本發(fā)明涉及假肢手控制技術(shù)領(lǐng)域，具體指基于MYO臂環(huán)的假肢手控制系統(tǒng)及其控制方法。

背景技術(shù)：

據(jù)中國第二次殘疾人抽樣調(diào)查，目前中國肢體殘疾患者的數(shù)量高達(dá)2412萬人，約占總?cè)丝跀?shù)的1.83％，其中截肢患者226萬人。保守估計(jì)，需要安裝假肢手的患者達(dá)25萬人以上，因此假肢手有著巨大的市場潛力。

然而，在目前的研究中，大多學(xué)者集中于對手指抓取模式的判別或者停留在抓握力控制的理論分析研究上，較少有實(shí)際應(yīng)用于假肢手。另外，還存在假肢手控制的抓握靈活性和操作感官性差，很多患者不愿使用。Otto Bock的SensorHand Speed以及Touch-Bionic的i-LIMB假手均采用肌電信號進(jìn)行控制，雖然可以通過模式識(shí)別的方法實(shí)現(xiàn)對各手指運(yùn)動(dòng)狀態(tài)的區(qū)分，但這只能給出″開關(guān)″信號，無法實(shí)現(xiàn)手指位置以及抓握力的實(shí)時(shí)主動(dòng)控制，降低了殘疾人使用過程中的生理感受性；商業(yè)假肢手采用比例控制方式，直接根據(jù)sEMG幅值確定抓握力的大小，其精度有限；Ahmet Erdemir,Scott McLean等采用HILL模型，考慮肌肉以及骨骼的動(dòng)力學(xué)特性，建立力-肌肉長度-肌肉收縮速度-動(dòng)作電位之間德爾顯式模型，但由于人體生理結(jié)構(gòu)的復(fù)雜性，難以建立準(zhǔn)確的模型，其應(yīng)用受到限制；Claudio Castellini和Patrick van der Smagt使用10通道肌電電極(Otto Bock公司)記錄sEMG數(shù)據(jù)，六維力-力矩傳感器記錄人手握力數(shù)據(jù)，探討了多種回歸方法所能獲得的識(shí)別精度，然而，電極數(shù)目的增多會(huì)引起佩戴者的不適。

迄今為止，對假肢手動(dòng)作模式的研究論文層出不窮，假肢手多動(dòng)作模式已經(jīng)基本解決，而以患者為中心的抓握力的在線控制尚不具備。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的缺失或不足，而提供一種基于MYO臂環(huán)的假肢手控制系統(tǒng)及其控制方法。

本發(fā)明思路：采用性價(jià)比很高的MYO傳感器，采集患者sEMG信號，結(jié)合振動(dòng)觸覺傳感器等，通過離線訓(xùn)練、在線識(shí)別和抓握力預(yù)測以及抓握力反饋等步驟使患者實(shí)現(xiàn)準(zhǔn)確抓握。

工作原理：由MYO臂環(huán)采集到的sEMG信號，通過藍(lán)牙接口傳輸?shù)絊TM32控制板中，再經(jīng)過動(dòng)作起止點(diǎn)判斷、時(shí)域特征值提取和sEMG-力回歸模型算法得到抓握力值大小，最后由模糊控制器將抓握力大小信息轉(zhuǎn)變成相應(yīng)的電機(jī)運(yùn)動(dòng)指令，驅(qū)動(dòng)假肢手手指做相應(yīng)的動(dòng)作及對應(yīng)的抓握力值，振動(dòng)觸覺傳感器將假肢手的實(shí)際抓握力檔次反饋給患者殘臂，使患者獲取假肢手的實(shí)際抓握力，提高操作的感官性。

本發(fā)明的核心和關(guān)鍵技術(shù)在于在STM32控制板中實(shí)現(xiàn)基于sEMG信號的抓握力值的預(yù)測。

本發(fā)明一種基于MYO臂環(huán)的假肢手控制系統(tǒng)，包括：信號采集模塊，STM32模塊，模糊控制器模塊，假肢手模塊，抓握力反饋模塊及配合離線訓(xùn)練的PC機(jī)。

所述信號采集模塊，包括用于采集sEMG數(shù)據(jù)，佩戴在患者殘臂偏上處的MYO臂環(huán)和用于采集正常人手抓握力值數(shù)據(jù)的六維力傳感器。

所述STM32模塊，用于讀取、處理sEMG數(shù)據(jù)。

所述模糊控制器模塊，用于接收STM32模塊發(fā)送的信號，發(fā)送指令驅(qū)動(dòng)假肢手抓握。

所述假肢手模塊，由假肢手本體、驅(qū)動(dòng)手指運(yùn)動(dòng)的電機(jī)及安裝在假肢手手指指肚上的FSR力傳感器貼片組成。

所述抓握力反饋模塊，佩戴在患者的殘臂上，由振動(dòng)觸覺傳感器構(gòu)成，接收FSR力傳感器的抓握力值信號，然后將其反饋給患者殘臂，便于患者感知抓握力大小。

本發(fā)明一種基于MYO臂環(huán)的假肢手控制系統(tǒng)的控制方法，包括：步驟A離線訓(xùn)練，步驟B在線識(shí)別和抓握力預(yù)測，步驟C抓握力反饋。

所述步驟A離線訓(xùn)練，包括：A1模式分類訓(xùn)練和A2sEMG-力回歸模型訓(xùn)練。

所述A1模式分類訓(xùn)練，包括：

A11將抓握力值劃分為不同的檔次，根據(jù)各檔次的抓握力值采集正常人對應(yīng)的sEMG數(shù)據(jù)，通過六維力傳感器采集正常人手抓握力值數(shù)據(jù)；

A12提取時(shí)域特征值：絕對平均值MAV、均方根值RMS、標(biāo)準(zhǔn)差SD和波形長度WL；

A13時(shí)域特征值矩陣經(jīng)PCA降維后，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式分類訓(xùn)練，并保存訓(xùn)練后的權(quán)值和閾值。

所述A2sEMG-力回歸模型訓(xùn)練，包括：

A21通過降維后的時(shí)域特征值矩陣與抓握力值數(shù)據(jù)一起構(gòu)建訓(xùn)練樣本；

A22分別訓(xùn)練各抓握力值檔次的sEMG-力回歸模型；

A23保存訓(xùn)練的各模型的參數(shù)。

所述步驟B在線識(shí)別和抓握力預(yù)測，包括：

B1通過MYO臂環(huán)，實(shí)時(shí)采集患者手臂肌肉的sEMG信號；

B2通過STM32模塊，讀取sEMG數(shù)據(jù)，判斷動(dòng)作起止點(diǎn)，提取其時(shí)域特征值并進(jìn)行PCA降維處理；

B3根據(jù)步驟A1模式分類訓(xùn)練的結(jié)果識(shí)別出其對應(yīng)的抓握力檔次；

B4根據(jù)步驟A2sEMG-力回歸模型訓(xùn)練的結(jié)果預(yù)測手的抓握力值，將該抓握力值作為抓握力控制的給定信號；

B5通過模糊控制器模塊，控制手指驅(qū)動(dòng)電機(jī)的轉(zhuǎn)速和轉(zhuǎn)向，將假肢手的抓握力控制到給定的檔次。

所述步驟C抓握力反饋，包括：通過振動(dòng)觸覺傳感器的不同頻率和幅值作為抓握力反饋信號，使截肢患者能夠獲取實(shí)際抓握力的檔次值。

與現(xiàn)有技術(shù)相比，本發(fā)明采用性價(jià)比很高的MYO傳感器采集患者殘臂sEMG數(shù)據(jù)，MYO臂環(huán)佩戴簡單方便，患者更易接受。本發(fā)明以sEMG數(shù)據(jù)和抓握力值分別作為輸入和輸出，采用BP神經(jīng)網(wǎng)絡(luò)建立二者的非線性關(guān)系，此方法不需要復(fù)雜的建模過程，且預(yù)測效果良好。

附圖說明

圖1為本發(fā)明基于MYO臂環(huán)的假肢手控制系統(tǒng)結(jié)構(gòu)框圖；

圖2為本發(fā)明的假肢手控制方法流程框圖；

圖3為本實(shí)施例獲取的某通道原始表面肌電信號圖及對應(yīng)的抓握力值信號圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步描述：

一種基于MYO臂環(huán)的假肢手控制系統(tǒng)(如附圖1所示)，包括：信號采集模塊1，STM32模塊2，模糊控制器模塊3，假肢手模塊4，抓握力反饋模塊5及配合離線訓(xùn)練的PC機(jī)。

所述信號采集模塊1，包括用于采集sEMG數(shù)據(jù)，佩戴在患者殘臂偏上處的MYO臂環(huán)11和用于采集正常人手抓握力值數(shù)據(jù)的六維力傳感器12。

所述STM32模塊2，用于讀取、處理sEMG數(shù)據(jù)。

所述模糊控制器模塊3，用于接收STM32模塊2發(fā)送的信號，發(fā)送指令驅(qū)動(dòng)假肢手抓握。

所述假肢手模塊4，由假肢手本體、驅(qū)動(dòng)手指運(yùn)動(dòng)的電機(jī)及安裝在假肢手手指指肚上的FSR力傳感器貼片組成。

所述抓握力反饋模塊5，佩戴在患者的殘臂上，由振動(dòng)觸覺傳感器構(gòu)成，接收FSR力傳感器的抓握力值信號，然后將其反饋給患者殘臂，便于患者感知抓握力大小。

所述MYO臂環(huán)11為MYO傳感器，是加拿大創(chuàng)業(yè)公司Thalmic Labs推出的創(chuàng)新性臂環(huán)，可以佩戴在任何一條胳膊的肘關(guān)節(jié)上方，探測人體肌肉產(chǎn)生的生物電信號。

通過MYO臂環(huán)11的藍(lán)牙接口讀取采集手臂的sEMG數(shù)據(jù)，其采集頻率為其數(shù)據(jù)輸出最高頻率200Hz。

通過PC機(jī)讀取由安徽埃力智能科技有限公司生產(chǎn)的六維力傳感器12，采集正常人手的抓握力值數(shù)據(jù)，其采集頻率為20Hz；其中，根據(jù)待識(shí)別的8個(gè)抓握力檔次數(shù)選擇通道個(gè)數(shù)；為兼顧識(shí)別率和實(shí)時(shí)性，滿足日常抓握需要或者通道個(gè)數(shù)M取3，3個(gè)通道可準(zhǔn)確識(shí)別8個(gè)抓握力檔次。

本發(fā)明一種基于MYO臂環(huán)的假肢手控制系統(tǒng)的控制方法(如附圖2所示)，包括：

步驟A離線訓(xùn)練，步驟B在線識(shí)別和抓握力預(yù)測，步驟C抓握力反饋。

所述步驟A離線訓(xùn)練，包括：A1模式分類訓(xùn)練和A2sEMG-力回歸模型訓(xùn)練；

所述A1模式分類訓(xùn)練，包括：

A11將抓握力值劃分為不同的檔次，根據(jù)各檔次的抓握力值采集正常人對應(yīng)的sEMG數(shù)據(jù)，通過六維力傳感器12采集正常人手抓握力值數(shù)據(jù)；

A12提取時(shí)域特征值：絕對平均值MAV、均方根值RMS、標(biāo)準(zhǔn)差SD和波形長度WL；

A13時(shí)域特征值矩陣經(jīng)PCA降維后，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式分類訓(xùn)練，并保存訓(xùn)練后的權(quán)值和閾值；

所述A2sEMG-力回歸模型訓(xùn)練，包括：

A21通過降維后的時(shí)域特征值矩陣與抓握力值數(shù)據(jù)一起構(gòu)建訓(xùn)練樣本；

A22分別訓(xùn)練各抓握力值檔次的sEMG-力回歸模型；

A23保存訓(xùn)練的各模型的參數(shù)。

所述步驟B在線識(shí)別和抓握力預(yù)測包括：

B1通過MYO臂環(huán)11，實(shí)時(shí)采集患者手臂肌肉的sEMG信號；

B2通過STM32模塊2讀取sEMG數(shù)據(jù)，判斷動(dòng)作起始點(diǎn)，提取其時(shí)域特征值并進(jìn)行PCA降維處理；

B3根據(jù)步驟A1模式分類訓(xùn)練的結(jié)果識(shí)別出其對應(yīng)的抓握力檔次；

B4根據(jù)步驟A2sEMG-力回歸模型訓(xùn)練的結(jié)果預(yù)測手的抓握力值，將該抓握力值作為抓握力控制的給定信號；

B5通過模糊控制器模塊3控制手指驅(qū)動(dòng)電機(jī)的轉(zhuǎn)速和轉(zhuǎn)向，將假肢手的抓握力控制到給定的檔次。

所述步驟C抓握力反饋，包括：通過振動(dòng)觸覺傳感器的不同頻率和幅值作為抓握力反饋信號，使截肢患者能夠獲取實(shí)際抓握力的檔次值。

進(jìn)一步，所述步驟A離線訓(xùn)練，通過PC機(jī)完成并存儲(chǔ)離線訓(xùn)練過程和訓(xùn)練數(shù)據(jù)及訓(xùn)練結(jié)果，再將訓(xùn)練所得的參數(shù)下載至STM32模塊2。

所述A12時(shí)域特征值，其各時(shí)域特征值計(jì)算方法如下：

式中x(i)為每次采樣的sEMG信號數(shù)據(jù)，N為每個(gè)通道的數(shù)據(jù)個(gè)數(shù)，μ為N個(gè)數(shù)據(jù)的均值，k＝1,…,M，M為通道個(gè)數(shù)。

上述離線訓(xùn)練只在安裝假肢手時(shí)按要求多次訓(xùn)練每個(gè)檔次的抓握動(dòng)作并保存訓(xùn)練數(shù)據(jù)，對上述數(shù)據(jù)做處理得到時(shí)域特征值樣本，然后執(zhí)行訓(xùn)練算法得到sEMG-力回歸模型參數(shù)，該參數(shù)用于在線識(shí)別。因步驟A離線訓(xùn)練與步驟B在線識(shí)別和抓握力預(yù)測的時(shí)域特征值處理之前的部分完全相同，以下只對在線識(shí)別和抓握力預(yù)測做詳細(xì)闡述。

所述步驟B在線識(shí)別和抓握力預(yù)測，通過STM32模塊2讀取、處理sEMG信號并識(shí)別各個(gè)檔次的抓握力值。

模糊控制器模塊3根據(jù)從STM32模塊2預(yù)測出的理論抓握力值與假肢手的實(shí)際抓握力值對比所得的誤差以及誤差變化，來控制假肢手手指驅(qū)動(dòng)電機(jī)的轉(zhuǎn)向和轉(zhuǎn)速，達(dá)到控制抓握力的目的。

所述B2提取其時(shí)域特征值并經(jīng)PCA降維處理，包括以下步驟：

B21讀取MYO臂環(huán)11的M個(gè)通道sEMG數(shù)據(jù)；

B22根據(jù)各通道sEMG信號的時(shí)域特征值MAV，確定手部動(dòng)作起止時(shí)間點(diǎn)；

B23在手部動(dòng)作起止時(shí)間內(nèi)依次截取一段sEMG信號作為一維信號序列，對每個(gè)信號序列提取n個(gè)時(shí)域特征值，得到M個(gè)n維的時(shí)域特征值矩陣；

B24采用PCA降維法對時(shí)域特征值矩陣降維，得到M個(gè)k維的降維時(shí)域特征值矩陣。

所述B5模糊控制器模塊3采用在線推理的模糊控制算法，以誤差和誤差變化為輸入，驅(qū)動(dòng)電機(jī)的轉(zhuǎn)速和轉(zhuǎn)向?yàn)檩敵觥?/p>

所述振動(dòng)觸覺傳感器中的電機(jī)產(chǎn)生4種振動(dòng)頻率，每種振動(dòng)頻率下有兩種不同的幅值，即組合產(chǎn)生8種不同頻率和幅值的振動(dòng)信號，對應(yīng)8種抓握力檔次；

所述假肢手的實(shí)際抓握力，通過假肢手模塊4中安裝在假肢手手指指肚上的FSR力傳感器貼片測量的抓握力值數(shù)據(jù)，經(jīng)振動(dòng)觸覺傳感器將其轉(zhuǎn)換成對應(yīng)檔次的振動(dòng)信號傳送給患者殘臂，使患者獲取假肢手的實(shí)際抓握力檔次值，患者根據(jù)該值調(diào)節(jié)假肢手的抓握力，從而實(shí)現(xiàn)假肢手的準(zhǔn)確抓握。

所述步驟B22中，手部動(dòng)作起止時(shí)間點(diǎn)確定方法為：

計(jì)算各通道sEMG信號的絕對平均值并求和，并與事先設(shè)定的門限閾值作比較判斷動(dòng)作起止，將對應(yīng)的時(shí)間點(diǎn)作為動(dòng)作起止點(diǎn)。

本發(fā)明實(shí)施例

B1、采集sEMG信號

使用MYO臂環(huán)11的M個(gè)通道采集手臂肌肉的sEMG信號并讀取sEMG數(shù)據(jù)。

B21、讀取sEMG信號

通過STM32模塊2讀取MYO臂環(huán)11的M個(gè)通道sEMG數(shù)據(jù)；

B22、手部動(dòng)作起止點(diǎn)檢測

對于采集到的sEMG信號，先計(jì)算每路信號時(shí)域特征絕對平均值MAV，公式為：

其中x(i)為每次采樣的sEMG數(shù)據(jù)，k＝1,…,M，M為通道數(shù)。

將各路信號的MAV相加，通過設(shè)定的門限閾值來判斷動(dòng)作起止點(diǎn)。

B23、提取時(shí)域特征值

活動(dòng)段檢測出來后，在動(dòng)作起始點(diǎn)后截取每個(gè)通道100-200ms內(nèi)的sEMG數(shù)據(jù)，每個(gè)通道的數(shù)據(jù)個(gè)數(shù)記作N，提取的時(shí)域特征值如下：絕對平均值MAV、均方根值RMS、標(biāo)準(zhǔn)差SD和波形長度WL。

(1)絕對平均值(MAV)

該時(shí)域特征值的公式如上式(1)所示，M個(gè)通道sEMG信號的MAV特征值分別記作MAV₁，MAV₂，…，MAV_M。

(2)均方根值(RMS)

(3)標(biāo)準(zhǔn)差(SD)

(4)波形長度(WL)

式中x(i)為每次采樣的sEMG信號數(shù)據(jù)，N為每個(gè)通道的數(shù)據(jù)個(gè)數(shù)，μ為N個(gè)數(shù)據(jù)的均值，k＝1,…,M，M為通道個(gè)數(shù)。

B24、對時(shí)域特征值矩陣作PCA降維

對選定的M個(gè)通道sEMG信號，設(shè)經(jīng)過上述時(shí)域特征值提取后的特征值共為n個(gè)，即構(gòu)成的時(shí)域特征值矩陣維數(shù)為1×n。在訓(xùn)練過程中，設(shè)經(jīng)PCA算法得到的降維矩陣為U，維數(shù)為n×k，則在線識(shí)別時(shí)每次提取的時(shí)域特征值矩陣乘以降維矩陣后的維數(shù)變成1×k維，即將原n維降到了k維。

A1、模式分類訓(xùn)練

構(gòu)造3層BP神經(jīng)網(wǎng)絡(luò)，輸入神經(jīng)元個(gè)數(shù)為時(shí)域特征值矩陣降維后的維數(shù)K，輸出神經(jīng)元個(gè)數(shù)為抓握力的檔次數(shù)C，隱含層神經(jīng)元個(gè)數(shù)H對性能影響較小，可以先選定為10，由經(jīng)驗(yàn)公式(5)計(jì)算可得，然后在訓(xùn)練時(shí)根據(jù)訓(xùn)練精度做調(diào)整。

每個(gè)檔次對應(yīng)抓握力的抓握動(dòng)作做200次，提取時(shí)域特征值并經(jīng)PCA降維后作為訓(xùn)練樣本集，通過BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練得到模式分類的權(quán)系數(shù)和閾值w1,b1,w2,b2,其中w1,b1為輸入層到隱含層的權(quán)系數(shù)和閾值，w2,b2為隱含層到輸出層的權(quán)系數(shù)和閾值。

以識(shí)別假肢手抓握力控制的八檔抓握力值為例，說明本發(fā)明的實(shí)施方式。

八檔抓握力值分別為：(1)0～2N，(2)2～4N，(3)4～6N，(4)6～8N，(5)8～10N，(6)10～12N，(7)12～14N，(8)14～16N。

手部運(yùn)動(dòng)是前臂肌肉收縮導(dǎo)致，所以將MYO臂環(huán)11佩戴于靠近前臂肘關(guān)節(jié)的位置(水平放置手臂，掌心朝下，MYO臂環(huán)11的″Logo LED″與掌心的方向相反)。

因MYO臂環(huán)11最大數(shù)據(jù)輸出頻率為200Hz，本發(fā)明將數(shù)據(jù)采樣率設(shè)置為200Hz，每次讀取M(M＝3)個(gè)通道的sEMG信號，抓握力為6～8N的力值信號及其對應(yīng)的sEMG信號的某個(gè)通道的曲線(如附圖3所示)。

考慮到實(shí)用假肢手控制器的成本和安裝方便性，在實(shí)驗(yàn)中，分別對兩個(gè)健康受試者采集8個(gè)通道的sEMG數(shù)據(jù)進(jìn)行研究。其中包括，用六維力傳感器12采集到的8檔抓握力值，以及對應(yīng)的用MYO臂環(huán)11采集到的3路sEMG信號進(jìn)行手部動(dòng)作起止點(diǎn)檢測、時(shí)域特征值提取、模式分類、抓握力預(yù)測、控制假肢電機(jī)和抓握力反饋等工作。為了提高假肢手抓握的實(shí)時(shí)性，采用提取時(shí)域特征值的方法，提取的4個(gè)時(shí)域特征值分別是絕對平均值(MAV)、均方根值(RMS)、標(biāo)準(zhǔn)差(SD)、和波形長度(WL)。用這樣的方法采集到的時(shí)域特征值矩陣是12維(3×4)。用PCA降維到9維，然后送入模式分類模型中進(jìn)行訓(xùn)練。

本發(fā)明中，模型采用三層神經(jīng)網(wǎng)絡(luò)算法，輸入層神經(jīng)元節(jié)點(diǎn)數(shù)由降維后的時(shí)域特征值矩陣的維數(shù)決定，即9個(gè)；輸出層神經(jīng)元節(jié)點(diǎn)數(shù)由抓握力檔次類別決定，在這里為8個(gè)；隱含層節(jié)點(diǎn)數(shù)由公式(5)計(jì)算可得，為8個(gè)。

將上述仿真得到的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值系數(shù)寫入系統(tǒng)中，實(shí)現(xiàn)在線抓握力檔次識(shí)別。試驗(yàn)中，每個(gè)檔次對應(yīng)抓握力的抓握動(dòng)作做200次，手勢動(dòng)作穩(wěn)定后觀察系統(tǒng)識(shí)別結(jié)果輸出。以同樣的方式，采集另一人的200組數(shù)據(jù)，將訓(xùn)練得到的權(quán)值和閾值重新寫入系統(tǒng)中，以便后續(xù)進(jìn)行在線識(shí)別實(shí)驗(yàn)。

A2、sEMG-力回歸模型訓(xùn)練

構(gòu)造3層BP神經(jīng)網(wǎng)絡(luò)，輸入神經(jīng)元節(jié)點(diǎn)數(shù)為9，輸出層神經(jīng)元節(jié)點(diǎn)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)由公式(5)計(jì)算可得，為3個(gè)。將步驟A1中經(jīng)PCA降維后的時(shí)域特征值矩陣與抓握力值數(shù)據(jù)一起構(gòu)成訓(xùn)練樣本集，通過離線訓(xùn)練得到各個(gè)抓握力檔次sEMG-力回歸模型的參數(shù)。

將上述仿真得到的各檔次sEMG-力回歸模型的參數(shù)寫入系統(tǒng)中，實(shí)現(xiàn)在線抓握力預(yù)測。同樣的方法，將另一個(gè)人經(jīng)sEMG-力回歸模型訓(xùn)練的參數(shù)寫入系統(tǒng)中，觀察在線抓握力預(yù)測效果。

B3、抓握力值檔次識(shí)別

MYO臂環(huán)11采集患者殘臂sEMG信號，STM32模塊2讀取sEMG數(shù)據(jù)，按步驟A1中的方法處理sEMG數(shù)據(jù)，得到9維的時(shí)域特征值矩陣。將該矩陣導(dǎo)入到步驟A1中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)輸出值最大的神經(jīng)元對應(yīng)的抓握力值檔次即為當(dāng)前手部抓握力值檔次。

在線識(shí)別中的sEMG信號采集、手部動(dòng)作起始點(diǎn)檢測、時(shí)域特征值提取、PCA降維、抓握力檔次識(shí)別和抓握力預(yù)測都是通過STM32模塊2來實(shí)現(xiàn)。

B4、抓握力預(yù)測

將仿真得到的各抓握力檔次BP神經(jīng)網(wǎng)絡(luò)參數(shù)寫入系統(tǒng)，根據(jù)步驟B3中抓握力檔次識(shí)別出來的結(jié)果，將降維后的時(shí)域特征值矩陣導(dǎo)入對應(yīng)檔次的sEMG-力回歸模型中，預(yù)測其抓握力值。

B5、抓握力控制

模糊控制器模塊3根據(jù)從STM32模塊2預(yù)測出的理論抓握力值與假肢手的實(shí)際抓握力值對比所得的誤差以及誤差變化，來控制假肢手手指驅(qū)動(dòng)電機(jī)的轉(zhuǎn)向和轉(zhuǎn)速，達(dá)到控制抓握力的目的。記誤差為e，誤差變化為e’，模糊推理規(guī)則：

(1)若e為正、較大且e’較大，或e為正、較大且e’較小，則電機(jī)高速正轉(zhuǎn)；

(2)若e為正、較小且e’較大，則電機(jī)中速正轉(zhuǎn)；

(3)若e為正、較小且e’較小，則電機(jī)低速正轉(zhuǎn)；

(4)若e接近0且e’較大，或e接近0且e’較小，則電機(jī)不轉(zhuǎn)；

(5)若e為負(fù)、較小且e’較小，則電機(jī)低速反轉(zhuǎn)；

(6)若e為負(fù)、較小且e’較大，則電機(jī)中速反轉(zhuǎn)；

(7)若e為負(fù)、較大且e’較大，或e為負(fù)、較大且e’較小，則電機(jī)高速反轉(zhuǎn)；

C、抓握力反饋

抓握力的反饋采用振動(dòng)觸覺傳感器，該傳感器中的電機(jī)可以產(chǎn)生4種振動(dòng)頻率，每種振動(dòng)頻率下有兩種不同的幅值，共有8種組合分別表示8個(gè)檔次的抓握力。假肢手的實(shí)際抓握力由安裝在手指指肚上的FSR力傳感器測量，并將其轉(zhuǎn)換成8個(gè)抓握力檔次對應(yīng)的信號后發(fā)送給振動(dòng)反饋裝置，振動(dòng)觸覺傳感器根據(jù)抓握力的檔次產(chǎn)生不同頻率和幅值的振動(dòng)信號傳送給患者殘臂，使患者獲取假肢手的實(shí)際抓握力檔次，患者根據(jù)該值調(diào)節(jié)假肢手的抓握力，從而實(shí)現(xiàn)假肢手的準(zhǔn)確抓握。振動(dòng)反饋裝置提高了抓握的準(zhǔn)確性和操作的感官性。

綜上所述，本發(fā)明的技術(shù)貢獻(xiàn)在于，以患者為中心、以人性化的抓握力的在線控制為著力點(diǎn)，為肢體殘疾患者的健康，提供技術(shù)物質(zhì)基礎(chǔ)。

取得了以下的突破：

(1)通過MYO臂環(huán)獲得手臂肌肉的sEMG信號，通過藍(lán)牙接口即可讀取，極大提高假肢控制的性價(jià)比和應(yīng)用前景。

(2)通過預(yù)先離線訓(xùn)練建立神經(jīng)網(wǎng)絡(luò)模型庫，離線訓(xùn)練和在線識(shí)別通過不同的載體實(shí)現(xiàn)，降低了在線識(shí)別的成本，提高了在線識(shí)別速度。

(3)步驟S2中，采用時(shí)域特征值進(jìn)行活動(dòng)段檢測，時(shí)域特征值計(jì)算簡單，可快速判斷活動(dòng)段，為假肢手的實(shí)時(shí)性打下夯實(shí)的基礎(chǔ)。

(4)在線識(shí)別時(shí)，對時(shí)域特征值矩陣進(jìn)行PCA降維處理，可降低處理器的負(fù)載、改善識(shí)別精度、提高假肢手控制的實(shí)時(shí)性。

(5)采用時(shí)域的絕對平均值、均方根值、標(biāo)準(zhǔn)差和波形長度作為特征值，可以獲得較高的動(dòng)作識(shí)別率。

(6)對抓握力值進(jìn)行檔次劃分，可提高識(shí)別率和抓握準(zhǔn)確性。

(7)通道個(gè)數(shù)M選為3，3個(gè)通道可準(zhǔn)確識(shí)別8個(gè)抓握力檔次，滿足日常抓握需要，兼顧了抓握力識(shí)別的可靠性和識(shí)別速度。

(8)振動(dòng)觸覺傳感器將假肢手的實(shí)際抓握力反饋到患者殘臂上，實(shí)現(xiàn)閉環(huán)控制，患者作為閉環(huán)控制中的一部分，提高了操作的感官性。