一种假手腕关节人机自然驱动角度的肌电连续解码方法与流程

本发明属于智能假手与生机电一体化技术领域，涉及一种假手腕关节人机自然驱动角度的肌电连续解码方法。

背景技术

根据中国残联最新统计资料显示，我国现今肢体残疾人数约为2472万人，其中手部残疾患者达上千万。手部功能的缺失不仅影响残疾人的生活与工作，更给其心理带来沉重打击。传统假手只起到修饰功能，不能满足其日常生活所需。智能假手的出现弥补了传统假手功能的不足，其中肌电控制假手因穿戴方便、控制准确、功能强大而成为研究的热点。

人体表面肌电信号是一种生物电信号，能够客观的反应人体的运动状态并且会超前实际动作产生，具有预见性，可以实现人体运动意图的感知。现有的肌电假手，大部分将研究重点放在利用表面肌电信号识别人手动作分类从而实现假手抓取动作预测，然而在假手运动过程中，腕关节的驱动角度很大程度上决定了假手操作的灵活性，所以为了实现假手更好的拟人化，利用手臂残存的表面肌电信号解码假手腕关节人机自然驱动角度显得极其重要。基于此，利用手臂表面肌电信号连续解码手腕关节运动角度从而提供合适的假手腕关节人机自然驱动角度是当前研究的关键点。

技术实现要素：

本发明的目的在于克服上述现有技术的缺点，提供一种假手腕关节人机自然驱动角度的肌电连续解码方法，该方法让残疾人想象其缺失手与健全手做相同角度的腕关节运动，此时采集残疾人残肢前臂的表面肌电信号与健侧腕关节运动角度，从而建立表面肌电信号连续解码假手腕关节人机自然驱动角度模型。实现利用残肢前臂表面肌电信号连续解码假手腕关节人机自然驱动角度，从而满足手部残疾患者日常生活所需。

为达到上述目的，本发明采用以下技术方案予以实现：

一种人手臂表面肌电信号连续解码假手腕关节人机自然驱动角度的方法，包括下述步骤：

第一步：利用动作捕捉系统记录健侧手腕关节运动三维坐标，通过人手腕关节运动学建模方法计算手腕弯曲/伸展角度。

上述方法中，选取合理的腕关节运动捕捉方案并建立腕关节局部坐标系，建立腕关节运动模型，利用运动学方法计算出腕关节在弯曲伸展过程中的角度变化。最终得到腕关节弯曲伸展角度公式如下：

θ＝arccos(t·i2·i1)

式中，t为腕关节局部坐标系到肘关节局部坐标系的转换矩阵，i1、i2分别为肘关节和腕关节矢状轴方向的单位矢量。

第二步：利用肌电采集仪同步采集前臂残存侧六块肌肉的表面肌电信号。所述六块残存肌肉分别为桡侧腕长伸肌、桡侧腕屈肌、尺侧腕长伸肌、尺侧腕屈肌、指总伸肌、指浅屈肌。

第三步：对采集到的六通道表面肌电信号进行预处理与特征提取。由于表面肌电仪采样频率为2048hz，三维运动捕捉系统采样频率为100hz，所以对表面肌电信号特征值进行重采样，实现表面肌电信号与腕关节运动学数据具有相同的采样频率。

第四步：采用机器学习的方法，建立bp神经网络，实现人手臂表面肌电信号连续解码腕关节弯曲/伸展的角度。首先设置bp神经网络的网络参数，其次对bp神经网络进行训练，最后对其进行测试。

上述方法中，构建三层bp神经网络，提取表面肌电信号的肌电活跃强度特征值作为网络输入，由腕关节运动学模型计算的关节角度作为网络输出，中间层设置10个神经元，每个神经元采用sigmoid作用函数。

第五步：采集残侧前臂表面肌电信号，将采集到的表面肌电信号进行预处理与特征提取。将肌电活跃强度特征值输入手腕关节角度连续解码模型，输出连续变化的手腕关节运动角度，并计算网络预测关节角度与运动学计算出的关节角度之间的线性相关系数，判断人手臂表面肌电信号连续解码假手腕关节人机自然驱动角度的准确性。

与现有技术相比，本发明具有以下有益效果：

本发明操作简单且精确度高。三维运动捕捉系统可以同时实现高分辨率与高捕捉频率，由此计算的关节角度具有高精确性；与传统佩戴式角度传感器相比，不会对表面肌电信号造成压迫式干扰；具有与肌电仪同步采集的接口，能够实现三维运动捕捉角度与表面肌电信号采集同时进行。此外，肌电仪的采样频率为2048hz，可以实时采集表面肌电信号变化情况。

本发明建立了表面肌电信号连续解码假手腕关节驱动角度的预测模型。骨骼肌的拉伸与收缩带动腕关节运动，在肌肉收缩过程中，与之对应的表面肌电信号幅值会有不同的变化，所以可以利用表面肌电信号的肌电活跃强度连续解码假手腕关节人机自然驱动角度。让残疾人想象着缺失手与健全手的腕关节同步进行相同的运动，经过运动想象训练之后，利用健全侧腕关节运动角度作为残侧假手的腕关节人机自然驱动角度。模型输入为残侧前臂表面肌电信号，避免了由健全人建模到残疾人建模带来的个体性差异，从而实现了表面肌电信号连续解码假手腕关节人机自然驱动角度，在生物医疗、人机工程等领域具有潜在的应用价值。

附图说明

图1是手臂表面肌电信号连续解码假手腕关节人机自然驱动角度的方法框图；

图2是右侧上肢标记点位置和坐标系设置示意图；其中p1为肘关节处，p2为前臂桡侧处，p3为手腕外侧处，p4为手腕内侧处，p5为右手中指掌指关节处；

图3是腕关节弯曲伸展角度计算结果示意图；

图4是手臂六通道表面肌电信号肌电活跃强度特征值；

图5是bp神经网络算法基本流程图；

图6是手臂表面肌电信号连续解码假手腕关节人机自然驱动角度结果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参见图1，本发明利用三维运动捕捉系统记录健侧手腕关节弯曲伸展过程运动学数据，计算出腕关节弯曲伸展的角度；肌电仪同步采集残侧前臂肌肉的表面肌电信号，经预处理和特征提取得到肌电活跃强度特征；将肌电活跃强度特征作为bp神经网络的输入，腕关节弯曲伸展角度作为bp神经网络的输出，对bp神经网络进行训练，设定误差范围，满足误差条件后停止迭代，得到稳定的手臂解码假手腕关节人机自然驱动角度模型；最后输入测试的残侧表面肌电信号活跃强度，输出预测的假手腕关节人机自然驱动角度。具体实施方案如下：

第一步：由运动学数据计算腕关节弯曲伸展角度，具体方法如下：

(1)手腕关节运动捕捉mark点标记位置选取与关节局部坐标系建立：

图2给出了右侧上肢mark点的粘贴方案，为了保证mark点不被遮挡，受试者采取坐姿状态，右侧大臂和前臂水平抬起并保持静止，手背向上做腕关节弯曲伸展。根据运动学原理，每个刚体3维空间中具有6个自由度，要确定运动刚体在三维空间中的位姿，需要知道刚体上非共线3个点的位置坐标。所以，在肘关节处设置一个mark点，记为p1，前臂桡侧设置一个mark点，记为p2，在手腕外侧和内侧分别设置一个mark点，记为p3和p4，再在右手中指掌指关节处设置一个mark点，记为p5。

肘关节局部坐标系如图2所示：

肘关节局部坐标原点为p1，p1与p2连线为x轴，方向指向p2；由p1、p2、p3三点构成平面的法线为y轴，方向指向身体内侧；由右手规则可知，x轴与y轴构成平面的法向量为z轴，方向向上。x、y、z轴的单位矢量计算公式分别为：

k1＝i1×j1

腕关节局部坐标系如图2所示：

腕关节局部坐标原点为p3与p4连线中点，原点与p5连线为x轴，方向指向p5；由p3、p4、p5三点构成平面的法向量为z轴，方向向下；由右手规则可知，x轴与z轴构成平面的法向量为y轴，方向指向身体内侧。x、y、z轴的单位矢量计算公式为：

k2＝i2×j2

(2)手腕关节运动角度计算：

在肘关节与腕关节局部坐标系基础上进行腕关节在人体矢状面内的弯曲/伸展角的求解，以θ表示手腕的弯曲/伸展角。

θ＝arccos(t·i2·i1)

式中，t为腕关节局部坐标系到肘关节局部坐标系的转换矩阵，i1、i2分别为肘关节和腕关节矢状轴方向的单位矢量。

图3给出了由此方法计算出的腕关节弯曲/伸展角度变化。定义手掌手平位置时为0度，弯曲角度为正、伸展角度为负，且手腕关节弯曲伸展运动范围为-60°～75°，可以看出此方法计算出的手腕弯曲/伸展角度合理并在人手弯曲/伸展运动范围内。

第二步：利用肌电仪同步采集前臂残侧相关六块肌肉的表面肌电信号。具体方法如下：

分析人手前臂肌肉发现，桡侧腕长伸肌、尺侧腕长伸肌和指总伸肌与手腕伸展动作关系紧密，桡侧腕屈肌、尺侧腕屈肌和指浅屈肌与腕关节弯曲动作关系紧密，所以选取以上六块肌肉作为表面肌电信号信号源。首先用酒精对受试者前臂进行消毒，降低皮肤表面油脂对表面肌电信号的干扰；其次将差分式电极分别沿肌肉纤维方向粘贴在六块肌肉表面，肌电信号零点设置在肘关节处；最后使用触发器实现肌电仪与三维运动捕捉系统同步采集。

第三步：将采集到的六通道手臂表面肌电信号进行预处理，提取肌电活跃强度特征，最后对手臂表面肌电信号活跃强度进行重采样，统一表面肌电信号与腕关节角度值采样频率。具体方法如下：

(1)手臂表面肌电信号预处理：

采集到的手臂表面肌电信号通常会混有噪声和干扰，包括设备固有噪声、周围噪声干扰、50hz工频干扰以及伪迹噪声等。表面肌电信号有效频率范围为20-500hz，为了降低噪声信号的干扰，采用4阶巴特沃斯滤波器对表面肌电信号进行20-500hz带通滤波，再利用陷波滤波去除50hz工频干扰。

(2)手臂表面肌电信号特征提取：

为了实现手臂表面肌电信号连续解码假手腕关节人机自然驱动角度，需要找到手臂表面肌电信号强度与假手人机自然驱动关节角度之间联系，可以提取表面肌电信号的肌电活跃强度特征。采用包络线法，对滤波之后的表面肌电信号进行全波整理，再进行低通滤波，选择截止频率为4～10hz，得到表面肌电信号峰值变化，如图4所示。

第四步：采取机器学习的方法，建立bp神经网络，实现手臂表面肌电信号连续解码假手腕关节人机自然驱动角度。具体方法如下：

(1)bp神经网络的构建：

通常情况下，三层的bp神经网络能够解决多数模式识别问题，所以这里构建三层的bp神经网络。输入层为表面肌电强度特征值，这里取b＝6，即输入层有6个神经元节点；输出层为手腕弯曲伸展角度，即输出层有1个神经元节点；中间层神经元节点个数由以下经验公示确定：

其中，g为中间层节点个数，b为输入层节点个数，c为输出层节点个数，d＝1～10为调节常数。这里取d＝8，即g＝10。

(2)bp神经网络的训练：

图5中，设网络输入向量为x＝[x1x2x3x4x5x6]^t，网络输出向量为y＝[y]^t，中间层网络的神经元输出为：

输出层输出为：

其中，神经元作用函数为：

定义误差函数：

其中，

n为样本数，m为每个样本中样本点数，dpi为由运动学数据计算出的腕关节弯曲伸展角度，ypi为由bp神经网络估算出的腕关节弯曲伸展角度，q为网络层数。

利用梯度下降法寻找e的局部最小值，每个连接权值均需沿着e对连接权值导数的反方向修正。若误差函数在理想范围内，则停止迭代，否则继续对连接权值进行修正直到误差足够小。

(3)bp神经网络的测试：

输入3组手臂表面肌电信号特征值到训练完成的bp神经网络，则会输出3组手腕弯曲伸展角度预测值。计算bp神经网络输入的手腕弯曲伸展角度与真实的经三维运动捕捉系统捕捉的运动学数据解算得到的角度之间的相关系数，来反应两者之间线性相关程度。相关系数计算公式如下：

其中，cov(x,y)为x与y的协方差，var[x]和var[y]分别为x和y的方差。相关系数|ρxy|≤1，|ρxy|越接近1表示x与y相关程度越高，|ρxy|越接近于0表示x与y相关程度越低。

提取手臂表面肌电信号肌电活跃强度特征，采用bp神经网络方法预测假手腕关节人机自然驱动角度的解码结果如图6所示。由图可知，此方法能够稳定有效地实现手臂表面肌电信号连续解码腕关节弯曲伸展角度，可用于肌电智能假手的人机自然驱动控制。

本发明是一种手臂表面肌电信号连续解码假手腕关节人机自然驱动角度的方法，以实现通过前臂表面肌电信号幅值变化识别假手腕关节弯曲伸展驱动角度，增加智能假手的拟人化自然操作。该方法提取桡侧腕长伸肌、桡侧腕屈肌、尺侧腕长伸肌、尺侧腕屈肌、指总伸肌、指浅屈肌六块肌肉在手腕弯曲伸展过程中的表面肌电信号，结合腕关节弯曲伸展过程中角度变化值，利用bp神经网络建立非线性映射模型，达到手臂表面肌电信号连续解码假手腕关节人机自然驱动角度，灵活控制假手腕关节动作的目的。该发明所建模型可靠，角度预测正确率高，利于手部残疾患者更好的使用智能假手进行自然操作，满足其生活和工作中的假手功能需求，具有良好的社会效益和经济效益。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。