[發明專利]一種多傳感器融合的假肢手抓握力反饋控制方法

在審

• 申請號: 202111472020.5
• 申請日: 2021-12-06
• 公開（公告）號: CN113952091A
• 公開（公告）日: 2022-01-21
• 發明（設計）人: 姜海燕;黃書萍;李竹韻;杜民
• 申請（專利權）人: 福州大學
• 主分類號: A61F2/54
• 分類號: A61F2/54;A61F2/58;A61F2/72;G06F3/01;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 郭東亮;蔡學俊

1.一種多傳感器融合的假肢手抓握力反饋控制方法，其特征在于：所述假肢手包括基于PD的CMAC機械手抓握力控制器，其控制方法包括多傳感器融合與反饋方法、握力預測方法及基于PD的CMAC機械手抓握控制方法；

所述多傳感器融合與反饋方法中，以多傳感器組成的傳感器陣列對前臂、假肢手進行反饋信號與感知信號采集，對所采集的信號進行融合，包括對與手抓握運動相關的前臂肌肉采集其表面肌電信號，對被假肢手抓握的物體采集其溫度、接觸力、滑動狀態、采集抓握動作對應的關節加速度及角速度及對假肢手的抓握動作采集其實際握力；

所述握力預測方法是通過改進的TSK模糊遞歸小腦模型，以預處理后的肌電信號中的有效特征信息預測當前抓握動作的抓握力；

所述基于PD的CMAC機械手抓握控制方法為改進的小腦模型關節控制器中非線性量化CMAC-PD控制方法。

2.根據權利要求1所述的一種多傳感器融合的假肢手抓握力反饋控制方法，其特征在于：所述改進的小腦模型神經網絡預測假肢手抓握力大小時，通過對與手抓握運動相關的前臂肌肉的表面肌電信號進行濾波預處理，將遞歸小腦模型神經網絡與TSK模糊推理相結合，并采用小波函數作為隸屬度函數，以提高網絡的泛化能力和學習性能，遞歸小腦模型神經網絡的模型結構包括輸入層、聯想記憶層、接收域層、權值記憶層、輸出層以及遞歸單元；

遞歸小腦模型神經網絡包括以下模糊推理規則

R^λ：如果x₁是μ_1jk,x₂是μ_2jk,......,并且x_n是μ_njk,

則w_jk＝c_1jkx₁+c_2jkx₂+……c_njkx_n，j＝1,2,...,n_j，k＝1,2,...,n_k

其中，xi是第i個輸入值，μ_ijk是第i個輸入、第j層、第k塊的模糊集，w_jk是后續部分TSK型輸出的權重；

所述聯想記憶層將多個元素累積為一個塊，移動每個元素后得到不同區塊，每個區塊執行一個接收域基函數。采用高斯型小波函數作為隸屬度函數，即利用高斯函數的一階導數構造小波函數，具體的計算公式為

其中，x_rijk是輸入信號，m_ijk和v_ijk分別是小波函數的平移和擴張參數，對應于第i個輸入、第j層、第k塊的隸屬基函數。

遞歸單元函數如下：

x_rijk(t)＝x_i(t)+w_rijkμ_ijk(t-1) 公式二；

其中，t是數據的時間序列，w_rijk是該遞歸單元的權重，表示上一時刻的輸出對這一刻的影響程度，μ_ijk(t-1)表示上一時刻的輸出結果，μ_ijk為聯想記憶層的輸出結果。因此該時刻的輸出包含該時刻的數據和上一時刻對其的影響；

所述接收域層利用與運算實現模糊乘積推理，其公式為

所述權值記憶層具有TSK模糊輸出的權重，采用輸入的多項式函數表示以獲得更準確的近似能力，公式為

其中c_ijk為常數，表示第j層、第k塊與第i個輸入的連接權值；

遞歸小腦模型神經網絡的輸出y為接收域與激活權值的代數和，即為預測的抓握力，公式為

遞歸小腦模型的更新參數為m_ijk、v_ijk、w_rijk和c_ijk，其用于描述更新算法的誤差函數定義為

采用動量梯度下降法對參數進行更新，通過計算梯度的指數加權平均數來更新權重，w為m_ijk、v_ijk、w_rijk和c_ijk，有公式為

V_dw＝β*V_dw+(1-β)*dw 公式七；

w＝w+α*V_dw 公式八；

其中，β為動量系數，β*V_dw為動量項，(1-β)*dw為梯度下降量，V_dw為指數加權平均和，乘以學習衰減率α得到參數更新量。