CN105943206A - 一种基于myo臂环的假肢手控制方法 - Google Patents

Abstract

本发明涉及一种基于MYO臂环的假肢手控制方法，该方法通过使用MYO臂环实时采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，利用特征值和训练好的神经网络模型在线识别手部动作模式，将该动作模式转变为相应的电机运动指令，驱动假肢手做出相应的动作；所述的神经网络模型训练方法包括：执行人体手部动作，使用MYO臂环采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，根据特征值的样本，训练手部动作的神经网络模型。与现有技术相比，本发明具有使用方便、成本低、性价比高、应用范围广等优点。

Description

一种基于MYO臂环的假肢手控制方法

技术领域

本发明属于计算机与康复工程交叉的技术领域，尤其是涉及一种基于MYO臂环的假肢手控制方法。

背景技术

目前的残疾人数据调查表明，中国肢体残疾患者的数量高达2412万人，约占总人口数的1.83％，其中截肢患者226万人。保守估计，需要安装假肢手的患者达25万人以上，因此，假肢手有着巨大的市场。目前，国内开发的肌电假肢手仍以单动作模式为主，多动作模式的高端肌电假肢手主要依靠进口。

肌电信号是假肢手控制的可靠的信号源被广泛用于肌电假肢手中，肌电传感器的质量直接影响动作模式识别的精度，从而影响假肢手的整体性能。高质量的传感器比较贵，如Biomatric和Delsys等，单个传感器的价格都在5000元以上。国内的假肢厂家多采用自己制作的肌电传感器，信号干扰性较大，严重影响动作模式识别精度。

申请号为201210580705.6的中国专利公开了一种肌电假肢控制***，该***包括肌电假肢控制器和上位机，其中肌电假肢控制器包括肌电电极、肌电信号采集模块、控制模块、通信模块和电机驱动模块，控制模块将肌电数据发送给通信模块，对采集到的肌电数据进行动作类型识别，并输出分类结果；通信模块将肌电数据传送到上位机和将上位机发送的动作分类器传送至控制模块；电机驱动模块接收控制模块的分类结果，驱动肌电假肢内部电机工作，完成相应动作；上位机接收通信模块传送的肌电数据进行模式训练，得到动作分类器，并将动作分类器发送给通信模块，实现了假肢的在线控制。

然而肌电信号采集模块中的传感器输出为模拟信号，数据采集后需要使用肌电信号采集模块进行放大滤波、模数转换等过程才能进行提取，肌电信号采集模块与肌电电极有线连接，数据传输容易受到干扰，且数据处理精度影响实时性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种使用成本低、动作识别率高的基于MYO臂环的假肢手控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于MYO臂环的假肢手控制方法，该方法通过使用MYO臂环实时采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，利用特征值和训练好的神经网络模型在线识别手部动作模式，将该动作模式转变为相应的电机运动指令，驱动假肢手做出相应的动作，此过程为在线识别；

所述的神经网络模型训练方法包括：执行人体手部动作，使用MYO臂环采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，根据特征值的样本，训练手部动作的神经网络模型，此过程为在线识别之前的离线过程。

神经网络模型离线训练过程和训练数据及训练结果的存储可通过PC机完成，将训练所得的权值和阈值参数下载至基于嵌入式***的控制板，在线识别时，通过控制板处理肌电信号、识别手部动作模式，然后通过控制板控制假肢手的动作。

所述的肌电信号通过MYO臂环的蓝牙接口读取。

所述的肌电信号的特征值的提取包括以下步骤：

S1，使用MYO臂环的M个通道采集手臂肌肉的肌电信号并读取肌电信号，其中，通道个数M设置在2～8之间，根据手部动作类型的个数设置；

S2，根据各通道肌电信号的时域特征，确定手部动作起止时间点；

S3，在手部动作起止时间内截取一段肌电信号作为一个信号序列，对每个信号序列提取n个特征值，得到M个n维的特征向量；

S4，采用主成分分析法对特征向量降维，得到M个k维的降维特征向量；

所述的步骤S2中，手部动作起止时间点确定方法为：计算各通道肌电信号的绝对平均值并求和，并与事先设定的门限阈值作比较判断动作起止，将对应的时间点作为动作起止点；

所述的步骤S3中，截取的肌电信号为动作起始点后100-200ms内的肌电信号。

所述的特征值包括绝对平均值MAV、过零点数ZC、斜率变化数SSC、波形长度WL和平均绝对值变化率MAVS，各特征值计算方法如下：

${\mathrm{MAV}}_i=\frac{1}{L}\underset{k=1}{\overset{L}{\Σ}}\left|x\left(k\right)\right|,i=1,2...M---\left(1\right)$

式(1)中，x(k)为每次采样的肌电信号数据，L为每个通道的数据个数，M为通道个数；

对于连续采样的点x(k),x(k+1)，如果满足式(2)，则ZC的值加1；

x(k)＞0且x(k+1)＜0，或x(k)＜0且x(k+1)＞0 (2)

如果满足公式(3)的条件，则SSC的值增加1；

[x(k)-x(k-1)]×[x(k)-x(k+1)]＞ε (3)

式(3)中，ε为给定的一个大于0的阈值；

$WL=\underset{k=1}{\overset{L}{\Σ}}\left|\mathrm{\Δ}x\left(k\right)\right|---\left(4\right)$

式(4)中，Δx(k)＝x(k)-x(k-1)

MAVS＝MAV_k-MAV_k-1 (5)

读取肌电信号时，以MYO臂环的数据输出最高频率从MYO臂环中读取肌电信号值。

根据待识别的动作种类个数选择通道个数，以便兼顾识别率和实时性，作为优选方案，通道个数M取3，3个通道可准确识别日常常用的8个动作，满足常用手部动作识别的需要。

与现有技术相比，本发明具有以下优点：

(1)MYO臂环中内置无线数字传感器，使用MYO臂环获得手臂肌肉的肌电信号，通过蓝牙接口即可读取肌电信号，MYO臂环具有价格低、信号传输速度快、信噪比低、干扰小、信号质量好、佩戴方便的优点，符合模块化设计思路，极大提高了假肢手控制的性价比和应用前景。

(2)通过预先离线训练建立神经网络模型参数，离线训练和在线识别通过不同的载体实现，降低了在线识别的成本，提高了在线识别速度。

(3)步骤S2中，采用时域特征进行活动段检测，时域特征计算简单，可快速判断活动段，为假肢手的实时性打下夯实的基础。

(4)在线识别时，对特征值降维处理，可降低分类器的负载、改善识别精度、提高假肢手控制的实时性。

(5)采用绝对平均值、过零点数、斜率变化数、波形长度和平均绝对值变化率作为特征值，可以获得较高的动作识别率。

(6)优选通道个数M为3，3个通道可准确识别8个动作，可满足常用手部动作识别的需要，兼顾了动作识别的可靠性和识别速度。

附图说明

图1为本实施例的基于MYO臂环的假肢手控制***结构示意图；

图2为本发明方法中的在线识别流程示意图；

图3为采用本实施例方法获取的某通道原始肌电图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

一种基于MYO臂环的假肢手控制方法，该方法通过使用MYO臂环实时采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，利用特征值和训练好的神经网络模型在线识别手部动作模式，将该动作模式转变为相应的电机运动指令，驱动假肢手做出相应的动作，此过程为在线识别；

所述的神经网络模型训练方法包括：执行人体手部动作，使用MYO臂环采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，根据特征值的样本，训练手部动作的神经网络模型，此过程为在线识别之前的离线过程。

神经网络模型离线训练过程、神经网络训练样本模型参数存储可通过PC机完成，将模型参数下载至基于嵌入式***的控制板，在线识别时，通过控制板处理肌电信号、识别手部动作模式，然后通过控制板控制假肢手的动作。

神经网络模型离线训练过程和神经网络模型库的存储可通过PC机完成，将模型参数下载至基于嵌入式***的控制板，在线识别时，通过控制板处理肌电信号、识别手部动作，然后通过控制板控制假肢手的动作。

MYO传感器是加拿大创业公司Thalmic Labs推出的创新性臂环，可以佩戴在任何一条胳膊的肘关节上方，探测人体肌肉产生的生物电信号。MYO传感器有八个通道，每个通道等间距排列。另外，MYO通过低功率的蓝牙设备将信号传出，干扰小，信号质量好，并且价格低廉(149美元)。

为实现本发明的假肢手控制方法，采用如图1所示的于MYO臂环的假肢手控制***，***由MYO臂环、ARM控制板和假肢手本体组成，MYO臂环用于采集手臂生物电信号(sEMG信号)，ARM控制板用于识别人手动作模式和手指电机驱动，假肢手本体由机械部件和驱动手指运动的电机组成。工作原理为：由MYO臂环采集到的sEMG信号，通过蓝牙接口传输到ARM控制板中，再经过动作起止点判断、特征提取和模式识别算法得到动作模式类型，最后将动作类型转变成相应的电机运动指令驱动假肢手手指做相应的动作。

核心和关键技术为在ARM控制板中实现基于sEMG信号的动作模式的识别，处理流程如图2所示，下面具体阐述每个环节的原理。

动作模式识别分离线训练和在线识别两个过程。离线训练只在安装假肢时按要求多次训练每个动作并保存训练数据，对上述数据做处理得到特征值样本，然后执行训练算法得到该截肢患者的动作模式识别模型参数，该参数用于在线识别。因在线识别和离线训练时的特征提取之前的部分完全相同，所以，下文只对在线识别算法做详细阐述。

如图2所示，在线识别过程包括以下步骤：

S1、读取各通道的肌电信号(sEMG)数据

使用MYO臂环的M个通道采集手臂肌肉的肌电信号并读取肌电信号，其中，通道个数M设置在2～8之间，根据手部动作类型的个数设置。

S2、活动段检测

即根据各通道肌电信号的时域特征，确定手部动作起止时间点。

对于选定的M个通道的sEMG信号，先计算每路信号时域特征绝对平均值(MeanAbsolute Average，MAV)，公式为：

${\mathrm{MAV}}_i=\frac{1}{L}\underset{k=1}{\overset{L}{\Σ}}\left|x\left(k\right)\right|,i=1,2...I---\left(1\right)$

其中x(k)为每次采样的sEMG数据。

将各路信号的MAV相加，通过设定的门限阈值来判断动作起止点。考虑到每个受试者的肌电信号特性不太一样，每个受试者的门限阈值在离线训练环节确定，通过对采集到用于训练的数据样本的分析可以得到合适的阈值。

S3、特征值提取

活动段检测出来后，在动作起始点后截取每个通道100-200ms内的sEMG数据，每个通道的数据个数记作L，提取的特征值如下：平均绝对值(MAV)、过零点数(ZC)、斜率变化数(SSC)和波形长度(WL)，平均绝对值变化率(MAVS)

(1)绝对平均值(MAV)

该特征值的公式如上式(1)所示，M个通道sEMG信号的的MAV特征分别记作MAV₁,MAV₂,…MAV_M。

(2)过零点数(ZC)

对于连续采样的点x(k),x(k+1)，如果满足公式(2)的条件，则ZC的值增1。

x(k)＞0且x(k+1)＜0，或x(k)＜0且x(k+1)＞0 (2)

(3)斜率变化数(SSC)

如果满足公式(3)的条件，则SSC的值增加1。

[x(k)-x(k-1)]×[x(k)-x(k+1)]＞ε (3)

其中ε为给定的一个大于0的阈值。

(4)波形长度(WL)

该特征值为L个数据长度内波形的累积长度，计算公式如式(4)所示。

$WL=\underset{k=1}{\overset{L}{\Σ}}\left|\mathrm{\Δ}x\left(k\right)\right|---\left(4\right)$

其中Δx(k)＝x(k)-x(k-1)。

(5)平均绝对值变化率(MAVS)

该特征值为两个相邻分析窗口内的MAV特征值之差，表示为：

MAVS＝MAV_k-MAV_k-1 (5)

S4、主成分分析法降维(PCA降维)

对选定的M个通道，设经过上述特征提取后的特征值共为n个，即构成的特征向量维数为1×n。在训练过程中，设经PCA算法得到的降维矩阵为U，维数为n×k，则在线识别时每次提取的特征向量乘上降维矩阵后的维数变成1×k维，即将原n维降维了k维。

S5、动作模式识别

构造3层BP神经网络，输入神经元个数为特征向量降维后的维数k，输出神经元个数为动作种类数C，隐层神经元个数H对性能影响较小，可以先选定为10，由经验公式(6)计算可得，然后在训练时根据训练精度做调整。

$H=\sqrt{CK}---\left(6\right)$

每个动作做100次，提取特征后作为训练样本集，通过离线训练得到权系数w1,b1,w2,b2,其中w1,b1为输入层到隐层的阈值和权系数，w2,b2为隐层到输出层的权系数和阈值。

在线识别时，在肌肉动作活动期间，每次读取一段数据，提取一组特征并用PCA降维，输入到神经网络模型，神经网络输出值最大的神经元对应的动作模式即为当前手部的动作类型。在线识别中的肌电信号采集、活动段检测、特征提取和PCA降维和模式分类都通过基于嵌入式***的控制板来实现。

以识别假肢手控制中常用的八种动作为例说明本发明的实施方式。八种动作分别为：(1)手腕内翻(Wrist flexion，简称WF)，(2)手腕外翻(Wrist extension，简称WE)，(3)握拳(Hand close，简称HC)，(4)展拳(Hand open，简称HO)，(5)握圆球(Sphericalgrasping，简称SG)，(6)握圆柱Cylindrical grasping(CG)，(7)三指抓(Tripodalprecision grasping，简称TPG)，(8)二指捏(Key grasping，简称KG)(见图3)。由于手部运动是前臂肌肉收缩导致的，将MYO臂环佩戴于靠近前臂肘关节的位置(水平放置手臂，掌心朝下，MYO臂环的“Logo LED”与掌心的方向相反)。

因MYO臂环最大数据输出频率为200Hz，本发明将数据采样率设置为200Hz，每次读取8通道的肌电信号，某通道的曲线如图3所示。

实验方法和实验结果：

考虑到实用假肢控制器的成本和安装方便性，在实验中，分别对五个健康受试者采集M(M＝3)个通道的肌电数据进行研究。其中包括，用MYO采集到的3路sEMG信号进行预处理、特征提取、模式识别和控制假肢电机等工作。为了提高假肢的实时性，特征提取采用时域的5个特征，分别是绝对平均值(MAV)、过零点数(ZC)、斜率变化数(SSC)、波形长度(WL)和平均绝对值变化率(MAVS)。用这样的方法采集到的特征值数据是15维(M×5)。在在线识别***中，用PCA降维到12维，然后送入分类识别模型中进行训练。本发明中，分类器采用三层神经网络算法，输入层神经元节点数由降维后的特征维数决定，即12个；输出层神经元节点数由动作种类决定，在这里为8个；隐含层节点数由公式(6)计算可得，为10个。

将上述仿真得到的BP神经网络的权值和阈值系数，写入***中，实现在线动作识别。试验中，每个动作做100次，手势动作稳定后观察***识别结果输出。实验结果如表1所示。以同样的方式，分别采集其余4人的100组数据，将训练得到的权值和阈值重新写入***中。然后进行在线识别实验，每个手势动作做100次，整体识别率都为100％。这是因为每个人在线识别的权值和阈值都是根据每个人的sEMG信号得到的，符合自身sEMG信号特性。

表1 八种动作在线识别结果

实验结果证明，该发明PCA-12时对八种动作的整体识别率可达100％，且符合实时性要求，很好地满足了残疾人对假肢手控制的要求。

Claims (7)

1.一种基于MYO臂环的假肢手控制方法，其特征在于，该方法通过使用MYO臂环实时采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，利用特征值和训练好的神经网络模型在线识别手部动作模式，将该动作模式转变为相应的电机运动指令，驱动假肢手做出相应的动作；

所述的神经网络模型训练方法包括：执行人体手部动作，使用MYO臂环采集手臂肌肉的肌电信号，读取肌电信号并提取其特征值，根据特征值的样本，训练手部动作的神经网络模型。

2.根据权利要求1所述的一种基于MYO臂环的假肢手控制方法，其特征在于，所述的肌电信号通过MYO臂环的蓝牙接口读取。

3.根据权利要求1所述的一种基于MYO臂环的假肢手控制方法，其特征在于，所述的肌电信号的特征值的提取包括以下步骤：

S1，使用MYO臂环的M个通道采集手臂肌肉的肌电信号并读取肌电信号，其中，通道个数M设置在2～8之间；

S2，根据各通道肌电信号的时域特征，确定手部动作起止时间点；

S3，在手部动作起止时间内截取一段肌电信号作为一个信号序列，对每个信号序列提取n个特征值，得到M个n维的特征向量；

S4，采用主成分分析法对特征向量降维，得到M个k维的降维特征向量。

4.根据权利要求3所述的一种基于MYO臂环的假肢手控制方法，其特征在于，所述的步骤S2中，手部动作起止时间点确定方法为：计算各通道肌电信号的绝对平均值并求和，并与事先设定的门限阈值作比较判断动作起止，将对应的时间点作为动作起止点。

5.根据权利要求3所述的一种基于MYO臂环的假肢手控制方法，其特征在于，所述的步骤S3中，截取的肌电信号为动作起始点后100-200ms内的肌电信号。

6.根据权利要求3所述的一种基于MYO臂环的假肢手控制方法，其特征在于，所述的特征值包括绝对平均值MAV、过零点数ZC、斜率变化数SSC、波形长度WL和平均绝对值变化率MAVS，各特征值计算方法如下：

式(1)中，x(k)为每次采样的肌电信号数据，L为每个通道的数据个数，M为通道个数；

对于连续采样的点x(k),x(k+1)，如果满足式(2)，则ZC的值加1；

x(k)＞0且x(k+1)＜0，或x(k)＜0且x(k+1)＞0 (2)

如果满足公式(3)的条件，则SSC的值增加1；

[x(k)-x(k-1)]×[x(k)-x(k+1)]＞ε (3)

式(3)中，ε为给定的一个大于0的阈值；

式(4)中，Δx(k)＝x(k)-x(k-1)

MAVS＝MAV_k-MAV_k-1 (5) 。

7.根据权利要求1所述的一种基于MYO臂环的假肢手控制方法，其特征在于，读取肌电信号时，以MYO臂环的数据输出最高频率从MYO臂环中读取肌电信号值。