CN103006358B - 一种肌电假手的控制方法 - Google Patents
一种肌电假手的控制方法 Download PDFInfo
- Publication number
- CN103006358B CN103006358B CN201210578422.8A CN201210578422A CN103006358B CN 103006358 B CN103006358 B CN 103006358B CN 201210578422 A CN201210578422 A CN 201210578422A CN 103006358 B CN103006358 B CN 103006358B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- electromyographic
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003183 myoelectrical effect Effects 0.000 title claims abstract description 24
- 101001023680 Homo sapiens Ribosomal RNA small subunit methyltransferase NEP1 Proteins 0.000 claims abstract description 20
- 102100035491 Ribosomal RNA small subunit methyltransferase NEP1 Human genes 0.000 claims abstract description 20
- 210000003205 muscle Anatomy 0.000 claims abstract description 16
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 claims description 10
- 230000003321 amplification Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 210000000707 wrist Anatomy 0.000 abstract description 2
- 230000008602 contraction Effects 0.000 abstract 1
- 238000002567 electromyography Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Prostheses (AREA)
- Feedback Control In General (AREA)
Abstract
一种肌电假手的控制方法,包括基于肌电信号自适应学习的动作识别方法和握力模糊控制方法。基于肌电信号自适应学习的动作识别方法以人体手臂一对拮抗肌上采集得到的经过放大、整流、滤波后的张开肌电信号EMG1、闭合肌电信号EMG2作为输入信号,通过更新自适应比例因子,从而实现对人体肌电信号的自适应,并根据佩戴者手臂肌肉的收缩程度输出假手的期望握力。握力模糊控制方法用于实现对假手期望握力的跟踪,从而实现根据假手佩戴者手臂肌电信号的强度来控制假手的握力大小。使用时只需要将两个肌电传感器贴合在佩戴者手臂的一对拮抗肌上,打开假手电源,佩戴者上抬和下手腕即可实现对假手的控制。
Description
一、技术领域
本发明涉及一种肌电假手的控制方法,用于手肌电假手的控制,属于特殊器械控制领域。
二、背景技术
在肌电假手控制中,传统肌电信号的识别决策方法虽然具有一定的有效性,但是未充分考虑不同佩戴者或同一佩戴在不同条件下肌电信号存在差异的问题,导致假手在安装佩戴时要进行因人而异的参数调整,实际使用中存在一定的局限性;在握力控制方面,一些控制算法基于假手上安装有较为完善的传感***取得了较好的握力跟踪控制效果,然而,实际肌电假手由于大小、尺寸、生产成本等的限制无法安装充分的传感器,导致目前商业化的肌电假手难以实现准确的力控制。
三、发明内容
本发明的目的在于提供一种具有自适应学习动作识别能力、能够避免假手在安装佩戴时要进行因人而异的参数调整的肌电假手的控制方法。
本发明的目的是这样实现的:
步骤1:取带有第一AD转换器的第一肌电传感器和带有第二AD转换器的第二肌电传感器,所述第一肌电传感器和第二肌电传感器分别用于采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1和手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2,令MaxE1、MaxE2的初值为0,MinE1、MinE2的初值为2M,M为AD转换器的位数,MaxE1、MaxE2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最大值,MinE1、MinE2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最小值,
步骤2:肌电信号自适应学习动作识别,输出假手的期望握力Fd,详细步骤如下:
步骤2.1利用第一肌电传感器采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1,利用第二肌电传感器采集手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2,再分别对张开肌电信号EMG1及闭合肌电信号EMG2进行放大、整流、滤波,得到预处理后的张开肌电信号EMG1及预处理后的闭合肌电信号EMG2,
步骤2.2:分别更新预处理后的张开肌电信号EMG1的最大值MaxE1、预处理后的张开肌电信号EMG1的最小值MinE1、预处理后的闭合肌电信号EMG2的最大值MaxE2及预处理后的闭合肌电信号EMG2的最小值MinE2,更新方法如下:
分别计算张开肌电信号的自适应比例因子KE1及闭合肌电信号的自适应比例因子KE2:
步骤2.3:计算当前采集得到肌电信号的张开程度E1和闭合程度E2:
E1=(EMG1-MinE1)×KE1
E2=(EMG2-MinE2)×KE2
步骤2.4:根据肌电信号的张开程度E1和闭合程度E2进行动作判别,判别结果为E,E>0对应于假手的期望动作为张开,E<0对应于假手的期望动作为闭合,E=0对应于假手的期望动作为停止,
E=(E1-E2)×KE
其中,KE为转换比例因子,数值上等于假手最大握力设计值Fmax,用于将肌电信号的强度转换为对应的假手期望握力,
步骤2.5:消除假手佩戴者的手臂在放松状态下由于微小干扰而造成假手误动作,输出假手的期望握力Fd,
Fd=E×f(E)
其中 E0=0.05×KE,E0为设定的最大干扰信号值,
步骤3:通过握力模糊控制器得到假手的控制信号y,详细步骤如下:
步骤3.1:通过第三AD转换器采集假手的当前握力信号Fn,通过第四AD转换器采集假手上直流电机的电流反馈信号I,计算握力跟踪误差ΔF和握力变化率
ΔF=Fd-Fn
其中Fn′为上一次采集得到的假手握力信号,第1次执行步骤3.1时Fn′=0,
步骤3.2:将握力跟踪误差ΔF和握力变化率输入握力模糊控制器,握力模糊控制器输出假手的控制信号y,
步骤4:电流保护环节以握力模糊控制器输出信号y和假手上电机的反馈电流I作为输入,电流保护环节的输出为U,
U=y×f(I)
其中 Im为电机使用说明中标明的电机连续堵转电流,
步骤5:将电流保护环节的输出信号U进行功率放大后用于驱动假手上的直流电机,从而控制假手的握力,
步骤6:返回步骤2.1。
使用时只需要将两个肌电传感器贴合在佩戴者手臂的一对拮抗肌上,打开假手电源,佩戴者上抬和下手腕即可实现对假手的控制。
与现有技术相比,本发明具有如下优点:
1、肌电信号自适应学习动作识别器通过简单的肌电信号自适应学习,实时更新两路肌电信号的幅值范围,计算张开肌电信号的张开程度和闭合程度,与传统的将两路肌电信号直接相减的方法相比,避免了不同佩戴者或同一佩戴在不同条件下由于肌电信号存在差异,导致假手在安装佩戴时要进行因人而异的参数调整的问题,提高了适合的普遍性,同时也大大减少了佩戴者对假手的学习适应时间。
2、握力模糊控制算法,在只有力传感器的情况下实现了较好的假手握力控制,设计的算法复杂度低,计算量小,无需高端的处理器就可实现假手的灵活控制,适合于商业化假手中的应用。
3、设计的假手控制方法在实际操作时与人体自然手的操作习惯相同,简短了佩戴者对假手的适应时间。
4、设计的基于肌电信号自适应学习的动作识别器中有去抖环节,降低了假手误动作的发生概率。
5、设计的假手握力控制器中电流保护环节,防止因电机长时间堵转而电机损坏。
四、附图说明
图1是本发明一种肌电假手的控制方法的组成框图。
图2是本发明一种肌电假手的控制方法的基于肌电信号自适应学习的动作识别方法组成框图。
图3是本发明一种肌电假手的控制方法的ΔF的隶属函数图。
图4是本发明一种肌电假手的控制方法的的隶属函数图。
五、具体实施方式
下面结合附图详细说本发明的具体实施步骤。
一种肌电假手的控制方法,包括基于肌电信号自适应学习的动作识别方法和握力模糊控制方法,控制流程如图1所示,具体步骤如下:
步骤1:取带有第一AD转换器的第一肌电传感器和带有第二AD转换器的第二肌电传感器,所述第一肌电传感器和第二肌电传感器分别用于采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1和手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2,令MaxE1、MaxE2的初值为0,MinE1、MinE2的初值为2M,M为AD转换器的位数,MaxE1、MaxE2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最大值,MinE1、MinE2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最小值,
步骤2:肌电信号自适应学习动作识别,动作识别流程如图2所示,输出假手的期望握力Fd,详细步骤如下:
步骤2.1利用第一肌电传感器采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1,利用第二肌电传感器采集手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2,再分别对张开肌电信号EMG1及闭合肌电信号EMG2进行放大、整流、滤波,得到预处理后的张开肌电信号EMG1及预处理后的闭合肌电信号EMG2,
步骤2.2:分别更新预处理后的张开肌电信号EMG1的最大值MaxE1、预处理后的张开肌电信号EMG1的最小值MinE1、预处理后的闭合肌电信号EMG2的最大值MaxE2及预处理后的闭合肌电信号EMG2的最小值MinE2,更新方法如下:
分别计算张开肌电信号的自适应比例因子KE1及闭合肌电信号的自适应比例因子KE2:
步骤2.3:计算当前采集得到肌电信号的张开程度E1和闭合程度E2:
E1=(EMG1-MinE1)×KE1
E2=(EMG2-MinE2)×KE2
步骤2.4:根据肌电信号的张开程度E1和闭合程度E2进行动作判别,判别结果为E,E>0对应于假手的期望动作为张开,E<0对应于假手的期望动作为闭合,E=0对应于假手的期望动作为停止,
E=(E1-E2)×KE
其中,KE为转换比例因子,数值上等于假手最大握力设计值Fmax,用于将肌电信号的强度转换为对应的假手期望握力,例如当假手最大握力设计值Fmax=20N时,KE=20,
步骤2.5:消除假手佩戴者的手臂在放松状态下由于微小干扰而造成假手误动作,输出假手的期望握力Fd,
Fd=E×f(E)
其中 E0为设定的最大干扰信号值,设定方法为:E0=0.05×KE
步骤3:通过握力模糊控制器得到假手的控制信号y,详细步骤如下:
步骤3.1:通过第三AD转换器采集假手的当前握力信号Fn,通过第四AD转换器采集假手上直流电机的电流反馈信号I,计算握力跟踪误差ΔF和握力变化率
ΔF=Fd-Fn
其中Fn′为上一次采集得到的假手握力信号,第1次执行步骤3.1时Fn′=0,
步骤3.2:将握力跟踪误差ΔF和握力变化率输入握力模糊控制器,握力模糊控制器输出假手的控制信号y,所述的握力模糊控制器采用本领域公知且常用的模糊控制器,具体如下:
步骤3.2.1:计算ΔF的隶属度Ai(ΔF),采用三角形隶属函数,ΔF的隶属函数如图3所示,ΔF分为7个等级:负大(NL)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PL),f0、f6分别对应于ΔF的最大值、最小值,
其中,fΔ=(f6-f0)/6,aΔF=1/fΔ,
步骤3.2.2:计算的隶属度采用三角形隶属函数,的隶属函数如图4所示,分为5个等级:负大(NL)、负小(NS)、零(ZO)、正小(PS)、正大(PL),分别对应于的最大值、最小值,
其中,
步骤3.2.3:计算规则激活度αij,
步骤3.2.4:查询模糊规则表,得到第ij条规则的值为fij,
步骤3.2.5:采用加权平均法计算握力模糊控制器的输出y,
步骤4:电流保护环节以握力模糊控制器输出信号y和假手上电机的反馈电流I作为输入,电流保护环节的输出为U,
U=y×f(I)
其中 Im为电机使用说明中标明的电机连续堵转电流,
步骤5:将电流保护环节的输出信号U进行功率放大后用于驱动假手上的直流电机,从而控制假手的握力,
步骤6:返回步骤2.1。
Claims (1)
1.一种肌电假手的控制方法,具体步骤如下:
步骤1:取带有第一AD转换器的第一肌电传感器和带有第二AD转换器的第二肌电传感器,所述第一肌电传感器和第二肌电传感器分别用于采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1和手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2,令MaxE1、MaxE2的初值为0,MinE1、MinE2的初值为2M,M为AD转换器的位数,MaxE1、MaxE2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最大值,MinE1、MinE2分别为经过放大、整流、滤波预处理后的张开肌电信号EMG1和闭合肌电信号EMG2的最小值,
步骤2:肌电信号自适应学习动作识别,输出假手的期望握力Fd,详细步骤如下:
步骤2.1利用第一肌电传感器采集手臂上的一对拮抗肌的肌电信号中的张开肌电信号EMG1,利用第二肌电传感器采集手臂上的一对拮抗肌的肌电信号中的闭合肌电信号EMG2,再分别对张开肌电信号EMG1及闭合肌电信号EMG2进行放大、整流、滤波,得到预处理后的张开肌电信号EMG1及预处理后的闭合肌电信号EMG2,
步骤2.2:分别更新预处理后的张开肌电信号EMG1的最大值MaxE1、预处理后的张开肌电信号EMG1的最小值MinE1、预处理后的闭合肌电信号EMG2的最大值MaxE2及预处理后的闭合肌电信号EMG2的最小值MinE2,更新方法如下:
分别计算张开肌电信号的自适应比例因子KE1及闭合肌电信号的自适应比例因子KE2:
步骤2.3:计算当前采集得到肌电信号的张开程度E1和闭合程度E2:
E1=(EMG1-MinE1)×KE1
E2=(EMG2-MinE2)×KE2
步骤2.4:根据肌电信号的张开程度E1和闭合程度E2进行动作判别,判别结果为E,E>0对应于假手的期望动作为张开,E<0对应于假手的期望动作为闭合,E=0对应于假手的期望动作为停止,
E=(E1-E2)×KE
其中,KE为转换比例因子,数值上等于假手最大握力设计值Fmax,用于将肌电信号的强度转换为对应的假手期望握力,
步骤2.5:消除假手佩戴者的手臂在放松状态下由于微小干扰而造成假手误动作,输出假手的期望握力Fd,
Fd=E×f(E)
其中 E0=0.05×KE,E0为设定的最大干扰信号值,
步骤3:通过握力模糊控制器得到假手的控制信号y,详细步骤如下:
步骤3.1:通过第三AD转换器采集假手的当前握力信号Fn,通过第四AD转换器采集假手上直流电机的电流反馈信号I,计算握力跟踪误差ΔF和握力变化率
ΔF=Fd-Fn
其中Fn'为上一次采集得到的假手握力信号,第1次执行步骤3.1时Fn'=0,
步骤3.2:将握力跟踪误差ΔF和握力变化率输入握力模糊控制器,握力模糊控制器输出假手的控制信号y,
步骤4:电流保护环节以握力模糊控制器输出控制信号y和假手上直流电机的电流反馈信号I作为输入,电流保护环节的输出为U,
U=y×f(I)
其中 Im为电机使用说明中标明的电机连续堵转电流,
步骤5:将电流保护环节的输出信号U进行功率放大后用于驱动假手上的直流电机,从而控制假手的握力,
步骤6:返回步骤2.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210578422.8A CN103006358B (zh) | 2012-12-27 | 2012-12-27 | 一种肌电假手的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210578422.8A CN103006358B (zh) | 2012-12-27 | 2012-12-27 | 一种肌电假手的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103006358A CN103006358A (zh) | 2013-04-03 |
CN103006358B true CN103006358B (zh) | 2014-11-12 |
Family
ID=47955832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210578422.8A Active CN103006358B (zh) | 2012-12-27 | 2012-12-27 | 一种肌电假手的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103006358B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103417315B (zh) * | 2013-08-01 | 2019-06-07 | 中南大学 | 一种假肢手的拟人反射控制方法 |
CN103494660B (zh) * | 2013-10-17 | 2015-11-18 | 东南大学 | 基于随机共振的肌电假手控制方法 |
CN104721012B (zh) * | 2013-12-24 | 2017-03-15 | 上银科技股份有限公司 | 感应式力量反馈机构 |
CN105616042B (zh) * | 2014-10-30 | 2017-10-10 | 中国科学院深圳先进技术研究院 | 一种智能假手控制*** |
CN112040858B (zh) * | 2017-10-19 | 2024-06-07 | 元平台技术有限公司 | 用于识别与神经肌肉源信号相关的生物结构的***和方法 |
CN110169851B (zh) * | 2019-05-28 | 2023-11-07 | 南京航空航天大学 | 肌电信号自适应调节的假手控制*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102228399A (zh) * | 2011-06-17 | 2011-11-02 | 东南大学 | 基于模糊控制器的肌电假手握力控制方法 |
CN102309365A (zh) * | 2011-08-30 | 2012-01-11 | 西安交通大学苏州研究院 | 一种可穿戴的脑控智能假肢 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7398255B2 (en) * | 2004-07-14 | 2008-07-08 | Shriners Hospitals For Children | Neural prosthesis with fuzzy logic control system |
US8437844B2 (en) * | 2006-08-21 | 2013-05-07 | Holland Bloorview Kids Rehabilitation Hospital | Method, system and apparatus for real-time classification of muscle signals from self-selected intentional movements |
-
2012
- 2012-12-27 CN CN201210578422.8A patent/CN103006358B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102228399A (zh) * | 2011-06-17 | 2011-11-02 | 东南大学 | 基于模糊控制器的肌电假手握力控制方法 |
CN102309365A (zh) * | 2011-08-30 | 2012-01-11 | 西安交通大学苏州研究院 | 一种可穿戴的脑控智能假肢 |
Non-Patent Citations (2)
Title |
---|
Erik D. Engeberg, et al..Backstepping and Sliding Mode Control Hybridized for a Prosthetic Hand.《IEEE Transactions on Neural Systems and Rehabilitation Engineering》.2009,第17卷(第1期),70-79. * |
Guozheng Xu, et al..Adaptive Impedance Control Based on Dynamic Recurrent Fuzzy Neural Network for Upper-limb Rehabilitation Robot.《Control and Automation》.2009,1376-1381. * |
Also Published As
Publication number | Publication date |
---|---|
CN103006358A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103006358B (zh) | 一种肌电假手的控制方法 | |
US11259941B2 (en) | Prosthetic feedback apparatus and method | |
Chan et al. | Myoelectric control development toolbox | |
US10610385B2 (en) | Multi-modal upper limb prosthetic device control using myoelectric signals | |
CN106618948B (zh) | 一种智能助力康复手套 | |
Phinyomark et al. | A review of control methods for electric power wheelchairs based on electromyography signals with special emphasis on pattern recognition | |
CN101766510A (zh) | 基于肌电控制的机械假手的力触觉反馈及力度控制方法 | |
CN106073712A (zh) | 基于心生理信号的驾驶警示方向盘套装置及信号检测方法 | |
CN102499797A (zh) | 假肢控制方法及*** | |
CN113011458B (zh) | 负载机动型外骨骼人体运动意图识别方法及外骨骼*** | |
CN108510075A (zh) | 睡眠质量与环境变量相关性的监测推理*** | |
CN112949676B (zh) | 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法 | |
CN109498375B (zh) | 一种人体运动意图识别控制装置及控制方法 | |
Narayan et al. | Pattern recognition of sEMG signals using DWT based feature and SVM Classifier | |
CN102228399A (zh) | 基于模糊控制器的肌电假手握力控制方法 | |
Singh et al. | A review on surface EMG based control schemes of exoskeleton robot in stroke rehabilitation | |
Zhao et al. | A five-fingered underactuated prosthetic hand control scheme | |
CN106890038A (zh) | 基于myo臂环的假肢手控制***及其控制方法 | |
CN103876867A (zh) | 一种假肢手抓握物体初始参考力模糊估计方法 | |
CN205572453U (zh) | 一种软抓取机械手 | |
CN202589521U (zh) | 一种测量肌电电极与皮肤接触阻抗的装置 | |
CN105813011B (zh) | 基于手机客户端的机械手装置临场感知信号检测方法 | |
CN109702714A (zh) | 一种可穿戴式智能人体指关节助力及康复装置 | |
CN111897415B (zh) | 基于肌电信号和变刚度控制的虚拟假手柔顺直观控制方法 | |
CN103417315A (zh) | 一种假肢手的拟人反射控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |