度。Pehlivan等[161]提出一种类似于遗忘因子的算法估计控制器干扰抑制项,并记录了患者每次完成任务的平均误差,用来调整控制器增益矩阵,进而调整允许的运动跟踪误差界限。当允许的误差范围增大时,患者需要付出更多努力以完成康复任务。类似的,Agarwal等[162]基于误差更新力场控制器的反馈增益,实现了手部外骨骼的按需辅助控制。除了跟踪误差,肌电信号同样可以反映患者的主观努力程度。Castiblanco等[163]通过测量患者的肌电信号,用模糊系统对患者的努力程度进行分级,来决定外骨骼关节的速度,即更高主观努力程度对应外骨骼更快的运动速度。实验结果表明外骨骼可以根据肌电信号的强度有效地进行速度调节。此外,交互力反映了患者运动意图的强弱,同样可以指导AAN控制器的设计。Asl等[164]在速度场中设计了2个AAN控制器,第1个控制器通过人机交互力改变阻抗控制的参数,第2个控制器根据跟踪误差对控制器参数自适应调整,试验结果表明这两个控制器均表现出按需辅助特性。上述速度场还可以避免有限时间约束,能够保证患者有足够的时间积极参与康复任务。
值得一提的是,上述工作大多没有考虑允许误差增大带来的安全问题,比如误差范围增大导致的碰撞。如何提高设备的安全性、避免碰撞和不安全的姿态产生是上肢康复外骨骼技术进一步推广所必须考虑的。Li等[165]提供了一种可行的方案,其设计的上肢外骨骼具有3种运动模式,分别是用户主导、机器主导和安全模式,其中在安全模式下,只要相互作用力过大,机器人就会停止运动。通过位置反馈和交互力反馈,外骨骼在3种模式下平滑过渡,既鼓励患者主动参与康复运动,又保证了患者的安全。
5.5 其他 5.5.1 强化学习强化学习是近年来新兴的机器学习算法,其本质上是根据人为设计的奖励函数寻找一种策略。强化学习在上肢康复外骨骼中的应用处于起步阶段,主要用于寻找外骨骼的辅助策略。
PILCO(probabilistic inference for learning control)算法是一种基于概率模型的强化学习算法,相比于其他强化学习算法,它能够凭借少量探索样本更快地收敛到合适的策略[166],适用于控制场景中。比如Hamaya等[167]使用PILCO算法探索单关节上肢外骨骼的辅助策略,控制的目的是最小化表面肌电信号强度。试验结果表明,上肢外骨骼的辅助策略可以在60 s内收敛,在外骨骼的辅助下,用户的肌电信号水平降低,能够更加轻松地完成任务。尽管实验证明了强化学习的有效性,但在验证过程中存在一些理想化处理,比如要求受试者感到外骨骼的助力后放松手臂等。
除了探索辅助策略,强化学习也被用于控制器参数在线调节。比如在上肢外骨骼的人机交互控制中,Huang等[168]使用积分强化学习算法在线设计线性二次型调节器(LQR),最小化轨迹跟踪误差和人的消耗。需要注意的是此处的外骨骼并非用于患者的康复,而是用于正常人的肢体运动增强。在康复辅助任务中如何设计强化学习指标,仍然有待继续研究。
5.5.2 外骨骼与功能性电刺激结合除了用外骨骼带动患者手臂运动,研究表明功能性电刺激(FES)对于上肢的运动康复有积极的作用[169],FES不仅能够产生运动,还能够给患者一定程度的感觉反馈,此外研究表明基于主观运动意图的FES能够提高患者的康复水平[103]。一些研究结合了功能性电刺激与外骨骼技术,实验证明这种联合设备在康复辅助领域具有一定的潜力。比如Resquin等[170]基于神经网络和PID控制器,使用FES技术和外骨骼进行脑损伤患者的上肢康复。湖北工业大学涂细凯等[171-172]使用FES配合上肢外骨骼产生人体上肢运动,并使用迭代学习控制算法实现了上肢的轨迹跟随控制。
6 总结展望(Conclusion and prospect)基于上肢康复外骨骼智能控制系统的分层递阶结构,介绍了智能控制算法在运动意图识别、运动轨迹规划、底层执行器控制等方面的应用。需要指出的是,相比于学术研究提出的各种先进控制算法,目前市面上的肩、肘、腕关节外骨骼产品仍然以阻抗控制和传统的控制方法为主。现有的手部外骨骼产品种类较多,比如意大利Gloreha公司的Sinfonia手套、香港大学的“希望之手”、司羿智能公司的羿生康复手套、广州一康公司的A5手康复外骨骼、深圳迈步公司的手部康复外骨骼、上海傅利叶智能公司的HandyRehab手功能康复机器人等。其中Gloreha公司和羿生智能公司主要研发气动手部外骨骼,其关键技术主要是气动驱动器的结构设计而非控制算法。上述手部外骨骼通常具有被动运动、镜像运动、主动运动等功能。在主动运动方面,“希望之手”使用基于阈值的肌电信号判断手的张开闭合[23],其主动运动设计相对简单,仍需进一步的改进和优化。上述手部外骨骼的被动运动控制算法没有公开,并且在其宣传中没有对控制算法的特性(如变阻抗控制、按需辅助等)进行介绍。除此之外,主动运动所需的传感器价格昂贵,导致多数具有主动运动功能的手部康复外骨骼产品并没有得到推广。相比于手部康复外骨骼,手臂外骨骼产品种类较少,包括美国的MyoPro外骨骼和Harmonic Bionics公司最近公布的上肢外骨骼产品Harmony SHR等。MyoPro外骨骼不包括肩关节的运动辅助,主要功能为检测用户肌电信号并给予相应的助力[173]。Harmony SHR外骨骼的主要创新在于肩关节的运动设计,通过巧妙的机械结构实现了良好的人机相容特性,而没有对其控制算法进行详细介绍。
总结来说,上述外骨骼产品并没有展示出与学术研究相当的新颖控制算法,大多数现有的产品也并没有被大范围推广。造成这种现象的原因包括:(1) 上肢外骨骼产品中的主动运动功能比较简单,可识别的动作种类比较少,传感器价格昂贵,性价比较低;(2) 上肢外骨骼的控制算法并没有体现出足够的柔顺性,运动轨迹大多固定,人机交互体验有待提高;(3) 学术研究提出的新颖的控制算法大多没有经过临床试验,并不能严格地证明算法的安全性、有效性和舒适性。除此之外,现有的临床试验结果并非全都是积极的,文[174]中的实验结果表明康复机器人的主动运动控制与被动运动控制对患者康复影响相当,并没有体现出主动运动控制的优势。这说明了临床对照试验对算法有效性证明的重要性,不能基于主观常识判断算法是否有效。针对以上问题,对上肢康复外骨骼的发展做出以下展望:
(1) 探索意图分类类别上限。一般来说,在10个或更少的上肢意图分类中,基于神经网络的方法通常能够达到90% 以上的准确率。然而在Atzori等[52]发布的公开表面肌电信号数据集中,仅手部姿势就多达52种。因此为了提高外骨骼的实用性,需要尽量增加上肢意图分类的类别。这就要求对分类算法结构等进行改进,比如中通过级联二分类器和四分类器得到八分类器。此外,Sri-iesaranusorn等[41]尝试使用深度神经网络来将41种手势和抓握动作进行分类。他们发现数据库中的某些动作具有相似的肌电信号模式,导致难以区分这些动作。因此动作类别的上限以及使用哪些特征来区分不同动作仍然是学者们需要探索和解决的问题。需要注意的是,学者们认为从检测到sEMG信号到外骨骼做出机械响应的时间应小于300 ms[175],因此分类类别增加的同时必须保证模型具有实时性。
(2) 提高意图识别鲁棒性和自适应性,提高sEMG的实用性。在上肢意图分类中,用户不同、肌电传感器位置不同、肌肉疲劳等都会造成肌电信号变化。为了应对表面肌电信号的时变性和个体差异,3.3节讨论了一些可行的改进思路。值得一提的是,通过数据增广提高使用的简易性[176]、寻找肌电信号的不变特征[83]、以及探索新的多元融合信息[177-178]等都是提高sEMG实用性的可行思路。
(3) 运动轨迹在线更新。在轨迹规划方面,示教学习具有能够实现更复杂的轨迹以及能够避免逆运动学求解等优点。然而目前的示教学习大多离线生成轨迹,不能根据人的意图、环境等进行在线的轨迹优化,这可能导致人机交互力增大以及出现潜在的安全隐患。轨迹在线调整需要进一步提高在线估计患者意图的精度和环境感知能力,同时要尽量简化轨迹模型,以保证在线优化的可行性。
(4) 个性化康复方案。在上肢外骨骼的康复过程中,康复持续时间、强度以及患者的任务导向非常重要[179-180]。相比传统康复中使用临床量表粗略地评估患者的运动功能,外骨骼康复辅助的优势在于能够定量评估患者的各项参数,并给出个性化的康复方案[3]。本文总结了变阻抗控制、按需辅助等控制策略,上述方法融合了个性化康复的思想,但在机器人康复的领域,很多方法没有得到严格的临床验证。此外学者们应当关注神经可塑性机制的研究,从康复理论的角度出发,针对患者的不同症状设计更合理的个性化康复方案。
(5) 重视临床机器人验证对照试验。2019年Rodgers等[181]发表了MIT-Manus机器人与传统康复手段的对比实验,实验结果表明,MIT-Manus机器人的治疗效果不如传统康复手段,且存在更多导致患者不适的状况。导致这种实验结果的原因是多样的,比如MIT-Manus并没有发挥机器人相比传统康复的优势定量评估康复水平并制定个性化策略等。相比于MIT-Manus机器人,最新提出的外骨骼机构及其控制算法有望实现更好的康复效果。然而在上肢康复机器人设计过程中,仅有少数工作进行了临床对照试验的设计及实施。这在一定程度上阻碍了控制算法的继续改进以及成果转化。因此基于临床康复评价方法[182]等验证控制算法的有效性是必不可少的重要环节。
[1] |
Bickenbach J. The world report on disability[J]. Disability & Society, 2011, 26(5): 655-658. |
[2] |
Maciejasz P, Eschweiler J, Gerlach-Hahn K, et al. A survey on robotic devices for upper limb rehabilitation[J]. Journal of NeuroEngineering and Rehabilitation, 2014, 11. DOI:10.1186/1743-0003-11-3 |
[3] |
Dupont P E, Nelson B J, Goldfarb M, et al. A decade retrospective of medical robotics research from 2010 to 2020[J]. Science Robotics, 2021, 6(60). DOI:10.1126/scirobotics.abi8017 |
[4] |
Fu K. Learning control system and intelligent control system: An intersection of artificial intelligence and automatic control[J]. IEEE Transactions on Automatic Control, 1971, 16(1): 70-72. DOI:10.1109/TAC.1971.1099633 |
[5] |
Saridis G N, Stephanou H E. A hierarchical approach to the control of a prosthetic arm[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1977, 7(6): 407-420. DOI:10.1109/TSMC.1977.4309737 |
[6] |
Tucker M R, Olivier J, Pagel A, et al. Control strategies for active lower extremity prosthetics and orthotics: A review[J]. Journal of NeuroEngineering and Rehabilitation, 2015, 12. DOI:10.1186/1743-0003-12-1 |
[7] |
Krebs H I, Ferraro M, Buerger S P, et al. Rehabilitation robot- ics: Pilot trial of a spatial extension for MIT-Manus[J]. Journal of NeuroEngineering and Rehabilitation, 2004, 1. DOI:10.1186/1743-0003-1-5 |
[8] |
Gopura R A R C, Kiguchi K. Mechanical designs of active upper-limb exoskeleton robots: State-of-the-art and design difficulties[C]//IEEE International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE, 2009: 178-187.
|
[9] |
Rehmat N, Zuo J, Meng W, et al. Upper limb rehabilitation using robotic exoskeleton systems: A systematic review[J]. International Journal of Intelligent Robotics and Applications, 2018, 2: 283-295. DOI:10.1007/s41315-018-0064-8 |
[10] |
Nef T, Mihelj M, Kiefer G, et al. ARMin — Exoskeleton for arm therapy in stroke patients[C]//IEEE 10th International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE, 2007: 68-74.
|
[11] |
Gopura R A R C, Kiguchi K, Li Y. SUEFUL-7: A 7DOF upper-limb exoskeleton robot with muscle-model-oriented EMG-based control[C]//IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2009: 1126-1131.
|
[12] |
Byl N N, Abrams G M, Pitsch E, et al. Chronic stroke survivors achieve comparable outcomes following virtual task specific repetitive training guided by a wearable robotic orthosis (UL-EXO7) and actual task specific repetitive training guided by a physical therapist[J]. Journal of Hand Therapy, 2013, 26(4): 343-352. DOI:10.1016/j.jht.2013.06.001 |
[13] |
Klein J, Spencer S, Allington J, et al. Optimization of a parallel shoulder mechanism to achieve a high-force, low-mass, robotic-arm exoskeleton[J]. IEEE Transactions on Robotics, 2010, 26(4): 710-715. DOI:10.1109/TRO.2010.2052170 |
[14] |
Balasubramanian S, Wei R H, Perez M, et al. RUPERT: An exoskeleton robot for assisting rehabilitation of arm functions[C]//Virtual Rehabilitation. Piscataway, USA: IEEE, 2008: 163-167.
|
[15] |
Zhao Z R, Li X, Hao L N. Research on the control method of a rehabilitation exoskeleton robot for passive training on upper-limbs of stroke patients[C]//IEEE 8th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems. Piscataway, USA: IEEE, 2018: 1106-1111.
|
[16] |
Dovat L, Lambercy O, Gassert R, et al. HandCARE: A cable-actuated rehabilitation system to train hand function after stroke[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2008, 16(6): 582-591. DOI:10.1109/TNSRE.2008.2010347 |
[17] |
Chen W Y, Li G Y, Li N, et al. Soft exoskeleton with fully actuated thumb movements for grasping assistance[J]. IEEE Transactions on Robotics, 2022, 38(4): 2194-2207. DOI:10.1109/TRO.2022.3148909 |
[18] |
Agaewal P, Yun Y, Fox J, et al. Design, control, and testing of a thumb exoskeleton with series elastic actuation[J]. International Journal of Robotics Research, 2017, 36(3): 355-375. DOI:10.1177/0278364917694428 |
[19] |
Bützer T, Lambercy O, Arata J, et al. Fully wearable actuated soft exoskeleton for grasping assistance in everyday activities[J]. Soft Robotics, 2021, 8(2): 128-143. DOI:10.1089/soro.2019.0135 |
[20] |
Gull M A, Bai S P, Bak T. A review on design of upper limb exoskeletons[J]. Robotics, 2020, 9(1). DOI:10.3390/robotics9010016 |
[21] |
Polygerinos P, Wang Z, Galloway K C, et al. Soft robotic glove for combined assistance and at-home rehabilitation[J]. Robotics and Autonomous Systems, 2015, 73: 135-143. DOI:10.1016/j.robot.2014.08.014 |
[22] |
Cempini M, Cortese M, Vitiello N. A powered finger-thumb wearable hand exoskeleton with self-aligning joint axes[J]. IEEE/ASME Transactions on Mechatronics, 2015, 20(2): 705-716. DOI:10.1109/TMECH.2014.2315528 |
[23] |
Tong K Y, Ho S K, Pang P M K, et al. An intention driven hand functions task training robotic system[C]//Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, USA: IEEE, 2010: 3406-3409.
|
[24] |
李剑锋, 张兆晶, 张雷雨, 等. 手部外骨骼运动相容性设计综述[J]. 上海交通大学学报, 2018, 52(6): 729-742. Li J F, Zhang Z J, Zhang L Y, et al. Review of the kinematic compatibility design of hand exoskeletons[J]. Journal of Shanghai Jiaotong University, 2018, 52(6): 729-742. DOI:10.16183/j.cnki.jsjtu.2018.06.015 |
[25] |
Nickel J C, Lwasaki L R, Gonzalez Y M, et al. Mechanobehavior and ontogenesis of the temporomandibular joint[J]. Journal of Dental Research, 2018, 97(11): 1185-1192. DOI:10.1177/0022034518786469 |
[26] |
Salminger S, Sturma A, Hofer C, et al. Long-term implant of intramuscular sensors and nerve transfers for wireless control of robotic arms in above-elbow amputees[J]. Science Robotics, 2019, 4(32). DOI:10.1126/scirobotics.aaw630 |
[27] |
Chu J U, Moon I, Lee Y J, et al. A supervised feature-projection-based real-time EMG pattern recognition for multifunction myoelectric hand control[J]. IEEE/ASME Transactions on Mechatronics, 2007, 12(3): 282-290. DOI:10.1109/TMECH.2007.897262 |
[28] |
Ho N S K, Tong K Y, Hu X L, et al. An EMG-driven exoskeleton hand robotic training device on chronic stroke subjects: Task training system for stroke rehabilitation[C]//IEEE International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE, 2011. DOI: 10.1109/ICORR.2011.5975340.
|
[29] |
Phinyomark A, Phukpattaranont P, Limsakul C. Feature reduction and selection for EMG signal classification[J]. Expert Systems with Applications, 2012, 39(8): 7420-7431. DOI:10.1016/j.eswa.2012.01.102 |
[30] |
Irastorza-Landa N, Sarasola-Sanz A, Lopez-Larraz E, et al. Design of continuous EMG classification approaches towards the control of a robotic exoskeleton in reaching movements[C]//International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE, 2017: 128-133.
|
[31] |
Ryser F, Butzer T, Held J P, et al. Fully embedded myoelectric control for a wearable robotic hand orthosis[C]//International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE, 2017: 615-621.
|
[32] |
Cai S Q, Chen Y, Huang S Y, et al. SVM-based classification of sEMG signals for upper-limb self-rehabilitation training[J]. Frontiers in Neurorobotics, 2019, 13(31). DOI:10.3389/fnbot.2019.00031 |
[33] |
Tosin M C, Majolo M, Chedid R, et al. sEMG feature selection and classification using SVM-RFE[C]//39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, USA: IEEE, 2017: 390-393.
|
[34] |
Batzianoulis I, Krausz N E, Simon A M, et al. Decoding the grasping intention from electromyography during reaching motions[J]. Journal of NeuroEngineering and Rehabilitation, 2018, 15. DOI:10.1186/s12984-018-0396-5 |
[35] |
Meeker C, Park S, Bishop L, et al. EMG pattern classification to control a hand orthosis for functional grasp assistance after stroke[C]//International Conference on Rehabilitation Robotics. Piscataway, USA: IEEE, 2017: 1203-1210.
|
[36] |
Trigili E, Grazi L, Crea S, et al. Detection of movement onset using EMG signals for upper-limb exoskeletons in reaching tasks[J]. Journal of NeuroEngineering and Rehabilitation, 2019, 16. DOI:10.1186/s12984-019-0512-1 |
[37] |
Medina F, Perez K, Cruz-Ortiz D, et al. Control of a hybrid upper-limb orthosis device based on a data-driven artificial neural network classifier of electromyography signals[J]. Biomedical Signal Processing and Control, 2021, 68. DOI:10.1016/j.bspc.2021.102624 |
[38] |
Walsh K A, Sanford S P, Collins B D, et al. Performance potential of classical machine learning and deep learning classifiers for isometric upper-body myoelectric control of direction in virtual reality with reduced muscle inputs[J]. Biomedical Signal Processing and Control, 2021, 66. DOI:10.1016/j.bspc.2021.102487 |
[39] |
Asif A R, Waris A, Gilani S O, et al. Performance evaluation of convolutional neural network for hand gesture recognition using EMG[J]. Sensors, 2020, 20(6). DOI:10.3390/s20061642 |
[40] |
Ameri A, Akhaee M A, Scheme E, et al. Regression convolutional neural network for improved simultaneous EMG control[J]. Journal of Neural Engineering, 2019, 16(3). DOI:10.1088/1741-2552/ab0e2e |
[41] |
Sri-iesaranusorn P, Chaiyaroj A, Buekban C, et al. Classification of 41 hand and wrist movements via surface electromyogram using deep neural network[J]. Frontiers in Bioengineering and Biotechnology, 2021, 9. DOI:10.3389/fbioe.2021.548357 |
[42] |
Chen X, Li Y, Hu R C, et al. Hand gesture recognition based on surface electromyography using convolutional neural network with transfer learning method[J]. IEEE Journal of Biomedical and Health Informatics, 2021, 25(4): 1292-1304. DOI:10.1109/JBHI.2020.3009383 |
[43] |
Lü Z M, Xiao F Y, Wu Z, et al. Hand gestures recognition from surface electromyogram signal based on self-organizing mapping and radial basis function network[J]. Biomedical Signal Processing and Control, 2021, 68. DOI:10.1016/j.bspc.2021.102629 |
[44] |
Yang Y K, Duan F, Ren J, et al. Performance comparison of gesture recognition system based on different classifiers[J]. IEEE Transactions on Cognitive and Developmental Systems, 2021, 13(1): 141-150. DOI:10.1109/TCDS.2020.2969297 |
[45] |
Rajapriya R, Rajeswari K, Thiruvebgadam S J. Deep learning and machine learning techniques to improve hand movement classification in myoelectric control system[J]. Biocybernetics and Biomedical Engineering, 2021, 41(2): 554-571. DOI:10.1016/j.bbe.2021.03.006 |
[46] |
Jiang Y Y, Chen C, Zhang X D, et al. Shoulder muscle activation pattern recognition based on sEMG and machine learning algorithms[J]. Computer Methods and Programs in Biomedicine, 2020, 197. DOI:10.1016/j.cmpb.2020.105721 |
[47] |
Wei W T, Wong Y K, Du Y, et al. A multi-stream convolutional neural network for sEMG-based gesture recognition in muscle-computer interface[J]. Pattern Recognition Letters, 2019, 119: 131-138. DOI:10.1016/j.patrec.2017.12.005 |
[48] |
Simão M, Neto P, Gibaru O. EMG-based online classification of gestures with recurrent neural networks[J]. Pattern Recognition Letters, 2019, 128: 45-51. DOI:10.1016/j.patrec.2019.07.021 |
[49] |
Rehman M Z U, Waris A, Gilani S O, et al. Multiday EMG-based classification of hand motions with deep learning techniques[J]. Sensors, 2018, 18(8). DOI:10.3390/s18082497 |
[50] |
Artemiadis P K, Kyriakopoulos K J. An EMG-based robot control scheme robust to time-varying EMG signal features[J]. IEEE Transactions on Information Technology in Biomedicine, 2010, 14(3): 582-588. DOI:10.1109/TITB.2010.2040832 |
[51] |
Moin A, Zhou A, Rahimi A, et al. A wearable biosensing system with in-sensor adaptive machine learning for hand gesture recognition[J]. Nature Electronics, 2021, 4: 54-63. DOI:10.1038/s41928-020-00510-8 |
[52] |
Atzori M, Cognolato M, Müller H. Deep learning with convolutional neural networks applied to electromyography data: A resource for the classification of movements for prosthetic hands[J]. Frontiers in Neurorobotics, 2016, 10(9). DOI:10.3389/fnbot.2016.00009 |
[53] |
Hahne J M, Markovic M, Farina D. User adaptation in myoelectric man-machine interfaces[J]. Scientific Reports, 2017, 7. DOI:10.1038/s41598-017-04255-x |
[54] |
Fougner A, Stavdahl Ø, Kyberd P J, et al. Control of upper limb prostheses: Terminology and proportional myoelectric control — A review[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2012, 20(5): 663-677. DOI:10.1109/TNSRE.2012.2196711 |
[55] |
Koirala K, Dasog M, Liu P, et al. Using the electromyogram to anticipate torques about the elbow[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(3): 396-402. DOI:10.1109/TNSRE.2014.2331686 |
[56] |
Dai C Y, Hu X G. Finger joint angle estimation based on motoneuron discharge activities[J]. IEEE Journal of Biomedical and Health Informatics, 2020, 24(3): 760-767. DOI:10.1109/JBHI.2019.2926307 |
[57] |
Hill A V. The heat of shortening and the dynamic constants of muscle[J]. Proceedings of the Royal Society Series B — Biological Sciences, 1938, 126: 136-195. |
[58] |
Zhao Y H, Zhang Z Q, Li Z H, et al. An EMG-driven musculoskeletal model for estimating continuous wrist motion[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2020, 28(12): 3113-3120. DOI:10.1109/TNSRE.2020.3038051 |
[59] |
Xu D W, Wu Q C, Zhu Y H. Development of a sEMG-based joint torque estimation strategy using Hill-type muscle model and neural network[J]. Journal of Medical and Biological Engineering, 2021, 41: 34-44. DOI:10.1007/s40846-020-00539-2 |
[60] |
Liu H, Tao J, Lyu P, et al. Human-robot cooperative control based on sEMG for the upper limb exoskeleton robot[J]. Robotics and Autonomous Systems, 2020, 125. DOI:10.1016/j.robot.2019.103350 |
[61] |
Li K X, Liu X, Zhang J H, et al. Continuous motion and time-varying stiffness estimation of the human elbow joint based on sEMG[J]. Journal of Mechanics in Medicine and Biology, 2019, 19(5). DOI:10.1142/S0219519419500404 |
[62] |
Zhang L. An upper limb movement estimation from electromyography by using BP neural network[J]. Biomedical Signal Processing and Control, 2019, 49: 434-439. DOI:10.1016/j.bspc.2018.12.020 |
[63] |
Tang G, Sheng J Q, Wang D M, et al. Continuous estimation of human upper limb joint angles by using PSO-LSTM model[J]. IEEE Access, 2021, 9: 17986-17997. DOI:10.1109/ACCESS.2020.3047828 |
[64] |
Zhang Q, Liu R F, Chen W B, et al. Simultaneous and continuous estimation of shoulder and elbow kinematics from surface EMG signals[J]. Frontiers in Neuroscience, 2017, 11. DOI:10.3389/fnins.2017.00280 |
[65] |
Ngeo J G, Tamei T, Shibata T. Continuous and simultaneous estimation of finger kinematics using inputs from an EMG-to-muscle activation model[J]. Journal of NeuroEngineering and Rehabilitation, 2014, 11. DOI:10.1186/1743-0003-11-122 |
[66] |
Wu Q C, Chen B, Wu H T. Neural-network-enhanced torque estimation control of a soft wearable exoskeleton for elbow assistance[J]. Mechatronics, 2019, 63. DOI:10.1016/j.mechatronics.2019.102279 |
[67] |
Kilic E. EMG based neural network and admittance control of an active wrist orthosis[J]. Journal of Mechanical Science and Technology, 2017, 31: 6093-6106. DOI:10.1007/s12206-017-1154-5 |
[68] |
Li X H, Zhang X, Tang X, et al. Decoding muscle force from individual motor unit activities using a twitch force model and hybrid neural networks[J]. Biomedical Signal Processing and Control, 2022, 72. DOI:10.1016/j.bspc.2021.103297 |
[69] |
Ma C F, Guo W Y, Zhang H, et al. A novel and efficient feature extraction method for deep learning based continuous estimation[J]. IEEE Robotics and Automation Letters, 2021, 6(4): 7341-7348. DOI:10.1109/LRA.2021.3097257 |
[70] |
Ma C F, Lin C, Samuel O W, et al. A bi-directional LSTM network for estimating continuous upper limb movement from surface electromyography[J]. IEEE Robotics and Automation Letters, 2021, 6(4): 7217-7224. DOI:10.1109/LRA.2021.3097272 |
[71] |
Bao T Z, Zaidi S A R, Xie S Q, et al. Inter-subject domain adaptation for CNN-based wrist kinematics estimation using sEMG[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, 29: 1068-1078. DOI:10.1109/TNSRE.2021.3086401 |
[72] |
Bao T Z, Zaidi S A R, Xie S Q, et al. A CNN-LSTM hybrid for wrist kinematics estimation using surface electromyography[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-9. |
[73] |
Wang C, Guo W Y, Zhang H, et al. sEMG-based continuous estimation of grasp movements by long-short term memory network[J]. Biomedical Signal Processing and Control, 2020, 59. DOI:10.1016/j.bspc.2019.101774 |
[74] |
Ma C F, Lin C, Samuel O W, et al. Continuous estimation of upper limb joint angle from sEMG signals based on SCA-LSTM deep learning approach[J]. Biomedical Signal Processing and Control, 2020, 61. DOI:10.1016/j.bspc.2020.102024 |
[75] |
Ren J L, Chien Y H, Chia E Y, et al. Deep learning based motion prediction for exoskeleton robot control in upper limb rehabilitation[C]//International Conference on Robotics and Automation. Piscataway, USA: IEEE, 2019: 5076-5082.
|
[76] |
Xia P, Hu J, Peng Y H. EMG-based estimation of limb movement using deep learning with recurrent convolutional neural networks[J]. Artificial Organs, 2018, 42(5): E67-E77. DOI:10.1111/aor.13004 |
[77] |
Xiao F Y, Wang Y, Gao Y S, et al. Continuous estimation of joint angle from electromyography using multiple time-delayed features and random forests[J]. Biomedical Signal Processing and Control, 2018, 39: 303-311. DOI:10.1016/j.bspc.2017.08.015 |
[78] |
Tageldeen M K, Perumal N, Elamavazuthi I, et al. Design and control of an upper arm exoskeleton using fuzzy logic techniques[C]//2nd IEEE International Symposium on Robotics and Manufacturing Automation. Piscataway, USA: IEEE, 2016. DOI: 10.1109/ROMA.2016.7847838.
|
[79] |
Tang Z C, Yu H N, Yang H C, et al. Effect of velocity and acceleration in joint angle estimation for an EMG-based upper-limb exoskeleton control[J]. Computer in Biology and Medicine, 2022, 141. DOI:10.1016/j.compbiomed.2021.105156 |
[80] |
Xiong B P, Zeng N Y, Li Y R, et al. Determining the online measurable input variables in human joint moment intelligent prediction based on the Hill muscle model[J]. Sensors, 2020, 20(4). DOI:10.3390/s20041185 |
[81] |
Tuncer T, Dogan S, Subasi A. Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition[J]. Biomedical Signal Processing and Control, 2020, 58. DOI:10.1016/j.bspc.2020.101872 |
[82] |
Cesqui B, Tropea P, Micera S, et al. EMG-based pattern recognition approach in post stroke robot-aided rehabilitation: A feasibility study[J]. Journal of NeuroEngineering and Rehabilitation, 2013, 10. DOI:10.1186/1743-0003-10-75 |
[83] |
Xiong A B, Zhao X G, Han J D, et al. An user-independent gesture recognition method based on sEMG decomposition[C]// IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway, USA: IEEE, 2015: 4185-4190.
|
[84] |
Hu X H, Zeng H, Song A G, et al. Robust continuous hand motion recognition using wearable array myoelectric sensor[J]. IEEE Sensors Journal, 2021, 21(18): 20596-20605. DOI:10.1109/JSEN.2021.3098120 |
[85] |
Yu Y, Chen C, Sheng X J, et al. Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction[J]. IEEE Journal of Biomedical and Health Informatics, 2021, 25(7): 2557-2566. DOI:10.1109/JBHI.2020.3041861 |
[86] |
Farina D, Vujaklija I, Sartori M, et al. Man/machine interface based on the discharge timings of spinal motor neurons after targeted muscle reinnervation[J]. Nature Biomedical Engineering, 2017, 1. DOI:10.1038/s41551-016-0025 |
[87] |
Ning Y, Dias N, Li X H, et al. Improve computational efficiency and estimation accuracy of multi-channel surface EMG decomposition via dimensionality reduction[J]. Computers in Biology and Medicine, 2019, 112. DOI:10.1016/j.compbiomed.2019.103372 |
[88] |
Chen M Q, Zhang X, Chen X, et al. Automatic implementation of progressive FastICA peel-off for high density surface EMG decomposition[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, 26(1): 144-152. DOI:10.1109/TNSRE.2017.2759664 |
[89] |
Herda T J, Parra M E, Miller J D, et al. Measuring the accuracies of motor unitfiring times and action potential waveforms derived from surface electromyographic decomposition[J]. Journal of Electromyography and Kinesiology, 2020, 52. DOI:10.1016/j.jelekin.2020.102421 |
[90] |
Biagetti G, Crippa P, Orcioni S, et al. Homomorphic deconvolution for MUAP estimation from surface EMG signals[J]. IEEE Journal of Biomedical and Health Informatics, 2017, 21(2): 328-338. DOI:10.1109/JBHI.2016.2530943 |
[91] |
Yang W, Yang D P, Li J M, et al. EMG dataset augmentation approaches for improving the multi-DOF wrist movement regression accuracy and robustness[C]//IEEE International Conference on Robotics and Biomimetics. Piscataway, USA: IEEE, 2018: 1268-1273.
|
[92] |
Dwivwdi A, Gerez L, Hasan W, et al. A soft exoglove equipped with a wearable muscle-machine interface based on forcemyography and electromyography[J]. IEEE Robotics and Automation Letters, 2019, 4(4): 3240-3246. DOI:10.1109/LRA.2019.2925302 |
[93] |
Stival F, Michieletto S, de Agnoi A, et al. Toward a better robotic hand prosthesis control: Using EMG and IMU features for a subject independent multi joint regression model[C]//7th IEEE International Conference on Biomedical Robotics and Biomechatronics. Piscataway, USA: IEEE, 2018: 185-192.
|
[94] |
Soekadae S R, Witkowski M, Gómez C, et al. Hybrid EEG/EOG-based brain/neural hand exoskeleton restores fully independent daily living activities after quadriplegia[J]. Science Robotics, 2016, 1(1). DOI:10.1126/scirobotics.aag3296 |
[95] |
Proietti T, Crocher V, Roby-Brami A, et al. Upper-limb robotic exoskeletons for neurorehabilitation: A review on control strategies[J]. IEEE Reviews in Biomedical Engineering, 2016, 9: 4-14. DOI:10.1109/RBME.2016.2552201 |
[96] |
Johnson N N, Carey J, Edelman B J, et al. Combined rTMS and virtual reality brain-computer interface training for motor recovery after stroke[J]. Journal of Neural Engineering, 2018, 15(1). DOI:10.1088/1741-2552/aa8ce3 |
[97] |
Silversmith D B, Abiri R, Hardy N F, et al. Plug-and-play control of a brain-computer interface through neural map stabilization[J]. Nature Biotechnology, 2020, 39: 326-335. |
[98] |
Chen X G, Wang Y J, Nakanishi M, et al. High-speed spelling with a noninvasive brain-computer interface[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(44): E6058-E6067. |
[99] |
Jin J, Li S R, Daly I, et al. The study of generic model set for reducing calibration time in P300-based brain-computer interface[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2020, 28(1): 3-12. DOI:10.1109/TNSRE.2019.2956488 |
[100] |
Willett F R, Avansino D T, Hochberg L R, et al. High-performance brain-to-text communication via handwriting[J]. Nature, 2020, 593(7858): 249-254. |
[101] |
Zheng W L, Zhu J Y, Lu B L. Identifying stable patterns over time for emotion recognition from EEG[J]. IEEE Transactions on Affective Computing, 2019, 10(3): 417-429. DOI:10.1109/TAFFC.2017.2712143 |
[102] |
Edelman B J, Meng J, Suma D, et al. Noninvasive neuroimaging enhances continuous neural tracking for robotic device control[J]. Science Robotics, 2019, 4(31). DOI:10.1126/scirobotics.aaw6844 |
[103] |
Biasiucci A, Leeb R, Iturrate I, et al. Brain-actuated functional electrical stimulation elicits lasting arm motor recovery after stroke[J]. Nature Communications, 2018, 9. DOI:10.1038/s41467-018-04673-z |
[104] |
Caria A, da Rocha J L D, Gallitto G, et al. Brain-machine interface induced morpho-functional remodeling of the neural motor system in severe chronic stroke[J]. Neurotherapeutics, 2020, 17: 635-650. DOI:10.1007/s13311-019-00816-2 |
[105] |
Wen S X, Yin A, Furlanello T, et al. Rapid adaptation of brain-computer interfaces to new neuronal ensembles or participants via generative modelling[J]. Nature Biomedical Engineering, 2021. DOI:10.1038/s41551-021-00811-z |
[106] |
Li G, Fang Q Q, Xu T, et al. Inverse kinematic analysis and trajectory planning of a modular upper limb rehabilitation exoskeleton[J]. Technology and Health Care, 2019, 27(S1): 123-132. |
[107] |
Ballesteros-Escamilla M, Cruz-Ortiz D, Salgado I, et al. Hybrid position/force output feedback second-order sliding mode control for a prototype of an active orthosis used in back-assisted mobilization[J]. Medical & Biological Engineering & Computing, 2019, 57: 1843-1860. |
[108] |
Wang C, Peng L, Hou Z G, et al. Kinematic redundancy analysis during goal-directed motion for trajectory planning of an upper-limb exoskeleton robot[C]//41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, USA: IEEE, 2019: 5251-5255.
|
[109] |
Secco E L, Visioli A, Magenes G. Minimum jerk motion planning for a prosthetic finger[J]. Journal of Robotic Systems, 2004, 21(7): 361-368. DOI:10.1002/rob.20018 |
[110] |
Zadravec M, Matjacic Z. Planar arm movement trajectory formation: An optimization based simulation study[J]. Biocybernetics and Biomedical Engineering, 2013, 33(2): 106-117. DOI:10.1016/j.bbe.2013.03.006 |
[111] |
Friedman J, Flash T. Trajectory of the index finger during grasping[J]. Experimental Brain Research, 2009, 196: 497-509. DOI:10.1007/s00221-009-1878-2 |
[112] |
Li Z, Zuo W K, Li S. Zeroing dynamics method for motion control of industrial upper-limb exoskeleton system with minimal potential energy modulation[J]. Measurement, 2020, 163. DOI:10.1016/j.measurement.2020.107964 |
[113] |
Naghibi S S, Fallah A, Maleki A, et al. Elbow angle generation during activities of daily living using a submovement prediction model[J]. Biological Cybernetics, 2020, 114: 389-402. DOI:10.1007/s00422-020-00834-w |
[114] |
Tao T F, Yang X Y, Xu J Y, et al. Trajectory planning of upper limb rehabilitation robot based on human pose estimation[C] //17th International Conference on Ubiquitous Robots. Piscataway, USA: IEEE, 2020: 333-338.
|
[115] |
Deng M D, Li Z J, Kang Y, et al. A learning-based hierarchical control scheme for an exoskeleton robot in human-robot cooperative manipulation[J]. IEEE Transactions on Cybernetics, 2020, 50(1): 112-125. DOI:10.1109/TCYB.2018.2864784 |
[116] |
Ma Z, Ben-Tzvi P, Danoff J. Hand rehabilitation learning system with an exoskeleton robotic glove[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2016, 24(12): 1323-1332. DOI:10.1109/TNSRE.2015.2501748 |
[117] |
Garrido J, Yu W, Li X O. Robot trajectory generation using modified hidden Markov model and Lloyd's algorithm in joint space[J]. Engineering Applications of Artificial Intelligence, 2016, 53: 32-40. DOI:10.1016/j.engappai.2016.03.006 |
[118] |
Lauretti C, Cordella F, Ciancio A L. Learning by demonstration for motion planning of upper-limb exoskeletons[J]. Frontiers in Neurorobotics, 2018, 12(5). DOI:10.3389/fnbot.2018.00005 |
[119] |
Abane A, Guiatni M, Alouane M A, et al. Auto-tuning fuzzy force/position control of a 5 DOF exoskeleton for upper limb rehabilitation[C]//IEEE International Conference on Advanced Intelligent Mechatronics. Piscataway, USA: IEEE, 2017: 1731-1736.
|
[120] |
Liu S Y, Meng D Y, Cheng L, et al. An iterative learning controller for a cable-driven hand rehabilitation robot[C]//43rd Annual Conference of the IEEE Industrial Electronics Society. Piscataway, USA: IEEE, 2017: 5701-5706.
|
[121] |
Pang Z X, Wang T Y, Yu J Z, et al. Design and analysis of shoulder joint exoskeleton rehabilitation mechanism based on gear and rack transmission[J]. AIP Advances, 2021, 11(5). DOI:10.1063/5.0051484 |
[122] |
Li Z Y, Chen W H, Zhang J B, et al. Design and control of a 4-DOF cable-driven arm rehabilitation robot (CARR-4)[C]// IEEE International Conference on Cybernetics and Intelligent Systems and IEEE Conference on Robotics, Automation and Mechatronics. Piscataway, USA: IEEE, 2017: 581-586.
|
[123] |
Cheng L, Chen M, Li Z W. Design and control of a wearable hand rehabilitation robot[J]. IEEE Access, 2018, 6: 74039-74050. DOI:10.1109/ACCESS.2018.2884451 |
[124] |
Miao Q, Lo H S, Xie S Q, et al. Iterative learning control method for improving the effectiveness of upper limb rehabilitation[C]//23rd International Conference on Mechatronics and Machine Vision in Practice. Piscataway, USA: IEEE, 2016. DOI: 10.1109/M2VIP.2016.7827302.
|
[125] |
Zhang H B, Li Z J, Su C Y. Iterative learning control of an exoskeleton for human upper limbs[C]//11th World Congress on Intelligent Control and Automation. Piscataway, USA: IEEE, 2014: 1917-1922.
|
[126] |
Zhao Y T, Liang C Y, Gu Z Z, et al. A new design scheme for intelligent upper limb rehabilitation training robot[J]. International Journal of Environmental Research and Public Health, 2020, 17(8). DOI:10.3390/ijerph17082948 |
[127] |
Isa W H M, Taha Z, Khairuddin I M, et al. An intelligent active force control algorithm to control an upper extremity exoskeleton for motor recovery[C]//2nd International Manufacturing Engineering Conference and 3rd Asia-Pacific Conference on Manufacturing Systems. Bristol, UK: IOP Publishing, 2016, 114. DOI: 10.1088/1757-899X/114/1/012136.
|
[128] |
Mushage B O, Chedjou J C, Kyamakya K. Fuzzy neural network and observer-based fault-tolerant adaptive nonlinear control of uncertain 5-DOF upper-limb exoskeleton robot for passive rehabilitation[J]. Nonlinear Dynamics, 2017, 87: 2021-2037. DOI:10.1007/s11071-016-3173-7 |
[129] |
Li Z J, Su C Y, Wang L Y, et al. Nonlinear disturbance observer-based control design for a robotic exoskeleton incorporating fuzzy approximation[J]. IEEE Transactions on Industrial Electronics, 2015, 62(9): 5763-5775. DOI:10.1109/TIE.2015.2447498 |
[130] |
张蔚然, 鲁守银, 吴林彦, 等. 基于模糊补偿的主从式上肢外骨骼康复机器人训练控制方法[J]. 机器人, 2019, 41(1): 104-111. Zhang W R, Lu S Y, Wu L Y, et al. Master-slave upper-limb exoskeleton rehabilitation robot training control method based on fuzzy compensation[J]. Robot, 2019, 41(1): 104-111. DOI:10.13973/j.cnki.robot.180125 |
[131] |
Wu Q C, Wang X S, Chen B, et al. Development of an RBFN-based neural-fuzzy adaptive control strategy for an upper limb rehabilitation exoskeleton[J]. Mechatronics, 2018, 53: 85-94. DOI:10.1016/j.mechatronics.2018.05.014 |
[132] |
Wu Q C, Chen B, Wu H T. RBFN-based adaptive backstepping sliding mode control of an upper-limb exoskeleton with dynamic uncertainties[J]. IEEE Access, 2019, 7: 134635-134646. DOI:10.1109/ACCESS.2019.2941973 |
[133] |
Li Z J, Huang Z C, He W, et al. Adaptive impedance control for an upper limb robotic exoskeleton using biological signals[J]. IEEE Transactions on Industrial Electronics, 2017, 64(2): 1664-1674. DOI:10.1109/TIE.2016.2538741 |
[134] |
Asl H J, Narikiyo T, Kawanishi M. Neural network-based bounded control of robotic exoskeletons without velocity measurements[J]. Control Engineering Practice, 2018, 80: 94-104. DOI:10.1016/j.conengprac.2018.08.005 |
[135] |
Brahmi B, Saad M, Ochoa-Luna C, et al. Adaptive tracking control of an exoskeleton robot with uncertain dynamics based on estimated time-delay control[J]. IEEE/ASME Transactions on Mechatronics, 2018, 23(2): 575-585. DOI:10.1109/TMECH.2018.2808235 |
[136] |
Dinh B K, Xiloyannis M, Cappello L, et al. Adaptive backlash compensation in upper limb soft wearable exoskeletons[J]. Robotics and Autonomous Systems, 2017, 92: 173-186. DOI:10.1016/j.robot.2017.03.012 |
[137] |
Babaiasl M, Goldar S N, Barhaghtalab M H, et al. Sliding mode control of an exoskeleton robot for use in upper-limb rehabilitation[C]//3rd RSI International Conference on Robotics and Mechatronics. Piscataway, USA: IEEE, 2015: 694-701.
|
[138] |
Kristensen H K, Præstegaard J, Ytterberg C. Discourses in stroke rehabilitation as they present themselves in current physiotherapy and occupational therapy[J]. Disability and Rehabilitation, 2016, 39(3): 223-235. |
[139] |
Gambhire S J, Kishore D R, Londhe P S, et al. Review of sliding mode based control techniques for control system applications[J]. International Journal of Dynamics and Control, 2021, 9: 363-378. DOI:10.1007/s40435-020-00638-7 |
[140] |
Watanabe T, Yano K, Aoki T, et al. Extension motion assistance for upper limb using proxy-based sliding mode control[C]//IEEE International Conference on Systems, Man, and Cybernetics. Piscataway, USA: IEEE, 2011: 2885-2890.
|
[141] |
Kikuuwe R, Yasukouchi S, Fujimoto H, et al. Proxy-based sliding mode control: A safer extension of PID position control[J]. IEEE Transactions on Robotics, 2010, 26(4): 670-683. DOI:10.1109/TRO.2010.2051188 |
[142] |
Yang P, Ma X, Wang J, et al. Disturbance observer-based terminal sliding mode control of a 5-DOF upper-limb exoskeleton robot[J]. IEEE Access, 2019, 7: 62833-62839. DOI:10.1109/ACCESS.2019.2911348 |
[143] |
Riani A, Madani T, Benallegue A, et al. Adaptive integral terminal sliding mode control for upper-limb rehabilitation exoskeleton[J]. Control Engineering Practice, 2018, 75: 108-117. DOI:10.1016/j.conengprac.2018.02.013 |
[144] |
Brahmi B, Saad M, Brahmi A, et al. Compliant control for wearable exoskeleton robot based on human inverse kinematics[J]. International Journal of Advanced Robotic Systems, 2018, 15(6). DOI:10.1177/1729881418812133 |
[145] |
Fellag R, Hamerlain M, Laghrouche S, et al. Homogeneous finite time higher order sliding mode control applied to an upper limb exoskeleton robot[C]//6th International Conference on Control, Decision and Information Technologies. Piscataway, USA: IEEE, 2019: 355-360.
|
[146] |
Zhang G W, Yang P, Wang J, et al. Multivariable finite-time control of 5 DOF upper-limb exoskeleton based on linear extended observer[J]. IEEE Access, 2018, 6: 43213-43221. DOI:10.1109/ACCESS.2018.2863384 |
[147] |
Islam M R, Rahmani M, Rahman M H. A novel exoskeleton with fractional sliding mode control for upper limb rehabilitation[J]. Robotica, 2020, 38(11): 2099-2120. DOI:10.1017/S0263574719001851 |
[148] |
Rahmani M, Rahman M H. Adaptive neural network fast fractional sliding mode control of a 7-DOF exoskeleton robot[J]. International Journal of Control, Automation and Systems, 2020, 18: 124-133. DOI:10.1007/s12555-019-0155-1 |
[149] |
Brahmi B, el Bojairami I, Laraki M H, et al. Impedance learning control for physical human-robot cooperative interaction[J]. Mathematics and Computers in Simulation, 2021, 190: 1224-1242. DOI:10.1016/j.matcom.2021.07.016 |
[150] |
Wu Q C, Wu H T. Development, dynamic modeling, and multi-modal control of a therapeutic exoskeleton for upper limb rehabilitation training[J]. Sensors, 2018, 18(11). DOI:10.3390/s18113611 |
[151] |
Rahman M M, Ikeura R, Mizutani K. Investigation of the impedance characteristic of human arm for development of robots to cooperate with humans[J]. JSME International Journal, Series C: Mechanical Systems, Machine Elements and Manufacturing, 2002, 45(2): 510-518. |
[152] |
Tsuji T, Tanaka Y. On-line learning of robot arm impedance using neural networks[J]. Robotics and Autonomous Systems, 2005, 52(4): 257-271. DOI:10.1016/j.robot.2005.06.005 |
[153] |
Tee K P, Franklin D W, Kawato M, et al. Concurrent adaptation of force and impedance in the redundant muscle system[J]. Biological Cybernetics, 2010, 102: 31-44. DOI:10.1007/s00422-009-0348-z |
[154] |
Bennett D J. Stretch reflex responses in the human elbow joint during a voluntary movement[J]. The Journal of Physiology, 1994, 474(2): 339-351. DOI:10.1113/jphysiol.1994.sp020026 |
[155] |
Frankin D W, Burdet E, Osu R, et al. Functional significance of stiffness in adaptation of multijoint arm movements to stable and unstable dynamics[J]. Experimental Brain Research, 2003, 151: 145-157. DOI:10.1007/s00221-003-1443-3 |
[156] |
Li Z J, Xu C C, Wei Q, et al. Human-inspired control of dual-arm exoskeleton robots with force and impedance adaptation[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2020, 50(12): 5296-5305. DOI:10.1109/TSMC.2018.2871196 |
[157] |
Ajoudani A, Tsagarakis N, Bicchi A, et al. Tele-impedance: Teleoperation with impedance regulation using a body-machine interface[J]. International Journal of Robotics Research, 2012, 31(13): 1642-1656. DOI:10.1177/0278364912464668 |
[158] |
Huang B, Li Z J, Wu X Y, et al. Coordination control of a dual-arm exoskeleton robot using human impedance transfer skills[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2019, 49(5): 954-963. DOI:10.1109/TSMC.2017.2706694 |
[159] |
Wu Q C, Chen B, Wu H T. Adaptive admittance control of an upper extremity rehabilitation robot with neural-network-based disturbance observer[J]. IEEE Access, 2019, 7: 123807-123819. DOI:10.1109/ACCESS.2019.2938566 |
[160] |
Wolbrecht E T, Chan V, Reinkensmeyer D J, et al. Optimizing compliant, model-based robotic assistance to promote neurorehabilitation[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2008, 16(3): 286-297. DOI:10.1109/TNSRE.2008.918389 |
[161] |
Pehlivan A U, Losey D P, O'Malley M K. Minimal assist-as-needed controller for upper limb robotic rehabilitation[J]. IEEE Transactions on Robotics, 2016, 32(1): 113-124. DOI:10.1109/TRO.2015.2503726 |
[162] |
Agarwal P, Deshpande A D. Subject-specific assist-as-needed controllers for a hand exoskeleton for rehabilitation[J]. IEEE Robotics and Automation Letters, 2018, 3(1): 508-515. DOI:10.1109/LRA.2017.2768124 |
[163] |
Castiblanco J C, Mondragon I F, Alvarado-Rojas C. Assist-as-needed exoskeleton for hand joint rehabilitation based on muscle effort detection[J]. Sensors, 2021, 21(13). DOI:10.3390/s21134372 |
[164] |
Asl H J, Yamashita M, Narikiyo T, et al. Field-based assist-as-needed control schemes for rehabilitation robots[J]. IEEE/ASME Transactions on Mechatronics, 2020, 25(4): 2100-2111. DOI:10.1109/TMECH.2020.2992090 |
[165] |
Li X, Pan Y P, Chen G, et al. Multi-modal control scheme for rehabilitation robotic exoskeletons[J]. International Journal of Robotics Research, 2017, 36(5-7): 759-777. DOI:10.1177/0278364917691111 |
[166] |
Deisenroth M P, Fox D, Rasmussen C E. Gaussian processes for data-efficient learning in robotics and control[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(2): 408-423. DOI:10.1109/TPAMI.2013.218 |
[167] |
Hamaya M, Matsubara T, Noda T, et al. Learning assistive strategies for exoskeleton robots from user-robot physical interaction[J]. Pattern Recognition Letters, 2017, 99: 67-76. DOI:10.1016/j.patrec.2017.04.007 |
[168] |
Huang Z C, Liu J Q, Li Z J, et al. Adaptive impedance control of robotic exoskeletons using reinforcement learning[C] //International Conference on Advanced Robotics and Mechatronics. Piscataway, USA: IEEE, 2016: 243-248.
|
[169] |
Howlett O A, Lannin N A, Ada L. Functional electrical stimulation improves activity after stroke: A systematic review with meta-analysis[J]. Archives of Physical Medicine and Rehabilitation, 2015, 96(5): 934-943. DOI:10.1016/j.apmr.2015.01.013 |
[170] |
Resquin F, Gonzalez-Vargas J, Ibanez J, et al. Adaptive hybrid robotic system for rehabilitation of reaching movement after a brain injury: A usability study[J]. Journal of NeuroEngineering and Rehabilitation, 2017, 12. DOI:10.1186/s12984-017-0312-4 |
[171] |
Tu X K, Zhou X, Li J X, et al. Iterative learning control applied to a hybrid rehabilitation exoskeleton system powered by PAM and FES[J]. Cluster Computing, 2017, 20: 2855-2868. DOI:10.1007/s10586-017-0880-x |
[172] |
Tu X K, Han H L, Huang J, et al. Upper limb rehabilitation robot powered by PAMs cooperates with FES arrays to realize reach-to-grasp trainings[J/OL]. Journal of Healthcare Engineering, 2017. (2017-06-15)[2022-04-21]. https://doi.org/10.1155/2017/1282934.
|
[173] |
Kim G J, Rivera L, Stein J. Combined clinic-home approach for upper limb robotic therapy after stroke: A pilot study[J]. Archives of Physical Medicine and Rehabilitation, 2015, 96(12): 2243-2248. DOI:10.1016/j.apmr.2015.06.019 |
[174] |
Ang K K, Chua K S G, Phua K S, et al. A randomized controlled trial of EEG-based motor imagery brain-computer interface robotic rehabilitation for stroke[J]. Cilinical EEG and Neuroscience, 2015, 46(4): 310-320. DOI:10.1177/1550059414522229 |
[175] |
Grosse-Wentrup M, Mattia D, Oweiss K. Using brain-computer interfaces to induce neural plasticity and restore function[J]. Journal of Neural Engineering, 2011, 8(2). DOI:10.1088/1741-2560/8/2/025004 |
[176] |
Guo W C, Sheng X J, Liu J W, et al. Towards zero training for myoelectric control based on a wearable wireless sEMG armband[C]//IEEE International Conference on Advanced Intelligent Mechatronics. Piscataway, USA: IEEE, 2015: 196-201.
|
[177] |
Taylor C R, Srinivasan S S, Yeon S H, et al. Magnetomicrometry[J]. Science Robotics, 2021, 6(57). DOI:10.1126/scirobotics.abg0656 |
[178] |
Nuckols R W, Lee S, Swaminathan K, et al. Individualization of exosuit assistance based on measured muscle dynamics during versatile walking[J]. Science Robotics, 2021, 6(60). DOI:10.1126/scirobotics.abj1362 |
[179] |
Feys H, de Weerdt W, Verbeke G, et al. Early and repetitive stimulation of the arm can substantially improve the long-term outcome after stroke: A 5-year follow-up study of a randomized trial[J]. Stroke, 2004, 35(4): 924-929. DOI:10.1161/01.STR.0000121645.44752.f7 |
[180] |
Fasoli S E, Krebs H I, Stein J, et al. Effects of robotic therapy on motor impairment and recovery in chronic stroke[J]. Archives of Physical Medicine and Rehabilitation, 2003, 84: 477-482. DOI:10.1053/apmr.2003.50110 |
[181] |
Rodgers H, Bosomworth H, Keebs H I, et al. Robot assisted training for the upper limb after stroke (RATULS): A multicentre randomised controlled trial[J]. Lancet, 2019, 394(10192): 51-62. DOI:10.1016/S0140-6736(19)31055-4 |
[182] |
Lin K C, Chuang L L, Wu C Y, et al. Responsiveness and validity of three dexterous function measures in stroke rehabilitation[J]. Journal of Rehabilitation Research and Development, 2010, 47(6): 563-571. DOI:10.1682/JRRD.2009.09.0155 |