一种基于拟人神经模型的下肢外骨骼驱动方法

1.本发明涉及康复器械技术领域，具体涉及个性化拟人神经模型，开发一种下肢外骨骼驱动方法。


背景技术：

2.由脑卒中、脊髓损伤与周围神经损伤而导致的下肢肌无力患者往往需要康复器具进行其肢体运动的辅助。临床医学表明，脑卒中，脊髓损伤等疾病或生理功能的退化都可由步态特征信息所反映，准确地检测行走步态轨迹能更好地分析患者的步态能力与康复状况。
3.下肢外骨骼在助行方面不但需要协同患者下肢的运动规律，而且还需要准确的提供合适助力以修正患者步态。当前，下肢柔性外骨骼因其结构简单轻便、易于穿戴等优势已成为继刚性外骨骼后的潮流与方向，前期下肢外骨骼的控制策略系由正常人体运动作为标定进行患者步态动作的矫正，即按照正常人体肢体运动的角度与行程进行患者动作的矫正，该控制策略的人机协同性较差，忽视了患者个体的不同，外骨骼在助力步频、步幅、步速等方面完全按照预设指令实施，造成患者体验感下降。
4.目前的市场上，下肢柔性外骨应用广泛，以一种下肢助力外骨骼机器人的步态控制方法和控制系统(cn109172287b)专利为代表的下肢柔性外骨骼控制策略以对比人体模型实现了实时步态检测，能够识别出跖屈、背屈等动作进而实现助力，然而当实时采集步态进而驱动电机输出存在一定的延时，也造成了助力的滞后性，使助力效果下降。以(cn115294653a)为代表的大多数现有技术系基于惯性传感器(imu)进行人体姿态的捕捉，imu是间接测量的，需要复杂的身体参数进行后计算建模，以计算出运动，并不时进行额外的修正，以减少随时间增长的不对准误差；再以(cn110141239a)为代表的的现有技术进一步基于表面肌电的测量开展运动意图识别工作。此外，现有技术由步态开始初期开始进行反馈信号采集，而由于人体步态前几步的稳定性缺乏，而康复患者步态从开始达到稳定则需要的时间更长，故初期步态数据作为采集信号将对后续步态的识别，助力输出产生一定影响，目前此问题尚缺乏研究与探索。
5.综上所述，当前下肢柔性外骨骼的控制策略在人机协同性及个性化助力方面尚欠缺，因此，对于下肢柔性助力外骨骼而言，其核心问题是个性化人体运动意图识别、预测与助力驱动控制，建立基于用户个性化参数的驱动模型，进而实现外骨骼的个性化助力。


技术实现要素：

6.本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
7.本发明的有益效果是本发明创造相较以往的技术，构建以人体个性化参数为指引的步态模型，精准识别用户步态，定义最佳优化驱动力，进行个性化步态精准识别预测，满足个性化助力需求。本发明将独特的个性化驱动模型与下肢柔性外骨骼结合，对具有不同体重、足码、步幅、步频、步速的下肢肌无力患者提供了个性化助力方案。
8.本发明的技术方案在于提供了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：
9.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；
10.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；
11.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；
12.步骤22、基于超声反馈信号开展肌肉厚度解算；
13.步骤23、基于肌肉厚度t变化计算肌肉收缩速度；
14.步骤24、基于肌肉收缩速度计算肌肉力大小；
15.步骤25、基于肌肉力大小计算踝关节实际力矩；
16.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μ、步频ω；
17.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μ、步频ω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
18.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；
19.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；
20.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。
21.进一步地，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，其中：
22.踝关节角度计算模型m11的数学模型为：(以左腿为例)
[0023][0024]
其中，θ为踝关节运动角度，参数σ、
∝
、μ、ω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；
[0025]
长短期记忆权重优化m12解算步骤为：
[0026]
将踝关节运动角度划分为n个步态周期，以n个关节运动角度θ
左
为采集样本，按采集的时间先后顺序命名为为θ
左1
、θ
左2
、
…
、θ
左n
，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：
[0027][0028]
进一步地，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：
[0029][0030]
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。
[0031]
进一步地，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
[0032][0033]
其中，w为用户体重千克数，t
实际max
为基于测量模块计算的实际踝关节力矩峰值。
[0034]
进一步地，步骤22中，
[0035]
反馈信号的界面离超声发射器距离d计算公式为：
[0036][0037]
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；
[0038]
故肌肉厚度t为bc界面之间的距离
[0039]
t＝d
c-db＝1400(t
c-tb)
[0040]
其中，tc为界面c回声返回接收的时间，tb为界面b回声返回接收的时间。
[0041]
进一步地，步骤23中，
[0042]
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：
[0043][0044]
得到左右腿胫骨前肌、腓肠肌的收缩速度分别为：v
a左
、v
a右
、v
s左
、v
s右
。
[0045]
进一步地，步骤24中，
[0046]
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：
[0047]
(v+b)(f+a)＝b(f0+a)
[0048]
其中，f0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；
[0049][0050]
得到左右腿胫骨前肌、腓肠肌的肌肉力分别为fa左、fa右、fs右、fs右。
[0051]
进一步地，步骤25中，
[0052]
背屈主要由胫骨前肌收缩完成，其踝关节力矩计算为
[0053]m实际
＝fa左la[0054]
跖屈主要由腓肠肌收缩完成，其踝关节力矩计算为
[0055]m实际
＝fs左ls[0056]
其中，la、ls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本发明的有益效果在于：
[0057]
1、本发明建立了个性化拟人步态模型，能够有效识别对应步态；
[0058]
2、本发明建立识别结果长短期记忆权重优化方法，能够精准识别步态；
[0059]
3、本发明通过肌肉厚度变化表征了肌肉力大小变化及踝关节力矩变化；
[0060]
4、本发明建立电机补偿力矩输出模型，设计峰值助力扭矩，加强装置安全性能。
附图说明
[0061]
图1为发明方法流程示意图；
[0062]
图2为拟人神经反馈模型示意图；
[0063]
图3为肌肉收缩速度、肌肉力大小解算流程示意；
[0064]
图4为超声传感器与下肢贴附示意；
[0065]
图5为超声肌肉反馈信号示意；
[0066]
图6踝关节实际力矩解算示意；
[0067]
图7为神经网络模型优化人神经反馈模型参数步速
∝
、步幅μ、步频ω示意；
[0068]
图8计算最大扭矩补偿值，电机输出助力示意图；
[0069]
图9为下肢柔性外骨骼示意图；
[0070]
图10为电机线轮示意图；
具体实施方式
[0071]
为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施方式及实施方式中的特征可以相互组合。
[0072]
为了实现助力脑中风、脊髓损伤与周围神经损伤引起的肌无力等患者，本发明采用下肢柔性外骨骼进行患者在行走时跖屈、背屈的个性化助力。该技术方案将人体步态分为开始行走、跖屈、背屈、停止四个事件，基于建立用户个性化参数构造其对应拟人神经反馈模型及步态识别模型长短期记忆权重优化对患者个体步态的精准识别，再构建最大助力峰值计算模型计算电机助力输出结合传感采集数据进行骨肌动力学解算，并优化上述拟人神经反馈模型参数，开展预测人体运动意图，进而实时输出助力。
[0073]
该实施例中，选定的患者体重65kg，bmi指数为20.5，体重权重参数设置为0.25，屈助力提拉点至足踝中心点距离为l1＝0.1m，背屈助力提拉点至足踝中心点距离为l2＝0.15m，电机线轮的半径r＝0.025m；以采集患者5个正常步态作为建立拟人神经反馈模型的基础开展助力。
[0074]
基于该实施例，提供了一种基于个性化拟人神经模型的下肢外骨骼驱动方法，具体包括以下步骤：
[0075]
步骤1，根据用户个性化参数构造其对应拟人神经反馈模型；
[0076]
该步骤中，如图2所示，该实施例首先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，其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；
[0077]
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，其中：
[0078]
踝关节角度计算模型m11的数学模型为：(以左腿为例)
[0079][0080]
其中，θ为踝关节运动角度，参数σ、
∝
、μ、ω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；
[0081]
长短期记忆权重优化m12解算步骤为：
[0082]
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θ为采集样本，以左腿为例，按采集的时间先后顺序命名为θ
左1
、θ
左2
、
…
、θ
左5
，通过长短期记忆权重优化步态识别参数ε表示权重参数，赋值以最近采集的步态权重占比最高，逐渐降低，并不断循环，其公式为：
[0083][0084]
令ε5＝0.5，ε4＝0.25，ε3＝0.125，ε2＝0.07，ε1＝0.55，
[0085]
则
[0086][0087]
如图2，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：
[0088][0089]
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。
[0090]
如图2、图8所示，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
[0091][0092]
其中，65为用户体重千克数，t
实际max
为基于测量模块计算的实际踝关节力矩峰值；
[0093]
如图8、图9、图10所示，根据足长及提拉点位置计算电机在各事件中需输出的助力扭矩，跖屈助力时，提拉点至足踝中心点距离为l1＝0.1m，电机线轮的半径r＝0.025m，扭矩tz计算为：
[0094][0095]
背屈助力时，提拉点至足踝中心点距离为l2＝0.15m，电机线轮的半径r＝0.025m扭矩tb计算为：
[0096][0097]
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；
[0098]
如图3所示，该步骤通过以下方式实现：
[0099]
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；
[0100]
如图4所示，将传感器贴附在患者胫骨前肌、腓肠肌的外侧，进行信号的发射与采集；
[0101]
如图5所示，反馈回声的采集信号在骨肌组织的交界面发生明显的变化，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；
[0102]
步骤22、基于超声反馈信号开展肌肉厚度解算；
[0103]
如图5，一组反馈信号的界面离超声发射器距离d计算公式为：
[0104][0105]
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，约为1400m/s；
[0106]
故肌肉厚度t为bc界面之间的距离
[0107]
t＝d
c-db＝1400(t
c-tb)
[0108]
其中，tc为界面c回声返回接收的时间，tb为界面b回声返回接收的时间；
[0109]
步骤23、基于肌肉厚度t变化计算肌肉收缩速度；
[0110]
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
[0111][0112]
上述方法得到左右腿胫骨前肌、腓肠肌的收缩速度分别为：va左、va右、vs左、vs右；
[0113]
步骤24、基于肌肉收缩速度计算肌肉力大小；
[0114]
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：
[0115]
(v+b)(f+a)＝b(f0+a)
[0116]
其中，f0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；
[0117][0118]
上述方法得到左右腿胫骨前肌、腓肠肌的肌肉力分别为fa左、fa右、fs右、fs右；
[0119]
步骤25、基于肌肉力大小计算踝关节实际力矩；
[0120]
以左腿为例，背屈主要由胫骨前肌收缩完成，其踝关节力矩计算为
[0121]m实际
＝fa左la[0122]
跖屈主要由腓肠肌收缩完成，其踝关节力矩计算为
[0123]m实际
＝fs左ls[0124]
如图5，其中，la、ls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；
[0125]
当患者足码为42码时，la约为0.055m，ls约为0.015m
[0126]
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μ、步频ω
[0127]
如图6，以步骤23所计算的左右腿胫骨前肌、腓肠肌的收缩速度为输入量，构建神经网络模型，设置合理的隐藏层及神经元数量，优化拟人神经反馈模型参数步速
∝
、步幅μ、步频ω；
[0128]
为了使得系统计算量导致的延迟与优化效果达到较好的平衡，在此选择隐藏层为3层，各层神经元数量为4个，经测试得到系统计算延时为20ms；
[0129]
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；
[0130]
将优化的步速
∝
、步幅μ、步频ω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
[0131]
步骤5，根据步态事件得分至划分，预测将到达的步态事件；
[0132]
事件模型m2将根据步态识别参数值的大小进行踝关节运动事件的判断，并将以预测将要发生事件的时机，提前系统延时时间20ms驱动电机进行助力输出；
[0133]
步骤6，计算最大扭矩补偿值，电机输出助力；
[0134]
如图5、图8所示，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；
[0135]
如图9所示，实施例还提供了下肢柔性外骨骼，肢柔性外骨骼装置由左电机、右电机、左线轮、右线轮、左跖屈鲍登线、左背屈鲍登线、右跖屈鲍登线、右背屈鲍登线、左鞋垫、右鞋垫组成；
[0136]
左线轮连接在左电机上，顺时针旋转为提拉左跖屈鲍登线，逆时针旋转为提拉左背屈鲍登线；
[0137]
左跖屈鲍登线与鞋垫鞋跟部连接；
[0138]
左背屈鲍登线与鞋垫鞋弓部连接。
[0139]
下肢柔性外骨骼装置由左电机、右电机、左线轮、右线轮、左跖屈鲍登线、左背屈鲍登线、右跖屈鲍登线、右背屈鲍登线、左鞋垫、右鞋垫组成；
[0140]
左线轮连接在左电机上，顺时针旋转为提拉左跖屈鲍登线，逆时针旋转为提拉左背屈鲍登线；
[0141]
左跖屈鲍登线与鞋垫鞋跟部连接；左背屈鲍登线与鞋垫鞋弓部连接。
[0142]
如图9、图10所示，当外骨骼执行左腿跖屈助力时，左电机以扭矩tz执行顺时针旋转，驱动鲍登线进行足根部的提拉助力；
[0143]
如图9、图10所示，当外骨骼执行左腿背屈助力时，左电机以扭矩tb执行逆时针旋
转，驱动鲍登线进行足弓部的提拉助力；
[0144]
步骤7，每次助力完成后，将新解算的对应肌肉肌肉力对比正常人体步态事件肌肉力大小，输出助力效果
[0145]
如患者在行走初期，步态中对应胫骨前肌、腓肠肌肌肉力(f
原
)与正常人体步态下对应肌肉力(f
正
)差距较大，再一段时间的助力后，实测(f
测
)该差距减小，则助力百分比f为：
[0146][0147]
本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。
[0148]
在本说明书的描述中，术语“一个实施例/方式”、“一些实施例/方式”、“具体实施例/方式”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例/方式或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例/方式或示例中以合适的方式结合。
[0149]
以上仅为本发明的优选实施例/方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
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；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μ、步频ω；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μ、步频ω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：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，其中：踝关节角度计算模型m11的数学模型为：其中，θ为踝关节运动角度，参数σ、
∝
、μ、ω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θ
左
为采集样本，按采集的时间先后顺序命名为为θ
左1
、θ
左2
、
…
、θ
左5
，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ε5＝0.5，ε4＝0.25，ε3＝0.125，ε2＝0.07，ε1＝0.55，则
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：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。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：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，t
实际max
为基于测量模块计算的实际踝关节力矩峰值。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t＝d
c-d
b
＝1400(t
c-t
b
)其中，t
c
为界面c回声返回接收的时间，t
b
为界面b回声返回接收的时间。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：v
a左
、v
a右
、v
s左
、v
s右
。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：(v+b)(f+a)＝b(f0+a)
其中，f0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f
a
左、f
a
右、f
s
右、f
s
右。8.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m
实际
＝f
a
左l
a
跖屈主要由腓肠肌收缩完成，其踝关节力矩计算为m
实际
＝f
s
左l
s
其中，l
a
、l
s
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。

技术总结
本发明提供了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、根据用户个性化参数构造其对应拟人神经反馈模型；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


技术研发人员：莫富灏 吴柯
受保护的技术使用者：湖南大学
技术研发日：2023.06.21
技术公布日：2023/9/7