CN101057793A - 人工假肢手的实时控制方法 - Google Patents

Abstract

人工假肢手的实时控制方法，包括下列步骤：(1)首先把采集到的生物信号通过一个移动的时间窗；(2)生物信号的小波包分解；(3)采用主元神经网络对小波包变换获得的特征矢量作降维处理；(4)采用LVQ1算法结合LVQ2算法对生物信号提取的特征矢量作后续处理。通过实验证明，采用小波包和主元神经网络相结合的办法，特征提取和模式识别处理时间不到100ms，在满足实了时控制的要求，且识别准确率高，达89.5％。操控者不会感觉到控制假肢手的迟滞，使操作更加快捷、实用，更接近于人手。

Description

人工假肢手的实时控制方法

技术领域

本发明涉及一种人手的替代物，更进一步涉及一种人工假肢手的实时控制方法。

背景技术

国内外目前的肌电假肢手，一般是采集受试者的EMG信号，然后对其进行了离线的后续处理或者即使采取在线控制，假肢手也会有一定的迟滞。操控者实时地操作假肢手并且感觉不到迟滞是肌电假肢手的一个发展趋势，而如何对连续的EMG信号进行有效的辨识，以及如何实现实时控制，是现今人工假肢手研究领域的难点和关键。

人工假肢手实时在线控制的要求是：控制系统的反应时间应小于300ms，即从操控者产生某个动作的意愿到假肢手开始做这个动作的时间间隔应小于300ms，这样，操控者才不会感觉有迟滞。采集到的EMG信号作小波/小波包变换能够提供一个多维的、包含着丰富特征信息的特征矢量。我们要实现对假肢手的实时控制，需要减少对这些特征矢量的信号处理时间。由于对模式识别来说，大量的特征中包含着许多彼此相关的因素，是信息的重复和浪费，而且，特征矢量的维数越高，神经网络分类器的学习参数也将增多，网络的训练时间也越长。因此，采用有效的方案对特征矢量降维，提高软件速度，是实现实时控制的关键。

发明内容

本发明的任务是选取合适的特征提取方法对肌电、脑电信号的原始数据进行变换，使差别较大的重要特征在变化域显示出来，去掉无意义的信息，把高维的特征空间压缩到低维特征空间，以提高软件速度，最终达到实时控制的要求。

人工假肢手的实时控制方法，其特征在于包括下列步骤：

(1)首先把采集到的生物信号通过一个移动的时间窗；

(2)生物信号的小波包分解；

(3)采用主元神经网络对小波包变换获得的特征矢量作降维处理；

(4)采用LVQ1算法结合LVQ2算法对生物信号提取的特征矢量作后续处理。

在上述步骤(1)中，

τ为模式识别模块的处理时间，或称延迟时间，则D_i，i＝1，2，K为系统对相应时间窗W_i，i＝1，2，K内的数据作出识别判断的时刻；对时间窗的移动步长W_l，选取W_l＝τ，系统最为紧凑。

在上述步骤(2)中，

对窗口内的生物信号作n层小波包分解，利用熵最小准则获取规律性最强的m个频带的小波包系数，m满足：m＜2ⁿ；然后求取其在各频带投影序列的能量来构造特征矢量。

通过实验证明，采用小波包和主元神经网络相结合的办法，特征提取和模式识别处理时间不到100ms，在满足实了时控制的要求，且识别准确率高，达89.5％。操控者不会感觉到控制假肢手的迟滞，使操作更加快捷、实用，更接近于人手。

附图说明

图1模式识别流程图；

图2移动时间窗；

图3主元神经网络结构；

图4电极位置示意图；

图5人工假肢手由放松状态到握拳状态；

具体实施方式

实验中使用两对表面差分电极同时采集四路EMG信号：电极贴片的位置如图4所示，第1路信号为前臂肌群的桡侧腕伸肌(ExtensorCarpi Radialis)，第2路信号为指伸肌(Extensor Digitorum)、第3路信号为尺侧屈腕肌(Flexor Carpi Ulnaris)，第4路信号为掌长肌(Palmaris Longus)，5为手肘作参考电极。

系统通过处理模块对肌电信号进行采集，采集系统的放大和滤波功能分四级实现，第一级采用仪用放大器将采集到的生物信号放大数十倍。第二级采用无源双T陷波电路，电路的电阻和电容经过匹配，可以很好地滤除50Hz干扰。第三级采用高通滤波器，滤除极化电势产生的直流电位。第四级采用低通滤波器，滤除高频干扰，脑电信号的截止频率设置在30Hz，肌电信号的截止频率设在500Hz。该滤波器还可作为A/D转换前的防混迭滤波器。从人体的安全性考虑，在电路中采用高速数字光耦隔离。

以受试者在放松状态下作握拳动作为例，假肢手的实时控制过程如图5所示。图中，受试者在时刻1产生了握拳动作的意愿，但这个动作还不能在时刻a被识别，因为分类器使用的是来自上一步的移动时间窗里的数据，而时刻1并不包括在这个时间窗内。随着时间窗的移动，握拳动作在之后的时刻b处被正确地识别出来，然后“识别输出信号”控制假肢手在时刻2执行了握拳动作。因此，时刻1到时刻2的时间段为假肢手控制系统的延迟时间，我们将把这个时间控制在300ms以内。在已有的研究中，我们采用小波包变换和主元神经网络相结合的特征提取方法和LVQ网络分类器将从受试者产生动作意愿到该动作被识别的时间控制在了100ms以内，实现了假肢手的实时控制。

我们让受试者依次完成握拳、展拳、手臂内旋、手臂外旋和自然放松五种状态，通过实验证明，采用小波包和主元神经网络相结合的办法，特征提取和模式识别处理时间不到100ms，在满足实了时控制的要求，且识别准确率高，达89.5％。

Claims (3)

1、人工假肢手的实时控制方法，其特征在于包括下列步骤：

(1)首先把采集到的生物信号通过一个移动的时间窗；

(2)生物信号的小波包分解；

(3)采用主元神经网络对小波包变换获得的特征矢量作降维处理；

(4)采用LVQ1算法结合LVQ2算法对生物信号提取的特征矢量作后续处理。

2、如权利要求1所述人工假肢手的实时控制方法，其特征在于，所述步骤(1)中，

τ为模式识别模块的处理时间，或称延迟时间，则D_i，i＝1，2，K为系统对相应时间窗W_i，i＝1，2，K内的数据作出识别判断的时刻；对时间窗的移动步长W_l，选取W_l＝τ，系统最为紧凑。

3、如权利要求2所述人工假肢手的实时控制方法，其特征在于，所述步骤(2)中，

对窗口内的生物信号作n层小波包分解，利用熵最小准则获取规律性最强的m个频带的小波包系数，m满足：m＜2ⁿ；然后求取其在各频带投影序列的能量来构造特征矢量。

Images