步行器精密测力系统中的人工神经网络标定新技术

　　步行器被广泛应用于助行康复临床,为使用者提供外在的荷重支持和平衡帮助.步行器精密测力系统主要针对步行器助行过程中动力学参数的测量与分析,用来实时鉴别使用者在其步态周期不同阶段的力学需求,验证和疲劳有关的失稳危险区间,量化行走质量,在步态训练和日常生活中有效减少步行器使用风险[1-2].步行器精密测力系统一般采用安装在标准步行器框架上的多导联应变片电桥网络来间接提取助行动力学信息.这些多维力传感器的维间耦合不完全是线性的,用线性标定的方法虽然可使维间耦合减小,但是由于受到原理模型的限制,标定效果并不理想[3].另外,步行器框架存在的塑性结构非线性也会产生相应的交叉干扰,严重影响系统测量的准确性与可靠性[4].

　　人工神经网络的基本思想是从仿生学角度模拟人脑神经系统的运作方式,通过大量、简单的神经元对连续或断续的输入做状态映射而进行信息处理[5].人工神经网络本质上为非线性系统,理论上能够充分逼近任意复杂的非线性关系,非常适用于步行器精密测力系统的标定.因此,笔者设计了一种基于误差反向传播(back-propagation,BP)神经网络的非线性标定方法来处理步行器精密测力系统的测试数据,以降低多维应力之间的耦合干扰,提高单向力的检测精度.

　　1　系统组成与数据采集

　　在测量过程中,要求系统测得总共6个力学未知量,即步行器每只手柄各x、y、z三个方向分量(左手柄为Flx, Fly, Flz;右手柄为Frx, Fry, Frz),因此需要在一架标准两轮步行器两侧框架梁各安装6套应力应变片电桥(见图1).电桥的安装位置是由对步行器框架进行的结构力学有限元分析结果决定的[6].由于步行器框架在不同方向分量力作用下会产生不同的形变效果,电桥都是被安排在相关力学分量作用下的框架相对最大形变位置,以取得最可靠的结果.其中B为电桥的位置,B-1和B-2、B-7和B-8分别对应于x向的两个分量,B-3和B-4、B-5和B-6分别对应于y向的两个分量,B-9和B-10、B-11和B-12分别对应于z向的两个分量.另外,根据所测力学分量所引发弯距方向的不同,电桥粘贴位置还需对应于梁管的相应变形侧面.

　　本系统所用敏感元件是日本Tokyo Sokki研究所生产的350Ω、FLA-2系列应力应变片.从长期稳定性考虑,应变片粘贴采用的是环氧类,而非氰基丙烯酸盐类黏合剂.应变片采用弯曲模式.应力应变片电桥的电压信号经隔离放大、模数转换后进入计算机中进行处理储存.信号的电压输出范围大致在±3 V的范围内.系统的采样率可通过计算机调整.

　　使用一套可对步行器手柄单侧施加定向负载的多轴框架进行标定,框架内包含一个用以减少摩擦损失的滑车系统.标定数据采集过程中,已知大小的负载会沿着各力学分量的方向借助多轴框架逐步施加到步行器手柄上,同时记录下与该负载对应的12导联应变片电桥输出电压值作为后续标定训练和误差校验样本.施加负载的量程选择在x方向10 kg、y方向10 kg和z方向40 kg.加载过程至少重复3次,同一加载点取输出电压的平均值.