Page Header

ระบบควบคุมแบบไฮบริดโดยอิงแรงและสัญญาณไฟฟ้ากล้ามเนื้อ สำหรับหุ่นยนต์ทำกายภาพบำบัด (Hybrid Force/EMG Based Control System for Rehabilitation Robot)

สรุจ พันธุ์จันทร์, สยาม เจริญเสียง

Abstract


งานวิจัยนี้นาเสนอระบบควบคุมแบบไฮบริดสาหรับหุ่นยนต์กายภาพบัดโดยใช้สัญญาณจากเซ็นเซอร์วัดแรงและเซ็นเซอร์วัดสัญญาณไฟฟ้ากล้ามเนื้อ ระบบควบคุมแบบไฮบริดนี้ได้ใช้ควบคุมการทางานส่วนข้อศอกของแขนกลแบบสวมใส่ได้ 4 องศาอิสระ การควบคุมแรงในระบบไฮบริดนี้ใช้สมการแอดมิตแตนซ์ในการควบคุมการเคลื่อนไหว ของข้อต่อแขนกลให้เป็นไปตามแรงที่กระทาจากภายนอก แต่เนื่องจากผลตอบสนองของระบบควบคุมแบบ แอดมิตแตนซ์มีผลตอบสนองที่มีการสั่นมากเมื่อผู้ใช้งานเคลื่อนที่แขนและหยุดอย่างรวดเร็ว ดังนั้นสัญญาณไฟฟ้ากล้ามเนื้อจึงถูกนามาตรวจจับการเกร็งของกล้ามเนื้อผู้ใช้งาน และสั่งงานให้ระบบควบคุมแรงแบบแอดมิตแตนซ์ หยุดการรับค่าสัญญาณจากเซ็นเซอร์วัดแรงเพื่อให้การตอบสนองของระบบไม่มีการสั่นเมื่อผู้ใช้งานหยุดการเคลื่อนที่แขนกะทันหัน นอกจากนั้นในส่วนของการชดเชยแรงโน้มถ่วงที่ส่งผลต่อแขนกลได้ใช้โครงข่ายประสาทเทียม แบบ Generalized Regression Neural Network (GRNN) ในการประมาณค่าชดเชยแรงโน้มถ่วง ซึ่งจากผล การทดลองพบว่าโครงข่ายประสาทเทียมสามารถคานวณค่าชดเชยแรงโน้มถ่วงได้มีความถูกต้องถึง 97.32% และผลตอบสนองของระบบเร็วขึ้น 83.13% หลังจากใช้ประโยชน์จากสัญญาณไฟฟ้ากล้ามเนื้อในระบบควบคุมแบบไฮบริด

This paper presents a hybrid control system of rehabilitation robot with force and EMG signals. The proposed control system is implemented on the elbow joint of the 4 DOF universal exoskeleton. Admittance control method is applied to control this rehabilitation robot. However, the transient response of the admittance control cloud lead in a large overshoot when the user moves exoskeleton joint quickly then suddenly stops. Hence, the EMG sensor is used to detect the muscle contraction and then the force input will be set to zero for improving transient response of the hybrid controller. Furthermore, the generalized regression neural network (GRNN) is applied for predicting the static gravity force compensation. The experimental result indicates that the GRNN can predict the static gravity force with accuracy of 97.32%. Moreover, 83.13% of the transient response is improved by the utilization of the EMG signal in the hybrid controller.


Keywords


<p>การควบคุมแรง สัญญานไฟฟ้ากล้ามเนื้อ การควบคุมแบบไฮบริด แขนกลแบบสวมใส่ได้การกายภาพบาบัด</p><p>Force Control, EMG Based Control, Hybrid Control, Exoskeleton, Rehabilitation</p>

[1] Garin, O., Ayuso-Mateos, J.L., Almansa, J., Nieto, M., Chatterji, S., Vilagut, G., Burger, H. (2010). “Validation of the World Health Organization Disability Assessment Schedule (WHO-DAS II) in Greek and its added value to the Short Form 36 (SF-36) in a sample of people with or without disabilities.” Disability and Health Journal. Vol. 9 No. 3 : 518-523.
[2] Gordon, N.F., Gulanick, M., Costa, F., Fletcher, G., Franklin, B.A., Roth, E.J., and Shephard, T. (2004). “Physical Activity and Exercise Recommendations for Stroke Survivors.” A Statement for Healthcare Professionals From the American Heart Association/American Stroke Association. 2532-2553.
[3] Carignan, C., Tang, J., Roderick, S., and Naylor, M. (2007). “A Configuration-Space Approach to Controlling a Rehabilitation Arm Exoskeleton.” 2007 IEEE International Conference on Rehabilitation Robotics. (179-187).
[4] Hogan, N. (1980). “Mechanical impedance control in assistive devices and manipulators.” Proceedings of the 1980 Joint Automatic Control Conference. (TA10-B).
[5] Hogan, N. (1985). “Impedance Control: An Approach to Manipulation: Part I—Theory.” Journal of Dynamic Systems, Measurement, and Control. Vol. 107 : 1-7.
[6] Hogan, N. (1985). “Impedance control: An approach to manipulation: Part II—Implementation.” Journal of Dynamic Systems, Measurement, and Control. Vol. 107 : 8-16.
[7] Hogan, N. (1985). “Impedance Control: An Approach to Manipulation: Part III—Applications.” Journal of Dynamic Systems, Measurement, and Control. Vol. 107 : 17-24.
[8] Krebs, H. I., Volpe, B. T., Williams, D., Celestino, J., Charles, S. K., Lynch, D., & Hogan, N. (2007). “Robot-aided neurorehabilitation: a robot for wrist rehabilitation.” IEEE Transactions on Neural Systems and Rehabilitation Engineering. (327-335).
[9] Pons, J. L., Rocon, E., Ruiz, A. F., & Moreno, J. C. (2007). “Upper-limb robotic rehabilitation exoskeleton: Tremor suppression.” INTECH Open Access Publisher. (453-470).

[10] Hogan, N., Krebs, H. I., Charnnarong, J., Srikrishna, P., and Sharon, A. (1992). “MIT-MANUS: a workstation for manual therapy and training. I.” IEEE International Workshop on Robot and Human Communication. (161-165).
[11] Krebs, H. I., Ferraro, M., Buerger, S. P., Newbery, M. J., Makiyama, A., Sandmann, M., ... & Hogan, N. (2004). “Rehabilitation robotics: pilot trial of a spatial extension for MIT-Manus.” Journal of Neuro Engineering and Rehabilitation. Vol. 1 No. 5 : 1-15.
[12] Carignan, C., & Liszka, M. (2005). “Design of an arm exoskeleton with scapula motion for shoulder rehabilitation.” IEEE International Conference on Advanced Robotics. (524-531).
[13] Yu, W., Rosen, J., and Li, X. (2011). “PID admittance control for an upper limb exoskeleton.” In Proceedings of the American Control Conference. (1124-1129).
[14] Yang, X., Lihua, G., Yang, Z., and Gu, W. (2008). “Lower extreme carrying exoskeleton robot adative control using wavelet neural networks.” In Natural Computation IEEE International Conference. (399-403).
[15] Meesad, P and butcharoen, S. (2005) “Comparing between Multiple Regressions and Neural Networks In Forecasting the Number of Telephones Usage.” Technical Education Journal King Mongkut’s University of Technology North Bangkok. Vol. 15 No. 2 : 54-64.
[16] Rosen, J., Fuchs, M.B., and Arcan, M. (1999). “Performances of Hill-type and neural network muscle models—toward a myosignal-based exoskeleton.” Computers and Biomedical Research 32. (415-439).
[17] Charoenseang, S. and Panjan, S. (2015). “Universal Exoskeleton Arm Design for Rehabilitation.” Journal of Automation and Control Engineering. Vol. 3 : 492-497.

Full Text: PDF

Refbacks

  • There are currently no refbacks.


ISSN: 1905-3819