本技术涉及一种利用肌电信号来估计臂力并补偿疲劳误差的技术与系统。该技术通过将疲劳样本按时间顺序分组,并应用臂力估计模型对每组样本进行力量拟合,以实现疲劳误差的补偿。
背景技术
随着生物医学领域的发展,肌电信号由于能够获取人类的主动参与力,被逐渐应用于人-机器人协同装配、协同搬运以及运动康复领域。相较于力传感器通过应变信息获得接触力的工作原理,肌电信号来源于人类肌肉本身,避免了外部环境接触的干扰,更适合表征人类的本能反映和运动意图。虽然,当前大量的基于肌肉参数的臂力估计模型和无参数的臂力估计模型优秀方法被提出,但是这些模型仅适用于有限的实验条件。通常这些模型构建过程中,受试者经过长时间的休息,确保处于一个无疲劳状态,因此忽略了肌肉疲劳对臂力估计的影响。然而,肌肉疲劳是一种最为常见的肌肉状态,人类参与运动后,或多或少的将出现因肌肉疲劳导致的生理参数变化,适当的肌肉疲劳伴随着操作着的生产活动或运动康复活动。因此,在臂力估计模型中考虑操作者的肌肉疲劳,并进行相应的补偿,对于人-机器人交互技术的发展及应用具有重要意义。
在众多肌肉疲劳方法预测中,肌电信号(EMG)可以记录并反映运动过程中肌肉的状态,对于量化肌肉疲劳的程度具有重大价值。研究表明,在静态收缩(即,肌肉的长度和张力保持不变)过程,肌肉传导速度随肌肉疲劳程度的加剧而降低,而肌肉传导速度的降低又会导致肌电信号的平均频率(或中值频率)降低。因此,肌电信号的平均频率(中值频率)被称为预测静态肌肉疲劳的黄金标准。此外,在周期循环运动条件,由于生物力学的相似性和周期性,因此,某些静态疲劳标准也能得到验证。然而,在动态收缩(即,肌肉的长度和张力不受约束)过程,受到输出力、关节转动等影响,导致表面肌电信号特性的变化比静态收缩更快,非平稳性更强,静态条件下的疲劳指标已不在适用。因此,基于肌电信号的肌肉疲劳研究成果多集中在静态条件或周期循环运动条件。这种宽松的限制也极大地限制了评估方案的适用性,因为许多临床和工业场景无法避免涉及肌肉长度和/或张力不可预测变化的动态收缩。
当前研究大多忽略了肌电信号的振幅、中值疲劳等参数与肌肉输出力的相关性。研究表明,肌肉收缩水平、肌肉收缩速度等会影响肌肉疲劳的生理特征。因此,忽略输出力的变化仅考虑肌电信号参数本身的特征,势必会影响肌肉动态收缩疲劳跟踪的实用性。然而,在臂力估计中,肌肉的输出力是未知的,此时,肌肉输出力将同时作为肌肉疲劳识别的输入项和臂力估计的输出项。因此,如何协调模型输入输出间的矛盾,建立一种自迭代修正模型对于臂力估计模型中的疲劳误差补偿具有重要意义。
实现思路