刘 磊 杨 鹏 刘作军 宋寅卯

(郑州轻工业大学建筑环境工程学院 郑州450002)

0 引言

下肢外骨骼助力机器人是一种可为人体下肢行走提供关节助力的装置,其特点在于可以识别各种路况与步速[1-3]。由于外骨骼机器人实际运动意图与期望运动意图存在一定差异(运动不相容),穿戴者容易摔倒。外骨骼机器人的关节机构与控制方法是目前研究的热点问题,但对外骨骼机器人的运动相容性识别研究不多。当外骨骼机器人的运动轨迹与人体期望运动轨迹不一致时,为实现外骨骼助行机器人可自适应调整,本文对步幅过大、步幅过小及步幅相容3 种人机运动相容性进行识别。

表面肌电信号(surface electromyography,sEMG)是人体的一种生理信号,能够准确地反映各个肌肉的实时状态[4]。因此本文选择sEMG 作为信号源,特征提取和模式识别是其中最重要的两个环节。在众多的sEMG 特征参数提取方法中,时域特征、频域特征、时频域特征和非线性特征被证明具有良好的识别能力。

分类器的设计是模式识别领域中非常重要的环节,隐马尔可夫模型、BP(back propagation)神经网络、支持向量机(support vector machine,SVM)、极限学习机(extreme learning machine,ELM)[5]是目前常用的分类器,基于ELM 的分类模型,因其实施简单、训练时间短,已在助行机器人运动相容性识别领域取得了较好的识别结果,但是单核特征表达的单一性,限制了模型分类精度的进一步提高。为了解决此问题,本文首先从时域、频域、时频域角度提取了表面肌电信号特征,然后利用灰狼算法优化极限学习机核函数参数,最后用多核极限学习机理论,获得最优的分类模型。……