孙文涛;佘浩田;李鑫;朱金营;姜银来;横井浩史;黄强
【摘 要】肌电信号的采集易受到空气湿度和皮肤表面汗液等多种随机因素的干扰,使采集到的肌电信号极不稳定.为了应对此问题,市售的肌电假肢普遍采用基于开关量的控制方法,但是开关量对多自由度假肢的控制依赖于顺序动作切换,这使得假肢的实际使用过程比较繁琐.利用肢体运动学信息的假肢控制方法常见于下肢假肢,这是因为上肢的运动受抓取物体的形状和位置等因素变化,其肢体运动的规律性较差.本文提出一种利用上臂关节角度和肌电信号的控制方法,利用人体在抓握时肩关节的运动模式区分使用者对不同形状物体的抓握,并将此方法应用在二自由度假肢的控制中.通过与开关量控制的假肢在日常物品抓握实验中的对比,表明本文所提出方法在稳定性和使用效率方面都优于开关量控制的方式.
【期刊名称】《自动化学报》
【年(卷),期】2018(044)004
【总页数】9页(P667-675)
【关键词】肩关节角度;肌电信号;假肢;模式识别
【作 者】孙文涛;佘浩田;李鑫;朱金营;姜银来;横井浩史;黄强
【作者单位】北京理工大学机电学院智能机器人研究所 北京100081中国;仿生机器人与系统教育部重点实验室 北京100081 中国;北京理工大学机电学院智能机器人研究所 北京100081中国;仿生机器人与系统教育部重点实验室 北京100081 中国;北京理工大学机电学院智能机器人研究所 北京100081中国;仿生机器人与系统教育部重点实验室 北京100081 中国;北京理工大学机电学院智能机器人研究所 北京100081中国;仿生机器人与系统教育部重点实验室 北京100081 中国;智能机器人与系统高精尖创新中心 北京100081中国;智能机器人与系统高精尖创新中心 北京100081中国;日本电气通信大学信息与工程学院 东京1820021日本;智能机器人与系统高精尖创新中心 北京100081中国;日本电气通信大学信息与工程学院 东京1820021日本;北京理工大学机电学院智能机器人研究所 北京100081中国;仿生机器人与系统教育部重点实验室 北京100081 中国;智能机器人与系统高精尖创新中心 北京100081中国
【正文语种】中 文
残肢患者对灵巧、稳定、智能假肢的需求推进着假肢行业的发展.中国肢体残疾人口超过2400万,社会对假肢和康复辅助器具的需求量很大[1].上肢假肢用来弥补患者由于上臂肢体残缺而造成的生活不便,根据驱动方式的不同,大致分为被动式假肢和主动式假肢.被动式假肢又称传统假肢,这类假肢多采用绳驱动,佩戴者通过背部肌肉拉伸绳索,实现对假肢的控制.这种机械式的控制方式受绳索驱动的限制,功能有限,不能很好地满足人们的日常生活需求,正在逐步被电机驱动、肌电信号控制的主动式假肢所取代.主动式假肢采用从截肢患者残留的肌肉处提取的肌电信号作为控制源,利用假肢中集成的微处理器对肌电信号进行处理并控制假肢随佩戴者的意识而动[2].
主动式上肢假肢的研究目前主要集中在肌电信号提取和使用者意图识别两个方面.肌电信号一般通过金属电极采集,按电极对人体入侵程度分为植入式电极和表贴式电极两种,肌电信号反映的是人体神经—肌肉系统的活动状况.由于采集到的肌电信号是由多根肌肉纤维束的信号叠加而成,因此对肌电信号的分析多采用统计学方法,例如利用肌电信号的时序特征[3−4]和频域特性分析肌肉的出力状态[5−6],同时基于肌肉电生理模型的分析方法在估计肌肉状态中也取得了很好的效果[7].在意图识别方面,近年来,基于模式识别的方法非常热门,其利用监督学习建立肌电信号和动作间的映射关系.目前,模式识别方法已经取得了很多让人振奋的研
究进展,例如利用神经网络、支持向量机等机器学习算法的肌电信号识别算法,对多达10种以上动作的离线识别准确率超过90%[8],利用模式识别方法实现了假肢的同时比例控制[9].2015年1月第一个基于模式识别算法的上肢假肢产品COAPT在美国通过产品化审核[10].
基于模式识别方法的肌电假肢正在蓬勃发展中,但是也暴露了很多问题.模式识别方法在实际使用中受空气湿度、患者体表出汗、肌电信号采集位置变动和肌肉疲劳等诸多因素的影响[11−13],使采集到的肌电信号发生特征的变化,进而导致模式识别方法准确率下降,影响患者使用.由于这些原因,目前市场上最先进的假肢,Touch Bionics的BeBionic3、OttoBock的Michelangelo和RSL Steeper的iLimb均采用开关量控制方式[14].开关量控制是指当肌电信号的幅值超过阈值时即触发假肢动作,一般这种控制方法通过在一组拮抗肌上安装两个肌电信号传感器实现,单侧肌肉的收缩使假肢沿对应方向运动,当一组对抗肌同时收缩时触发动作的切换.这种控制方法简单可靠,但是在控制多自由度的假肢时需要繁琐的顺序动作切换过程[15],给假肢使用者带来不便.
为了解决模式识别方法受肌电信号采集环境影响的问题,本文提出一种基于上臂关节角度和肌电信号实现对二自由假肢(手掌一自由度+腕部旋转一自由度)的控制方法.方法通过模式识
别建立肩关节角度和肌电信号与假肢动作间的映射关系,由于关节角度值的测量不易受外部环境的影响,将其作为信号源能够避免单独利用肌电信号中的不稳定问题.方法利用肩关节角度控制腕关节旋转,利用肌电信号控制手部开合,这种方式可以避免开关控制在控制手、腕两个自由度间的动作切换.通过与开关量控制方法的抓取实验对比证明了所提出控制方法在使用上的稳定性和高效率.
1 方法
本文利用肩关节在抓握物体时关节角度变化规律的不同,将上肢的抓握动作分为侧握、抓取和托起三类,对应腕关节为竖直、掌心朝下和掌心朝上三种姿态.通过将人体在执行抓握动作时归一化的关节角度值和关节角度变化方向作为特征数据,利用支持向量机实现对三种动作的分类.同时利用上臂的肌电信号控制假肢手部的开合,保证对使用者意图识别的准确率和稳定性.
本文选用由Thalmic Labs公司生产的MYO腕带作为测量传感器,MYO具有8通道表面肌电信号传感器,6轴姿态传感器(加速度计+陀螺仪),通过蓝牙和计算机连接,MYO肌电信号的采样频率为200Hz,精度为8位,姿态传感器的采样频率为50Hz,精度为8位.MYO腕带的自身姿态
坐标系和传感器通道编号如图1所示,MYO腕带具有穿戴简单,使用方便等优点.
图1 MYO的佩戴方式以及肩关节角度的定义Fig.1 De finition of shoulder joint angles and the position of MYO
1.1 肩关节角度测量
MYO输出的姿态四元数是经由Kalman滤波后的结果,利用MYO输出的姿态四元数经逆运动学可求解肩关节角度.在使用时,将MYO戴在上臂处,佩戴方向如图1所示,MYO的第4通道位于体侧,同时假设使用中佩戴者不发生大幅位移.MYO在使用前需要校准,佩戴者保持手臂自然下垂,将MYO此时输出的姿态作为姿态求解的参考坐标系.
人体肩关节是一个复合关节,既可旋转又能平移,但是由于肩关节平移对手臂姿态影响较小,因此本文将肩关节简化为由三个旋转副构成,则MYO在参考坐标系的角速度W 表示为
其中,为肩关节三个转动轴在参考坐标系中的坐标,均是单位向量.θ1,θ2,θ3为肩关节的旋转角度.
将MYO的角速度转换为其姿态四元素q的导数
则从关节角速度到四元数导数的雅可比矩阵J为
利用Levenber−Marquardt方法求解逆运动学[16],该方法保证每次迭代中关节角度的更新Δθ使下面的值取最小.
其中,e表示目标姿态四元数与当前姿态四元数的差值.
关节角度的更新值为
其中,I为3×3的单位矩阵.
图2是四元数姿态误差的模长随迭代次数变化曲线.迭代初始时的关节角度θ1,θ2,θ3均设为0,λ的值选择为0.8,此值由观察误差随迭代次数变化曲线得出.每次最大迭代次数为5次,误差的模小于0.001后则停止迭代.
1.2 上臂肌电信号的提取与识别假肢安装
本节利用MYO采集的肌电信号来判断上臂的静态收缩.上臂的肌肉状态可以分为上臂放松、上臂静态收缩和上臂自由运动三种状态.上臂放松是人手臂自然下垂时的状态;上臂静态收缩
是指有意识地收缩上臂肌肉,此时肌肉出力大,但是上臂保持静止或慢速运动;上臂自由运动即自然驱动上臂运动,此时上臂的运动速度随肌肉出力变化.本节利用MYO输出的肌电信号分辨上述三种状态.
图2 四元数姿态误差的模长随迭代次数变化曲线Fig.2 Plot of the norm of the state error in each iteration
利用支持向量机对三种动作进行区分,需要获得不同动作对应的肌电信号.MYO肌电信号采样频率为200Hz,训练集采样时长为1.6s,共获得320个点的8路肌电信号序列,由于某个时间点的肌电信号没有意义,肌电信号需要成段处理[17].如图3所示,设置采样窗长为320ms,则每个采样窗内64个点,窗间重叠为280ms,这样在训练集上形成33个窗,即33个样本点.对于窗内的数据,每路信号提取4个特征值,分别是信号的均值差(Mean absolute value,MAV),过零点数(Zero crossing,ZC),波长(Waveform length,WL)和斜率变换数(Slope sign changes,SSC).
每个通道4个特征值,8路通道,共32个特征值.因此每个训练集内是33个32维的向量,由于上臂放松、上臂静态收缩和上臂自由运动中,上臂自由运动出现的概率较大,同时在对动作的识别中,允许将上臂收缩识别为上臂自由运动,但是反之将上臂自由运动识别为上臂静态收缩影响
较大,此时后果比较严重,在假肢控制中容易出现误动作,因此,采用上臂自由运动的样本量为上臂静态收缩的3倍,即上臂放松33个样本,上臂静态收缩33个样本,上臂自由运动99个样本.
图3(a)是肌电信号数据,图3(b)为训练样本集的特征平均值在不同动作下的分布,A为上臂放松,B为上臂静态收缩,C为上臂自由运动.从图中可以看出,不同动作时,肌肉各个通道的信号特征有显著的差别.图3(c)是将信号由32维特征空间利用主成分分析(Principal component analysis,PCA)投影到二维平面的结果,投影保留原数据94.46%的方差.图中信号分布有显著的差异,利用线性支持向量机就可以实现对不同动作的区分.图3(d)是3名健康被试者利用此方法区分动作准确率的结果,是3名被试者动作识别准确率随时间变化曲线.准确率的测试集是由被试者在特定时间做上臂放松、上臂静态收缩和上臂自由运动,每个动作各5.12s所构成的数据集.
1.3 肩关节角度和抓取动作
肩关节的运动带动人体整个上肢的运动,上肢的运动中存在着协同关系[18],人的抓握姿态与肩关节的运动具有一定的协同关系.本文将人的抓握过程按手腕的最终动作分为三类,分别是用于抓握直立物体的侧握,单手可以掌握的抓取以及用于托起诸如盘子等物体的托起,如图4
所示,三者的主要区别在于腕部旋转角度不同.本节利用支持向量机,通过肩关节角度和关节角度变化量来区分这三类不同的动作.
图3 肌电信号的提取与识别Fig.3 The extraction and recognition of myoelectric signal
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议