一种基于手机APP的上下肢运动辅助方法与流程

本发明一种新型仿生假肢运动领域，尤其是一种能够基于手机app的上下肢运动辅助方法。

背景技术：

假肢作为截肢者的必需品，在全球众多肢体残疾的患者中，仅有少数人能负担得起佩戴假肢。现在市场上的假肢大部分是装饰性假肢，外观设计跟真实手臂一样，但没有任何功能；部分假肢开始尝试通过生物电流信号来控制其运动，商业化后价格昂贵，且手势单一，一般家庭难以承受。

在高端截肢设备中，还没有利用手机作为算法运算器去控制上下肢运动的装置，仅仅是基于单片机等芯片开发的控制系统，其芯片运算能力有限，对肌电信号的分析精度低、实时性很差，且不具有通用性，发开成本高，从而导致运动假肢价格昂贵，不适用广泛的市场推广。

除此之外，通过肌电或者脑电控制的仿生手/臂/脚/腿，存在着成本高，算法不稳定，运算时间长。目前市场上的通过肌电的解决方案，一般直接对单一肌肉表面信号进行信号幅度采集，用于作为肌肉触发指定运动的指令。现存的方法会受到周围电磁信号，本身人体运动低频信号，电机带入噪声，其他肌肉族群信号，深部肌肉信号及白噪声的影响。导致运动指令不明确和主观意识运动不可按质按量的完成。目前实验室的解决方案，为了避免上述的信号干扰，使得信号更加完整和精确，大量的运行后台算法，例如小波分析，而这样大量的运算对处理器的速度和能力要求很高，配置在现有的可穿戴假手/臂/脚/腿中虽然单一信号处理精度提高了，但成本大大提高，运算稳定性反而降低，仅适用于实验室科研，不适用广泛的市场推广。

技术实现要素：

发明目的：为了克服现有技术中存在的不足，本发明提供一种能够基于手机app的上下肢运动辅助方法。

技术方案：为解决上述技术问题，本发明提供的一种基于手机app的上下肢运动辅助方法，所述方法包括以下步骤：

步骤1)选取完成特定动作的相关肌肉或肌肉群；

步骤2)利用表面电极提取表面肌肉信号；

步骤3)：将提取表面肌肉信号传导至手机app，对输入表面肌肉信号进行采样，采样频率需要大于1000hz，先对信号做初步处理，消除采样中空的信号值，在对信号进行滤波，消除白噪声、环境电磁信号、自身肢体运动产生的低频信号；

步骤4)：针对所采集的肌电信号(原文中4路肌电信号)分别提取其时域特征和频域特征；

所述时域特征包括：平均值(av)、积分肌电值(iemg)、均方根值(rms)、绝对值积分平均值(iav)、过零点数(zc)、方差(var)、willson幅值(wamp)、标准差(std)；

频域特征包括：平均功率频率(meanpowerfrequency，mpf)、中位频率(medianfrequency，mf)；

步骤5)：建立模式分类模型；

步骤6)：选取肌电信号(4路信号)的某一特征值作为输入，输入到步骤5)中的分类模型中，并计算出运动模式；

步骤7)：通过手机蓝牙将运动模式发送给上下肢的外接控制器，该控制器包括主控芯片、蓝牙通讯模块、电机驱动模块等；

步骤8)：上下肢的外接控制器的主控芯片从蓝牙通讯模块中读取到运动模式后，控制假手/臂/脚/腿完成肌肉输出信号的指定动作。

进一步地，所述步骤5)中模式分类模型包括：反向传播神经网络(bpnn)模型或支持向量机(svm)模型。支持向量机(supportvectormachine)可构造一个超平面，在高维空间，其可以用于分类。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，该算法为现有的公知的计算方法。

进一步地，所述反向传播神经网络(bpnn)模型步骤包括以下步骤：

步骤5.1)：建立模型；

确定模型层数，至少3层，包括第一层输入层，有4个节点，分别输入4路semg(surfaceelectromyography表面肌电信号)的某一特征值；第二层是隐含层，隐含层可以是多层，隐含层节点根据经验选取12个节点；第三层是输出层，输出层节点要根据经验及需要识别的运动模式的数量进行设定。这里选取2或者1个节点，，输出运动模式；输入层为4路肌电信号，输入层和隐含层的各个节点采用双极型s型函数。

步骤5.2)：训练模型；

对bpnn模型进行训练，从样本数据及其对应的运动模式标签对bpnn的权值及线性偏置进行调节，直到得到适合的输入输出关系，即网络收敛为止。

进一步地，所述运动模式包括握拳、展开、表扬、ok、v型手势，其中表扬为竖起大拇指，扩展到腿脚部分，运动模式包括完全站立，半蹲下，完全蹲下等。。

有益效果：本发明相对于现有技术而言具有以下优点：

本发明提供基于手机app的上下肢运动辅助方法，表面肌肉电信号提取和采集的精度提高了；环境信号，外周干扰信号，其它非参与肌肉信号被干净排除；结合相对肌肉组信号对运动行为的发出明确的强度和时间的指令；用肌电信号直接控制，识别率高，实时性好，反应灵敏，成本低，方便实用。

附图说明

图1是本发明基于手机app的上下肢运动辅助方法示意图。

图2是小臂尺侧腕伸肌和桡侧腕屈肌示意图。

图3是反向传播神经网络模型示意图。

图4是表面肌肉电信号原始采集信号曲线。

图5是经过处理的表面肌肉信号示意图。

图6是两组肌肉群的积分肌电值(iemg)曲线。

图7是两组肌肉群的均方根值(rms)曲线。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，一种基于手机app的上下肢运动辅助方法，所述方法包括以下步骤：

步骤1)选取完成特定动作的相关肌肉或肌肉群，这里选取两路信号即两组肌肉群，小臂尺侧腕伸肌和桡侧腕屈肌，如图2，深色为选取的肌肉群；

步骤2)利用表面电极提取表面肌肉信号，如图4表面肌肉电信号原始采集信号(双通道/双肌肉群)，图4横轴为时间，纵轴为原始肌电信号的幅值，即肌电信号随时间变化的曲线，图4是原始信号曲线，此步骤只是去除了采样信号中的无效信号，此信号是提取自两组不同肌肉群的原始的肌肉信号，基于表面肌肉信号的频率一般在8hz-500hz之间，这里采用大于1000hz的采样频率，对模拟信号进行采样，并消除nan无效信号，生成如图4所示的原始数字肌肉信号。

步骤3)：将提取表面肌肉信号传导至手机app，对输入表面肌肉信号进行采样，采样频率需要大于1000hz，先对信号做初步处理，消除采样中空的信号值，在对信号进行滤波，消除白噪声、环境电磁信号、自身肢体运动产生的低频信号，如图5，横轴为时间，纵轴为处理后肌电信号的幅值，即肌电信号随时间变化的曲线，在完成手掌伸展和握和这一指定动作时两组肌肉群产生的表面肌肉信号，经过频域分析，滤波，除噪等一系列信号处理算法后，转换回时域空间的信号表征。这里可以看到肌肉的反应时间，收缩时间，收缩强度，和衰减时间，并且可以看到在同一时间点两组不同的肌肉群肌肉作业时间和强度的区分；

步骤4)：针对所采集的肌电信号分别提取其时域特征积分肌电值(iemg)(如图6)和均方根值(rms)(如图7)，图6横轴为时间，纵轴为对应时间点的积分肌电值，其中上面的曲线为第一路肌电信号积分肌电值随时间变化的曲线，下面的曲线为第二路肌电信号积分肌电值随时间变化的曲线；图7横轴为时间，纵轴为对应时间点的肌电信号的均方根值，其中上面的曲线为第一路肌电信号均方根值随时间变化的曲线，下面的曲线为第二路肌电信号均方根值随时间变化的曲线；

步骤5)：建立模式分类模型；反向传播神经网络(bpnn)模型。

步骤5.1)：如图3所示，4路肌电信号作为输入输送给输入层，输入层各个节点均采用双极型s型函数，各节点对其输入进行加权计算后判断该节点是否激活，并将结果输送给下一层对应的节点。这里隐含层也采用双极型s型函数。

建立模型；确定模型层数，至少3层，包括第一层输入层，有2个节点，分别输入2路semg的特征值iemg；第二层是隐含层，隐含层一层，12个节点；第三层是输出层，有1个节点，输出运动模式；

步骤5.2)：训练模型；

对bpnn模型进行训练，从样本数据及其对应的运动模式标签对bpnn的权值及线性偏置进行调节，直到得到适合的输入输出关系，即网络收敛为止。

步骤6)：选取肌电信号(2路信号)的某一特征值作为输入，输入到步骤5)中的分类模型中，并计算出运动模式；所述运动模式包括握拳、展开、表扬、ok、v型手势；

步骤7)：通过手机蓝牙将运动模式发送给上下肢的外接控制器，该控制器包括主控芯片、蓝牙通讯模块、电机驱动模块等；

步骤8)：上下肢的外接控制器的主控芯片从蓝牙通讯模块中读取到运动模式后，控制假手/臂/脚/腿完成肌肉输出信号的指定动作。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。