基于小脑模型的仿生手臂控制系统及小脑模型建模方法

摘要

本发明属于生物信息系统建模与仿生控制技术领域，一种基于小脑模型的仿生手臂控制系统及小脑模型建模方法，其中，所述一种基于小脑模型的仿生手臂控制系统，包括人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块，所述人机交互模块、储存器、命令产生模块和仿生手臂运动控制模块依次相连，此外，所述命令产生模块还分别与储存器及仿生手臂运动控制模块相连，所述仿生手臂运动控制模块还分别与人机交互模块及储存器相连；本发明不仅具有良好的人机交互功能，而且，可以实现对手臂相对准确的控制。本发明将小脑建模控制与Phantom Omni力反馈器相结合，使被控手臂不再局限于仿真模型，为进一步建立真实小脑控制手臂运动的模型奠定基础。

说明书

技术领域

本发明涉及一种基于小脑模型的仿生手臂控制系统及小脑模型建 模方法，属于生物信息系统建模与仿生控制技术领域。

背景技术

人的小脑位于大脑半球后方，覆盖在脑桥及延髓之上，横跨在中脑和延髓 之间，具有协调运动的功能。在感觉运动系统中，小脑不仅接收大脑皮层的运 动命令传递给脊髓肌肉系统，同时也会接收本体感受器的反馈信息，对部分运 动命令进行调整。当由于自身基因、蛋白质病变或某种外部因素使小脑受损后， 患者无法有效利用来自大脑皮层和外周神经的信息来协调运动，就会导致产生 随意运动协调性紊乱的症状，表现为测距不准、站立不稳、步履蹒跚等现象， 称为小脑共济失调(CerebellarAtaxia)。在临床工作中小脑共济失调的病历并不 少见，患者的日常生活受到了严重的影响。目前医学研究虽然已经能在细胞及 分子水平上识别许多与小脑共济失调相关的基因和蛋白质，但这种功能障碍的 神经环路传播机理尚不完全明确，缺乏从仿生学和控制学角度通过建模方法对 运动命令传播过程进行形式化描述。因此在神经解剖学和神经生理学的基础上 建立小脑模型是解决该问题的关键，并在此基础上建立基于小脑模型的仿生手 臂控制系统，通过采集患者数据并输入到系统中进行分析，可以为小脑性共济 失调患者提供一种新的辅助分析和诊断方法。

小脑对运动的调整十分重要，关于小脑的这种功能是如何融合到现实的运 动控制和系统学习中是国际上认知领域的一个研究热点。围绕这个问题，多年 来包括生物学家、神经生理学家以及控制理论家在内的学者们进行了相关的探 索，建立了多种小脑模型，如Albus的小脑皮层非匀质结构模型以及在此理论 基础上建立的小脑关联控制器；Fujita等人指出苔藓纤维是将动态时变信号传 递至小脑，提出自适应滤波器的小脑内部模型等。然而，现有的小脑模型大多 可以以“黑箱结构”来比拟，突出小脑与感受器的相互作用，忽略、简化了小 脑内部的诸多结构，不能充分体现小脑本身的特性；同时，现有的基于小脑模 型的手臂运动控制系统中使用的是仅具有仿真意义的简单手臂模型，仅能够检 验小脑模型的某些特定的控制效果，难以满足应用的要求。因此，需要在神经 解剖学和神经生理学的基础上，从控制学的角度致力于模拟和复制小脑功能， 建立新型小脑模型，并在此基础上搭建仿生手臂控制系统，为小脑共济失调患 者提供新的辅助分析和诊断技术。

发明内容

为了克服现有技术存的问题，本发明目的是提供一种基于小脑模型的仿 生手臂控制系统及小脑模型建模方法。该系统由基于神经解剖学和神经生理学 特征的小脑模型来控制，不仅具有良好的人机交互功能，而且，可以实现对手 臂相对准确的控制。该系统所具有学习记忆的能力，不仅可以对未知动作命令 进行自我学习，储存其相关控制命令信息，更可以实现对已学动作的控制命令 的快速调用。由于在小脑建模时参考了大量的生理解剖学知识，从而克服了现 存的许多小脑建模方法着重追求控制效果而忽略其本身特性的弊端。本发明首 次将小脑建模控制与PhantomOmni力反馈器相结合，使被控手臂不再局限于 仿真模型，可以更好地模拟手臂运动的真实情形，为进一步建立个性化小脑共 济失调训练康复力反馈系统奠定了基础。

为了实现上述发明目的，解决现有技术中所存在的问题，本发明采取的 技术方案是：一种基于小脑模型的仿生手臂控制系统，包括人机交互模块、储 存器、命令产生模块和仿生手臂运动控制模块，所述人机交互模块、储存器、 命令产生模块和仿生手臂运动控制模块依次相连，此外，所述命令产生模块还 分别与储存器及仿生手臂运动控制模块相连，所述仿生手臂运动控制模块还分 别与人机交互模块及储存器相连；所述命令产生模块，包括小脑模块、命令转 换模块和学习模块，除此之外，还包括命令产生模块与外部连接的第1、2输 入端、第1、2输出端四个接口，其中，命令产生模块与外部接口的第1输入 端、小脑模块、命令转换模块及命令产生模块与外部接口的第2输出端依次相 连，所述命令转换模块还分别与学习模块及命令产生模块与外部接口的第1输 出端相连，所述学习模块还分别与小脑模块及命令产生模块与外部接口的第2 输入端相连；所述仿生手臂运动控制模块，包括仿生手臂运动控制模块与外部 连接的输入端、输出端二个接口、仿真手臂模块、数据采集模块、软件控制平 台及PhantomOmni力反馈器，其中，仿生手臂运动控制模块与外部接口的输 入端与仿真手臂模块输入端相连，仿真手臂模块输出端分别与数据采集模块及 仿生手臂运动控制模块与外部接口的输出端相连，所述数据采集模块还与软件 控制平台、PhantomOmni力反馈器及仿生手臂运动控制模块与外部接口的输 出端依次相连。

所述一种基于小脑模型的仿生手臂控制系统中的小脑模型建模方法，包括 以下步骤：

步骤A、建立小脑模型的基本结构，由于小脑皮层具有匀质结构特性，因 此，可以使用具有相同结构的基本单元的阵列对小脑进行建模，每个基本单元 接收相同的用户指令信息输入，随后进入步骤B；

步骤B、计算各个基本单元中传递目标位置信息和传递本体感受信息的平 行纤维的状态，根据用户输入的手臂末端起始位置和期望终止位置的指令信 息，计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的 状态，具体包括以下子步骤：

子步骤B1、根据期望的手臂运动终点的位置坐标，利用小脑模型控制器, 即CMAC二维稀疏编码方法来确定第m个基本单元中传递目标位置信息的平 行纤维的状态，即x_mi的取值，其值具有二值性，用“0”表示抑制状态，“1” 表示激活状态，在当次指令执行过程中一旦确定便不再改变；其中， m＝1,2,…,16，i＝1,2,…8；

子步骤B2、根据学习模块接收的仿真手臂相关信息和命令转换关系，利 用公式(1)，计算在t时刻，第m个基本单元中传递本体感受信息的平行纤维的 状态p_m(t)，这里t＝1,2,3,…为整数。

令表示第m个基本单元对应的命令转换模块中的关节角度调整向 量，且为常向量；其中，ε_m表示上臂与竖直方向夹角的调整值，表示下臂 与水平方向夹角的调整值，则表示t时刻时仿真手臂的关节角度向量， α(t)分别表示上臂与竖直方向夹角，β(t)表示下臂与水平方向的夹角，其初始 值由用户指定，函数g(x)的定义为，

$g\left(x\right)=\left(\begin{array}{cc}1& x=-1\\ 0& x=1\end{array}\right)---\left(2\right)$

然后进入步骤C；

步骤C、计算各个基本单元的输出，从而得到小脑模块输出命令，具体包 括以下子步骤：

子步骤C1、计算第m个基本单元的网状结构输出，即此基本单元中各个 浦肯野细胞的状态y_mj，j＝1,2,…12，y_mj的值随时间改变，具体包括以下子步 骤：

子步骤C11、利用公式(3)计算第m个基本单元中第j个浦肯野细胞在t时 刻的膜电位值s_mj(t)，

$s_{mj}\left(t\right)=\underset{i=1}{\overset{8}{\Sigma }}{w}_{mij}\left(t\right)·x_{mi}+{\mathrm{wp}}_{mj}·p_m\left(t\right)+{\mathrm{wb}}_{mj}·b_m---\left(3\right)$

式中，w_mij表示第i条传递目标位置信息的平行纤维与第j个浦肯野细胞形 成的突触的记忆权值，由于该类突触为小脑学习记忆的载体，因此w_mij设为可 调，其初始值设为1，小脑模块的输出通过调整其值大小来改变；p_m(t)为传 递本体感受信息的平行纤维的状态；wp_mj表示传递本体感受信息的平行纤维与 第j个浦肯野细胞形成的突触的权值，wb_mj表示篮细胞与第j个浦肯野细胞形 成的突触的权值，由于篮细胞对浦肯野细胞产生抑制作用，因此其值为负值， 以上两权值均为固定值，分别设为0.2和-1，b_m表示篮细胞的状态值，篮细胞 在执行过程中始终保持激发状态，因此其值恒定为1；

子步骤C12、浦肯野细胞状态具有二值性，用“0”表示抑制状态，“1”表 示激活状态，结合子步骤C11公式(3)计算得到的s_mj(t)，利用公式(4)、(5)、 (6)计算在t时刻时第m个基本单元中第j个浦肯野细胞的状态，

对于起始时刻t＝1，

当t>1时，y_mj(t)与上一时刻y_mj(t-1)的值相关，对于y_mj(t-1)＝0的情况， 赋值方法为，

而对于y_mj(t-1)＝1的情况，y_mj(t)将依概率取值为0或1，

其中，s_mj(t)表示在t时刻的浦肯野细胞的膜电位值，φ、η分别为浦肯野细 胞膜电位的去极化和复极化的阈值，为固定常数，且φ>η；函数pro(x)表示x 发生的概率，具体说明如下，当pro(y_mj(t)＝0)＝0.2，则y_mj(t)以0.2的概率赋 值为0，而以0.8的概率赋值为1；

子步骤C2、根据反馈环路，即loop的状态，计算各个基本单元输出，loop 具有两种状态，即on与off状态，当小脑模块接收用户运动指令时，loop由 off转变为on状态，当基本单元中的浦肯野细胞处于激活状态的数量达到总数 量的90％时，loop由on转变为off状态，根据loop不同状态，利用公式(7)计 算得到第m个基本单元的输出命令O_m(t)，

式中，γ为命令调整系数，设为常数；y_mj(t)为在t时刻时第m个基本单元中第 j个浦肯野细胞的状态；则在t时刻小脑模块的输出命令为 O(t)＝[O₁(t),O₂(t),…O₁₆(t)]，若O(t)为零向量，则执行步骤D，即完成一次小 脑模块命令的输出，否则执行子步骤C3；

子步骤C3、计算当前小脑模块记忆信息对应的控制命令输出，具体包括 以下子步骤：

子步骤C31、根据权值调整公式(8)，调整第m个基本单元在t+1时刻的传 递目标位置信息的平行纤维和浦肯野细胞形成的突触权值w_mij(t+1)的大小，

$\begin{array}{c}{\mathrm{\Delta w}}_{mij}\left(t\right)=\lambda ·[1-y_{mj}\left(t\right)]x_{mi}\\ w_{mij}(t+1)=w_{mij}\left(t\right)+{\mathrm{\Delta w}}_{mij}\left(t\right)\end{array}---\left(8\right)$

式中，λ为调整系数，设为常数；y_mj(t)为在t时刻时第m个基本单元中第j个 浦肯野细胞的状态；x_mi表示传递目标位置信息的平行纤维的状态值；Δw_mij(t) 为在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的变 化值；w_mij(t)表示在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成 的突触权值的大小；

子步骤C32、根据t时刻的小脑模块输出命令O(t)和命令转换模块中的关 节角度调整矩阵利用公式(9)计算t+1时刻仿真手臂的 关节角度向量

式中，表示表示t时刻时仿真手臂的关节角度向量，α(t)分别表示上臂 与竖直方向夹角，β(t)表示下臂与水平方向的夹角；表示在t时刻时小 脑输出命令控制手臂关节调整的角度值，Δα(t)表示上臂与竖直方向的角度调 整值，Δβ(t)表示下臂与水平方向的角度调整值；

子步骤C33、根据此时的仿真手臂关节角度信息，重复执行子步骤B2；

步骤D、执行小脑模块学习功能，根据用户指令调整小脑模块命令输出， 具体包括以下子步骤：

子步骤D1、在完成步骤C之后，根据仿真手臂停止位置的关节角度信息 利用公式(10)计算PhantomOmni仿真手臂在笛卡尔空间上的位置信息 (x,y,z)，

$\begin{array}{c}x={\mathrm{sin\theta }}_3·(L_1·{\mathrm{cos\theta }}_2+L_2·{\mathrm{sin\theta }}_1)\\ y=L_1·{\mathrm{sin\theta }}_2-L_2·{\mathrm{cos\theta }}_1\\ z={\mathrm{cos\theta }}_3·(L_1·{\mathrm{cos\theta }}_2+L_2·{\mathrm{sin\theta }}_1)\end{array}---\left(10\right)$

其中，L₁表示上臂长度，L₂表示其下臂长度，θ₁和θ₂分别为俯视PhantomOmni 时，上臂与地平面之间的夹角和下臂与地垂线之间的夹角，θ₃为与地面平行的 旋转平面上的旋转角度，在此，设定θ₃＝0，然后计 算仿真手臂位置信息与用户设定的期望位置的偏差Δx及其模值||Δx||，如果 ||Δx||小于仿真手臂坐标空间的单位长度的0.5倍，则建模完成，否则执行子步 骤D2；

子步骤D2、根据公式(10)表示的仿真手臂的关节角度与位置的关系，计算 其雅克比矩阵J,再利用公式(11)计算关节调整角度Δθ，

Δθ＝J^-1·Δx(11)

其中，Δx表示仿真手臂位置信息与用户设定的期望位置的偏差；

子步骤D3、根据Δθ确定第m个基本单元中攀爬纤维的状态值c_m(n),n为 学习次数，初始值为1，具体包括以下子步骤：

子步骤D31、根据公式(12)计算第m个基本单元对应的攀爬纤维的激发概 率ρ_m，

${\rho }_m=\frac{1+cos\left({\sigma }_m\right)}{2}---\left(12\right)$

式中，σ_m表示相应的命令转换模块中的关节角度调整向量与关节调 整角度Δθ之间的夹角；

子步骤D32、将小于0.5的ρ_m的值重置为0，调整之后攀爬纤维的激发概 率设为ρ_m'，根据公式(13)，确定c_m(n)的取值，

pro(c_m(n)＝1)＝ρ_m'(13)

其中，函数pro(x)表示x发生的概率；

子步骤D4、根据公式(14)，对小脑模块第m个基本单元中的每个平行纤维 和浦肯野细胞的初始权值w_mij(1)进行调整，

$\begin{array}{c}{\mathrm{\Delta w}}_{mij}\left(1\right)=-{\mathrm{\mu c}}_m\left(n\right)x_{mi}\\ w_{mij}\left(1\right)=w_{mij}\left(1\right)+{\mathrm{\Delta w}}_{mij}\left(1\right)\end{array}---\left(14\right)$

式中，μ表示学习系数，为常数，c_m(n)第m个基本单元中在n次学习后攀 爬纤维的状态值，x_mi表示传递目标位置信息的平行纤维的状态值，Δw_mij(1)表 示传递目标位置信息的平行纤维和浦肯野细胞形成突触权值的初值变化值；

子步骤D5、将仿真手臂恢复到初始位置，将t重置为1，学习次数为n+1， 执行子步骤B2。

本发明有益效果是：一种基于小脑模型的仿生手臂控制系统及小脑模型建 模方法，其中，所述一种基于小脑模型的仿生手臂控制系统，包括人机交互模 块、储存器、命令产生模块和仿生手臂运动控制模块，所述人机交互模块、储 存器、命令产生模块和仿生手臂运动控制模块依次相连，此外，所述命令产生 模块还分别与储存器及仿生手臂运动控制模块相连，所述仿生手臂运动控制模 块还分别与人机交互模块及储存器相连；所述一种基于小脑模型的仿生手臂控 制系统中的小脑模型建模方法，包括以下步骤：(1)建立小脑模型的基本结构， (2)计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维 的状态，(3)计算各个基本单元的输出，从而得到小脑模块输出命令，(4)执 行小脑模块学习功能，根据用户指令调整小脑模块命令输出。与已有技术相比， 本发明不仅具有良好的人机交互功能，而且，可以实现对手臂相对准确的控制。 该系统所具有学习记忆的能力，不仅可以对未知动作命令进行自我学习，储存 其相关控制命令信息，更可以实现对已学动作的控制命令的快速调用。由于在 小脑建模时参考了大量的生理解剖学知识，因此能克服现存的许多小脑建模方 法着重追求控制效果而忽略其本身特性的弊端。本发明首次将小脑建模控制与 PhantomOmni力反馈器相结合，使被控手臂不再局限于仿真模型，并且， PhantomOmni力反馈器所具有的独特的力反馈功能可以更好地模拟手臂运动 的真实情形，为进一步建立真实小脑控制手臂运动的模型奠定基础。

附图说明

图1是本发明一种基于小脑模型的仿生手臂控制系统总体框图。

图2是本发明一种基于小脑模型的仿生手臂控制系统中的命令产生模块 框图。

图3是本发明一种基于小脑模型的仿生手臂控制系统中的仿生手臂运动 控制模块框图。

图4是本发明一种基于小脑模型的仿生手臂控制系统中的命令产生模块 中小脑模块结构框图。

图5是小脑模块中的基本单元框图。

图6是仿真手臂示意图。

图7是软件平台控制流程图。

图8是本发明中小脑模型建模方法步骤流程图。

图9和图10是本发明系统针对不同用户指令控制仿真手臂运动的末端轨 迹图。图中“+”代表起始位置，“*”代表期望目标位置。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于小脑模型的仿生手臂控制系统，包括人机交互模块、 储存器、命令产生模块和仿生手臂运动控制模块，所述人机交互模块、储存器、 命令产生模块和仿生手臂运动控制模块依次相连，此外，所述命令产生模块还 分别与储存器及仿生手臂运动控制模块相连，所述仿生手臂运动控制模块还分 别与人机交互模块及储存器相连。

如图2所示，命令产生模块，包括小脑模块、命令转换模块和学习模块， 除此之外，还包括命令产生模块与外部连接的第1、2输入端、第1、2输出端四 个接口，其中，命令产生模块与外部接口的第1输入端、小脑模块、命令转换 模块及命令产生模块与外部接口的第2输出端依次相连，所述命令转换模块还 分别与学习模块及命令产生模块与外部接口的第1输出端相连，所述学习模块 还分别与小脑模块及命令产生模块与外部接口的第2输入端相连。

如图3所示，仿生手臂运动控制模块，包括仿生手臂运动控制模块与外 部连接的输入端、输出端二个接口、仿真手臂模块、数据采集模块、软件控制 平台及PhantomOmni力反馈器，其中，仿生手臂运动控制模块与外部接口的 输入端与仿真手臂模块输入端相连，仿真手臂模块输出端分别与数据采集模块 及仿生手臂运动控制模块与外部接口的输出端相连，所述数据采集模块还与软 件控制平台、PhantomOmni力反馈器及仿生手臂运动控制模块与外部接口的 输出端依次相连。

PhantomOmni运动控制系统具体工作原理为：仿真手臂模块接收小脑模块 产生的与用户指令相应的控制命令，控制仿真手臂运动；通过数据采集模块采 集部分仿真手臂末端运动轨迹信息，将信息传递给软件控制平台，并利用公式 (15)完成对PhantomOmni力反馈器的运动控制：

$d=\frac{F+Rv}{K}---\left(15\right)$

其中，d表示位移，F表示PhantomOmni产生的力，v表示手臂速度，R代表 设定的阻尼，K表示设定的刚度。

一种基于小脑模型的仿生手臂控制系统中的小脑模型建模方法，包括以下 步骤：

步骤A、建立小脑模型的基本结构，由于小脑皮层具有匀质结构特性，因 此，可以使用具有相同结构的基本单元的阵列对小脑进行建模，每个基本单元 接收相同的用户指令信息输入，随后进入步骤B；

步骤B、计算各个基本单元中传递目标位置信息和传递本体感受信息的平 行纤维的状态，根据用户输入的手臂末端起始位置和期望终止位置的指令信 息，计算各个基本单元中传递目标位置信息和传递本体感受信息的平行纤维的 状态，具体包括以下子步骤：

子步骤B1、根据期望的手臂运动终点的位置坐标，利用小脑模型控制器, 即CMAC二维稀疏编码方法来确定第m个基本单元中传递目标位置信息的平 行纤维的状态，即x_mi的取值，其值具有二值性，用“0”表示抑制状态，“1” 表示激活状态，在当次指令执行过程中一旦确定便不再改变；其中， m＝1,2,…,16，i＝1,2,…8；

子步骤B2、根据学习模块接收的仿真手臂相关信息和命令转换关系，利 用公式(1)，计算在t时刻，第m个基本单元中传递本体感受信息的平行纤维的 状态p_m(t)，这里t＝1,2,3,…为整数。

令表示第m个基本单元对应的命令转换模块中的关节角度调整向 量，且为常向量；其中，ε_m表示上臂与竖直方向夹角的调整值，表示下臂 与水平方向夹角的调整值，则表示t时刻时仿真手臂的关节角度向量， α(t)分别表示上臂与竖直方向夹角，β(t)表示下臂与水平方向的夹角，其初始 值由用户指定，函数g(x)的定义为，

$g\left(x\right)=\left(\begin{array}{cc}1& x=-1\\ 0& x=1\end{array}\right)---\left(2\right)$

然后进入步骤C；

步骤C、计算各个基本单元的输出，从而得到小脑模块输出命令，具体包 括以下子步骤：

子步骤C1、计算第m个基本单元的网状结构输出，即此基本单元中各个 浦肯野细胞的状态y_mj，j＝1,2,…12，y_mj的值随时间改变，具体包括以下子步 骤：

子步骤C11、利用公式(3)计算第m个基本单元中第j个浦肯野细胞在t时 刻的膜电位值s_mj(t)，

$s_{mj}\left(t\right)=\underset{i=1}{\overset{8}{\Sigma }}{w}_{mij}\left(t\right)·x_{mi}+{\mathrm{wp}}_{mj}·p_m\left(t\right)+{\mathrm{wb}}_{mj}·b_m---\left(3\right)$

式中，w_mij表示第i条传递目标位置信息的平行纤维与第j个浦肯野细胞形 成的突触的记忆权值，由于该类突触为小脑学习记忆的载体，因此w_mij设为可 调，其初始值设为1，小脑模块的输出通过调整其值大小来改变；p_m(t)为传 递本体感受信息的平行纤维的状态；wp_mj表示传递本体感受信息的平行纤维与 第j个浦肯野细胞形成的突触的权值，wb_mj表示篮细胞与第j个浦肯野细胞形 成的突触的权值，由于篮细胞对浦肯野细胞产生抑制作用，因此其值为负值， 以上两权值均为固定值，分别设为0.2和-1，b_m表示篮细胞的状态值，篮细胞 在执行过程中始终保持激发状态，因此其值恒定为1；

子步骤C12、浦肯野细胞状态具有二值性，用“0”表示抑制状态，“1”表 示激活状态，结合子步骤C11公式(3)计算得到的s_mj(t)，利用公式(4)、(5)、 (6)计算在t时刻时第m个基本单元中第j个浦肯野细胞的状态，

对于起始时刻t＝1，

当t>1时，y_mj(t)与上一时刻y_mj(t-1)的值相关，对于y_mj(t-1)＝0的情况， 赋值方法为，

而对于y_mj(t-1)＝1的情况，y_mj(t)将依概率取值为0或1，

其中，s_mj(t)表示在t时刻的浦肯野细胞的膜电位值，φ、η分别为浦肯野细 胞膜电位的去极化和复极化的阈值，为固定常数，且φ>η；函数pro(x)表示x 发生的概率，具体说明如下，当pro(y_mj(t)＝0)＝0.2，则y_mj(t)以0.2的概率赋 值为0，而以0.8的概率赋值为1；

子步骤C2、根据反馈环路，即loop的状态，计算各个基本单元输出，loop 具有两种状态，即on与off状态，当小脑模块接收用户运动指令时，loop由 off转变为on状态，当基本单元中的浦肯野细胞处于激活状态的数量达到总数 量的90％时，loop由on转变为off状态，根据loop不同状态，利用公式(7)计 算得到第m个基本单元的输出命令O_m(t)，

式中，γ为命令调整系数，设为常数；y_mj(t)为在t时刻时第m个基本单元中第 j个浦肯野细胞的状态；则在t时刻小脑模块的输出命令为 O(t)＝[O₁(t),O₂(t),…O₁₆(t)]，若O(t)为零向量，则执行步骤D，即完成一次小 脑模块命令的输出，否则执行子步骤C3；

子步骤C3、计算当前小脑模块记忆信息对应的控制命令输出，具体包括 以下子步骤：

子步骤C31、根据权值调整公式(8)，调整第m个基本单元在t+1时刻的传 递目标位置信息的平行纤维和浦肯野细胞形成的突触权值w_mij(t+1)的大小，

$\begin{array}{c}{\mathrm{\Delta w}}_{mij}\left(t\right)=\lambda ·[1-y_{mj}\left(t\right)]x_{mi}\\ w_{mij}(t+1)=w_{mij}\left(t\right)+{\mathrm{\Delta w}}_{mij}\left(t\right)\end{array}---\left(8\right)$

式中，λ为调整系数，设为常数；y_mj(t)为在t时刻时第m个基本单元中第j个 浦肯野细胞的状态；x_mi表示传递目标位置信息的平行纤维的状态值；Δw_mij(t) 为在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成的突触权值的变 化值；w_mij(t)表示在t时刻时传递目标位置信息的平行纤维和浦肯野细胞形成 的突触权值的大小；

子步骤C32、根据t时刻的小脑模块输出命令O(t)和命令转换模块中的关 节角度调整矩阵利用公式(9)计算t+1时刻仿真手臂的 关节角度向量

式中，表示表示t时刻时仿真手臂的关节角度向量，α(t)分别表示上臂 与竖直方向夹角，β(t)表示下臂与水平方向的夹角；表示在t时刻时小 脑输出命令控制手臂关节调整的角度值，Δα(t)表示上臂与竖直方向的角度调 整值，Δβ(t)表示下臂与水平方向的角度调整值；

子步骤C33、根据此时的仿真手臂关节角度信息，重复执行子步骤B2；

步骤D、执行小脑模块学习功能，根据用户指令调整小脑模块命令输出， 具体包括以下子步骤：

子步骤D1、在完成步骤C之后，根据仿真手臂停止位置的关节角度信息 利用公式(10)计算PhantomOmni仿真手臂在笛卡尔空间上的位置信息 (x,y,z)，

$\begin{array}{c}x={\mathrm{sin\theta }}_3·(L_1·{\mathrm{cos\theta }}_2+L_2·{\mathrm{sin\theta }}_1)\\ y=L_1·{\mathrm{sin\theta }}_2-L_2·{\mathrm{cos\theta }}_1\\ z={\mathrm{cos\theta }}_3·(L_1·{\mathrm{cos\theta }}_2+L_2·{\mathrm{sin\theta }}_1)\end{array}---\left(10\right)$

其中，L₁表示上臂长度，L₂表示其下臂长度，θ₁和θ₂分别为俯视PhantomOmni 时，上臂与地平面之间的夹角和下臂与地垂线之间的夹角，θ₃为与地面平行的 旋转平面上的旋转角度，在此，设定θ₃＝0，然后计 算仿真手臂位置信息与用户设定的期望位置的偏差Δx及其模值||Δx||，如果 ||Δx||小于仿真手臂坐标空间的单位长度的0.5倍，则建模完成，否则执行子步 骤D2；

子步骤D2、根据公式(10)表示的仿真手臂的关节角度与位置的关系，计算 其雅克比矩阵J,再利用公式(11)计算关节调整角度Δθ，

Δθ＝J^-1·Δx(11)

其中，Δx表示仿真手臂位置信息与用户设定的期望位置的偏差；

子步骤D3、根据Δθ确定第m个基本单元中攀爬纤维的状态值c_m(n),n为 学习次数，初始值为1，具体包括以下子步骤：

子步骤D31、根据公式(12)计算第m个基本单元对应的攀爬纤维的激发概 率ρ_m，

${\rho }_m=\frac{1+cos\left({\sigma }_m\right)}{2}---\left(12\right)$

式中，σ_m表示相应的命令转换模块中的关节角度调整向量与关节调 整角度Δθ之间的夹角；

子步骤D32、将小于0.5的ρ_m的值重置为0，调整之后攀爬纤维的激发概 率设为ρ_m'，根据公式(13)，确定c_m(n)的取值，

pro(c_m(n)＝1)＝ρ_m'(13)

其中，函数pro(x)表示x发生的概率；

子步骤D4、根据公式(14)，对小脑模块第m个基本单元中的每个平行纤维 和浦肯野细胞的初始权值w_mij(1)进行调整，

$\begin{array}{c}{\mathrm{\Delta w}}_{mij}\left(1\right)=-{\mathrm{\mu c}}_m\left(n\right)x_{mi}\\ w_{mij}\left(1\right)=w_{mij}\left(1\right)+{\mathrm{\Delta w}}_{mij}\left(1\right)\end{array}---\left(14\right)$

式中，μ表示学习系数，为常数，c_m(n)第m个基本单元中在n次学习后攀 爬纤维的状态值，x_mi表示传递目标位置信息的平行纤维的状态值，Δw_mij(1)表 示传递目标位置信息的平行纤维和浦肯野细胞形成突触权值的初值变化值；

子步骤D5、将仿真手臂恢复到初始位置，将t重置为1，学习次数为n+1， 执行子步骤B2。

本发明基于小脑模型的仿生手臂控制系统执行过程，具体包括以下步骤：

步骤1、启动系统，用户通过人机交互模块向系统中输入控制手臂的指令 信息。

步骤2、系统根据用户输入信息进行存储器检索，如果储存器中已存在当 前用户指令的小脑控制命令信息，则直接执行步骤4，否则，为当前指令申请 新的存储空间，然后执行步骤3。

步骤3、将用户的指令输入到命令产生模块，并根据小脑模型建模方法完 成对小脑模块的建模。然后，将小脑模块的输出经过命令转换模块输出到储存 器中新申请的存储空间保存，同时将控制命令输出到仿生手臂运动控制模块。

步骤4、仿生手臂运动控制模块根据系统的输入信息通过仿真手臂模块模 拟PhantomOmni设备运动，并通过数据采集模块采集仿真手臂运动信息，然 后通过软件平台完成对PhantomOmni设备控制任务。

步骤5、将仿真手臂轨迹图像和PhantomOmni设备的位置坐标输出到人 机交互模块进行显示，则系统的一次指令执行过程结束。