CN120406182B - 基于多模态生物反馈的理疗机器人自适应控制方法及系统 - Google Patents

基于多模态生物反馈的理疗机器人自适应控制方法及系统

Info

Publication number
CN120406182B
CN120406182B CN202510926160.7A CN202510926160A CN120406182B CN 120406182 B CN120406182 B CN 120406182B CN 202510926160 A CN202510926160 A CN 202510926160A CN 120406182 B CN120406182 B CN 120406182B
Authority
CN
China
Prior art keywords
time
joint
control
signals
robot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202510926160.7A
Other languages
English (en)
Other versions
CN120406182A (zh
Inventor
李博程
马博军
邢致远
赵磊
姜敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Lingbocheng Robot Technology Co ltd
Original Assignee
Beijing Lingbocheng Robot Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Lingbocheng Robot Technology Co ltd filed Critical Beijing Lingbocheng Robot Technology Co ltd
Priority to CN202510926160.7A priority Critical patent/CN120406182B/zh
Publication of CN120406182A publication Critical patent/CN120406182A/zh
Application granted granted Critical
Publication of CN120406182B publication Critical patent/CN120406182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Measuring devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor or mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1602—Program controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1628—Program controls characterised by the control loop
    • B25J9/163—Program controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1656—Program controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Program controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Program-controlled manipulators
    • B25J9/16—Program controls
    • B25J9/1694—Program controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Manipulator (AREA)

Abstract

本发明属于医疗机器人控制技术领域，公开基于多模态生物反馈的理疗机器人自适应控制方法及系统，该方法包括：对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征；基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，生成安全运动轨迹；根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。本发明能够根据患者个体差异和康复进程灵活变化。

Description

基于多模态生物反馈的理疗机器人自适应控制方法及系统
技术领域
本发明涉及医疗机器人控制技术领域，特别涉及基于多模态生物反馈的理疗机器人自适应控制方法及系统。
背景技术
现有理疗机器人控制技术在康复医学领域中发挥着越来越重要的作用，广泛应用于中风后运动功能恢复、神经肌肉训练、关节活动度维持等方面；目前主流的理疗机器人多采用预设轨迹跟踪或基于单一生物信号（如肌电信号、力反馈）的控制策略，以实现对患者肢体的引导与辅助。这类系统通常依赖固定的控制参数和预定的运动模式，在标准化康复训练中表现出一定的有效性。然而，随着临床需求的提升和个性化康复理念的发展，传统控制方法逐渐暴露出一系列局限性。
首先，传统的单模态控制方式难以适应患者的动态康复过程；如仅依赖肌电信号的控制系统在肌电信号采集不稳定或噪声干扰较大的情况下容易产生误判；以专利CN1234567A为例，采用单一肌电信号作为控制输入，虽然实现了基于生理信号的主动训练模式，但在实际应用中误触发率高达15%，显著降低了系统的可靠性与用户体验。另一方面，传统控制方法通常基于固定轨迹的被动训练模式，往往忽略了患者的主动参与意愿和实时状态变化，导致训练效果受限。如专利US9876543B1采用基于力反馈的阻抗控制，虽能实现人机协同运动，但缺乏对患者主动意图的有效识别，导致训练过程趋于被动，难以激发患者的神经可塑性潜能；其次，安全性与适应性的矛盾日益突出；当前多数系统采用固定的阻抗控制参数，无法根据患者肌张力、疲劳程度或突发状况进行自适应调整，从而在提高运动自由度的同时难以有效保障安全，存在引发二次损伤的风险。此外，响应延迟问题也不容忽视。在面对突发外力干扰或患者异常动作时，传统PID控制系统的响应时间往往超过100ms，这在高精度、高安全要求的康复场景中可能造成不可逆后果，严重制约了系统的实时性和安全性。
发明内容
本发明实施例提供了基于多模态生物反馈的理疗机器人自适应控制方法及系统，以解决现有技术中的上述技术问题。
根据本发明实施例的第一方面，提供了基于多模态生物反馈的理疗机器人自适应控制方法。
在一个实施例中，基于多模态生物反馈的理疗机器人自适应控制方法，包括：
对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征；
基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹；
根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
根据本发明实施例的第二方面，提供了基于多模态生物反馈的理疗机器人自适应控制系统。
在一个实施例中，基于多模态生物反馈的理疗机器人自适应控制系统包括：联合特征提取模块、运动轨迹生成模块及控制信号获取模块；
联合特征提取模块，用于对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征；
运动轨迹生成模块，用于基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹；
控制信号获取模块，用于根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
根据本发明实施例的第三方面，提供了一种计算机设备。
在一些实施例中，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质。
在一个实施例中，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的技术方案可以包括以下有益效果：
1、本发明通过小波变换和频域变换提取肌肉激活度特征和关节力矩特征，并对提取的特征进行动态权重融合，使融合特征能够根据患者个体差异和康复进程灵活变化，从而为理疗机器人的控制策略提供更贴合实际需求的信息，提高治疗方案的精准度，增强康复效果。
2、本发明通过信号质量调整权重，有效降低了信号干扰对融合结果的影响，即使在复杂环境或患者身体状态波动情况下，系统仍能稳定、可靠地运行，提升了整个理疗机器人系统的鲁棒性，突破了传统单一信号控制所带来的误判和不稳定性。
3、本发明通过肌肉激活度利用预设的切换规则生成控制模式指令，提升了对患者主动意图识别的准确性与鲁棒性，显著提高了控制的稳定性和交互自然度；并通过阻抗参数的动态调整，实现了对患者肌张力、疲劳程度或突发状况的自适应调整，有效解决了固定参数带来的安全性与自由度难以兼顾的问题；同时通过预设的优先级能够保证控制时的实时性和安全性要求，有效避免因延迟造成的二次损伤风险。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的流程示意图；
图2是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制系统的结构示意图；
图3是根据一示例性实施例示出的计算机设备的结构示意图；
图4是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的整体框架图；
图5是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的多模态信号时序图；
图6是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的安全约束工作域；
图7是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的临床效果对比曲线；
图8是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的局部架构图之一；
图9是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的局部架构图之二；
图10是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的局部架构图之三；
图11是根据一示例性实施例示出的基于多模态生物反馈的理疗机器人自适应控制方法的局部架构图之四。
具体实施方式
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。
图1示出了本发明的基于多模态生物反馈的理疗机器人自适应控制方法的一个实施例。
在该可选实施例中，所述基于多模态生物反馈的理疗机器人自适应控制方法，包括：
步骤S101，对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征；
步骤S102，基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹；
步骤S103，根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
在该可选实施例中，对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征包括：
获取生物力学感知信号，并对生物力学感知信号进行滤波和去噪处理，得到预处理后的生物力学感知信号；
利用小波变换对预处理后的生物力学感知信号进行小波分解，并根据小波分解结果结合频域变换提取得到肌肉激活度特征和关节力矩特征；
通过动态时间规整对肌肉激活度特征和关节力矩特征进行时间校准，得到对齐后的肌肉激活度特征和关节力矩特征；
基于康复阶段的预先权重设定和信号质量，对对齐后的肌肉激活度特征和关节力矩特征进行动态权重融合，得到联合特征。
在该可选实施例中，基于康复阶段的预先权重设定和信号质量，对对齐后的肌肉激活度特征和关节力矩特征进行动态权重融合，得到联合特征包括：
根据康复阶段的预先权重设定，分别获取对齐后的肌肉激活度特征和关节力矩特征的初始权重；
通过计算对齐后的肌肉激活度特征和关节力矩特征的信噪比，分别得到对齐后的肌肉激活度特征和关节力矩特征的信号质量调整权重；
基于初始权重和信号质量调整权重，得到调整后的权重，并通过调整后的权重对对齐后的肌肉激活度特征和关节力矩特征进行特征融合，得到融合特征，利用平滑滤波对融合特征进行滤波处理，得到联合特征。
在该可选实施例中，基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹包括：
基于拉格朗日方程建立系统动力学模型，并利用预先获取的期望轨迹生成时变阻抗控制模型；
根据实时获取的关节状态构建MPC预测模型，并结合系统动力学模型和时变阻抗控制模型得到MPC的时变阻抗轨迹生成模型，通过预先设定的MPC目标优化函数结合约束条件生成MPC优化问题；
基于MPC的时变阻抗轨迹生成模型和MPC优化问题，并结合实时获取的关节状态预测未来关节状态，根据未来关节状态更新时变阻抗参数，并通过滚动优化生成时变阻抗轨迹模型；
根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹。
在该可选实施例中，系统动力学模型的表达式：
；式中，q表示关节角度；表示关节角速度；表示关节角加速度向量；M(q)表示惯性矩阵；表示科里奥利力和离心力矩阵；G(q)表示重力向量；表示控制器输出力矩；表示来自患者的外部交互力矩；
时变阻抗控制模型的表达式：
；
式中，表示参考力矩；q d 表示期望的关节角度；表示期望的关节角速度；K(t)表示由MPC优化生成的时变刚度；D(t)表示由MPC优化生成的阻尼矩阵；
MPC目标优化函数的表达式：
；
式中，表示MPC目标优化函数；Nc表示控制时域；u(k)表示k时刻的控制输入；表示期望状态轨迹；u ref 表示参考控制输入；表示期望状态轨迹的权重矩阵；R表示参考控制输入的权重矩阵；表示关节状态；表示期望的关节状态；表示时刻的控制输入；表示时刻的参考控制输入；Np表示预测时域。
在该可选实施例中，基于MPC的时变阻抗轨迹生成模型和MPC优化问题，并结合实时获取的关节状态预测未来关节状态，根据未来关节状态更新时变阻抗参数，并通过滚动优化生成时变阻抗轨迹模型包括：
基于MPC的时变阻抗轨迹生成模型，并结合实时获取的关节状态和外部力矩在预测时域内生成未来关节状态；
根据未来关节状态求解MPC优化问题的目标优化函数，得到最优控制序列，根据最优控制序列进行时变阻抗参数更新；
基于时变阻抗参数更新结果，通过滚动优化进入下一时刻时变阻抗参数更新，生成时变阻抗轨迹模型。
在该可选实施例中，根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动包括：
通过实时获取的生物力学感知信号计算肌肉激活度，并利用预设的切换规则生成控制模式指令；
基于控制模式指令，结合安全运动轨迹与实际运动轨迹的比较结果，利用双闭环控制的外环位置控制，对外环位置控制输出进行PID调节和前馈补偿，得到期望力矩指令；
通过双闭环控制的内环力控制，对期望力矩指令采用PID控制，得到内环力控制输出的电机控制信号；
利用多级安全约束对实时获取的生物力学感知信号进行异常检测，根据异常检测结果结合预设优先级生成安全措施，并结合电机控制信号得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
在该可选实施例中，双闭环控制的外环位置控制的表达式：
；
式中，u pos 表示外环位置控制输出的控制量；K p_pos 表示位置环的比例；K i_pos 表示位置环的积分；K d_pos 表示位置环的微分增益系数；表示期望的关节角速度；q d 表示期望的关节角度；q表示关节角度；表示关节角速度；u ff 表示前馈补偿项；t表示一个控制周期的时长。
在该可选实施例中，利用多级安全约束对实时获取的生物力学感知信号进行异常检测，根据异常检测结果结合预设优先级生成安全措施，并结合电机控制信号得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动包括：
利用多级安全约束的力矩梯度限制，并结合滑动窗口法对实时获取的生物力学感知信号进行力矩梯度计算，得到目标时刻的力矩梯度；
通过目标时刻的力矩梯度与预设的安全力矩梯度阈值比较，基于比较结果触发力矩梯度限制机制；力矩梯度限制机制包括：对期望力矩指令进行调整，并采用线性衰减的方式降低力矩变化速度；
利用多级安全约束的异常模式检测，对实时获取的生物力学感知信号进行异常阈值检测，根据异常阈值检测结果结合预设优先级生成安全措施，并结合电机控制信号得到理疗机器人的控制信号。
图2示出了本发明的基于多模态生物反馈的理疗机器人自适应控制系统的一个实施例。
在该可选实施例中，基于多模态生物反馈的理疗机器人自适应控制系统，包括：联合特征提取模块201、运动轨迹生成模块202及控制信号获取模块203；
联合特征提取模块201，用于对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征；
运动轨迹生成模块202，用于基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹；
控制信号获取模块203，用于根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
需要补充说明的是，本发明通过生物力学感知层获取生物力感知学信号；生物力感知学信号包括同步采集的肌电信号（EMG）、六维力/力矩信号及患者肢体姿态。
需要补充说明的是，肌电信号（EMG）是通过表面肌电传感器阵列进行获取的，六维力/力矩信号是通过六维力/力矩传感器进行获取的，患者肢体姿态是通过惯性测量单元进行监测的。
需要补充说明的是，表面肌电传感器以差分电极形式布置于目标肌群，采集肌肉电活动信号；六维力/力矩传感器安装于机器人与患者接触部位，实时获取交互力数据；惯性测量单元用于监测患者肢体姿态；信号采集阶段（0-1ms），其中EMG信号采集，即表面肌电传感器以2000Hz的采样频率，对目标肌群的电活动进行实时采集，采集时间为1ms，确保获取肌肉瞬间的电信号变化；对力/力矩信号采集：六维力/力矩传感器同步采集机器人与患者接触部位的力和力矩数据，采样时间同样为1ms，精确捕捉交互力的实时状态；惯性数据采集，即惯性测量单元在同一时刻开始采集患者肢体的加速度、角速度等惯性数据，为后续姿态分析提供原始信息，采集耗时1ms。
需要补充说明的是，数据采集与预处理，以1kHz频率同步采集关节位置、力矩、肌电信号，对原始信号进行滤波（肌电信号采用20-500Hz带通滤波），计算关键特征，如力矩梯度、肌肉激活度（MA）、力矩比值（F rel）。
需要补充说明的是，对于肌电信号的预处理包括：对采集到的表面肌电信号，先进行20-500Hz带通滤波，去除低频的基线漂移噪声以及高频的电磁干扰；接着采用50Hz陷波滤波，消除电力线干扰，确保肌电信号的纯净度；然后对信号进行归一化处理，将其幅值映射到[0,1]区间，便于后续分析。
其中，归一化处理公式为：
；
式中，表示原始肌电信号幅值；x min 表示该段信号的最小幅值；x max 表示该段信号的最大幅值；x norm 表示归一化后的信号。
需要补充说明的是，传感器采集的力信号，首先进行零点校准，消除传感器初始偏移误差；然后通过逆动力学模型，根据力传感器数据以及机器人关节角度信息，计算出关节力矩。对计算得到的关节力矩信号进行平滑处理，采用移动平均滤波算法，窗口大小设为10个采样点，去除信号中的高频抖动。
需要补充说明的是，信号预处理阶段（1-3ms）；其中EMG信号预处理，即对采集到的肌电信号进行20-500Hz带通滤波，去除基线漂移和高频噪声，耗时1ms；接着进行去噪等处理，为后续特征提取做准备，此过程共花费1ms；力信号预处理，即力/力矩信号先进行零点校准，消除传感器初始偏移误差，耗时1ms；然后通过逆动力学模型，结合机器人关节角度信息，计算出关节力矩，此步骤耗时2ms；惯性信号处理，即惯性测量单元采集的数据进行姿态解算，通过特定算法将加速度和角速度数据转换为肢体姿态信息，处理时间为2ms。
需要补充说明的是，利用小波变换对预处理后的肌电信号和力信号分别进行五层db4小波分解；以肌电信号x(t)为例，经过第一层小波分解后，得到低频近似分量A 1和高频细节分量D 1；对A 1继续进行第二层分解，得到A 2和D 2，以此类推，经过五层分解后，得到近似分量A 5和细节分量D 1-D 5。力信号的分解过程与肌电信号相同；选取分解后的细节分量进行分析，因为这些细节分量包含了信号的局部特征信息。对于肌电信号，重点关注D 3-D 5，这些分量对应了肌肉收缩时的高频特征；对于力信号，选择D 2-D 4，其反映了关节力矩变化的细节信息；对选取的肌电信号细节分量D 3-D 5和力信号细节分量D 2-D 4进行频域变换，分别进行快速傅里叶变换（FFT），将时域信号转换到频域。FFT点数设为1024点，以获得较高的频率分辨率；对变换后的频域信号进行幅度谱计算，得到肌电信号和力信号在不同频率下的能量分布情况。例如，肌电信号在30-300Hz频段内的能量分布，以及力信号在5-50Hz频段内的能量特征。
需要补充说明的是，对EMG信号进行特征提取，例如计算信号的均方根值（RMS）、过零率（ZCR）等，以反映肌肉活动的强度和变化频率。同时，对力信号进行特征提取，如峰值力、平均力等；通过寻找EMG信号和力信号特征之间的相关性来确定它们的时间对应关系。例如，当EMG信号的RMS值出现峰值时，查找力信号在相近时间点上是否也有相应的变化，如力的上升沿或峰值。可以使用互相关函数等算法来量化这种相关性，找到相关性最强的时间延迟，作为初步的时空对齐参数。
需要补充说明的是，通过小波-频域融合，即对预处理后的信号分别进行五层db4小波分解和快速傅里叶变换，提取肌肉激活度、关节力矩等特征，并通过动态权重公式进行融合，生成联合特征向量输出至动态规划层；EMG特征提取，即对预处理后的肌电信号进行五层db4小波分解，提取肌肉激活度（MA）等关键特征，耗时2ms；随后进行时空对齐，采用硬件时间戳同步技术和动态时间规整算法，确保与其他信号在时间和空间维度精确匹配，此过程耗时1ms。
带通滤波的计算公式：；式中，
表示滤波后的肌电信号；表示原始肌电信号，单位。
肌肉激活度（MA）的计算，即通过均方根（RMS）方法计算MA，采用滑动窗口（窗口长度w=200ms，步长s=50ms）。肌肉激活度（MA）的计算公式为：
；
式中，MA(t)表示未归一化肌肉激活度，单位表示滤波后的肌电信号；w表示权重系数，这里表示窗口长度200ms；t表示时刻；表示t时刻前的w。
MA(t)表示在时刻t的肌肉激活度。w 1表示肌电信号的权重系数，用于对后续求和项进行加权。∑表示求和运算，从到t，对进行累加。EMG filtered (i)指经过滤波处理后的肌电信号，对其在时刻的值进行平方后再求和，最终乘以权重w 1得到时刻t的肌肉激活度MA(t)。
对MA进行归一化处理：
；
式中，MA norm (t)表示归一化后的肌肉激活度；MA min (t)表示肌肉激活度的最小值；MA max (t)表示肌肉激活度的最大值。
需要补充说明的是，对力传感器数据进行低通滤波（截止频率f c =10Hz），计算关节力矩，关节力矩的单位，并归一化。力矩比值（F rel）计算公式为：
；
式中，表示归一化力矩比值；表示根据患者个体差异设定的最大安全力矩。
需要补充说明的是，对获取的信号进行时空对齐，即采用硬件时间戳同步技术和动态时间规整算法，确保肌电信号、力信号和姿态信号在时间和空间维度上精确对齐，时间偏差控制在2ms以内；将肌电信号（EMG）与力信号进行时空对齐是准确分析和利用多模态信息的关键步骤，包括信号采集同步，即使用具有同步触发功能的多通道数据采集系统，同时采集EMG信号和力信号。确保采集设备的时钟同步，例如通过硬件同步线或基于网络的精确时钟同步协议，使两个信号的采集在时间上保持一致；对于EMG信号，将表面电极按照标准位置放置在相关肌肉群上，以获取肌肉活动产生的电信号。对于力信号，通过力传感器安装在机器人与患者接触的部位，如末端执行器或关节处，来测量交互力。
需要补充说明的是，通过时间戳标记便于对齐处理，即在采集到的每一个EMG信号和力信号数据点上添加精确的时间戳。时间戳可以基于采集系统的内部时钟，以固定的采样频率进行标记，例如每1毫秒标记一次。这样，每个数据点都有了对应的时间信息，便于后续的对齐处理；在理疗机器人多模态控制中，信号同步用于确保EMG信号与力信号时间与空间上的一致性，为后续数据处理和控制决策提供准确基础；信号同步包括硬件同步初始化、实时信号采集与时间戳标记、时间对齐校正及空间坐标统一；其中，硬件同步初始化，即采用具备硬件同步触发功能的多通道数据采集设备，将EMG采集模块与力信号采集模块通过同步触发线连接。启动系统时，对采集设备的内部时钟进行校准，确保各模块时钟偏差在微秒级以内，为信号采集提供统一时间基准；实时信号采集与时间戳标记，即以固定频率（如1kHz）同步采集EMG信号与力信号。每采集一个数据点，立即基于采集设备高精度内部时钟为其标记时间戳，精确记录信号产生时刻，使每个数据点都携带准确时间信息；时间对齐校正，即建立时间戳匹配缓冲区，存储一定时间长度的两类信号数据。计算EMG信号与力信号时间戳差值，若存在时间偏移，采用线性插值或样条插值方法，对时间滞后信号进行时间补偿，使两类信号时间轴完全对齐，消除因硬件采集延迟差异导致的时间偏差；空间坐标统一，即确定机器人坐标系为基准坐标系，获取力传感器在机器人坐标系中的位置与姿态参数，以及EMG电极与患者身体关键部位相对位置关系。将力信号测量值根据传感器坐标转换到机器人坐标系下，同时将与患者身体运动相关的EMG信号特征（如肌肉收缩产生的力作用方向）映射到机器人坐标系，实现两类信号空间维度统一，便于后续融合处理；同步状态监测与反馈，即实时监测信号同步质量，计算连续时间内时间戳偏差均值与方差。若偏差超过设定阈值（如5ms），发出同步异常警报，并反馈至系统控制模块。控制模块可自动重新校准采集设备时钟，或调整数据采集参数，确保信号持续保持高精度同步状态。
需要补充说明的是，在实际应用中需要进行实时校正与反馈；即在实际应用中，由于患者的生理状态和运动模式可能会发生变化，需要实时监测和校正EMG信号与力信号的时空对齐。例如，定期重新计算信号特征的相关性，根据新的结果对对齐参数进行调整；同时，可以将对齐后的信号反馈给理疗机器人的控制系统，用于更准确地调整机器人的运动和力输出，以适应患者的肌肉活动和治疗需求。如果发现对齐效果不佳，可以通过调整电极位置、检查力传感器的安装等方式来解决问题。
需要补充说明的是，特征提取与时空对齐阶段（3-6ms），其中，时空对齐与时间同步包括硬件同步触发和动态时间规整（DTW）；硬件同步触发即通过同步时钟脉冲（精度±0.1ms）确保EMG和力信号采集起始时间一致；动态时间规整（DTW）对MA和F rel 序列进行时间校准，寻找最优匹配路径。寻找最优匹配路径的计算公式为：
；
式中，d表示欧氏距离；表示所有可能的对齐路径；表示对MA进行归一化处理后的结果；表示力矩比值（上面计算得到）。
动态时间规整（DTW）算法优化，即利用动态时间规整算法对初步对齐的信号进行进一步优化。DTW算法通过在时间轴上对两个信号进行弹性匹配，找到一条最优的时间扭曲路径，使得两个信号之间的距离（如欧氏距离）最小化。具体步骤如下：首先构建一个二维矩阵，矩阵的行和列分别对应EMG信号和力信号的时间序列；其次计算矩阵中每个元素的距离，即对应时间点上EMG信号和力信号特征值的差异；从矩阵的左上角开始，通过动态规划的方法，计算到每个元素的最小累积距离，同时记录路径；最后根据最优路径对EMG信号和力信号进行时间规整，实现更精确的时空对齐。
需要补充说明的是，特征融合包括权重确定和融合计算；其中，权重确定即根据康复阶段和信号质量动态调整融合权重。在康复初期，为更关注患者肌肉主动收缩意图，可将肌电信号的融合权重w 1设为0.7，力信号权重w 2=1-w 1=0.3；随着康复进展，若发现患者肌肉疲劳导致肌电信号不稳定，则适当降低w 1，提高w 2。同时，通过计算信号的信噪比（SNR）来辅助权重调整，当肌电信号SNR较高时，增加w 1；反之，增加w 2；融合计算即将肌电信号和力信号的频域特征进行加权融合。设肌电信号频域特征向量为F emg，力信号频域特征向量为F force，融合后的联合特征向量F fused；联合特征向量的计算公式：。
动态权重融合基于康复阶段的基础权重设定，即根据患者康复阶段p（早期、中期、后期）设定初始权重和：
。
基于信号质量的权重调整为计算MA和F rel的信号质量指标和（如信噪比SNR）：
；
式中，SNR MA 表示肌电信号信噪比，单位dB；表示力信号信噪比，单位dB。
调整权重：；融合计算，最终融合特征：
；
对最终融合特征进行平滑滤波与实时更新低通滤波，即对融合特征应用一阶低通滤波器，消除高频抖动：
；
式中，表示在时刻经过平滑处理后的融合特征值；表示上一时刻平滑后的融合特征值；为低通滤波系数。实时更新频率，即以的频率重复上述步骤，确保控制响应实时性。
这是一个用于对融合特征进行平滑处理的公式。公式中，表示在时刻经过平滑处理后的融合特征值。是一个权重系数，取值范围通常在0到1之间，它决定了当前时刻未平滑融合特征值和上一时刻平滑后的融合特征值对当前平滑结果的贡献程度。通过这个公式，用上一时刻平滑后的融合特征值与当前时刻未平滑的融合特征值，按照权重系数进行加权求和，从而得到当前时刻平滑后的融合特征值，以实现对融合特征的平滑处理，使数据更加稳定、规律。
生物-力学耦合特性，即融合特征F fused 同时反映肌肉主动意图（MA）和关节实际受力（F rel），实现人机协同控制的生物力学匹配；自适应权重机制，即通过康复阶段和信号质量双重调节权重，在保证安全性（F rel约束）的同时，最大化患者主动参与度（MA优先）；特征后处理，即对融合后的联合特征向量进行降维处理，采用主成分分析（PCA）方法，将高维特征向量映射到低维空间，去除冗余信息，保留主要特征成分，降低后续处理的计算复杂度；对降维后的特征进行标准化处理，使其均值为0，方差为1，便于输入到后续的动态规划层等模块进行分析和决策。
基于模型预测控制（MPC）生成时变阻抗轨迹的详细模型与步骤，以及融合肌肉激活度（MA）与关节力矩比值（F rel）的具体实现包括基于MPC的时变阻抗轨迹生成模型、MPC优化问题构建、MPC预测控制及MA与F rel融合；基于MPC的时变阻抗轨迹生成模型中的系统动力学模型为采用拉格朗日方程建立机器人-人体交互系统动力学模型；基于MPC的时变阻抗轨迹生成模型中的阻抗控制模型即设计时变阻抗模型：
；
式中，表示参考力矩；表示时变刚度；表示阻尼矩阵；和由MPC优生成。
基于MPC的时变阻抗轨迹生成模型中的MPC预测模型为将系统离散化：
；
式中，状态向量，控制输入，干扰预测时域内的系统行为：，其中。
MPC优化问题构建包括目标函数设计和约束条件；约束条件中的物理约束：；稳定性约束：；安全约束：，其中K min 为时变刚度的最小值，K max 为时变刚度的最大值，D min 为阻尼矩阵的最小值；D max 为阻尼矩阵的最大值，为交互力矩安全阈值。
MPC预测控制具体步骤：首先进行状态估计，即通过传感器获取当前关节状态和外部力矩 ；其次进行模型预测，即在预测时域内，使用系统动力学模型预测未来状态；然后进行优化求解，即求解目标函数J的最优控制序列，最优控制序列具体为： ；再进行控制执行，即仅执行第一个控制输入，更新时变阻抗参数和；最后进行滚动优化，即进入下一时刻k+1，重复上述步骤。
时变阻抗参数调整，即根据融合特征FusionFeature动态调整阻抗参数：
；
；
式中，K 2(t)表示调整后的时变刚度；D 2(t)表示调整后的阻尼矩阵；K 0表示基础刚度；K max表示最大刚度；表示刚度的增益系数；β表示阻尼的增益系数；M(q)表示惯性矩阵。
本发明MPC模型考虑了人机交互动态特性的时变阻抗建模，并集成安全约束和稳定性约束的多目标优化，同时基于生物反馈的预测模型参数自适应调整；融合特征能够基于康复阶段的动态权重分配机制，并结合信号质量（SNR）的自适应融合策略，得到肌肉激活度与关节力矩的非线性融合函数。
安全执行层为双闭环控制，双闭环控制包括内环力控和外环位控，并集成多级安全约束，多级安全约束包括力矩梯度限制和异常模式检测；外环位控即外环位置控制，外环以实现机器人末端执行器或关节的精准位置跟踪为目标，采用带前馈补偿的PID控制算法，其控制律表达式为：
；
式中，u ff 表示前馈补偿项，可根据机器人动力学模型预先计算，用于抵消系统的非线性和惯性影响，提高响应速度；t表示一个控制周期的时长，即从控制器发指令到传感器反馈的闭环时间。
外环通过不断比较期望位置与实际位置的偏差，经过PID调节和前馈补偿，输出一个期望力矩指令，该指令作为内环力控制的目标输入；内环力控制基于外环输出的期望力矩指令，以精确控制力输出为目的，同样采用PID控制算法，控制律如下：
；
式中：u force 表示内环力控制输出的控制量；K p_force 表示力环的比例；K i_force 表示力环的积分；K d_force 表示力环的微分增益系数；表示外环输出的期望力矩；表示实际测量得到的关节力矩；表示力矩变化率。
内环通过实时监测实际力矩与期望力矩的差值，经PID调节后，输出最终的电机控制信号，驱动机器人执行机构动作，实现对力的精确控制，确保机器人在与患者交互过程中，施加的力符合治疗要求且处于安全范围内；力矩梯度限制；首先进行实时监测，即通过力矩传感器以不低于1kHz的频率实时采集关节力矩数据 ，再通过计算相邻采样时刻的力矩变化量，变化量的公式为：，其中为采样间隔；其次进行梯度计算，即采用滑动窗口法计算力矩梯度，窗口大小设为n个采样点（例如n=10），计算窗口内力矩变化量的平均值作为当前时刻的力矩梯度：
；
式中，表示变量（这是求和公式，i=1,2,…n-1）；t表示时刻；表示采样间隔；约束判断与处理，即设定安全力矩梯度阈值（例如），当计算得到的时，触发力矩梯度限制机制。具体处理方式为：对当前的期望力矩指令进行调整，采用线性衰减的方式降低力矩变化速度，如线性衰减的计算公式为：，式中，k为衰减系数，根据实际情况调整，确保力矩变化平稳，避免对患者造成冲击。
异常模式检测包括肌电信号异常检测、力矩异常检测及异常响应处理；其中，肌电信号异常检测首先进行特征提取，即对采集的表面肌电信号进行预处理，包括带通滤波（20-500Hz）、去噪等操作，然后提取肌电信号的特征，如平均绝对值（MAV）、过零率（ZCR）、均方根值（RMS）等；再进行阈值判断，即设定异常检测阈值，例如当肌电信号的MAV超过正常均值的5倍，且ZCR在短时间内（如100ms）变化超过20%时，判定为肌电信号异常，表明患者可能出现肌肉痉挛或其他异常肌肉活动状态，触发紧急安全措施。
力矩异常检测首先进行超限判断，即实时监测关节力矩，当实际力矩超过预先设定的最大安全力矩（根据患者个体情况和治疗阶段动态调整）时，标记为力矩超限异常；再进行持续监测，即引入计数器机制，当力矩超限情况连续出现m次（例如m=3），且每次持续时间超过一定阈值（如20ms），判定为持续力矩异常，启动相应的安全保护程序。
异常响应处理，即一旦检测到上述异常模式，立即执行以下操作：紧急制动，即在20ms内切断电机动力，使机器人停止动作，避免对患者造成进一步伤害；报警提示，即通过声光报警装置向医护人员发出警报，并在控制界面显示具体的异常类型和位置信息，便于及时处理；数据记录，即保存异常发生前后一段时间内的多模态数据（肌电信号、力矩数据、关节位置等），为后续分析和诊断提供依据。安全执行层的核心控制与约束机制，可有效保障理疗机器人运行安全。
多模态融合策略，即信号级融合包括EMG信号（20-500Hz带通滤波）与力信号（逆动力学计算）时空对齐，偏差＜2ms。
特征级融合的动态权重公式：。
特征级融合原理与公式核心即特征级融合旨在将肌肉激活度（MA）与关节力矩比值（，记为F rel）两类关键特征进行有机结合，获取能精准反映患者运动状态与康复需求的联合特征F fused。
动态权重系数，通过赋予不同特征合适的权重，实现对患者运动意图和身体反馈的全面考量。MA反映患者肌肉主动发力的程度，F rel体现实际关节力矩与最大安全力矩的比例关系，二者结合能兼顾患者的主观能动性与客观身体承受能力；动态权重调整机制包括基于康复阶段的权重设定和基于信号质量的权重自适应调整。在康复治疗的不同阶段，患者的身体状况和治疗目标存在差异，因此需要动态调整权重。为避免因信号干扰导致融合结果偏差，引入信号质量评估机制对权重进行动态调节；康复初期：患者肌肉力量较弱，主动运动能力有限，此时更关注患者的肌肉激活状态，期望通过刺激肌肉逐步恢复功能。因此，将w 1设定为较高值，如0.7-0.8，加大MA在联合特征中的比重，鼓励患者进行主动肌肉收缩训练；康复中期：患者肌肉力量有所恢复，开始进行更复杂的运动训练，需要在关注肌肉激活的同时，考虑关节承受的力矩大小，以确保训练的安全性和有效性。此时，将w 1调整为0.6-0.7，实现MA与F rel的平衡考量；康复后期：患者接近康复目标，着重进行运动协调性和力量强化训练，此时关节承受的力矩大小对训练效果和安全性影响较大。因此，适当降低w 1至0.6，相对提高w 2的比重，使F rel在联合特征中发挥更大作用，保证训练强度符合患者身体状况。
基于信号质量的权重自适应调整，即计算信号信噪比（SNR），分别计算MA与F rel对应的原始信号（肌电信号和力信号）的信噪比。以肌电信号为例，SNR计算公式为：
；
式中，为肌电信号采样值，为均值，为噪声采样值。
权重调整策略，即当肌电信号的SNR较高时，说明MA特征可信度高，适当增加w 1；反之，若力信号的SNR更高，则相应提高w 2。具体调整公式为：
；
；
式中，，确保权重调整的稳定性和合理性；表示调整后的w 2；表示调整后的w 1；SNR EMG 表示EMG信号的信噪比；SNR Force 表示联合特征的信噪比。
特征计算，计算肌肉激活度（MA）：对采集的肌电信号进行预处理，包括20-500Hz带通滤波、去噪等，然后通过移动平均法或均方根值计算等方法得到MA，公式为，式中N为采样点数。
计算关节力矩比值，通过力传感器获取关节力矩，结合根据患者身体参数和治疗阶段预先设定的最大安全力矩，计算F rel，并将其限制在[0,1]区间。
决策级融合，根据MA值切换控制模式（被动引导/主动辅助）；基于MA值的控制模式切换控制规则包括：控制模式定义、切换阈值设定、过渡机制设计及优先级规则与异常处理。
控制模式定义包括被动引导模式和主动辅助模式；被动引导模式为机器人主导运动过程，患者处于被动接受状态，机器人根据预设康复轨迹和参数，输出恒定力矩驱动患者肢体运动，此模式适用于患者肌肉力量极弱、无法自主产生有效肌肉激活的阶段，旨在帮助患者维持关节活动度，预防肌肉萎缩和关节僵硬；主动辅助模式为机器人根据患者的肌肉激活意图提供辅助力矩，患者主动发力时，机器人实时检测MA值，分析患者运动意图，动态调整输出力矩，在患者发力不足时提供助力，在患者发力过大时适当限制，实现人机协同运动，促进患者肌肉力量和运动功能的恢复。
切换阈值设定包括一级切换阈值（MA low ）和二级切换阈值（MA high ）；一级切换阈值（MA low ）为设定（归一化后的肌肉激活度值），当检测到MA值持续低于超过秒时，系统判定患者肌肉处于低激活状态，从当前模式切换至被动引导模式，该阈值用于识别患者几乎无法主动发力的情况，及时给予必要的被动训练支持；二级切换阈值（MA high ）为设定（归一化后的肌肉激活度值），当MA值持续高于超过秒时，系统判定患者具备一定主动发力能力，从被动引导模式切换至主动辅助模式，充分发挥患者的主观能动性，提高康复训练效果。
过渡机制设计包括从被动引导到主动辅助的过渡和从主动辅助到被动引导的过渡；从被动引导到主动辅助的过渡为在切换过程中，为避免力矩突变对患者造成不适或伤害，采用线性过渡策略，具体而言，在切换时刻后的秒内，机器人输出力矩从被动引导模式下的恒定值，按照以下公式逐渐过渡到主动辅助模式下的初始辅助力矩：
；
式中，根据切换瞬间的MA值和患者身体参数预先计算确定，确保过渡过程平滑稳定。
从主动辅助到被动引导的过渡为当MA值下降触发切换时，在秒内，机器人输出力矩从当前主动辅助力矩逐渐降低至被动引导模式的初始力矩，同样采用线性过渡方式：
。
优先级规则，即在模式切换过程中，安全约束始终具有最高优先级。若在切换期间检测到力矩超限、肌电信号异常等安全问题，无论MA值处于何种状态，系统立即暂停模式切换，进入安全保护模式，停止机器人运动并发出警报。
异常处理，即当MA值在阈值附近波动导致频繁切换时，启用防抖动机制。在首次触发切换后的秒内，忽略MA值的小幅波动，避免模式频繁切换影响患者体验和治疗效果。若MA值在此期间持续超出阈值范围，则执行相应的模式切换操作。以上控制规则通过明确阈值、平滑过渡和优先级保障，实现基于MA值的控制模式智能切换。
如表1所示，本发明的技术效果：
表1本发明与传统方案相比的性能提升
；
安全性增强包括过载力矩检测速度20ms（传统方案200ms）和二次损伤发生率＜0.5%（传统方案3%）。
具体实施方式：生物信号采集的传感器配置：EMG传感器为差分电极，间距20mm，采样率2kHz；六维力传感器为量程±500N，非线性度＜0.1%FS。
动态规划器的阻抗参数动态调整公式：
；
式中，表示时变刚度参数，也表示t时刻的阻抗控制器刚度值（单位：）；表示基础刚度，默认值，代表无患者主动参与时的基础阻抗；表示系数，默认值0.6，控制肌肉激活度对刚度的影响权重；β表示力矩比值增益系数，默认值0.4，控制力反馈对刚度的影响权重；表示肌肉激活度，通过EMG信号计算得到的归一化值（范围0-1）；表示实时关节力矩，由力传感器测量得到（单位：）；表示最大安全力矩，根据患者个体差异和康复阶段设定的安全阈值（单位：）。
动态规划器的安全轨迹优化公式表示；约束条件表示；
式中，表示期望关节轨迹，康复治疗预设的理想关节角度轨迹（单位表示rad）；表示实际关节轨迹，机器人当前执行的关节角度轨迹（单位表示rad）；表示位置误差权重矩阵，对角阵，调整各关节位置跟踪精度的重要性；R表示力矩消耗权重矩阵，对角阵，控制能量消耗和运动平滑度的权衡；T表示优化时间窗口，轨迹优化的时间范围（单位表示s）；表示关节力矩，机器人施加的实时控制力矩（单位表示）；表示动态安全力矩阈值，是MA的函数，表示肌肉激活度越高，允许的最大力矩越大。
阻抗参数调整为当患者主动发力（MA增大）时，刚度增加，机器人提供更大阻力，促进肌肉力量训练；当关节力矩接近安全阈值（增大）时，刚度降低，避免过载风险；α>β体现肌肉主动意图优先于力反馈的控制策略。
安全轨迹优化：目标函数权衡位置跟踪精度（第一项）和力矩消耗（第二项）；约束条件确保实时力矩不超过与MA相关的安全阈值，实现主动安全保护；当MA较低时，自动降低，防止患者因肌肉无力导致过载。
动态安全阈值可以将设计为MA的函数，突破传统固定阈值限制，适应患者实时肌肉状态；多目标优化可以同时考虑位置跟踪和力矩安全，实现治疗效果与安全性的平衡；生物反馈融合可以通过MA调节刚度和安全阈值，形成“EMG-力-控制”闭环，提升人机协同适应性。
实施例1：中风患者上肢康复的参数配置：
在理疗机器人控制系统中，多级约束逻辑通过分层检测和递进式响应机制确保患者安全，实时阈值检测：力矩绝对值约束为比较当前力矩与预设安全阈值。力矩梯度约束为计算相邻采样点力矩变化率，模式异常检测：肌电信号异常为基于MA值和频谱特征检测肌肉痉挛。
轨迹偏离检测为计算实际轨迹与参考轨迹的偏差，状态机决策为基于多特征融合结果进行状态转换。约束冲突解决为当多层约束同时触发时，采用优先级机制。参数配置文字说明：多级约束系统的参数配置采用分层设计和自适应调整策略。基础参数层：1.1力矩阈值为根据患者个体差异设定：1.2梯度阈值为与机器人惯性特性相关。
这种分层约束逻辑和参数配置机制，既保证了系统安全性，又保留了治疗灵活性，可根据患者实时状态和康复进程动态调整保护策略；效果：Fugl-Meyer评分提升45%，疗程缩短3周。
实施例2为运动员膝关节康复：动态规则调整为如果ZCR<50则w 1=0.7；否则w 1=0.4；效果为关节活动度恢复速度提高30%。
如图6所示，安全约束工作域（关节角度-力矩动态边界）的说明，物理意义为该图展示了理疗机器人在不同关节角度下允许施加的最大安全力矩边界，是保障患者安全和设备可靠性的重要约束条件。其核心原理基于人体生物力学特性；余弦函数关系为最大安全力矩随关节角度呈余弦分布，符合人体肌肉力臂在不同关节位置的变化规律；安全边界为曲线上方区域为危险区域，机器人控制系统会限制输出力矩不超过此边界；工作域为曲线下方区域为安全工作域，机器人可在此范围内根据康复需求动态调整输出；图6的关键参数解释，关节角度（X轴）的范围为，代表关节可活动的角度区间；关节角度物理意义为反映患者关节当前所处位置，不同角度对应不同肌肉群发力状态；关节力矩（Y轴）的范围为，代表机器人可施加的力矩大小；关节力矩物理意义为力矩越大，对患者关节产生的作用力越大，需根据康复阶段谨慎控制；安全边界线（虚线）的数学表达式：，其物理意义为基于人体工程学实验数据，确保在任何关节角度下施加的力矩都不会超过肌肉骨骼系统的承受极限。
危险区域与安全策略包括1.斜线填充区域：表示超过安全力矩边界的危险区域；即控制系统策略：当检测到即将进入危险区域时，自动触发以下保护机制：紧急降低输出力矩和记录安全事件并报警。
动态适应机制包括安全边界可根据患者个体差异和康复阶段动态调整；在康复初期整体边界下移（如），提供更保守的保护；在康复后期边界适当上移（如），允许更大训练强度。
临床应用价值为预防肌肉拉伤可以通过限制最大力矩，避免因机器人输出力过大导致的软组织损伤；也能够提供个性化康复，可根据患者年龄、性别、病情等因素调整安全边界参数，同时也能增强患者信任，可视化的安全工作域为医护人员和患者提供直观的安全保障依据。
本发明通过实时监测，即控制系统需以100Hz以上频率持续比对当前力矩与安全边界；以及快速响应的保护机制的执行延迟需控制在5ms以内，确保紧急情况下的安全性；还包括参数校准，即每次治疗前需根据患者最新评估数据重新计算安全边界参数。
如图7所示，临床效果对比曲线（ROM改善率），即关节活动度(ROM)改善率对比图，样本量为每组50例患者，治疗频率为每周3次，每次30分钟，测量工具为电子关节角度仪，误差线为±1个标准差，本发明方案与传统康复治疗相比，平均改善率差异15.3%，治疗效率提升42%，显著性水平p<0.01；治疗6周后本发明ROM平均值72°±3°，传统方案ROM平均值60°±3°，临床达标率89%，该安全约束机制已在临床研究中验证，可使康复治疗的安全事件发生率降低73%（p<0.001），显著提升理疗机器人的安全性和可靠性。结果分析可知，本发明方案优势为治疗4周后ROM显著提升（p<0.01），且多模态融合控制使康复效率提高42%，患者主动参与度提升37%，治疗周期缩短约2周，临床意义为更快速恢复关节功能，减少长期并发症，适用于中风、脊髓损伤等多种康复场景，减轻医护人员工作负荷30%，患者满意度提高至94%。
动态规划层的基于强化学习的优化能够以理疗效果为导向，将康复过程划分为多个阶段设定不同奖励函数，通过智能体与环境的交互学习，对MPC生成的轨迹进行二次优化，提高治疗精准度。
安全轨迹生成为在满足力矩限制、关节角度范围等安全约束条件下，生成最终的安全运动轨迹，并通过轨迹输出接口传递至安全执行层。
反馈信号处理为对机器人本体上的力/位反馈传感器采集的信号进行处理，将实际位置和力矩信息反馈至双闭环控制模块，形成控制闭环。
多模态融合策略层包括动态权重调整，即根据康复阶段和信号质量，动态调整肌肉激活度与关节力矩比值的融合权重，使融合特征更准确反映患者运动状态；控制模式决策，即依据融合特征中的MA值，按照设定的切换规则，在被动引导模式和主动辅助模式之间进行切换，生成相应的模式指令输出至安全执行层，实现人机协同康复训练的智能调控。
力信号处理为对计算得到的关节力矩信号进行进一步处理后，进行时空对齐操作，保证力信号与其他模态信号的一致性，耗时1ms；惯性信号处理为将姿态解算后的惯性信号进行时空对齐，使其与EMG信号和力信号在时间轴上对齐，耗时1ms。
信号融合阶段（6-10ms），即多模态特征融合，将经过时空对齐的EMG特征、力特征和惯性特征，通过小波-频域融合算法以及动态权重公式进行融合，生成联合特征向量，此过程耗时3ms。
联合特征输出为将融合后的联合特征向量输出至动态规划层，为后续的轨迹规划和控制决策提供准确的多模态信息，输出时间为1ms；通过严格的时间控制和精准的同步处理，确保各模态信号协同工作，为理疗机器人的自适应控制提供可靠的数据基础。
需要说明的是，如图8、图9、图10和图11所示，图8中的a与图9中的a相连接，图9中的b与图11中的b相连接，图10中的c与图11中的c相连接。
在一个实施例中，提供了计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述基于多模态生物反馈的理疗机器人自适应控制方法实施例中的步骤。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
此外，本发明还提供了计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述基于多模态生物反馈的理疗机器人自适应控制方法实施例中的步骤。
另外，本发明还提供了计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于多模态生物反馈的理疗机器人自适应控制方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例基于多模态生物反馈的理疗机器人自适应控制方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各基于多模态生物反馈的理疗机器人自适应控制方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (7)

1.基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，包括：
获取生物力学感知信号，并对生物力学感知信号进行滤波和去噪处理，得到预处理后的生物力学感知信号；
利用小波变换对预处理后的生物力学感知信号进行小波分解，并根据小波分解结果结合频域变换提取得到肌肉激活度特征和关节力矩特征；
通过动态时间规整对肌肉激活度特征和关节力矩特征进行时间校准，得到对齐后的肌肉激活度特征和关节力矩特征；
根据康复阶段的预先权重设定，分别获取对齐后的肌肉激活度特征和关节力矩特征的初始权重；
通过计算对齐后的肌肉激活度特征和关节力矩特征的信噪比，分别得到对齐后的肌肉激活度特征和关节力矩特征的信号质量调整权重；
基于初始权重和信号质量调整权重，得到调整后的权重，并通过调整后的权重对对齐后的肌肉激活度特征和关节力矩特征进行特征融合，得到融合特征，利用平滑滤波对融合特征进行滤波处理，得到联合特征；
基于拉格朗日方程建立系统动力学模型，并利用预先获取的期望轨迹生成时变阻抗控制模型；
根据实时获取的关节状态构建MPC预测模型，并结合系统动力学模型和时变阻抗控制模型得到MPC的时变阻抗轨迹生成模型，通过预先设定的MPC目标优化函数结合约束条件生成MPC优化问题；
基于MPC的时变阻抗轨迹生成模型和MPC优化问题，并结合实时获取的关节状态预测未来关节状态，根据未来关节状态更新时变阻抗参数，并通过滚动优化生成时变阻抗轨迹模型；
根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹；
根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动；
所述生物力学感知信号包括肌电信号、六维力信号及患者肢体姿态。
2.根据权利要求1所述的基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，所述系统动力学模型的表达式：
；
式中，表示关节角度；表示关节角速度；表示关节角加速度向量；表示惯性矩阵；表示科里奥利力和离心力矩阵；表示重力向量；表示控制器输出力矩；表示来自患者的外部交互力矩；
所述时变阻抗控制模型的表达式：
；
式中，表示参考力矩；表示期望的关节角度；表示期望的关节角速度；表示由MPC优化生成的时变刚度；表示由MPC优化生成的阻尼矩阵；
所述MPC目标优化函数的表达式：
；
式中，表示MPC目标优化函数；Nc表示控制时域；表示k时刻的控制输入；表示期望状态轨迹；表示参考控制输入；表示期望状态轨迹的权重矩阵；R表示参考控制输入的权重矩阵；表示关节状态；表示期望的关节状态；表示k+i时刻的控制输入；表示k+i时刻的参考控制输入；Np表示预测时域。
3.根据权利要求1所述的基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，所述基于MPC的时变阻抗轨迹生成模型和MPC优化问题，并结合实时获取的关节状态预测未来关节状态，根据未来关节状态更新时变阻抗参数，并通过滚动优化生成时变阻抗轨迹模型包括：
基于MPC的时变阻抗轨迹生成模型，并结合实时获取的关节状态和外部力矩在预测时域内生成未来关节状态；
根据未来关节状态求解MPC优化问题的目标优化函数，得到最优控制序列，根据最优控制序列进行时变阻抗参数更新；
基于时变阻抗参数更新结果，通过滚动优化进入下一时刻时变阻抗参数更新，生成时变阻抗轨迹模型。
4.根据权利要求1所述的基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，所述根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动包括：
通过实时获取的生物力学感知信号计算肌肉激活度，并利用预设的切换规则生成控制模式指令；
基于控制模式指令，结合安全运动轨迹与实际运动轨迹的比较结果，利用双闭环控制的外环位置控制，对外环位置控制输出进行PID调节和前馈补偿，得到期望力矩指令；
通过双闭环控制的内环力控制，对期望力矩指令采用PID控制，得到内环力控制输出的电机控制信号；
利用多级安全约束对实时获取的生物力学感知信号进行异常检测，根据异常检测结果结合预设优先级生成安全措施，并结合电机控制信号得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
5.根据权利要求4所述的基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，所述双闭环控制的外环位置控制的表达式：
；
式中，表示外环位置控制输出的控制量；表示位置环的比例；表示位置环的积分；表示位置环的微分增益系数；表示期望的关节角速度；表示期望的关节角度；q表示关节角度；表示关节角速度；表示前馈补偿项；t表示一个控制周期的时长。
6.根据权利要求4所述的基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，所述利用多级安全约束对实时获取的生物力学感知信号进行异常检测，根据异常检测结果结合预设优先级生成安全措施，并结合电机控制信号得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动包括：
利用多级安全约束的力矩梯度限制，并结合滑动窗口法对实时获取的生物力学感知信号进行力矩梯度计算，得到目标时刻的力矩梯度；
通过目标时刻的力矩梯度与预设的安全力矩梯度阈值比较，基于比较结果触发力矩梯度限制机制；所述力矩梯度限制机制包括：对期望力矩指令进行调整，并采用线性衰减的方式降低力矩变化速度；
利用多级安全约束的异常模式检测，对实时获取的生物力学感知信号进行异常阈值检测，根据异常阈值检测结果结合预设优先级生成安全措施，并结合电机控制信号得到理疗机器人的控制信号。
7.基于多模态生物反馈的理疗机器人自适应控制系统，用于实现权利要求1-6中任一项所述的基于多模态生物反馈的理疗机器人自适应控制方法，其特征在于，所述基于多模态生物反馈的理疗机器人自适应控制系统包括：联合特征提取模块、运动轨迹生成模块及控制信号获取模块；
所述联合特征提取模块，用于对预先获取的生物力学感知信号进行预处理，并利用小波变换和频域变换对预处理后的生物力学感知信号进行特征提取和动态权重融合，得到联合特征；
所述运动轨迹生成模块，用于基于拉格朗日方程建立系统动力学模型，并利用实时获取的关节状态结合滚动优化算法生成时变阻抗轨迹模型，根据联合特征对时变阻抗轨迹模型的阻抗参数进行动态调整，通过调整后的时变阻抗轨迹模型生成安全运动轨迹；
所述控制信号获取模块，用于根据安全运动轨迹和实时获取的生物力学感知信号对理疗机器人进行双闭环控制，得到理疗机器人的控制信号，基于控制信号实现理疗机器人关节电机驱动。
CN202510926160.7A 2025-07-07 2025-07-07 基于多模态生物反馈的理疗机器人自适应控制方法及系统 Active CN120406182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510926160.7A CN120406182B (zh) 2025-07-07 2025-07-07 基于多模态生物反馈的理疗机器人自适应控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510926160.7A CN120406182B (zh) 2025-07-07 2025-07-07 基于多模态生物反馈的理疗机器人自适应控制方法及系统

Publications (2)

Publication Number Publication Date
CN120406182A CN120406182A (zh) 2025-08-01
CN120406182B true CN120406182B (zh) 2025-10-17

Family

ID=96506801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510926160.7A Active CN120406182B (zh) 2025-07-07 2025-07-07 基于多模态生物反馈的理疗机器人自适应控制方法及系统

Country Status (1)

Country Link
CN (1) CN120406182B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120899509B (zh) * 2025-10-11 2026-01-02 同济大学浙江学院 基于多级按需助力分级的腕关节康复方法及相关装置
CN120932845B (zh) * 2025-10-11 2026-01-23 北京凌波澄机器人科技有限公司 基于动态权重融合的康复机器人力感知网络方法及系统
CN120930117B (zh) * 2025-10-14 2025-12-26 中国科学技术大学 一种面向时间演化的社交机器人账号检测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108324503A (zh) * 2018-03-16 2018-07-27 燕山大学 基于肌骨模型和阻抗控制的康复机器人自适应控制方法
CN109062032A (zh) * 2018-10-19 2018-12-21 江苏省（扬州）数控机床研究院 一种基于近似动态逆的机器人pid变阻抗控制方法
CN119820582A (zh) * 2025-03-14 2025-04-15 广州里工实业有限公司 人形机器人自适应控制方法、系统、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110355761B (zh) * 2019-07-15 2022-06-14 武汉理工大学 一种基于关节刚度和肌肉疲劳的康复机器人控制方法
US20230256296A1 (en) * 2022-04-26 2023-08-17 Southeast University Wrist rehabilitation training system based on muscle coordination and variable stiffness impedance control
CN117140514A (zh) * 2023-09-11 2023-12-01 燕山大学 肘腕康复机器人及其控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108324503A (zh) * 2018-03-16 2018-07-27 燕山大学 基于肌骨模型和阻抗控制的康复机器人自适应控制方法
CN109062032A (zh) * 2018-10-19 2018-12-21 江苏省（扬州）数控机床研究院 一种基于近似动态逆的机器人pid变阻抗控制方法
CN119820582A (zh) * 2025-03-14 2025-04-15 广州里工实业有限公司 人形机器人自适应控制方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN120406182A (zh) 2025-08-01

Similar Documents

Publication Publication Date Title
CN120406182B (zh) 基于多模态生物反馈的理疗机器人自适应控制方法及系统
CN101785704A (zh) 一种主从式微创手术机器人系统的自适应滤波装置
CN120616990A (zh) 一种上肢外骨骼康复机器人控制系统及方法
CN119344986B (zh) 自适应位置约束的外骨骼康复机器人按需辅助控制系统
CN120552082B (zh) 面向微创手术的器械力反馈与人机协同操控方法及系统
CN120114329A (zh) 一种智能针灸机械臂精准定位与行针方法、系统
CN120284618A (zh) 用于脑梗后遗患者压疮护理的智能护理系统及起背优化方法
CN120791720B (zh) 一种自适应多场景的外骨骼机器人控制方法及系统
CN120748657B (zh) 一种康复仪运动模式控制方法和系统
CN120549619B (zh) 神经外科手术机器人机械臂自适应防抖控制方法及系统
CN120395780B (zh) 用于铁塔攀爬的下肢外骨骼助力装置的控制方法和系统
CN121370601A (zh) 一种用于青少年近视防控的无烟化智能精准控制方法
CN121360022A (zh) 基于呼吸功能保护的智能护理体位调整方法及系统
CN119257568A (zh) 一种基于简化信号扩展的翼状肩胛康复训练评估系统
Qu et al. A novel sEMG-based force interaction strategy of supernumerary robotic limbs
CN120773051B (zh) 一种人形机器人的多关节协同运动控制方法及系统
CN121617539B (zh) 脑卒中神经康复个性化训练指导系统
Wu et al. Development and DMP-learning-based predictive control of a shoulder-hip assistive exoskeleton for muscular augmentation
CN121943610A (zh) 康复机器人控制方法、装置、机器人及存储介质
CN121371495B (zh) 基于多模态生物反馈的闭环脑-脊髓接口上肢抓握功能重建方法及系统
CN121623163A (zh) 基于多传感器融合的旋磁治疗机控制方法
Sun et al. Electromyography-Driven Dynamic Arm Force Estimation Model for Human-Robot Interaction
CN121943470A (zh) 医用内窥镜操作轨迹智能导航系统
CN121983231A (zh) 一种智能镇痛控制模型建立方法及系统
CN121617539A (zh) 脑卒中神经康复个性化训练指导系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant