一种外骨骼机器人多模式行走机制下的痉挛异常监测器的制作方法

1.本发明涉及一种外骨骼机器人多模式行走机制下的痉挛异常监测器，属于外骨骼机器人技术。


背景技术：

2.助力外骨骼机器人是一种穿戴方式的下肢步行仿生机械腿，它可通过电机的力输出实现柔性行走或电机的位置输出实现刚性行走；在大部分患者的康复训练的过程中，存在由于患者中枢神经系统问题或训练疲劳等导致的肌肉自发的强直性收缩，也就是痉挛。中国专利cn201811523131.2提供了一种基于康复机器人对用户进行痉挛检测的方法，专利利用康复机器人采集用户正常行走时的电流数据，建立用户数据库，采用参数辨识获取电流数据的加权信息，并作为痉挛检测算法的其中一个输入值，用户做康复训练时，采集康复机器人的各关节的电流数据，最后利用模式判断算法给出痉挛模式概率、故障模式概率和阻抗模式概率；但该方法没考虑到力矩行走下的痉挛监测识别方法，且其位置行走下的电流还需要建立数据库，进行参数识别，用到模式识别算法，比较复杂，鲁棒性差。中国专利cn201910941991.6提出一种具有牵伸、肌电刺激、热疗三种功能的下肢痉挛模式综合康复装置，该装置从痉挛模式特点整体入手，依据反射性抑制模式治疗原理，使整个患肢处于最佳抗痉挛肢体位，覆盖范围扩大为髋、膝、踝、足趾等关节及其肌骨系统，使治疗过程更全面，治疗效果更佳；但该专利主要是用于痉挛发生后的康复治疗，不能在外骨骼康复运动中进行痉挛监测。中国专利cn202011475364.7提供一种外骨骼机器人步态训练过程中改善肌肉痉挛的方法，专利通过表面电极以电刺激方式激励肌肉，以达到在外骨骼机器人训练患者步态运动时有效地缓解肌肉痉挛的目的；同时，该装置可以在不影响患者穿戴下快速缓解痉挛，避免因痉挛带来的不必要伤害和疼痛，该专利通过安置表面电极以电刺激方式去缓解肌肉痉挛，同样不能在外骨骼康复运动中进行痉挛监测。


技术实现要素：

3.发明目的：为了克服现有技术中存在的不足，本发明提供一种外骨骼机器人多模式行走机制下的痉挛异常监测器，能够在力矩模式行走及位置模式行走下对患者由于身体原因导致的肌肉痉挛进行在线监控，保护患者在训练过程中的人身安全；
4.技术方案：为实现上述目的，本发明采用的技术方案为：
5.一种外骨骼机器人多模式行走机制下的痉挛异常监测器，该痉挛异常监测器的监测对象为外骨骼机器人，外骨骼机器人是主要由左髋、左膝、右髋、右膝四个电机及其对应的关节连杆构成的机械电子动力系统，通过信号采集和处理获得四个电机的位置信号、速度信号和电流信号；该痉挛异常监测器包括人机交互界面、痉挛参数处理模块、力矩行走痉挛监测模块、位置行走痉挛监测模块和痉挛异常处理模块；
6.所述人机交互界面，用于设定步态参数、行走模式和痉挛灵敏度参数，行走模式包括力矩行走模式和位置行走模式；
7.所述痉挛参数处理模块，根据步态参数生成理论行走轨迹，根据样本位置数据进行区段分割；根据理论行走轨迹、行走模式和痉挛监测灵敏度参数为力矩行走痉挛监测模块生成所需的运动活跃阈值和痉挛触发条件i，其中痉挛触发条件i包括痉挛判断持续时间和痉挛触发速度阈值；根据样本电流数据、行走模式和痉挛灵敏度参数为位置行走痉挛监测模块生成所需的滤波参数和痉挛触发条件ii，其中痉挛触发条件ii包括痉挛判断持续时间和痉挛触发电流变化阈值为；
8.所述力矩行走痉挛监测模块，根据区段分割边界划分为监测区和非监测区，对监测区的实际速度信号进行运动活跃阈值判断，并进一步判断痉挛触发条件i，若满足痉挛触发条件i，则将痉挛异常信号输出至痉挛异常处理模块；如果在非监测区，则不做痉挛判断处理；
9.所述位置行走痉挛监测模块，根据区段分割边界划分为监测区和非监测区，对监测区的实际电流信号进行滤波处理，并进一步判断痉挛触发条件ii，若满足痉挛触发条件ii，则将痉挛异常信号输出至痉挛异常处理模块；如果在非监测区，则不做痉挛判断处理；
10.所述痉挛异常处理模块，收到痉挛异常信号后，对电机进行安全处理(比如锁定或失能处理)，语音播报提示治疗师进行介入处理，并记录相关数据供治疗师进一步处理。
11.所述力矩行走痉挛监测模块根据痉挛触发条件i判断是否发生痉挛，痉挛触发条件i包括痉挛判断持续时间和痉挛触发速度阈值，若当前速度值小于痉挛触发速度阈值，且持续时间满足设定则判定发生痉挛异常；所述位置行走痉挛监测模块根据痉挛触发条件ii判断是否发生痉挛，痉挛触发条件ii包括痉挛判断持续时间和痉挛触发电流变化阈值，若当前的痉挛电流大于痉挛触发电流变化阈值，且持续时间满足设定则判定发生痉挛异常；所述痉挛触发累积次数设定值用于得到持续时间，由于相邻两点的间隔时间是固定大小的，该间隔时间乘以痉挛触发累积次数就得到痉挛判断所需要的持续时间：设定值越大，痉挛监测灵敏度越低，误识别概率越低；设定值越小，痉挛监测灵敏度越高，误识别概率越高，越容易受到外界扰动影响以及患者本身一些动作影响。
12.具体的，所述步态参数包括髋膝关节运动的最大最小角q
hip_max
、q
hip_min
，q
knee_max
、q
knee_min
；所述理论行走轨迹是使用q
hip_max
、q
hip_min
，q
knee_max
、q
knee_min
和单步周期t＝0,1,2,
…
,t对给定的标准步态轨迹进行曲线调整后得到的轨迹；
13.所述标准步态轨迹包括标准关节位置轨迹曲线hq和标准关节速度轨迹曲线hdq：
14.hq＝{hq
left_hip
,hq
left_knee
,hq
right_hip
,hq
right_knee
}
15.hq
left_hip
＝{hq
left_hip_0
,hq
left_hip_1
,
…
,hq
left_hip_t
}
16.hq
left_knee
＝{hq
left_knee_0
,hq
left_knee_1
,
…
,hq
left_knee_t
}
17.hq
right_hip
＝{hq
right_hip_0
,hq
right_hip_1
,
…
,hq
right_hip_t
}
18.hq
right_knee
＝{hq
right_knee_0
,hq
right_knee_1
,
…
,hq
right_knee_t
}
19.hdq＝{hdq
left_hip
,hdq
left_knee
,hdq
right_hip
,hdq
right_knee
}
20.hdq
left_hip
＝{hdq
left_hip_0
,hdq
left_hip_1
,
…
,hdq
left_hip_t
}
21.hdq
left_knee
＝{hdq
left_knee_0
,hdq
left_knee_1
,
…
,hdq
left_knee_t
}
22.hdq
right_hip
＝{hdq
right_hip_0
,hdq
right_hip_1
,
…
,hdq
right_hip_t
}
23.hdq
right_knee
＝{hdq
right_knee_0
,hdq
right_knee_1
,
…
,hdq
right_knee_t
}
24.所述理论行走轨迹包括理论关节位置轨迹曲线nq和理论关节速度轨迹曲线ndq：
25.nq＝{nq
left_hip
,nq
left_knee
,nq
right_hip
,nq
right_knee
}
26.nq
left_hip
＝{nq
left_hip_0
,nq
left_hip_1
,
…
,nq
left_hip_t
}
27.nq
left_knee
＝{nq
left_knee_0
,nq
left_knee_1
,
…
,nq
left_knee_t
}
28.nq
right_hip
＝{nq
right_hip_0
,nq
right_hip_1
,
…
,nq
right_hip_t
}
29.nq
right_knee
＝{nq
right_knee_0
,nq
right_knee_1
,
…
,nq
right_knee_t
}
[0030][0031][0032][0033][0034]
ndq＝{ndq
left_hip
,ndq
left_knee
,ndq
right_hip
,ndq
right_knee
}
[0035]
ndq
left_hip
＝{ndq
left_hip_0
,ndq
left_hip_1
,
…
,ndq
left_hip_t
}
[0036]
ndq
left_knee
＝{ndq
left_knee_0
,ndq
left_knee_1
,
…
,ndq
left_knee_t
}
[0037]
ndq
right_hip
＝{ndq
right_hip_0
,ndq
right_hip_1
,
…
,ndq
right_hip_t
}
[0038]
ndq
right_knee
＝{ndq
right_knee_0
,ndq
right_knee_1
,
…
,ndq
right_knee_t
}
[0039][0040][0041][0042][0043]
其中：下标中的hip、knee分别表示髋关节、膝关节，下标中的left_hip、left_knee、right_hip、rightt_knee分别表示左髋关节、左膝关节、右髋关节、右膝关节，下标中的0,1,2,
…
,i,
…
t表示单步周期中的时间点，下标中的min、max分别表示最小值、最大值，abs()表示绝对值函数。
[0044]
具体的，根据理论行走轨迹获得运动活跃阈值为δ∈{δ
hip
,δ
knee
}：
[0045]
δ
hip
＝min{min{ndq
left_hip
},min{ndq
right_hip
}}
[0046]
δ
knee
＝min{min{nq
left_knee
},min{nq
right_knee
}}
[0047]
其中：min{}表示求取数列中的最小值。
[0048]
具体的，所述样本电流数据是使用位置行走模式进行落地行走时，预先采集的患者左右髋膝关节的实际电流数据样本集合nc：
[0049]
nc＝{nc
left_hip
,nc
left_knee
,nc
right_hip
,nc
right_knee
}
[0050]
nc
left_hip
＝{nc
left_hip_0
,nc
left_hip_1
,
…
,nc
left_hip_t
}
[0051]
nc
left_knee
＝{nc
left_knee_0
,nc
left_knee_1
,
…
nc
left_knee_t
}
[0052]
nc
right_hip
＝{nc
right_hip_0
,nc
right_hip_1
,
…
,nc
right_hip_t
}
[0053]
nc
right_knee
＝{nc
right_knee_0
,nc
right_knee_1
,
…
,nc
right_knee_t
}
[0054]
对监测区ii的实际电流信号进行滤波处理，采用的数学滤波模型表示为：设当前滤波值为t
now
，当前权重值为p
now
，当前测量值为t
mes
，上次滤波值为t
last
，上次权重值为p
last
，预测滤波值为t
pre
，预测权重值为p
pre
，t
pre
＝t
last
，p
pre
＝p
last
+q，则有t
now
＝t
pre
+k
×
(t
mes-t
pre
)，p
now
＝p
pre-k
×
p
pre
；初始时t
last
＝0，p
last
＝0，将样本电流数据作为t
mes
代入数学滤波模型，得到滤波后电流数据，将滤波参数{q,r}作为调节经验值，通过比对样本电流数据和滤波后电流数据得到。
[0055]
具体的，所述样本位置数据是使用力矩行走模式进行落地行走时，预先采集的患者左右髋膝关节的实际位置数据样本集合nk：
[0056]
nk＝{nk
left_hip_0
,nk
lef_thip_1
,
…
,nk
lef_thip_t
；nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
；nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
；nk
right_knee_0
,nk
right_knee_1
,
…
,nk
right_knee_t
}
[0057]
根据样本位置数据进行区段分割，确定髋部边界为hipb∈{hb1,hb2,hb3,hb4}、膝部边界为kneeb∈{kb1,kb2,kb3,kb4}；具体过程为：
[0058]
(1)设人体左右髋膝关节的活动范围为：
[0059]
左髋关节活动范围为：hum
left_hip_min
～hum
left_hip_max
[0060]
hum
left_hip_min
＝min(nk
left_hip_0
,nk
left_hip_1
,
…
,nk
left_hip_t
)
[0061]
hum
left_hip_max
＝max(nk
left_hip_0
,nk
left_hip_1
,
…
,nk
left_hip_t
)
[0062]
左膝关节活动范围为：hum
left_knee_min
～hum
left_knee_max
[0063]
hum
left_knee_min
＝min(nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
)
[0064]
hum
left_knee_max
＝max(nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
)
[0065]
右髋关节活动范围为：hum
right_hip_min
～hum
right_hip_max
[0066]
hum
right_hip_min
＝min(nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
)
[0067]
hum
right_hip_max
＝max(nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
)
[0068]
右膝关节活动范围为：hum
right_knee_min
～hum
right_knee_max
[0069]
hum
right_knee_min
＝min(nk
right_knee_0
,nk
right_knee_1
,
…
,nk
rightknee_t
)
[0070]
hum
right_knee_max
＝max(nk
right_knee_0
,nk
right_knee_1
,
…
,nk
right_knee_t
)
[0071]
(2)确认髋膝关节的有效活动范围为：
[0072]
髋关节有效活动范围为：hip
scope_min
～hip
scope_max
[0073]
hip
scope_min
＝max(hum
left_hip_min
,hum
right_hip_min
)
[0074]
hip
scope_max
＝min(hum
left_hip_max
,hum
right_hip_max
)
[0075]
膝关节有效活动范围为：knee
scope_min
～knee
scope_max
；
[0076]
knee
scope_min
＝max(hum
left_knee_min
,hum
right_knee_min
)
[0077]
knee
scope_max
＝min(hum
left_knee_max
,hum
right_knee_max
)
[0078]
(3)根据落地行走的落地深度与髋膝关节的有效活动范围成反比，落地深度越深髋膝关节的有效活动范围越小，落地深度越浅髋膝关节的有效活动范围越大；将非悬空时的落地深度与髋膝关节的活动范围的关系设为k表示非悬空时髋膝关节的活动范围的调整系数，h表示非悬空时的落地深度，v表示经验系数；将悬空时的落地深度记为h＝0，悬空时的髋膝关节的活动范围的调整系数k＝1；
[0079]
根据髋膝关节的活动范围的调整系数k确定髋部边界为hipb∈{hb1,hb2,hb3,hb4}、膝部边界为kneeb∈{kb1,kb2,kb3,kb4}：
[0080]
若k≥1，则划分的区段为：
[0081]
髋部非敏感区间i为[hb1,hb2]：hb1＝hip
scope_min
，hb2＝hip
scope_min
×
(2-k)
[0082]
髋部敏感区间为[hb2,hb3]：hb2＝hip
scope_min
×
(2-k)，hb3＝hip
scope_max
×k[0083]
髋部非敏感区间ii为[hb3,hb4]:hb3＝hip
scope_max
×
k，hb4＝hip
scope_max
[0084]
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×
(2-k)
[0085]
膝部敏感区间为[kb2,kb3]：kb2＝knee
scope_min
×
(2-k)，kb3＝knee
scope_max
×k[0086]
膝部非敏感区间ii为[kb3,kb4]：kb3＝knee
scope_max
×
k，kb4＝knee
scope_max
[0087]
若k＜1，则划分的区段为：
[0088]
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×k[0089]
髋部敏感区间为[hb2,hb3]：kb2＝knee
scope_min
×
k，hb3＝hip
scope_max
×k[0090]
髋部非敏感区间ii为[hb3,hb4]：hb3＝hip
scope_max
×
k，hb4＝hip
scope_max
[0091]
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×k[0092]
膝部敏感区间为[kb2,kb3]：kb2＝knee
scope_min
×
k，kb3＝knee
scope_max
×k[0093]
膝部非敏感区间ii为[kb3,kb4]：kb3＝knee
scope_max
×
k，kb4＝knee
scope_max
[0094]
具体的，所述力矩行走痉挛监测模块的监测策略为：
[0095]
首先，根据样本位置数据进行区段分割，将髋膝部敏感区间作为监测区，髋膝部非敏感区间作为非监测区，对髋膝实际位置处于非监测区的情况，不进行痉挛异常监测；
[0096]
然后，根据力矩行走痉挛监测模块的痉挛触发条件i判断是否发生痉挛异常：
[0097]
①
设左髋关节实际位置为q
left_hip
，左髋关节实际速度为dq
left_hip
，左髋痉挛触发速度阈值为vs
left_hip
，若q
left_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断左髋部处于监测区，在监测区内按照设定频率对dq
left_hip
进行监测，统计左髋痉挛触发累积次数sn
left_hip
：每监测到1次dq
left_hip
＜vs
left_hip
，则sn
left_hip
累积1；若监测到dq
left_hip
≥vs
left_hip
，则sn
left_hip
置零并重新累积；若sn
left_hip
达到左髋痉挛触发累积次数设定值，则判断发生左髋痉挛异常；
[0098]
②
设左膝关节实际位置为q
left_knee
，左膝关节实际速度为dq
left_knee
，左膝痉挛触发速度阈值为vs
left_knee
，若q
left_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断左膝部处于监测区，在监测区内按照设定频率对dq
left_knee
进行监测，统计左膝痉挛触发累积次数sn
left_knee
：每监测到1次dq
left_knee
＜vs
left_knee
，则sn
left_knee
累积1；若监测到dq
left_knee
≥
vs
left_knee
，则sn
left_knee
置零并重新累积；若sn
left_knee
达到左膝痉挛触发累积次数设定值，则判断发生左膝痉挛异常；
[0099]
③
设右髋关节实际位置为q
right_hip
，右髋关节实际速度为dq
right_hip
，右髋痉挛触发速度阈值为vs
right_hip
，若q
right_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断右髋部处于监测区，在监测区内按照设定频率对dq
right_hip
进行监测，统计右髋痉挛触发累积次数sn
right_hip
：每监测到1次dq
right_hip
＜vs
right_hip
，则sn
right_hip
累积1；若监测到dq
right_hip
≥vs
right_hip
，则sn
right_hip
置零并重新累积；若sn
right_hip
达到右髋痉挛触发累积次数设定值，则判断发生右髋痉挛异常；
[0100]
④
设右膝关节实际位置为q
right_knee
，右膝关节实际速度为dq
right_knee
，右膝痉挛触发速度阈值为vs
right_knee
，若q
right_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断右膝部处于监测区，在监测区内按照设定频率对dq
right_knee
进行监测，统计右膝痉挛触发累积次数sn
right_knee
：每监测到1次dq
right_knee
＜vs
right_knee
，则sn
right_knee
累积1；若监测到dq
right_knee
≥vs
right_knee
，则sn
right_knee
置零并重新累积；若sn
right_knee
达到右膝痉挛触发累积次数设定值，则判断发生右膝痉挛异常；
[0101]
最后，将左髋痉挛异常、左膝痉挛异常、右髋痉挛异常、右膝痉挛异常信号输出至痉挛异常处理模块。
[0102]
具体的，所述位置行走痉挛监测模块的监测策略为：
[0103]
首先，根据样本位置数据进行区段分割，将髋膝部敏感区间作为监测区，髋膝部非敏感区间作为非监测区，对髋膝实际位置处于非监测区的情况，不进行痉挛异常监测；
[0104]
然后，根据位置行走痉挛监测模块的痉挛触发条件ii判断是否发生痉挛异常：
[0105]
①
设左髋关节实际位置为q
left_hip
，左髋关节实际电流为c
left_hip
，使用优化后的滤波参数{q,r}对c
left_hip
进行滤波，计算滤波后的实际电流变化值dc
left_hip
，左髋痉挛触发电流变化阈值为cs
left_hip
，若q
left_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断左髋部处于监测区，在监测区内按照设定频率对dc
left_hip
进行监测，统计左髋痉挛触发累积次数sn
left_hip
：每监测到1次dc
left_hip
＞cs
left_hip
，则sn
left_hip
累积1；若监测到dc
left_hip
≤cs
left_hip
，则sn
left_hip
置零并重新累积；若sn
left_hip
达到左髋痉挛触发累积次数设定值，则判断发生左髋痉挛异常；
[0106]
②
设左膝关节实际位置为q
left_knee
，左膝关节实际电流为c
left_knee
，使用优化后的滤波参数{q,r}对c
left_knee
进行滤波，计算滤波后的实际电流变化值dc
left_knee
，左膝痉挛触发电流变化阈值为cs
left_knee
，若q
left_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断左膝部处于监测区，在监测区内按照设定频率对dc
left_knee
进行监测，统计左膝痉挛触发累积次数sn
left_knee
：每监测到1次dc
left_knee
＞cs
left_knee
，则sn
left_knee
累积1；若监测到dc
left_knee
≤cs
left_knee
，则sn
left_knee
置零并重新累积；若sn
left_knee
达到左膝痉挛触发累积次数设定值，则判断发生左膝痉挛异常；
[0107]
③
设右髋关节实际位置为q
right_hip
，右髋关节实际电流为c
right_hip
，使用优化后的滤波参数{q,r}对c
right_hip
进行滤波，计算滤波后的实际电流变化值dc
right_hip
，右髋痉挛触发电流变化阈值为cs
right_hip
，若q
right_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断右髋部处于监测区，在监测区内按照设定频率对dc
right_hip
进行监测，统计右髋痉挛触发累积次数sn
right_hip
：每监测到1次dc
right_hip
＞cs
right_hip
，则sn
right_hip
累积1；若监测到dc
right_hip
≤
cs
right_hip
，则sn
right_hip
置零并重新累积；若sn
right_hip
达到右髋痉挛触发累积次数设定值，则判断发生右髋痉挛异常；
[0108]
④
设右膝关节实际位置为q
right_knee
，右膝关节实际电流为c
right_knee
，使用优化后的滤波参数{q,r}对c
right_knee
进行滤波，计算滤波后的实际电流变化值dc
right_knee
，右膝痉挛触发电流变化阈值为cs
right_knee
，若q
right_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断右膝部处于监测区，在监测区内按照设定频率对dc
right_knee
进行监测，统计右膝痉挛触发累积次数sn
right_knee
：每监测到1次dc
right_knee
＞cs
right_knee
，则sn
right_knee
累积1；若监测到dc
right_knee
≤cs
right_knee
，则sn
right_knee
置零并重新累积；若sn
right_knee
达到右膝痉挛触发累积次数设定值，则判断发生右膝痉挛异常；
[0109]
最后，将左髋痉挛异常、左膝痉挛异常、右髋痉挛异常、右膝痉挛异常信号输出至痉挛异常处理模块。
[0110]
具体的，信号采集和处理模块接收传感器采集到的四个电机的编码器数据，通过信号采集和处理获得四个电机的位置信号、速度信号和电流信号。
[0111]
具体的，所述四个电机均为直流伺服电机。
[0112]
具体的，所述外骨骼机器人是主要由左髋、左膝、右髋、右膝四个直流伺服电机，及其对应的编码器、谐波减速机构、绑带固连件和关节连杆构成的机械电子动力系统。
[0113]
具体的，所述人机交互界面，包括患者使用界面和治疗师使用界面，两个界面的操作权限不同，步态参数在患者使用界面设置，痉挛判断相关参数在治疗师使用界面中设置。
[0114]
有益效果：本发明提供的外骨骼机器人多模式行走机制下的痉挛异常监测器，与现有技术相比具有如下优势：1、本发明针对目前外骨骼机器人常见的力矩行走和位置行走模式，在不额外增加传感器情况下，利用机器人本身自带的位置编码器与霍尔传感器数据，设计了针对两种不同模式的痉挛监测机制，硬件成本低；2、本发明有效针对落地行走的特点和患的肌张力特征制定了对应的痉挛监测机制，独创推出敏感区域分区段监测方法，能够避免落地行走的冲击干扰和患者的一些非自发运动导致的痉挛误判，有效提高了准确性何鲁棒性。
附图说明
[0115]
图1为本发明的系统框架示意图；
[0116]
图2为在k≥1情况下膝关节的敏感区间示意图；
[0117]
图3为在k＜1情况下髋关节的敏感区间示意图。
具体实施方式
[0118]
以下结合附图和具体实施例对本发明作具体的介绍。
[0119]
一种外骨骼机器人多模式行走机制下的痉挛异常监测器，通过对患者的肌张力情况、行走的落地深度信息，获得痉挛监测判断的敏感区间，结合痉挛监测的设定阈值，可在患者由于肌张力异常及落地扰动情况下，有效识别出痉挛现象，保护患者训练时的身心健康。
[0120]
如图1所示，该痉挛异常监测器的监测对象为外骨骼机器人，外骨骼机器人是主要由左髋、左膝、右髋、右膝四个直流伺服电机及其对应的编码器、谐波减速机构、绑带固连件
和关节连杆构成的机械电子动力系统，信号采集和处理模块接收传感器采集到的四个电机的编码器数据，通过信号采集和处理获得四个电机的位置信号、速度信号和电流信号；该痉挛异常监测器包括人机交互界面、痉挛参数处理模块、力矩行走痉挛监测模块、位置行走痉挛监测模块和痉挛异常处理模块。下面就各个组成部分加以具体说明。
[0121]
一、人机交互界面
[0122]
所述人机交互界面，用于设定步态参数、行走模式和痉挛灵敏度参数，行走模式包括力矩行走模式和位置行走模式；有患者使用界面和治疗师使用界面，两个界面的操作权限不同，步态参数在患者使用界面设置，痉挛判断相关参数在治疗师使用界面中设置。
[0123]
所述步态参数包括髋膝关节运动的最大最小角q
hip_max
、q
hip_min
，q
knee_max
、q
knee_min
。
[0124]
本案中，下标中的hip、knee分别表示髋关节、膝关节，下标中的left_hip、left_knee、right_hip、rightt_knee分别表示左髋关节、左膝关节、右髋关节、右膝关节，下标中的0,1,2,
…
,i,
…
t表示单步周期中的时间点，下标中的min、max分别表示最小值、最大值，abs()表示绝对值函数，min{}表示求取数列中的最小值。
[0125]
二、痉挛参数处理模块
[0126]
所述痉挛参数处理模块，根据步态参数生成理论行走轨迹，根据样本位置数据进行区段分割；根据理论行走轨迹、行走模式和痉挛监测灵敏度参数为力矩行走痉挛监测模块生成所需的运动活跃阈值和痉挛触发条件i，其中痉挛触发条件i包括痉挛判断持续时间和痉挛触发速度阈值；根据样本电流数据、行走模式和痉挛灵敏度参数为位置行走痉挛监测模块生成所需的滤波参数和痉挛触发条件ii，其中痉挛触发条件ii包括痉挛判断持续时间和痉挛触发电流变化阈值为。
[0127]
(1)生成理论行走轨迹
[0128]
所述理论行走轨迹是使用q
hip_max
、q
hip_min
，q
knee_max
、q
knee_min
和单步周期t＝0,1,2,
…
,t对给定的标准步态轨迹进行曲线调整后得到的轨迹。
[0129]
所述标准步态轨迹包括标准关节位置轨迹曲线hq和标准关节速度轨迹曲线hdq：
[0130]
hq＝{hq
left_hip
,hq
left_knee
,hq
right_hip
,hq
right_knee
}
[0131]
hq
left_hip
＝{hq
left_hip_0
,hq
left_hip_1
,
…
,hq
left_hip_t
}
[0132]
hq
left_knee
＝{hq
left_knee_0
,hq
left_knee_1
,
…
,hq
left_knee_t
}
[0133]
hq
right_hip
＝{hq
right_hip_0
,hq
right_hip_1
,
…
,hq
right_hip_t
}
[0134]
hq
right_knee
＝{hq
right_knee_0
,hq
right_knee_1
,
…
,hq
right_knee_t
}
[0135]
hdq＝{hdq
left_hip
,hdq
left_knee
,hdq
right_hip
,hdq
right_knee
}
[0136]
hdq
left_hip
＝{hdq
left_hip_0
,hdq
left_hip_1
,
…
,hdq
left_hip_t
}
[0137]
hdq
left_knee
＝{hdq
left_knee_0
,hdq
left_knee_1
,
…
,hdq
left_knee_t
}
[0138]
hdq
right_hip
＝{hdq
right_hip_0
,hdq
right_hip_1
,
…
,hdq
right_hip_t
}
[0139]
hdq
right_knee
＝{hdq
right_knee_0
,hdq
right_knee_1
,
…
,hdq
right_knee_t
}
[0140]
所述理论行走轨迹包括理论关节位置轨迹曲线nq和理论关节速度轨迹曲线ndq：
[0141]
nq＝{nq
left_hip
,nq
left_knee
,nq
right_hip
,nq
right_knee
}
[0142]
nq
left_hip
＝{nq
left_hip_0
,nq
left_hip_1
,
…
,nq
left_hip_t
}
[0143]
nq
left_knee
＝{nq
left_knee_0
,nq
left_knee_1
,
…
,nq
left_knee_t
}
[0144]
nq
right_hip
＝{nq
right_hip_0
,nq
right_hip_1
,
…
,nq
right_hip_t
}
[0145]
nq
right_knee
＝{nq
right_knee_0
,nq
right_knee_1
,
…
,nq
right_knee_t
}
[0146][0147][0148][0149][0150]
ndq＝{ndq
left_hip
,ndq
left_knee
,ndq
right_hip
,ndq
right_knee
}
[0151]
ndq
left_hip
＝{ndq
left_hip_0
,ndq
left_hip_1
,
…
,ndq
left_hip_t
}
[0152]
ndq
left_knee
＝{ndq
left_knee_0
,ndq
left_knee_1
,
…
,ndq
left_knee_t
}
[0153]
ndq
right_hip
＝{ndq
right_hip_0
,ndq
right_hip_1
,
…
,ndq
right_hip_t
}
[0154]
ndq
right_knee
＝{ndq
right_knee_0
,ndq
right_knee_1
,
…
,ndq
right_knee_t
}
[0155][0156][0157][0158][0159]
(2)确定运动活跃阈值
[0160]
根据理论行走轨迹获得运动活跃阈值为δ∈{δ
hip
,δ
knee
}：
[0161]
δ
hip
＝min{min{ndq
left_hip
},min{ndq
right_hip
}}
[0162]
δ
knee
＝min{min{nq
left_knee
},min{nq
right_knee
}}
[0163]
(3)确定滤波参数
[0164]
所述样本电流数据是使用位置行走模式进行落地行走时，预先采集的患者左右髋膝关节的实际电流数据样本集合nc：
[0165]
nc＝{nc
left_hip
,nc
left_knee
,nc
right_hip
,nc
right_knee
}
[0166]
nc
left_hip
＝{nc
left_hip_0
,nc
left_hip_1
,
…
,nc
left_hip_t
}
[0167]
nc
left_knee
＝{nc
left_knee_0
,nc
left_knee_1
,
…
nc
left_knee_t
}
[0168]
nc
right_hip
＝{nc
right_hip_0
,nc
right_hip_1
,
…
,nc
right_hip_t
}
[0169]
nc
right_knee
＝{nc
right_knee_0
,nc
right_knee_1
,
…
,nc
right_knee_t
}
[0170]
对监测区ii的实际电流信号进行滤波处理，采用的数学滤波模型表示为：设当前滤波值为t
now
，当前权重值为p
now
，当前测量值为t
mes
，上次滤波值为t
last
，上次权重值为p
last
，预测滤波值为t
pre
，预测权重值为p
pre
，t
pre
＝t
last
，p
pre
＝p
last
+q，则有t
now
＝t
pre
+k
×
(t
mes-t
pre
)，p
now
＝p
pre-k
×
p
pre
；初始时t
last
＝0，p
last
＝0，将样本电流数据作为t
mes
代入数学滤波模型，得到滤波后电流数据，将滤波参数{q,r}作为调节经验值，通过比对样本电流数据和滤波后电流数据得到。
[0171]
(4)区段分割
[0172]
所述样本位置数据是使用力矩行走模式进行落地行走时，预先采集的患者左右髋膝关节的实际位置数据样本集合nk：
[0173]
nk＝{nk
left_hip_0
,nk
lef_thip_1
,
…
,nk
lef_thip_t
；nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
；nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
；nk
right_knee_0
,nk
right_knee_1
,
…
,nk
right_knee_t
}
[0174]
根据样本位置数据进行区段分割，确定髋部边界为hipb∈{hb1,hb2,hb3,hb4}、膝部边界为kneeb∈{kb1,kb2,kb3,kb4}；具体过程为：
[0175]
(4.1)设人体左右髋膝关节的活动范围为：
[0176]
左髋关节活动范围为：hum
left_hip_min
～hum
left_hip_max
[0177]
hum
left_hip_min
＝min(nk
left_hip_0
,nk
left_hip_1
,
…
,nk
left_hip_t
)
[0178]
hum
left_hip_max
＝max(nk
left_hip_0
,nk
left_hip_1
,
…
,nk
left_hip_t
)
[0179]
左膝关节活动范围为：hum
left_knee_min
～hum
left_knee_max
[0180]
hum
left_knee_min
＝min(nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
)
[0181]
hum
left_knee_max
＝max(nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
)
[0182]
右髋关节活动范围为：hum
right_hip_min
～hum
right_hip_max
[0183]
hum
right_hip_min
＝min(nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
)
[0184]
hum
right_hip_max
＝max(nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
)
[0185]
右膝关节活动范围为：hum
right_knee_min
～hum
right_knee_max
[0186]
hum
right_knee_min
＝min(nk
right_knee_0
,nk
right_knee_1
,
…
,nk
rightknee_t
)
[0187]
hum
right_knee_max
＝max(nk
right_knee_0
,nk
right_knee_1
,
…
,nk
right_knee_t
)
[0188]
(4.2)确认髋膝关节的有效活动范围为：
[0189]
髋关节有效活动范围为：hip
scope_min
～hip
scope_max
[0190]
hip
scope_min
＝max(hum
left_hip_min
,hum
right_hip_min
)
[0191]
hip
scope_max
＝min(hum
left_hip_max
,hum
right_hip_max
)
[0192]
膝关节有效活动范围为：knee
scope_min
～knee
scope_max
；
[0193]
knee
scope_min
＝max(hum
left_knee_min
,hum
right_knee_min
)
[0194]
knee
scope_max
＝min(hum
left_knee_max
,hum
right_knee_max
)
[0195]
(4.3)根据落地行走的落地深度与髋膝关节的有效活动范围成反比，落地深度越深髋膝关节的有效活动范围越小，落地深度越浅髋膝关节的有效活动范围越大；将非悬空
时的落地深度与髋膝关节的活动范围的关系设为k表示非悬空时髋膝关节的活动范围的调整系数，h表示非悬空时的落地深度，v表示经验系数；将悬空时的落地深度记为h＝0，悬空时的髋膝关节的活动范围的调整系数k＝1。根据髋膝关节的活动范围的调整系数k确定髋部边界为hipb∈{hb1,hb2,hb3,hb4}、膝部边界为kneeb∈{kb1,kb2,kb3,kb4}：
[0196]
(4.3.1)若k≥1，则划分的区段为：
[0197]
①
髋部非敏感区间i为[hb1,hb2]：hb1＝hip
scope_min
，hb2＝hip
scope_min
×
(2-k)
[0198]
②
髋部敏感区间为[hb2,hb3]：hb2＝hip
scope_min
×
(2-k)，hb3＝hip
scope_max
×k[0199]
③
髋部非敏感区间ii为[hb3,hb4]:hb3＝hip
scope_max
×
k，hb4＝hip
scope_max
[0200]
④
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×
(2-k)
[0201]
⑤
膝部敏感区间为[kb2,kb3]：kb2＝knee
scope_min
×
(2-k)，kb3＝knee
scope_max
×k[0202]
⑥
膝部非敏感区间ii为[kb3,kb4]：kb3＝knee
scope_max
×
k，kb4＝knee
scope_max
[0203]
如图2所示，表示在k≥1情况下膝关节的敏感区间示意图，波峰为knee
scope_max
，knee
scope_max
左右一段区域记为非敏感区间，表示为高度在knee
scope_max
和knee
scope_max
×
k范围内的区间为非敏感区间；波谷为knee
scope_min
，knee
scope_min
左右一段区域记为非敏感区间，表示为高度在knee
scope_min
×
(2-k)和knee
scope_min
范围内的区间为非敏感区间。
[0204]
(4.3.2)若k＜1，则划分的区段为：
[0205]
①
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×k[0206]
②
髋部敏感区间为[hb2,hb3]：kb2＝knee
scope_min
×
k，hb3＝hip
scope_max
×k[0207]
③
髋部非敏感区间ii为[hb3,hb4]：hb3＝hip
scope_max
×
k，hb4＝hip
scope_max
[0208]
④
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×k[0209]
⑤
膝部敏感区间为[kb2,kb3]：kb2＝knee
scope_min
×
k，kb3＝knee
scope_max
×k[0210]
⑥
膝部非敏感区间ii为[kb3,kb4]：kb3＝knee
scope_max
×
k，kb4＝knee
scope_max
[0211]
如图3所示，表示在k＜1情况下髋关节的敏感区间示意图，波峰为hip
scope_max
，hip
scope_max
左右一段区域记为非敏感区间，表示为高度在hip
scope_max
和hip
scope_max
×
k范围内的区间为非敏感区间；波谷为hip
scope_min
，hip
scope_min
左右一段区域记为非敏感区间，表示为高度在hip
scope_min
×
(2-k)和hip
scope_min
范围内的区间为非敏感区间。
[0212]
三、力矩行走痉挛监测模块
[0213]
所述力矩行走痉挛监测模块，根据区段分割边界划分为监测区和非监测区，对监测区的实际速度信号进行运动活跃阈值判断，并进一步判断痉挛触发条件i，若满足痉挛触发条件i，则将痉挛异常信号输出至痉挛异常处理模块；如果在非监测区，则不做痉挛判断处理。所述力矩行走痉挛监测模块的监测策略为：
[0214]
首先，根据样本位置数据进行区段分割，将髋膝部敏感区间作为监测区，髋膝部非敏感区间作为非监测区，对髋膝实际位置处于非监测区的情况，不进行痉挛异常监测；
[0215]
然后，根据力矩行走痉挛监测模块的痉挛触发条件i判断是否发生痉挛异常：
[0216]
①
设左髋关节实际位置为q
left_hip
，左髋关节实际速度为dq
left_hip
，左髋痉挛触发速度阈值为vs
left_hip
，若q
left_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断左髋部处于监测区，在监测区内按照设定频率对dq
left_hip
进行监测，统计左髋痉挛触发累积次数sn
left_hip
：每监测到1次dq
left_hip
＜vs
left_hip
，则sn
left_hip
累积1；若监测到dq
left_hip
≥
vs
left_hip
，则sn
left_hip
置零并重新累积；若sn
left_hip
达到左髋痉挛触发累积次数设定值，则判断发生左髋痉挛异常；
[0217]
②
设左膝关节实际位置为q
left_knee
，左膝关节实际速度为dq
left_knee
，左膝痉挛触发速度阈值为vs
left_knee
，若q
left_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断左膝部处于监测区，在监测区内按照设定频率对dq
left_knee
进行监测，统计左膝痉挛触发累积次数sn
left_knee
：每监测到1次dq
left_knee
＜vs
left_knee
，则sn
left_knee
累积1；若监测到dq
left_knee
≥vs
left_knee
，则sn
left_knee
置零并重新累积；若sn
left_knee
达到左膝痉挛触发累积次数设定值，则判断发生左膝痉挛异常；
[0218]
③
设右髋关节实际位置为q
right_hip
，右髋关节实际速度为dq
right_hip
，右髋痉挛触发速度阈值为vs
right_hip
，若q
right_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断右髋部处于监测区，在监测区内按照设定频率对dq
right_hip
进行监测，统计右髋痉挛触发累积次数sn
right_hip
：每监测到1次dq
right_hip
＜vs
right_hip
，则sn
right_hip
累积1；若监测到dq
right_hip
≥vs
right_hip
，则sn
right_hip
置零并重新累积；若sn
right_hip
达到右髋痉挛触发累积次数设定值，则判断发生右髋痉挛异常；
[0219]
④
设右膝关节实际位置为q
right_knee
，右膝关节实际速度为dq
right_knee
，右膝痉挛触发速度阈值为vs
right_knee
，若q
right_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断右膝部处于监测区，在监测区内按照设定频率对dq
right_knee
进行监测，统计右膝痉挛触发累积次数sn
right_knee
：每监测到1次dq
right_knee
＜vs
right_knee
，则sn
right_knee
累积1；若监测到dq
right_knee
≥vs
right_knee
，则sn
right_knee
置零并重新累积；若sn
right_knee
达到右膝痉挛触发累积次数设定值，则判断发生右膝痉挛异常；
[0220]
最后，将左髋痉挛异常、左膝痉挛异常、右髋痉挛异常、右膝痉挛异常信号输出至痉挛异常处理模块。
[0221]
四、位置行走痉挛监测模块
[0222]
所述位置行走痉挛监测模块，根据区段分割边界划分为监测区和非监测区，对监测区的实际电流信号进行滤波处理，并进一步判断痉挛触发条件ii，若满足痉挛触发条件ii，则将痉挛异常信号输出至痉挛异常处理模块；如果在非监测区，则不做痉挛判断处理。所述位置行走痉挛监测模块的监测策略为：
[0223]
首先，根据样本位置数据进行区段分割，将髋膝部敏感区间作为监测区，髋膝部非敏感区间作为非监测区，对髋膝实际位置处于非监测区的情况，不进行痉挛异常监测；
[0224]
然后，根据位置行走痉挛监测模块的痉挛触发条件ii判断是否发生痉挛异常：
[0225]
①
设左髋关节实际位置为q
left_hip
，左髋关节实际电流为c
left_hip
，使用优化后的滤波参数{q,r}对c
left_hip
进行滤波，计算滤波后的实际电流变化值dc
left_hip
，左髋痉挛触发电流变化阈值为cs
left_hip
，若q
left_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断左髋部处于监测区，在监测区内按照设定频率对dc
left_hip
进行监测，统计左髋痉挛触发累积次数sn
left_hip
：每监测到1次dc
left_hip
＞cs
left_hip
，则sn
left_hip
累积1；若监测到dc
left_hip
≤cs
left_hip
，则sn
left_hip
置零并重新累积；若sn
left_hip
达到左髋痉挛触发累积次数设定值，则判断发生左髋痉挛异常；
[0226]
②
设左膝关节实际位置为q
left_knee
，左膝关节实际电流为c
left_knee
，使用优化后的滤波参数{q,r}对c
left_knee
进行滤波，计算滤波后的实际电流变化值dc
left_knee
，左膝痉挛触
发电流变化阈值为cs
left_knee
，若q
left_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断左膝部处于监测区，在监测区内按照设定频率对dc
left_knee
进行监测，统计左膝痉挛触发累积次数sn
left_knee
：每监测到1次dc
left_knee
＞cs
left_knee
，则sn
left_knee
累积1；若监测到dc
left_knee
≤cs
left_knee
，则sn
left_knee
置零并重新累积；若sn
left_knee
达到左膝痉挛触发累积次数设定值，则判断发生左膝痉挛异常；
[0227]
③
设右髋关节实际位置为q
right_hip
，右髋关节实际电流为c
right_hip
，使用优化后的滤波参数{q,r}对c
right_hip
进行滤波，计算滤波后的实际电流变化值dc
right_hip
，右髋痉挛触发电流变化阈值为cs
right_hip
，若q
right_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断右髋部处于监测区，在监测区内按照设定频率对dc
right_hip
进行监测，统计右髋痉挛触发累积次数sn
right_hip
：每监测到1次dc
right_hip
＞cs
right_hip
，则sn
right_hip
累积1；若监测到dc
right_hip
≤cs
right_hip
，则sn
right_hip
置零并重新累积；若sn
right_hip
达到右髋痉挛触发累积次数设定值，则判断发生右髋痉挛异常；
[0228]
④
设右膝关节实际位置为q
right_knee
，右膝关节实际电流为c
right_knee
，使用优化后的滤波参数{q,r}对c
right_knee
进行滤波，计算滤波后的实际电流变化值dc
right_knee
，右膝痉挛触发电流变化阈值为cs
right_knee
，若q
right_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断右膝部处于监测区，在监测区内按照设定频率对dc
right_knee
进行监测，统计右膝痉挛触发累积次数sn
right_knee
：每监测到1次dc
right_knee
＞cs
right_knee
，则sn
right_knee
累积1；若监测到dc
right_knee
≤cs
right_knee
，则sn
right_knee
置零并重新累积；若sn
right_knee
达到右膝痉挛触发累积次数设定值，则判断发生右膝痉挛异常；
[0229]
最后，将左髋痉挛异常、左膝痉挛异常、右髋痉挛异常、右膝痉挛异常信号输出至痉挛异常处理模块。
[0230]
五、痉挛异常处理模块
[0231]
所述痉挛异常处理模块，收到痉挛异常信号后，对电机进行安全处理(比如锁定或失能处理)，语音播报提示治疗师进行介入处理，并记录相关数据供治疗师进一步处理。
[0232]
所述力矩行走痉挛监测模块根据痉挛触发条件i判断是否发生痉挛，痉挛触发条件i包括痉挛判断持续时间和痉挛触发速度阈值，若当前速度值小于痉挛触发速度阈值，且持续时间满足设定则判定发生痉挛异常；所述位置行走痉挛监测模块根据痉挛触发条件ii判断是否发生痉挛，痉挛触发条件ii包括痉挛判断持续时间和痉挛触发电流变化阈值，若当前的痉挛电流大于痉挛触发电流变化阈值，且持续时间满足设定则判定发生痉挛异常；所述痉挛触发累积次数设定值用于得到持续时间，由于相邻两点的间隔时间是固定大小的，该间隔时间乘以痉挛触发累积次数就得到痉挛判断所需要的持续时间：设定值越大，痉挛监测灵敏度越低，误识别概率越低；设定值越小，痉挛监测灵敏度越高，误识别概率越高，越容易受到外界扰动影响以及患者本身一些动作影响。
[0233]
本案中，监测器首先接收人机交互界面传来的步态参数、行走模式和痉挛灵敏度参数，通过痉挛参数处理模块根据步态参数生成的理论行走轨迹，按照行走模式和痉挛灵敏度参数：为力矩行走痉挛监测控制模块生成所需的运动活跃阈值和痉挛触发条件i，其中痉挛触发条件i包括痉挛判断持续时间和痉挛触发速度阈值；为位置行走痉挛监测控制模块生成所需的滤波参数和痉挛触发条件ii，其中痉挛触发条件ii包括痉挛判断持续时间和痉挛触发电流变化阈值。力矩行走痉挛监测控制模块根据痉挛参数处理模块计算的策略参
数对力矩行走的痉挛状况进行监测；位置行走痉挛监测控制模块根据痉挛参数处理模块计算的策略参数对位置行走的痉挛状况进行监测；痉挛异常处理模块将进一步对触发痉挛后的一系列安全措施进行执行，保护患者的人身安全。本案针对患者在外骨骼机器人常见的力矩行走和位置行走中，由于本身肌张力异常情况和落地行走的干扰下，能有效排除扰动因素，准确判断痉挛发生，系统具有很好的鲁棒特性。
[0234]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

技术特征：
1.一种外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：该痉挛异常监测器的监测对象为外骨骼机器人，外骨骼机器人是主要由左髋、左膝、右髋、右膝四个电机及其对应的关节连杆构成的机械电子动力系统，通过信号采集和处理获得四个电机的位置信号、速度信号和电流信号；该痉挛异常监测器包括人机交互界面、痉挛参数处理模块、力矩行走痉挛监测模块、位置行走痉挛监测模块和痉挛异常处理模块；所述人机交互界面，用于设定步态参数、行走模式和痉挛灵敏度参数，行走模式包括力矩行走模式和位置行走模式；所述痉挛参数处理模块，根据步态参数生成理论行走轨迹，根据样本位置数据进行区段分割；根据理论行走轨迹、行走模式和痉挛监测灵敏度参数为力矩行走痉挛监测模块生成所需的运动活跃阈值和痉挛触发条件i，其中痉挛触发条件i包括痉挛判断持续时间和痉挛触发速度阈值；根据样本电流数据、行走模式和痉挛灵敏度参数为位置行走痉挛监测模块生成所需的滤波参数和痉挛触发条件ii，其中痉挛触发条件ii包括痉挛判断持续时间和痉挛触发电流变化阈值为；所述力矩行走痉挛监测模块，根据区段分割边界划分为监测区和非监测区，对监测区的实际速度信号进行运动活跃阈值判断，并进一步判断痉挛触发条件i，若满足痉挛触发条件i，则将痉挛异常信号输出至痉挛异常处理模块；所述位置行走痉挛监测模块，根据区段分割边界划分为监测区和非监测区，对监测区的实际电流信号进行滤波处理，并进一步判断痉挛触发条件ii，若满足痉挛触发条件ii，则将痉挛异常信号输出至痉挛异常处理模块；所述痉挛异常处理模块，收到痉挛异常信号后，对电机进行安全处理，语音播报提示治疗师进行介入处理。2.根据权利要求1所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述步态参数包括髋膝关节运动的最大最小角q
hip_max
、q
hip_min
，q
knee_max
、q
knee_min
；所述理论行走轨迹是使用q
hip_max
、q
hip_min
，q
knee_max
、q
knee_min
和单步周期t＝0,1,2,
…
,t对给定的标准步态轨迹进行曲线调整后得到的轨迹；所述标准步态轨迹包括标准关节位置轨迹曲线hq和标准关节速度轨迹曲线hdq：hq＝{hq
left_hip
,hq
left_knee
,hq
right_hip
,hq
right_knee
}hq
left_hip
＝{hq
left_hip_0
,hq
left_hip_1
,
…
,hq
left_hip_t
}hq
left_knee
＝{hq
left_knee_0
,hq
left_knee_1
,
…
,hq
left_knee_t
}hq
right_hip
＝{hq
right_hip_0
,hq
right_hip_1
,
…
,hq
right_hip_t
}hq
right_knee
＝{hq
right_knee_0
,hq
right_knee_1
,
…
,hq
right_knee_t
}hdq＝{hdq
left_hip
,hdq
left_knee
,hdq
right_hip
,hdq
right_knee
}hdq
left_hip
＝{hdq
left_hip_0
,hdq
left_hip_1
,
…
,hdq
left_hip_t
}hdq
left_knee
＝{hdq
left_knee_0
,hdq
left_knee_1
,
…
,hdq
left_knee_t
}hdq
right_hip
＝{hdq
right_hip_0
,hdq
right_hip_1
,
…
,hdq
right_hip_t
}hdq
right_knee
＝{hdq
right_knee_0
,hdq
right_knee_1
,
…
,hdq
right_knee_t
}所述理论行走轨迹包括理论关节位置轨迹曲线nq和理论关节速度轨迹曲线ndq：nq＝{nq
left_hip
,nq
left_knee
,nq
right_hip
,nq
right_knee
}nq
left_hip
＝{nq
left_hip_0
,nq
left_hip_1
,
…
,nq
left_hip_t
}
nq
left_knee
＝{nq
left_knee_0
,nq
left_knee_1
,
…
,nq
left_knee_t
}nq
right_hip
＝{nq
right_hip_0
,nq
right_hip_1
,
…
,nq
right_hip_t
}nq
right_knee
＝{nq
right_knee_0
,nq
right_knee_1
,
…
,nq
right_knee_t
}}}}ndq＝{ndq
left_hip
,ndq
left_knee
,ndq
right_hip
,ndq
right_knee
}ndq
left_hip
＝{ndq
left_hip_0
,ndq
left_hip_1
,
…
,ndq
left_hip_t
}ndq
left_knee
＝{ndq
left_knee_0
,ndq
left_knee_1
,
…
,ndq
left_knee_t
}ndq
right_hip
＝{ndq
right_hip_0
,ndq
right_hip_1
,
…
,ndq
right_hip_t
}ndq
right_knee
＝{ndq
right_knee_0
,ndq
right_knee_1
,
…
,ndq
right_knee_t
}}}}其中：下标中的hip、knee分别表示髋关节、膝关节，下标中的left_hip、left_knee、right_hip、rightt_knee分别表示左髋关节、左膝关节、右髋关节、右膝关节，下标中的0,1,2,
…
,i,
…
t表示单步周期中的时间点，下标中的min、max分别表示最小值、最大值，abs()表示绝对值函数。3.根据权利要求2所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：根据理论行走轨迹获得运动活跃阈值为δ∈{δ
hip
,δ
knee
}：δ
hip
＝min{min{ndq
left_hip
},min{ndq
right_hip
}}δ
knee
＝min{min{nq
left_knee
},min{nq
right_knee
}}其中：min{}表示求取数列中的最小值。
4.根据权利要求2所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述样本电流数据是使用位置行走模式进行落地行走时，预先采集的患者左右髋膝关节的实际电流数据样本集合nc：nc＝{nc
left_hip
,nc
left_knee
,nc
right_hip
,nc
right_knee
}nc
left_hip
＝{nc
left_hip_0
,nc
left_hip_1
,
…
,nc
left_hip_t
}nc
left_knee
＝{nc
left_knee_0
,nc
left_knee_1
,
…
nc
left_knee_t
}nc
right_hip
＝{nc
right_hip_0
,nc
right_hip_1
,
…
,nc
right_hip_t
}nc
right_knee
＝{nc
right_knee_0
,nc
right_knee_1
,
…
,nc
right_knee_t
}对监测区ii的实际电流信号进行滤波处理，采用的数学滤波模型表示为：设当前滤波值为t
now
，当前权重值为p
now
，当前测量值为t
mes
，上次滤波值为t
last
，上次权重值为p
last
，预测滤波值为t
pre
，预测权重值为p
pre
，t
pre
＝t
last
，p
pre
＝p
last
+q，则有t
n
o
w
＝t
pre
+k
×
(t
mes-t
pre
)，p
now
＝p
pre-k
×
p
pre
；初始时t
last
＝0，p
last
＝0，将样本电流数据作为t
mes
代入数学滤波模型，得到滤波后电流数据，将滤波参数{q,r}作为调节经验值，通过比对样本电流数据和滤波后电流数据得到。5.根据权利要求2所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述样本位置数据是使用力矩行走模式进行落地行走时，预先采集的患者左右髋膝关节的实际位置数据样本集合nk：nk＝{nk
left_hip_0
,nk
lef_thip_1
,
…
,nk
lef_thip_t
；nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
；nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
；nk
right_knee_0
,nk
right_knee_1
,
…
,nk
right_knee_t
}根据样本位置数据进行区段分割，确定髋部边界为hip
b
∈{hb1,hb2,hb3,hb4}、膝部边界为knee
b
∈{kb1,kb2,kb3,kb4}；具体过程为：(1)设人体左右髋膝关节的活动范围为：左髋关节活动范围为：hum
left_hip_min
～hum
left_hip_max
hum
left_hip_min
＝min(nk
left_hip_0
,nk
left_hip_1
,
…
,nk
left_hip_t
)hum
left_hip_max
＝max(nk
left_hip_0
,nk
left_hip_1
,
…
,nk
left_hip_t
)左膝关节活动范围为：hum
left_knee_min
～hum
left_knee_max
hum
left_knee_min
＝min(nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
)hum
left_knee_max
＝max(nk
left_knee_0
,nk
left_knee_1
,
…
,nk
left_knee_t
)右髋关节活动范围为：hum
right_hip_min
～hum
right_hip_max
hum
right_hip_min
＝min(nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
)hum
right_hip_max
＝max(nk
right_hip_0
,nk
right_hip_1
,
…
,nk
right_hip_t
)右膝关节活动范围为：hum
right_knee_min
～hum
right_knee_max
hum
right_knee_min
＝min(nk
right_knee_0
,nk
right_knee_1
,
…
,nk
rightknee_t
)hum
right_knee_max
＝max(nk
right_knee_0
,nk
right_knee_1
,
…
,nk
right_knee_t
)(2)确认髋膝关节的有效活动范围为：髋关节有效活动范围为：hip
scope_min
～hip
scope_max
hip
scope_min
＝max(hum
left_hip_min
,hum
right_hip_min
)hip
scope_max
＝min(hum
left_hip_max
,hum
right_hip_max
)膝关节有效活动范围为：knee
scope_min
～knee
scope_max
；knee
scope_min
＝max(hum
left_knee_min
,hum
right_knee_min
)knee
scope_max
＝min(hum
left_knee_max
,hum
right_knee_max
)(3)根据落地行走的落地深度与髋膝关节的有效活动范围成反比，落地深度越深髋膝关节的有效活动范围越小，落地深度越浅髋膝关节的有效活动范围越大；将非悬空时的落地深度与髋膝关节的活动范围的关系设为k表示非悬空时髋膝关节的活动范围的调整系数，h表示非悬空时的落地深度，v表示经验系数；将悬空时的落地深度记为h＝0，悬空时的髋膝关节的活动范围的调整系数k＝1；若k≥1，则划分的区段为：髋部非敏感区间i为[hb1,hb2]：hb1＝hip
scope_min
，hb2＝hip
sc
o
pe
_
min
×
(2-k)髋部敏感区间为[hb2,hb3]：hb2＝hip
scope_min
×
(2-k)，hb3＝hip
scope_max
×
k髋部非敏感区间ii为[hb3,hb4]:hb3＝hip
scope_max
×
k，hb4＝hip
scope_max
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope
_
min
×
(2-k)膝部敏感区间为[kb2,kb3]：kb2＝knee
scope_min
×
(2-k)，kb3＝knee
scope_max
×
k膝部非敏感区间ii为[kb3,kb4]：kb3＝knee
scope_max
×
k，kb4＝knee
scope_max
若k＜1，则划分的区段为：膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×
k髋部敏感区间为[hb2,hb3]：kb2＝knee
scope_min
×
k，hb3＝hip
scope_max
×
k髋部非敏感区间ii为[hb3,hb4]：hb3＝hip
scope_max
×
k，hb4＝hip
scope_max
膝部非敏感区间i为[kb1,kb2]：kb1＝knee
scope_min
，kb2＝knee
scope_min
×
k膝部敏感区间为[kb2,kb3]：kb2＝knee
scope_min
×
k，kb3＝knee
scope_max
×
k膝部非敏感区间ii为[kb3,kb4]：kb3＝knee
scope_max
×
k，kb4＝knee
scope_max
根据髋膝关节的活动范围的调整系数k确定髋部边界为hip
b
∈{hb1,hb2,hb3,hb4}、膝部边界为knee
b
∈{kb1,kb2,kb3,kb4}。6.根据权利要求5所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述力矩行走痉挛监测模块的监测策略为：首先，根据样本位置数据进行区段分割，将髋膝部敏感区间作为监测区，髋膝部非敏感区间作为非监测区，对髋膝实际位置处于非监测区的情况，不进行痉挛异常监测；然后，根据力矩行走痉挛监测模块的痉挛触发条件i判断是否发生痉挛异常：
①
设左髋关节实际位置为q
left_hip
，左髋关节实际速度为dq
left_hip
，左髋痉挛触发速度阈值为vs
left_hip
，若q
left_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断左髋部处于监测区，在监测区内按照设定频率对dq
left_hip
进行监测，统计左髋痉挛触发累积次数sn
left_hip
：每监测到1次dq
left_hip
＜vs
left_hip
，则sn
left_hip
累积1；若监测到dq
left_hip
≥vs
left_hip
，则sn
left_hip
置零并重新累积；若sn
left_hip
达到左髋痉挛触发累积次数设定值，则判断发生左髋痉挛异常；
②
设左膝关节实际位置为q
left_knee
，左膝关节实际速度为dq
left_knee
，左膝痉挛触发速度
阈值为vs
left_knee
，若q
left_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断左膝部处于监测区，在监测区内按照设定频率对dq
left_knee
进行监测，统计左膝痉挛触发累积次数sn
left_knee
：每监测到1次dq
left_knee
＜vs
left_knee
，则sn
left_knee
累积1；若监测到dq
left_knee
≥vs
left_knee
，则sn
left_knee
置零并重新累积；若sn
left_knee
达到左膝痉挛触发累积次数设定值，则判断发生左膝痉挛异常；
③
设右髋关节实际位置为q
right_hip
，右髋关节实际速度为dq
right_hip
，右髋痉挛触发速度阈值为vs
right_hip
，若q
right_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断右髋部处于监测区，在监测区内按照设定频率对dq
right_hip
进行监测，统计右髋痉挛触发累积次数sn
right_hip
：每监测到1次dq
right_hip
＜vs
right_hip
，则sn
right_hip
累积1；若监测到dq
right_hip
≥vs
right_hip
，则sn
right_hip
置零并重新累积；若sn
right_hip
达到右髋痉挛触发累积次数设定值，则判断发生右髋痉挛异常；
④
设右膝关节实际位置为q
right_knee
，右膝关节实际速度为dq
right_knee
，右膝痉挛触发速度阈值为vs
right_knee
，若q
right_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断右膝部处于监测区，在监测区内按照设定频率对dq
right_knee
进行监测，统计右膝痉挛触发累积次数sn
right_knee
：每监测到1次dq
right_knee
＜vs
right_knee
，则sn
right_knee
累积1；若监测到dq
right_knee
≥vs
right_knee
，则sn
right_knee
置零并重新累积；若sn
right_knee
达到右膝痉挛触发累积次数设定值，则判断发生右膝痉挛异常；最后，将左髋痉挛异常、左膝痉挛异常、右髋痉挛异常、右膝痉挛异常信号输出至痉挛异常处理模块。7.根据权利要求5所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述位置行走痉挛监测模块的监测策略为：首先，根据样本位置数据进行区段分割，将髋膝部敏感区间作为监测区，髋膝部非敏感区间作为非监测区，对髋膝实际位置处于非监测区的情况，不进行痉挛异常监测；然后，根据位置行走痉挛监测模块的痉挛触发条件ii判断是否发生痉挛异常：
①
设左髋关节实际位置为q
left_hip
，左髋关节实际电流为c
left_hip
，使用优化后的滤波参数{q,r}对c
left_hip
进行滤波，计算滤波后的实际电流变化值dc
left_hip
，左髋痉挛触发电流变化阈值为cs
left_hip
，若q
left_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断左髋部处于监测区，在监测区内按照设定频率对dc
left_hip
进行监测，统计左髋痉挛触发累积次数sn
left_hip
：每监测到1次dc
left_hip
＞cs
left_hip
，则sn
left_hip
累积1；若监测到dc
left_hip
≤cs
left_hip
，则sn
left_hip
置零并重新累积；若sn
left_hip
达到左髋痉挛触发累积次数设定值，则判断发生左髋痉挛异常；
②
设左膝关节实际位置为q
left_knee
，左膝关节实际电流为c
left_knee
，使用优化后的滤波参数{q,r}对c
left_knee
进行滤波，计算滤波后的实际电流变化值dc
left_knee
，左膝痉挛触发电流变化阈值为cs
left_knee
，若q
left_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断左膝部处于监测区，在监测区内按照设定频率对dc
left_knee
进行监测，统计左膝痉挛触发累积次数sn
left_knee
：每监测到1次dc
left_knee
＞cs
left_knee
，则sn
left_knee
累积1；若监测到dc
left_knee
≤cs
left_knee
，则sn
left_knee
置零并重新累积；若sn
left_knee
达到左膝痉挛触发累积次数设定值，则判断发生左膝痉挛异常；
③
设右髋关节实际位置为q
right_hip
，右髋关节实际电流为c
right_hip
，使用优化后的滤波
参数{q,r}对c
right_hip
进行滤波，计算滤波后的实际电流变化值dc
right_hip
，右髋痉挛触发电流变化阈值为cs
right_hip
，若q
right_hip
处于髋部敏感区间i或髋部敏感区间ii，则判断右髋部处于监测区，在监测区内按照设定频率对dc
right_hip
进行监测，统计右髋痉挛触发累积次数sn
right_hip
：每监测到1次dc
right_hip
＞cs
right_hip
，则sn
right_hip
累积1；若监测到dc
right_hip
≤cs
right_hip
，则sn
right_hip
置零并重新累积；若sn
right_hip
达到右髋痉挛触发累积次数设定值，则判断发生右髋痉挛异常；
④
设右膝关节实际位置为q
right_knee
，右膝关节实际电流为c
right_knee
，使用优化后的滤波参数{q,r}对c
right_knee
进行滤波，计算滤波后的实际电流变化值dc
right_knee
，右膝痉挛触发电流变化阈值为cs
right_knee
，若q
right_knee
处于膝部敏感区间i或膝部敏感区间ii，则判断右膝部处于监测区，在监测区内按照设定频率对dc
right_knee
进行监测，统计右膝痉挛触发累积次数sn
right_knee
：每监测到1次dc
right_knee
＞cs
right_knee
，则sn
right_knee
累积1；若监测到dc
right_knee
≤cs
right_knee
，则sn
right_knee
置零并重新累积；若sn
right_knee
达到右膝痉挛触发累积次数设定值，则判断发生右膝痉挛异常；最后，将左髋痉挛异常、左膝痉挛异常、右髋痉挛异常、右膝痉挛异常信号输出至痉挛异常处理模块。8.根据权利要求1所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：信号采集和处理模块接收传感器采集到的四个电机的编码器数据，通过信号采集和处理获得四个电机的位置信号、速度信号和电流信号。9.根据权利要求1所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述四个电机均为直流伺服电机。10.根据权利要求1所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述外骨骼机器人是主要由左髋、左膝、右髋、右膝四个直流伺服电机，及其对应的编码器、谐波减速机构、绑带固连件和关节连杆构成的机械电子动力系统。11.根据权利要求1所述的外骨骼机器人多模式行走机制下的痉挛异常监测器，其特征在于：所述人机交互界面，包括患者使用界面和治疗师使用界面，两个界面的操作权限不同，步态参数在患者使用界面设置，痉挛判断相关参数在治疗师使用界面中设置。

技术总结
本发明公开了一种外骨骼机器人多模式行走机制下的痉挛异常监测器，监测对象为外骨骼机器人，外骨骼机器人通过信号采集和处理获得四个电机的位置信号、速度信号和电流信号；该痉挛异常监测器包括人机交互界面、痉挛参数处理模块、力矩行走痉挛监测模块、位置行走痉挛监测模块和痉挛异常处理模块；力矩行走痉挛监测模块对监测区的实际速度信号进行运动活跃阈值判断，位置行走痉挛监测模块对监测区的实际电流信号进行滤波处理；本发明能够对不同行走模式下的病人训练过程中肌力异常引起的痉挛进行在线实时监测，能根据患者的肌张力情况与设备落地行走的情况做出相应处理，有效保护病人在外骨骼训练落地行走运动中的人身安全性。性。性。


技术研发人员：何锋 仇凯 徐家梁
受保护的技术使用者：南京伟思医疗科技股份有限公司
技术研发日：2023.03.24
技术公布日：2023/8/4