CN106236336A - 一种肌电假肢手势及力度控制方法 - Google Patents

Abstract

本发明涉及一种肌电假肢手势及力度控制方法，属于肌电假肢技术领域。该方法包括以下步骤：采集前臂表面肌电信号；通过移动窗口将多通道表面肌电信号分段传输到手势识别模型和手指力度识别模型；在手势识别模型中，首先检测信号活动段，提取生物肌电信号特征信息，对特征信息进行数据降维处理；然后根据降维后的特征信息进行实时动作识别分类；在手指力度识别模型中，对前臂表面肌电信号原始数据进行归一化处理，利用相关性分析分别选出与各个手指力度线性相关最大的一路表面肌电信号，选用各个手指相应的一路表面肌电信号对肌电假肢的手指力度进行线性控制。通过本方法，假肢使用者能够用自然而直接的控制肌电假肢的手势和手指力度，完成日常的基本动作，提高假肢使用者的本体感以及生活便利性。

Description

一种肌电假肢手势及力度控制方法

技术领域

本发明属于肌电假肢技术领域，涉及一种肌电假肢手势及力度控制方法。

背景技术

据国家***2006年对我国残疾人口抽样调查数据推算，在全国各类残疾人中，肢体残疾人口最多，为2412万人，占总残疾人口的29.07％。由于意外事故、先天缺陷、疾病、自然灾害等原因，肢体残疾人口还在不断增加。

目前市面上常用的和比较先进的假肢有装饰性假肢、工具手、牵引式机械假手、电动假肢、声控假肢、肌电假肢。传统的机械索控假肢是利用假肢使用者的自身力源，通过残留肢体的机械动作拉动绳索或链条来操控假肢的肘关节及手部装置。由于控制方法的固有局限，机械索控假肢存在着功能单一、操控缓慢、动作笨拙、维护困难等问题。而肌电假肢是一种由大脑神经直接支配的外动力型假肢，使用时直感性强，仿生效果好，是现代假肢的发展方向，适用于前臀部分缺损的残疾者。肌电假肢的控制***，是由大脑神经支配肢体肌肉收缩产生运动时发出肌电信号，传达到前臂皮肤表面，经过电极的测取和放大，传输到控制***，最后由控制***对信号进行分析处理，模式识别，驱动电机完成对假肢手指伸屈、手腕伸屈、手腕内外旋转等动作。

现阶段对于sEMG信号的分析和研究，无论是信号特征参数的提取算法,还是信号动作类型的分类器算法都己发展成熟。sEMG信号的特征参数提取算法,从传统的统计量特征,到信号的时域、频域特征,再发展到其时频域特征,从算法的理论基础到结构参数优化都己经研究得十分透彻；sEMG信号的分类器算法，从最初的线性判定分类器,发展到目前的SVM分类器和模拟人脑结构的ANN分类器；同时分类器的学习训练算法也随着分类器的发展逐步趋于成熟。

尽管目前基于前臂肌电信号手势识别的研究非常丰富，但对单手指的姿态和指尖力度同步控制的研究相对较少。利用肌电信号同步控制现有假肢动作和手指力度，可以使残疾人能够自主的控制假肢完成更多复杂的操作，提高其生活便利性。

有鉴于此，本发明提出的肌电假肢控制方法在一定程度上弥补了现有康复手的不足，具有一定的实际应用价值。

发明内容

本发明的目的在于提供一种肌电假肢手势及力度控制方法，该方法能够达到更加准确快速预测患者动作意图，实现对肌电假肢的动作及力度的同步控制。

为达到上述目的，本发明提供如下技术方案：

一种肌电假肢手势及力度控制方法，该方法包括以下步骤：S1：采集前臂表面肌电信号；S2：通过移动窗口，每次将N个肌电信号分别传输到手势识别模型和手指力度识别模型；S3：通过手势识别模型实现肌电假肢动作控制；S4：通过手指力度识别模型实现肌电假肢手指力度控制。

进一步，所述的肌电信号为残肢前臂多通道表面肌电信号。

进一步，在步骤S3中，手势识别模型是通过神经网络训练肌电信号与手势类型之间的非线性映射模型，该模型可根据降维后的数据判别使用者动作意图，经过电机驱动假肢完成相应动作，具体包括：首先进行信号活动段检测，提取生物肌电信号特征信息；其次，对特征信息进行数据降维处理；最后根据降维后的特征信息进行实时动作识别分类，驱动假肢执行相应动作。

进一步，在步骤S4中，在手指力度识别模型中，对前臂表面肌电信号原始数据进行归一化处理，利用相关性分析分别选出与各个手指力度线性相关最大的一路表面肌电信号，选用各个手指相应的一路表面肌电信号对肌电假肢的手指力度进行线性控制，驱动假肢各个手指执行相应抓取力度。

进一步，采集的肌电信号中设定一定时间长度的数据分析移动框口，对窗口内的数据进行平均绝对值，平均功率，中值频率等数据处理；设定活动段阀值，当输入值超过阀值，便将肌电信号传送到下一步进行特征提取处理，如果输入值小于阀值，将停止传送肌电信号到特征提取处理，肌电假肢手势保持不变。

进一步，所述的特征提取包括AR特征提取，移动绝对循环比，小波包系数，以及样本熵等时域频域特征提取方法，采用其中一种或多种，然后将得到的特征值进行数据降维处理。

进一步，所述对特征信息进行数据降维处理采用主成分分析法或因子分析法，减小手势识别模型中的输入量，提高后续手势识别效率。

本发明的有益效果在于：通过本发明提供的假肢控制方法，假肢使用者能够用自然而直接的控制肌电假肢的手势和手指力度，完成日常的基本动作，提高假肢使用者的本体感以及生活便利性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明的肌电假肢控制***模块图；

图2为本发明的肌电假肢手势及力度控制流程图；

图3为肌电信号处理时序图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

图1为本发明的肌电假肢控制***模块图。图2为本发明的肌电假肢手势及力度控制流程图，如图所示，本发明提供的肌电假肢手势及力度控制方法，包括如下步骤：采集前臂表面肌电信号；将多通道表面肌电信号分别传输到手势识别模型和手指力度识别模型；在手势识别模型中，首先信号活动段检测；提取生物肌电信号特征信息；对特征信息进行数据降维处理；根据降维后的特征信息进行实时动作识别分类，其中动作识别模型是通过神经网络训练肌电信号与手势类型之间的非线性映射模型；在手指力度识别模型中，对前臂表面肌电信号原始数据进行归一化处理，利用相关性分析分别选出与各个手指力度线性相关最大的一路表面肌电信号，选用各个手指相应的一路表面肌电信号对肌电假肢的手指力度进行线性控制。利用上述假肢控制方法，假肢使用者能够用自然而直接的控制肌电假肢的手势和手指力度，完成日常的基本动作，提高假肢使用者的本体感以及生活便利性。

具体来说，在本实施例中，首先，采集患者前臂表面肌电信号，当截肢者通过想象用已经失去的肢体做不同动作和力度时，来自大脑的运动神经信号使残存肌肉收缩，用附着在肌肉表面的肌电电极感应并产生电信号。用肌电电极记录的肌电信号，经放大及滤波处理后，用模-数转换器量化为数字信号，将该数字信号作为肌电信号，采样频率优选为1000-2000HZ，肌电电极数目优选为2-8个，将该生物电信号作为信息源进行动作和力度识别分析。

在手势识别模型中，采用活动段检测：患者在使用肌电假肢时，存在一个动作刚好完成就继续做下一个动作，此时肌肉还未来得及放松，故一个动作的肌电信号的起始段和紧接着的下一个动作的起始段相重合。首先利用相关性分析，选出与各类手部动作相关性最强的一路肌电信号，采用小波分解与重构后的该路信号用于活动段识别信号，当肌电信号的幅值大于设定阀值，判断为活动段，将信号送到特征提取处理；当幅值小于设定值判断为静态保持，停止传送信号到特征提取处理。

如图2所示，根据生物控制机理以及相关性分析，选取一路与各类动作均有很强相关性的表面肌电信号，采用小波分解重构后的该路信号用于活动段识别信号，当肌电信号的幅值大于设定阀值，判断为活动段，将信号送到特征提取处理；当幅值小于设定值判断为静态保持，停止传送信号到特征提取处理。

如图3所示，其为肌电信号处理时序图，首先活动段检测，然后在动作开始段进行手势识别，并进行假肢手势运动控制，最后在手势持续的过程中进行手指力度识别，并进行假肢力度控制。

特征提取的过程：为了提取较为全面的肌电信号特征信息，采用时域自回归特征AR系数和绝对均值循环比特征TD。绝对均值循环比特征TD计算方式如下:例如采集肌电信号的通道数为6，信号幅值的据对均值(MAV)特征是一种常用的信号表征值其计算公式如下：

${\mathrm{MAV}}_c=\frac{1}{N}{\Σ}_{t+1}^N\left|s_c\left(t\right)\right|---\left(1.1\right)$

多通道SEMG信号的绝对均值比特征MAVR_c计算公式如下：

$\begin{array}{cc}{\mathrm{MAVR}}_c=\frac{{\mathrm{MAV}}_c}{{\mathrm{MAV}}_{c-1}}& (2\≤c\≤N)\end{array}---\left(1.2\right)$

AR模型将SEMG信号看成是零均值噪声激励一个线性***的响应输出信号,其数学表达式如下：

$x\left(n\right)=w\left(n\right)-\stackrel{p}{\Σ}{a}_{k}x(n-k)---\left(1.3\right)$

该模型的***函数是：

$H\left(z\right)=\frac{1}{1+\underset{k=1}{\overset{p}{\Σ}}{a}_k{z}^{-k}}---\left(1.4\right)$

式中x(n)为SEMG的当前采样值,w(n)为当前激励值,也即前向预测误差(白噪声),p为模型的阶数,a_k是AR模型第k个系数,AR模型能够有效地将SEMG信号的随机性和可预测性相结合，当服模型的阶数取为3-6时,可以取得有效的sEMG分类和识别性能。

接下来将TD-AR提取的特征信号发送到降维处理模型，在本实施例中，采用主成分分析法PCA进行降维处理。针对降维后的数据，通过神经网络训练肌电信号与手势类型之间的非线性映射模型，来判别使用者动作意图，驱动电机使假肢完成相应动作。

所述的手指力度识别模型，基于前臂神经控制机理选出与各个手指抓取力度最相关的一路肌电信号，对该路肌电信号进行归一化处理。这样既保证了运算的便捷，又能凸现出物理量的本质含义。归一化的重要作用就是消除因肌电信号和指尖压力信号取值与量纲差异而产生的影响，为所有的物理量树立一个统一的标尺，在这个标尺下考虑试验数据的变化规律。我们采用简单的线性数据转换对肌电信号和指尖力进行归一化处理。因为其具有样本的大小关系保持不变和样本的相对距离保持不变的性质更好的反映了实验数据的变化规律。

设数据样本的取值范围为[max，min]则归一化表达式为：

$y=g\left(x\right)=\frac{x-min}{max-min}$

利用相关性分析分别选出与各个手指力度线性相关最大的一路表面肌电信号，选用各个手指相应的一路表面肌电信号对肌电假肢的手指力度进行线性控制，最后由电机驱动假肢各个手指执行相应抓取力度。利用上述假肢控制方法，假肢使用者能够用自然而直接的控制肌电假肢的手势和手指力度，完成日常的基本动作，提高假肢使用者的本体感以及生活便利性。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (7)

1.一种肌电假肢手势及力度控制方法，其特征在于：该方法包括以下步骤：

S1：采集前臂表面肌电信号；

S2：通过移动窗口，每次将N个肌电信号分别传输到手势识别模型和手指力度识别模型；

S3：通过手势识别模型实现肌电假肢动作控制；

S4：通过手指力度识别模型实现肌电假肢手指力度控制。

2.根据权利要求1所述的一种肌电假肢手势及力度控制方法，其特征在于：所述的肌电信号为残肢前臂多通道表面肌电信号。

3.根据权利要求1所述的一种肌电假肢手势及力度控制方法，其特征在于：在步骤S3中，手势识别模型是通过神经网络训练肌电信号与手势类型之间的非线性映射模型，该模型可根据降维后的数据判别使用者动作意图，经过电机驱动假肢完成相应动作，具体包括：首先进行信号活动段检测，提取生物肌电信号特征信息；其次，对特征信息进行数据降维处理；最后根据降维后的特征信息进行实时动作识别分类，驱动假肢执行相应动作。

4.根据权利要求1所述的一种肌电假肢手势及力度控制方法，其特征在于：在步骤S4中，在手指力度识别模型中，对前臂表面肌电信号原始数据进行归一化处理，利用相关性分析分别选出与各个手指力度线性相关最大的一路表面肌电信号，选用各个手指相应的一路表面肌电信号对肌电假肢的手指力度进行线性控制，驱动假肢各个手指执行相应抓取力度。

5.根据权利要求3所述的一种肌电假肢手势及力度控制方法，其特征在于：对窗口内的数据进行平均绝对值，平均功率，中值频率等数据处理；设定活动段阀值，当输入值超过阀值，便将肌电信号传送到下一步进行特征提取处理，如果输入值小于阀值，将停止传送肌电信号到特征提取处理，肌电假肢手势保持不变。

6.根据权利要求3所述的一种肌电假肢手势及力度控制方法，其特征在于：所述的特征提取包括AR特征提取，移动绝对循环比，小波包系数，以及样本熵等时域频域特征提取方法，采用其中一种或多种，然后将得到的特征值进行数据降维处理。

7.根据权利要求3所述的一种肌电假肢手势及力度控制方法，其特征在于：所述对特征信息进行数据降维处理采用主成分分析法或因子分析法，减小手势识别模型中的输入量，提高后续手势识别效率。