1.一种基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于,包括以下步骤:步骤1、即根据用户个性化参数体重、足码、步幅、步频、步速、助力位置,构造其对应拟人神经反馈模型,拟人神经反馈模型包含步态识别优化模型M1、事件模型M2、电机补偿力矩输出模型M3;
步骤2,通过传感器测量肌肉生物力学特性,解算肌肉收缩速度、肌肉力大小;
步骤21、通过贴附在胫骨前肌、腓肠肌的超声探头及采集卡收集超声反馈信号;
步骤22、基于超声反馈信号开展肌肉厚度解算;其中:根据反馈信号将不同深度的区域划分为皮肤界面A、脂肪‑肌肉界面B、肌肉‑骨骼界面C,界面BC之间的距离即为肌肉厚度T;
步骤23、基于肌肉厚度T变化计算肌肉收缩速度;
步骤24、基于肌肉收缩速度计算肌肉力大小;
步骤25、基于肌肉力大小计算踝关节实际力矩;
步骤3,以肌肉收缩速度为输入,经由神经网络模型优化拟人神经反馈模型参数步速 、步幅 、步频 ;
步骤4,计算步态识别结果,并通过长短期记忆权重优化方法,输出优化后步态识别结果;即将优化的步速 、步幅 、步频 代入至步态识别优化模型M1,经由踝关节角度计算模型M11与长短期记忆权重优化M12计算出步态识别参数 ;其中:步态识别优化模型M1包含踝关节角度计算模型M11与长短期记忆权重优化M12:踝关节角度计算模型M11的数学模型为:
其中,为踝关节运动角度,参数 、、、分别对应用户体重权重参数、收敛速度,幅值,以及周期,即患者个性化的步速、步幅、步频;
长短期记忆权重优化M12解算步骤为:
采集患者运动的5个步态,将踝关节运动角度划分为5个步态周期,以5个关节运动角度为采集样本,按采集的时间先后顺序命名为为 、 、… ,通过长短期记忆权重优化步态识别参数 ,并不断循环,其公式为:令 =0.5, =0.25, =0.125, =0.07, =0.55,则
步骤5,根据步态事件得分识别对应事件,预测将到达的步态事件;
步骤6,计算最大扭矩补偿值,电机输出助力;即当电机收到输出信号时,结合输出模型M3计算最大扭矩补偿值,输出跖屈助力扭矩Tz,背屈助力扭矩Tb;
步骤7,每次助力完成后,将新解算的对应肌肉力对比正常人体步态事件肌肉力大小,输出助力效果。
2.根据权利要求1所述的基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于:事件模型M2包含开始行走、跖屈、背屈、停止四个事件,其数学模型为:其中,P表示踝关节动作事件,其根据不同的步态识别参数 进行划分。
3.根据权利要求1所述的基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于:电机补偿力矩输出模型输M3基于预测事件发生,结合人体开展最大助力扭矩不超过踝关节峰值扭矩的20%的助力输出,建立电机补偿力矩输出模型:其中,W为用户体重千克数, 为基于测量模块计算的实际踝关节力矩峰值。
4.根据权利要求1所述的基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于:步骤22中,反馈信号的界面离超声发射器距离d计算公式为:其中,t为脉冲信号从发射到接收的时间,c为超声在人体组织介质中的传播速度,为
1400m/s;
故肌肉厚度T为BC界面之间的距离
其中, 为界面C回声返回接收的时间, 为界面B回声返回接收的时间。
5.根据权利要求1所述的基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于:步骤23中,基于连续采集的肌肉厚度T,以肌肉厚度的变化表征肌肉收缩速度,则肌肉收缩速度v为肌肉厚度的变化速率,对肌肉厚度求导得:得到左右腿胫骨前肌、腓肠肌的收缩速度分别为: 、 、 、 。
6.根据权利要求1所述的基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于:步骤24中,根据Hill方程进行对应肌肉力的解算,则此时的肌肉力F大小为:其中, 为肌肉挛缩时的张力,a为肌肉张力常量,b为肌肉收缩速度单位常量,由患者肌无力等级及个体详细情况定义;
得到左右腿胫骨前肌、腓肠肌的肌肉力分别为 、 、 、 。
7.根据权利要求1所述的基于个性化拟人神经模型的下肢外骨骼驱动方法,其特征在于:步骤25中,背屈主要由胫骨前肌收缩完成,其踝关节力矩计算为跖屈主要由腓肠肌收缩完成,其踝关节力矩计算为其中, 、 分别为胫骨前肌肌腱及跟腱至踝关节旋转中心的垂直距离。