医疗机器人及其应用

.医疗机器人及其应用摘要 医疗机器人主要用于伤病员的救援、转运、手术和康复，是医疗卫生装备信息化、智能化的重要发展方向之一。医疗机器人技术是集医学、生物力学、机械学、机器人等诸多学科为一体的新型交叉研究领域，已经成为国际机器人领域的一个研究热点。通过对手术机器人和康复机器人等医疗机器人的研究现状及进展介绍，表明医疗机器人在军用和民用上有着广泛的应用前景。 关键词：医疗机器人，伤病员，手术，康复引言从20世纪90年代起，国际先进机器人计划（IARP）已召开过多届医疗外科机器人研讨会，在发达国家已经出现医疗机器人市场化产品。目前，先进机器人技术在医疗外科手术规划模拟、微损伤精确定位操作、无损伤诊断与检测、病人安全救援、无痛转运、康复护理、功能辅助及医院服务等方面得到了广泛的应用，这不仅促进了传统医学的革命，也带动了新技术、新理论的发展。医疗机器人在战创伤救治方面也有着良好的应用前景，受到外军的广泛重视。美国国防部高等研究计划局（DARPA）为美国陆军未来战场伤病员救援和医疗设计了高度集成化、机器人化和智能化的医疗系统。1.1研究背景近年来，西方许多先进国家都进行专门立项投资。 积极开展医用机器人方面的研究。如美国国防部开展了Telepresence Surgery (临场感手术) 技术研究。 用于战场模拟手术培训和解剖教学，NASA已经在美国加州与意大利米兰之间进行了这方面的试验，欧共体技术专家Maurice在 IEEE SPECTRUM期刊中表示。 欧共体正在制定一项新的计划，其中将机器人辅助外科手术及虚拟医疗技术仿真作为重点研究发展计划之一。日本也制定国家计划开展高技术医疗器械研究发展。许多著名的国际会议，象IEEE Robotics and Automation，IEEE Eng，In Medicine and biology Society，IEEE System,Man and Cybernetics等都将医用机器人与计算机辅助外科单独列为一个专题，在欧洲、美国、日本等国多次召开国际会议；1996年，机器人工业协会将Eagleburger 最高荣誉奖授予了W.Barger和H.Paul博士，表彰他们在医用机器人技术临床研究方面的贡献 ) 。目前，医疗机器人的研制主要集中在外科手术、康复和医院服务机器人系统等几个方面。1.2外科手术机器人研究现状瑞士洛桑大学研制出一种脑外科手术机器人，手术时患者的头部被固定在一个钢制框架内，医生通过CT观察病人颅内情况，并将有关的手术数据输入到控制机器人的计算机中。计算机自动识别脑中的病灶，并规划出通往病灶的途径，根据医生的指令，完成病人头部的皮肤切开、在头盖骨上钻孔、刺穿脑膜等工作， 微型仪器从2毫米粗的导管中伸入到病变部位进行手术。这台机器人系统能切除脑肿瘤、能用放射性光束杀死脑中的癌细胞，还能用导管破坏帕金森病患者脑中的有病细胞，从而制止病人的颤抖。1986年，美国IBM的Thomas J.Watson研究中心和加利福尼亚大学的研究人员开始合作开发一种创新的系统，以便进行髋骨整体置换手术。在此基础上，1992年成立了Integrated Surgical Systems公司并推出了ROBODOC机器人系统，它是在传统工业机器人技术基础上开发而成的，可以完成全髋骨替换，髋骨置换及修复和膝关节置换等手术，相应的，该公司还开发了ORTHODOC图像处理系统，根据CT图片进行3D建模和手术规划，为手术提供所有需要的数据，帮助医生完成监控和虚拟手术。该系统已经通过美国食品与药品检验局（FDA）认证，在美国、欧洲、中东、亚洲等地得到应用。在国内，由北京航空航天大学机器人研究所、清华大学计算机图形图像中心和海军总医院共同开发的遥操作远程医用机器人系统，该系统主要由影像获取传输、虚拟手术规划、智能机械臂，病人头部（病灶）固定装置等部分组成，可以完成确定手术靶点，重建三维病灶轮廓、引导定位器械、定向手术系统等多个复杂步骤，治疗脑部纵深病变无需开颅，这一手术突破了传统脑外科手术的定式，病人头上不必再戴厚重的金属框架以辅助定位，病人造成的创伤面比传统手术小得多，定位也较传统手术精确。1.3医院服务机器人移动机器人也许是解决目前医院服务上一些缺陷的方法，完成一些沉重的和令人厌恶的工作，如抬起病人去厕所或为失禁病人更换床单等，一些医院服务机器人近年来得到发展，一般用来辅助护士完成食物、药品、医疗器械、病志等的传送和投递工作，如美国运输研究会（Transition Research Corporation，TRC）(现在叫HelpMate Robotics)研制的“HelpMate”机器人，可以24小时的在医院里完成运送食物和药品的工作，与工厂所使用的自动输送车不同的是，这种机器人不是沿着固定的轨道网络行走，而是基于传感器和运动规划算法实现自主行走，适合于部分结构化的环境（Structured Environment），系统也能处理传感器噪声、误差和定位错误，发现并避开障碍物（如人等）。这种机器人已在数家医院安装，一些医院报告说工作效率大大提高。1.4应用现状目前，医疗机器人的实际应用主要集中在外科手术领域，机器人做手术十分精确，一个神经外科大夫的误差精度能达到2毫米，而机器人的精度可以很容易的达到微米级，在追求MIS的今天，其好处是不言而喻的，因此得到了广泛的研究和应用。目前已经商品化的产品包括前面提到的TOBODOC、AESOP、ZEUS和 Da vinci 等系统，在各种外科手术中得到了广泛的应用。如TOBODOC辅助外科手术系统在德国、澳大利亚、西班牙、法国、英国、瑞士、中东、日本、韩国、印度等多个国家和地区都有应用，在日本大学和医院里就有7台， 而在世界范围内有近500台AESOP机器人在MIS中得到应用，每年完成数万例手术，ZEUS系统在没股票和欧洲的应用也十分广泛。2 手术机器人2.1肝脏肿瘤的微波消融机器人 用于肝脏肿瘤的微波消融机器人1是关节式医疗机器人，其具有五个自由度。整个机器人安装于一个具有轮子和支撑脚的操作台上(手术时支撑脚着地，手术后轮子着地可推动)，整个机器人的控制系统安装于操作台内部。机器人的5个自由度采用伺服电机驱动，支撑脚的运动利用直线步进电机实现。2.2本身机构肝脏肿瘤的微波消融机器人由操作盒单片机、PLC、工控机、PMAC运动控制卡组成。各模块的作用如下：(1)操作盒单片机：人机交互接El；（2)主控计算机：机器人语言编译，运动规划。(3)PMAC卡：实现对5个电机的运动控制；(4)PLC：电源、安全、系统管理，操作台的升降控制。操作盒单片机和主控计算机通过CAN总线通讯。PMAC运动控制卡和主控计算机之间通过PCI总线通讯，和PLC之间利用I/O通讯。各模块之间相互监控，可以提高系统运行时的安全性。 图1 PLC原理图2.3控制方法和测试方法控制系统采用了分散控制方式，由操作盒单片机、PLC、工控机、PMAC运动控制卡组成。 2.3.1系统状态模块包括P LC2准备好、控制系统准备好、控制系统故障、急停按钮、限位复位按钮等部分组成，梯形图见图2。+24 V电源加到PLC上，PLC初始化自检正常后，则输出到PMAC的1106和1107置ON。若控制系统未准备好，则2705置OFF，则控制系统故障指示灯H 2亮。若PMAC输入的109和110均置ON，且111 (PMAC看门狗信号) 置ON，则H2熄灭。急停按钮有一个按下则2706置ON。当关节限位时，SB6按钮按下，则2703置ON且自锁。 图2 系统状态模块梯形图 2.3.2关节限位模块图3所示为关节限位模块梯形图。正常状态时，3012置OFF。若机器人关节运动到限位处，则对应的限位开关状态改变，3012置ON。该中间继电器状态在系统状态模块和驱动器电源控制模块均有使用。 图3 关节限位模块梯形图 2.3.3驱动器 电源控制模块驱动器电源控制模块程序见图4所示。驱动系统按钮为一键双用，PLC通电后，按第一次为驱动器上电，第二次为驱动器断电，以下类推。采用移位寄存器实现该功能。当系统均正常时，第一次按下驱动系统按钮SB3，K1置ON并自锁，驱动器通电。再次按下SB3，则K1断电。若K1置ON时，关节限位标志3012、急停标志2706、控制系统状态2704置OFF，则Kl置OFF。而对关节限位引起的f3012置ON) K1置OFF，可以按下限位复位按钮(2703置ON)，再按下SB3两次，则K1可置ON，这时可在PMAC的控制下，机器人从限位状态退出。退出限位状态后，2703自动置OFF。 图4 驱动器电源控制模块梯形图 2.3.4步进电机控制模块 步进电机有两种控制方式：长动控制(升降的速度和位移固定)、点动控制(升降速度固定，位移由操作者决定)。下面介绍长动控制中上升控制和点动控制程序。长动控制方式中的上升控制梯形图见图5中(a)，SB1为双用按钮(带指示灯H3)，PLC每次上电后第一次按下为操作台上升，再次按下为操作台下降，以下交替变化。上升操作时，按下操作台升降控制按钮SB1，PLC发出频率固定的固定脉冲数，直线步进电机按要求启动，操作台支撑脚下降，操作台上升。操作台车轮抬起到固定位置后，步进电机停止运动，操作台转为支撑脚固定支撑。程序中HR000和HR001的作用：当PLC电源断电时自动记忆步进电机(操作台)的状态。AR1114表征脉冲输出口0的脉冲输出是否已完成。在上升或下降过程中不再响应升降控制按钮，可以响应点动升降按钮。梯形图中扩展指令说明如下：(1) PULS设置脉冲指令：图5(a)中设定为脉冲输出口0，相对脉冲，脉冲个数存储在DM0和DM1中。PLC中DMO设置为2000，DM1中设置为11，则脉冲个数为112000。驱动器设定为3 2细分，则每转为32*200=6400个脉冲，每转位移0.0127200=2.54 mm，脉冲个数对应的位移为44.45 m m。另外在PLC初始化设置中将DM6629设置成相对坐标系统。(2)A CC加速度控制指令：用来启动带梯形加减、速的脉冲输出。列位指定符指定为单相脉冲输出1210带梯形加速度和减速度；模式指定符指定为独立模式和增减脉冲输出模式；加速率、目标频率、减速率分别存放于DMIO、DM11、DM12中。(3)INI模式控制指令：本程序中用来停止脉冲输出，也可以用来改变脉冲输出当前值6。点动控制梯形图见图5中(b)，按下点动升降按钮SB2后(不需长按)，进入点动升降状态，点动升降灯H4亮，通过SB1控制点动方向(第一次按下上升，第二次按下下降，均需长按)，点动升降结束后，再次按下SB2，即可退出点动升降状态，H4熄灭。程序中SPED指令设置为：不带加速或减速的单相脉冲数出口0，连续模式，脉冲频率9600 Hz。 图5 操作台升降控制程序2.4功能将PLC应用于医疗机器人，可以充分发挥PLC抗干扰能力强、运行安全可靠等优点。配合其它控制系统，进行了现场调试，PLC和其它控制系统8均能正常工作，整体运行稳定，安全可靠。肝脏肿瘤的微波消融机器人运用的可编程运动控制器比国外的PLC更加稳定可靠、功能更加强大、价格更具优势。硬件设计注重其稳定可靠性，对抗干扰方面作了很多特殊处理，如采用双电源模块供电等；软件设计注重对其进行二次开发的方便快捷，用户只需根据被控对象的动作编写相应的客户程序即可，使得小控制器的通用性非常好。3康复机器人3.1外骨骼式康复机器人脑损伤引起的偏瘫等运动功能障碍给患者的家庭和社会带来了沉重的负担。正确、科学的康复训练对肢体运动功能的恢复和提高起到非常重要的作用。神经康复治疗过程是一项艰苦的工作，目前主要依靠康复医师对患者进行一对一的手工操作和主观临床经验对患肢进行的评估，限制了康复水平的提高康复医学与机器人技术的结合提高了康复训练的效率并保证了动作训练的强度，为研究新的康复技术开辟了新的途径。1993年加利福尼亚大学的Peter S。Lum研究设计了名为手一物体一手(handobjecthand)的双手康复装置及训练双手上举协调性的装置(bimanualliftingrehabilitator)为患手提供力辅助而训练上举协调性。2000年，Lum与斯坦福大学合作开发了名为MIME的系列康复机器人10，该系列机器人分为3代，第1代只能完成2个自由度的单关节运动，第2代和第3代在Puma系列机器人的带动下。分别能够实现前臂的平面运动和三维空间运动。芝加哥大学研制了一种ARMGuide训练装置，通过手动调节其偏转和俯仰2个自由度，可使患者固定在夹板上的手臂完成不同直线轨迹的触点动作训练，美国麻省理工1995年研制了MITMANUS上肢康复机器人11，该机器人是由五连杆组成的平面两自由度并联机构，患者握住机构末端的手柄完成平面内的运动训练，通过阻抗控制实现训练的安全性和平稳性。国内，清华大学研制了二连杆机构的复合康复装置，患者可握住机构末端手柄，由装置带动上肢在一定面积的水平面上完成上肢平面复合运动，也可固定在手臂外侧完成肩部3个自由度的分别训练由哈尔滨工程大学研制的手臂康复训练器采用桌式结构，利用单片机的控制带动受训者的左右手臂以不同模式进行训练。从研究现状看，机器人的辅助治疗研究仍然处于初级阶段，有待进一步的改进提高，如增加训练动作的种类，康复训练过程中对患肢的保护和支撑措施，对患者肢体的主动运动意识的激励等。针对现有康复机器人系统所存在的不足，从临床偏瘫患者上肢运动功能受损的实际出发，提出了一种针对偏瘫患者，能够完成肩、肘、腕部单关节运动、双关节及三关节复合性运动的5自由度的外骨骼式上肢康复机器人，并在系统中引入表面肌电信号将患者运动意图与康复训练相结合。3.2本身机构如图6所示的康复机器人系统应用于中风偏瘫患者的上肢康复训练，该上肢康复机器人采用可外骨骼式的结构，很好地解决了患肢运动过程中的支撑问题，其硬铝材质的双边结构不仅在保持刚性的前提下大大的减轻了机器人本体的质量，并且为监测上肢肌肉运动状态时的电极放置提供了便利。机器人的设计从解剖学的角度出发，模仿人体的上肢运动，并支持恢复机体功能的专业训练治疗及用于日常生活动作的练习。如图7，机器人具有5个自由度：肩部外展/内收、肩部屈/伸、肘部屈/伸、腕部旋内/旋外和腕部屈/伸。虽然人体肩部具有3个自由度，但为康复机械臂设计的肩部2个自由度可以通过复合运动实现第3个自由度。机器人上臂和前臂部分的长度可调节功能使该机械臂应用于身高不同的人群，调节机器人位姿可实现左右手穿戴，因此适用于左、右侧偏瘫患者。从临床康复应用的实际出发，设计了高度可调的机器人支架，调节其高度可使康复机器人适用于偏瘫患者站姿与坐姿状态的康复运动训练12。 图6 上肢康复机器人系统图7 上肢康复机器人结构康复机器人系统对于偏瘫患者的训练运动方式包括主动运动、被动运动和辅助运动。主动运动过程中患者依靠自身肌肉力量实现上肢各关节运动，机器人在跟随运动的过程中实现对人体上肢运动参数的测量。被动运动模式融合了各关节的单关节运动和一些简单的多关节复合运动，包括简单的日常生活功能性动作的练习，如进食、提裤等。辅助运动中，通过捕获肢体的运动意图，利用机器人实现肢体在意图方向上的相关运动。在每个关节选用不同的伺服电机来满足不同的驱动力要求。肩部和肘部3个松下交流伺服电机产生足够的力矩来带动机械臂和人体上肢进行运动。腕关节由2个maxon直流伺服电机13进行驱动，调节上肢末端的姿态。光电编码器读取装置的位置信息，力矩传感器获取运动过程中的关节力矩变化。3.3控制方法和测试方法传统的康复机器人训练治疗是通过既定的程序来实现的。该康复机器人在这一功能基础上，引人表面肌电信号surfaceelectromyogram(sEMG)来实现人机交互，根据患者意图实现康复训练动作。表面肌电信号是了解人体运动、肌肉收缩最直接和重要的信息。偏瘫患者多为单侧受损，利用健侧sEMG驱动康复机器人辅助患者的受损上肢执行康复训练有助于患者保持正确运动的感觉，并激发患者的运动积极性，同时提供了一个很好的人机交互接口。由于康复机器人尚未真正达到临床康复应用，且sEMG在传统的康复机器人中的应用研究少之又少，因此，仍然需要进行大量的和循序渐进的深入研究。首先，从上肢4块肌肉获取的sEMG包含大量的数据而不便于进行识别康复训练动作的应用。因此利用sEMG的绝对值积分和AR模型参数对其进行特征值的提取。并将其特征值作为BPN的输人。利用这些特征值和与之相对应的康复洲练动作对基于L-M算法的3层前馈神经网络进行训练，并将其作为6个上肢运动的分类器。6个动作分别为：肩部外展、肩部前屈、肘部伸展、腕部屈伸、进食和提裤。该文着重研究康复训练运动的分类，因此各个动作的速度由预先设定值决定。 3.3.1sEMG的采集sEMG的幅值和频率受诸多因素的影响，特别是电极的放置位置。经过长期实验发现将电极沿着肌肉纤维放置在肌腹处、肌肉收缩时其波幅最高点时，可获取最大幅值的sEMG14信号。由于每个上肢关节的运动并非由单个肌肉收缩引起，是多个肌肉共同产生收缩引起的，因此综合识别的上肢各个关节动作，选定上肢4块肌肉进sEMG行sEMG的提取，4个电极分别放置于上肢的三角肌前部、三角肌中部、肱二头肌及肱桡肌。sEMG是肌肉运动在皮肤表面的体现。采用德国OttoBock公司开发的型号为12E35的表面电极来获取sEMG信号。该电极具有内置的前处理电路和增益可调电路。由于sEMG的固有频率为0500Hz，因此电极的输出由美国NI公司生产的USB6008采集卡以2000Hz的采样率进行采集。当肌肉放松时，电极放置于正确的肌肉位置的输出在00.02 V进行波动。但在数据采集过程中，运动的采集起始点会受到各种因素的影响。如果将采集起始阈值设置太低，会造成起始点的误判，如果将起始阈值设置得过高会丢失有用的运动信息，因此选择一个合适的起始点是非常重要的。由于上肢运动是多个肌肉共同作用的结果，因此当4个通道的sEMG中有2个均大于0.05 V是表明运动开始了。而通过实验发现每个单个运动完成的时间大约为l S。因此，考虑到信号分析的便利采样数目设置为208，同时对4个通道进行采集，并将采集阈值设置为0.05V 3.3.2sEMG的特征提取由电极直接拾取的sEMG信号包含大量数据，且具有类似的曲线(如图8)，因此利用表面肌电信号的绝对值积分和AR参数模型法提取不同肌肉的不同运动的特征。由于经过电极内置电路进行前处理后的sEMG信号均为正值，表面肌电信号的IAV通过下面公式计算： (1)式中：是表面肌电信号的第个采样点。N=2048为采样点数。对于每个运动通过该方法提取4个特征值。这些特征将作为神经网络的输入对上肢康复训练运动进行分类，并与由AR模型参数作为输人所得到的结果进行比较。 图8 提裤和进食动作时4块肌肉的预处理sEMG为随机信号建立参数模型是研究随机信号的一种基本方法。其含义是认为随机信号是由白噪声叫激励某一确定系统的响应。只要白噪声的参数确定了，研究随机信号就可以转化为研究产生随机信号的系统表面肌电信号是一种典型的随机信号，因此利用该方法为其建立A R模型，这是一种线性预测。是一种典型的非平稳随机过程。但在短时间内可将其看作平稳信号，通过为表面肌电信号建立参数模型的方法可以大大减少实验数据，并使信号的特征更加确切。A R模型的阶数是正确描述sEMG信号的一个重要因素。根据前人的研究，为表面肌电信号建立一个四阶模型是比较有效的。由AR模型对sEMG信号进行描述的表达式为 （2）式中：为sEMG信号，叫为白噪声，p为AR模型的阶数，为AR模型的参数。由于该模型阶数为4，那么每个通道的sEMG信号通过分析将获得4个特征值()。从12048。每个动作中均使用4个电极采集sEMG信号。 3.3.3康复运动的识别利用具有自学习功能的人工神经网络实现人机交互，通过计算得到的sEMG的特征值进行康复训练运动的识别。目前大约的人工神经网络均采用由Rumelhart等人于1986年提出的误差反向传播网络模型或其变化形式。从结构上讲，BP网络是一种分层型网络，由输入层、隐层和输出层组成。层与层之间采用全互连方式，同一层的单元之间则不存在相互连接隐层可有1个或多个。输入和输出神经元的个数由输入输出信号的数目决定。当利用sEMG的IAV值作为网络的输入时，BP神经网络结构为包含10个神经元的单隐层，输入层为4个神经元，输出层为6个神经元，即6个康复训练动作。当选择4块肌肉表面肌电信号的AR模型参数作为网络的输入值时，神经网络结构为包含22个神经元的单隐层，输入层为16个神经元16，输出层为6个神经元图9为3层前馈神经网络的结构。常用的反向传播算法是梯度下降法，参数沿着误差梯度相反的方向移动，使误差函数减小，直到取得极小值这种基于梯度下降方法的固有缺点是 图9 三层前馈网络结构收敛速度慢，易陷入局部极小和易引起震荡。文中采用修正的高斯一牛顿法，它不仅具有梯度法的全局特性又具有高斯一牛顿法的局部收敛特性。由于利用了目标函数的二阶导数信息，L-M算法17比梯度法快得多。为使神经网络在实际应用中解决问题，首先对其进行训练就是从应用环境中选出n组样本数据对 对网络的权值(w)进行调节直到得到合适的输入输出关系为止。下面对L-M算法作简要说明。 假设 网络权值与阈值的变化可以看成Ax，对于牛顿法则： （3）式中：V(x)表示误差指标函数，是V(x)的Hessia n矩阵，V(x)表示梯度，表示第M层的神经元个数(这里M=1，2，3)。 （4）且 （5）式中：为 雅可比矩 阵，为误差函数 （6） 因此联立式(3)(7)，对于高斯一牛顿法则有 （7） L-M算法为改进的高斯一牛顿算法，因此 （8）式中：为大于0的常数，为单位矩阵。从上式中可看出当足够大时，L-M算法近似于梯度下降法，若为0，则是高斯牛顿法。由于利用二阶导数信息，L-M算法比梯度法快得多，而且是正定的，所以式(8)的解总是存在的。从这个意义上说L-M算法优于高斯一牛顿法。算法的每次迭代都对进行自适应调整，对给定的能使误差函数降低，则被因子除，逐渐减小，可以快速收敛到解；当误差函数增大时，乘以因子，逐渐增大，权值调整类似于梯度下降法，可以进行全局搜索，所以L-M算法同时具备了2种方法的优点，但如果网络中权值的数目很大，则计算量和存储量都非常大。3.4测试根据神经康复学理论，实验中选取6个上肢运动，如图10所示。包括肩部外展、肩部前屈、肘部伸展、腕部屈伸4个单关节的运动，及日常生活活动涉及的进食和提裤2个多关节复合运动。 图10 6种上肢康复训练动作对于选定的4块上肢肌肉采集的表面肌电信号，利用I AV和AR参数模型的方法对其进行分析并将一部分数据送入B P神经网络训练其识别康复训练运动的识别能力。所有试验均在常温常压及受试者的正常状态下进行。为了满足试验的需要，受试者在非疲劳状态下对每个动作进行了6 0组数据的采集，其中3 0组用于训练神经网络，其他3 0组作为对该网络的检验。实验中将6个动作的识别结果描述为简单的布尔值1或0，如表1所示B P网络具有6个输出值，当每个值大于0.9时，将这个输出设定为l，当该值小于0.1时，将此输出设定为0。分别将IAV作为网络输入和AR模型参数作为网络输入，以比较2种不同输入下的试验结果。表1 6种上肢动作的识别码6种上肢动作动识别实验结果如表2，2种输入的网络训练收敛曲线如图11。从结果可以看出识别方法和算法均获得较好结果。二者比较，虽然IAV方法收敛速度优于AR模型方法，但后者具有较高的识别精度，即sEMG的AR模型压缩数据和提取特征更为有效。表2 6种上肢动作动识别结果 图11 2种输入的网络训练收敛图参考文献：1施庆平PLC在机器人喷涂生产线控制中的应用J 微计算机信息2006,22(6-l）:7 2-73,2582刘晋浩，王宝昌，薛荆岩PLC在草方格铺设机器人控制系统中的应用J森林工程. 2006,22(6):12-143欧姆龙公司CPM系列可编程序控制器编程手册Z.2003.124欧姆龙公司SYSMAC CPM2A/CPM2AH可编程序控制器操作手册Z.2003.115陈薇，吴刚非线性双容水箱建模与预测控制J系统仿真学报, 2006(8)：207820856黄慎之，顾训，胡赛一种用于实验室的液位过程控制系统J上海大学学报(自然科学版), 2001,7(5)：412-4157何离庆三容液位对象状态空间控制系统J实验技术与管理,1994,11(4):22-27。8王树青，戴连奎等.工业过程控工程M.化学工业出版社,20029王孝武现代控制理论基础M机械工业出版社,2006。10LUM P S, REINKENSMEYER D J, LEHMAN S LRobotic assist devices for bimanual physical therapy：preliminary experimentsJIEEE Transactions on Neura1 Systems and Rehab-i 1itation, 1993, 1(3)：18519111LUM P S, LEHMAN S LThe bimanua1 lifting rehabilitator：an adaptive machine for therapy of stroke patientsJIEEE Transactions on Rehabi1itation Engineering, 1995(2)：16617 412BURGAR C G, LUM P S, SHOR P C, et a1Development of robots for rehabilitation therapy：the palo alto VA/Stanford experienceJJournal of Rehabi1itation Research and Development, 20 00(37)：66367313KAHN L E, ZYGMAN M I, RYMER W Z, et a1Effect of robot-assisted and unassisted exer-ciseonfunctiona1 reaching in chronic hemiaresisAProceedings 23rd Annual IEEE Engineering in Medicine and Biology ConferenceCIstanbul, Turkey, 200114KREBS H I, VOIPE B T, AISEN M I, et a1Increasing productivity and quality of care：robo-t-aided neuro-reha-bilitation JJournal of Rehabi1itation Research and Development, 2000(37)：63965215胡宇川，季林红一种偏瘫上肢复合运动的康复训练机器人J机械设计与制造, 2004(6)：474916Z HANG X F, JI L H, GUO L YA novel robot neuro- Rehabi1itation for upper limb motio- nAProceeding of the IEEE 27th EMBCCShanghai, China, 200517杨勇，张立勋，谭爱华，等由单片机实现的多功能手臂康复训练器J自动化技术与应用, 2004, 23(2)：555718DE LUCA C JThe use of surface electromyography in biomechanics JJournal of Applied Biomechanics, 1997(13)：13516319DOERSHUK P C, GUSTAFSON D E, WILLSKY A S. Upper extremity limb function recognition using EMG signal analysisJIEEE Transaction on Biomechanics, 1983(30)：182 920李士勇模糊控制. 神经控制和智能控制论M哈尔滨：哈尔滨工业大学出版社, 199821HAG AN M T, MENHAJ M BTraining feed forward networks with the Marquardt algorit-hmJIEEE Transactions on Neural Net, 1994(5)：989993.