CN101371804A - 基于sEMG建立的人手姿态模式在线识别方法 - Google Patents

Abstract

基于sEMG建立的人手姿态模式在线识别方法，它涉及一种人手姿态模式在线识别方法。本方法的步骤为：对人手姿态模式进行必要的规划；手部姿态模式识别的电极位置在假手使用者的前臂处肌肉的相应位置佩戴肌电电极；假手使用者按照规划的各种姿态模式采集各激发态模式内的原始肌电数据并进行特征提取；通过两个决策函数实现在线识别控制，将放松态与激发态、激发态之间各种模式的识别分别采用不同的决策函数来识别。本发明方法可使假手具有实时性好、仿生性能好、抓握物体可靠性好等优点。

Description

基于sEMG建立的人手姿态模式在线识别方法

技术领域

本发明涉一种基于sEMG建立的人手姿态模式在线识别方法，属于生物信息识别及控制领域。

背景技术

大多数商业假手只有一个自由度，在抓取能力及灵活性方面表现欠缺，是很多残疾人患者不愿佩戴假手的原因之一。因此国内外许多研究机构开展了多自由度、多功能假手的研究，如意大利Cyberhand、SmartHand、英国i-limb，以及哈工大机器人研究所的HIT/DLR Prosthetic Hand等。多自由度提高了假手的灵巧程度，增强了抓取功能，却给控制带来一定的难度。表面肌电信号(sEMG，surface Electromyography)是应用最广泛，技术最成熟的假手控制源，基于sEMG建立可靠有效的假手控制方法是至关重要的。为了使假手控制更加直观，能够让患者感觉假手即是自己身体一部分(外延生理本体感受，EPP，Extended Physiological Proprioception)，要求肌电控制决策符合正常人体输出通路。因此，基于肌电信号建立手部关键动作模式的在线识别系统是假手感官性控制的关键所在。

现有的肌电信息控制人工假手方法中对于手部姿态的在线识别只做到了少许几种，如拇指、食指及中指的弯曲伸展等，没有对人手进行详尽的姿态模式规划。由于可用姿态模式少(特别是手指之间的联动姿态)，因而使假手在使用时实时性、仿生性能较差，抓握物体不可靠。

发明内容

本发明为了解决现有的肌电信息控制人工假手方法存在缺乏实时性，仿生性能差、抓握物体可靠性差的问题，进而提供了一种基于sEMG建立的人手姿态模式在线识别方法。

本发明解决技术问题所采用的技术方案是：

基于sEMG建立的人手姿态模式在线识别方法是按照以下步骤实现的：

步骤一、对人手姿态模式进行规划：将拇指、食指以及其余指分别作为单一自由度，并将三者的放松、弯曲、伸展各自作为一个“态”，分别使用0、-1、1来表示，排列组合共得到27种不同的手部姿态模式，基于假手使用者训练时各模式之间的简易过渡性能，对所有模式进行了重新排列，设定模式1为放松态，模式2至模式27为激发态；姿态模式在线识别之前，需要试者熟悉人手姿态模式规划序列；

步骤二、根据步骤一中所述的手部姿态模式识别的电极位置在假手使用者的前臂处肌肉的相应位置佩戴肌电电极：所述前臂处肌肉是指拇短伸肌、拇长屈肌、食指固有伸肌、指浅屈肌和指总伸肌，在所述的五块肌肉上放置6枚肌电电极，分别对应6种基本的手部姿态模式：拇指伸展、拇指弯曲、食指伸展、食指弯曲、三指伸展及三指弯曲，并用于全部27种手部姿态模式的识别；

步骤三、假手使用者按照步骤一中规划的各种姿态模式采集各激发态模式内的原始肌电数据并进行特征提取，采集基于阈值决策进行，将满足阈值决策的激发态特征进行分别保存，并进行分类器的训练；

步骤四、完成步骤三后，通过两个决策函数实现在线识别控制，将放松态与激发态、激发态之间各种模式的识别分别采用不同的决策函数来识别：

a、建立阈值决策函数：

$f_1\left(t\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}(\mathrm{sgn}(S_i\left(t\right)-T_i)+4)\right)---\left(1\right)$

上式中S_i(t)为t时刻的肌电信号各通道的特征值，T_i为通道对应的阈值，sgn是符号函数(sgn(0)＝1)，函数(1)用来识别放松态和激发态；

b、建立两类间分类决策函数(分类器决策)：

$f_2\left(x\right)=\mathrm{sgn}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b]---\left(2\right)$

式中α_i为拉格朗日乘子，α_i的上界为C，C为常数，其控制对错分样本惩罚的程度。一般α_i为不全为零的向量，非零对应的x_i即为此模式的支撑向量；x，x_i分别为待分及分类模式内全部特征向量，特征向量可以为多通道信号样本值；y_i为样本对应的样本标号，-1或1；b为分类阈值；经过各种激发态模式的两两训练，得到分类决策组，函数(2)用来识别激发态之间的各种模式。

本发明具有以下有益效果：本发明方法可使假手具有实时性好、仿生性能好、抓握物体可靠性好等优点。本发明给出了一种新型的基于双重决策函数的肌电信号在线识别方法，即阈值决策及分类器决策，在对分类器决策函数的训练时，采用了基于阈值决策的在线特征提取方法。手部姿态模式的规划简化了人手全部可能的姿态模式(在新的自由度配置下)，序列化提高了训练效率，合理的电极位置保证了识别系统的成功率，基于双决策函数的在线识别算法实时性好，成功率高。本发明重新配置了正常人手的自由度，着眼于人手全部27种姿态模式的在线识别，并提出了一种实时性好、可靠性高的新方法。本发明根据新的自由度配置对人手姿态模式进行详细的规划，并根据姿态的难度及过渡性进行了序列化。本发明采用人前臂处5块肌肉上分布6枚肌电电极，分别对应6种手部基本姿态模式，并进一步用于全部27种姿态模式的识别。本发明不仅可以应用于多自由度残疾人假手的控制，并可以应用于人手、臂肌肉的神经康复，以及生物遥操作等诸多领域。

附图说明

图1是人手姿态模式规划序列图，图2是肌电电极位置及对应肌肉示意图(肌电电极2、肌电电极4、肌电电极6的佩戴位置)，图3是肌电电极位置及对应肌肉示意图(肌电电极1、肌电电极3、肌电电极5的佩戴位置)，图4是基于两种不同决策的在线识别曲线示意图(曲线的横坐标是实时连续的时间，τ′是阈值决策所花费时间，τ是分类器决策所花费时间，纵坐标是肌电信号幅值(以单通道表示)，T是阈值决策所采用的阈值，当6通道肌电信号只要有一通道幅值超越T，即可认为此时进行的肌电信号模式为激发态，否则为放松态，就像阈值决策函数所表示的那样)。

具体实施方式

具体实施方式一：如图1～4及表1所示，本实施方式所述的基于sEMG建立的人手姿态模式在线识别方法是按照以下步骤实现的：

步骤一、对人手姿态模式进行必要的规划：将拇指、食指以及其余指(指中指、无名指和小指构成的三指联动)分别作为单一自由度，并将三者的放松、弯曲、伸展各自作为一个“态”，分别使用0、-1、1来表示，排列组合共得到27种不同的手部姿态模式，基于假手使用者训练时各模式之间的简易过渡性能，对所有模式进行了重新排列，设定模式1为放松态，模式2至模式27为激发态；姿态模式在线识别之前，需要试者熟悉人手姿态模式规划序列(图1)，由于优化了模式序列，这个过程一般是很短暂的(不超过5分钟)；

步骤二、根据步骤一中所述的手部姿态模式识别的电极位置在假手使用者的前臂处肌肉的相应位置佩戴肌电电极：所述前臂处肌肉是指拇短伸肌、拇长屈肌、食指固有伸肌、指浅屈肌和指总伸肌，在所述的五块肌肉上放置6枚肌电电极(表面肌肤电极)，分别对应6种基本的手部姿态模式：拇指伸展、拇指弯曲、食指伸展、食指弯曲、三指伸展及三指弯曲，并用于全部27种手部姿态模式的识别；

步骤三、假手使用者按照步骤一中规划的各种姿态模式采集各激发态模式内的原始肌电数据并进行特征提取，采集基于阈值决策进行，将满足阈值决策的激发态特征进行分别保存，并进行分类器的训练；

步骤四、完成步骤三后，通过两个决策函数实现在线识别控制，将放松态与激发态、激发态之间各种模式的识别分别采用不同的决策函数来识别：

a、建立阈值决策函数：

$f_1\left(t\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}(\mathrm{sgn}(S_i\left(t\right)-T_i)+4)\right)---\left(1\right)$

上式中S_i(t)为t时刻的肌电信号各通道的特征值，T_i为通道对应的阈值，sgn是符号函数(sgn(0)＝1)，函数(1)用来识别放松态和激发态；

b、建立两类间分类决策函数(分类器决策)：

$f_2\left(x\right)=\mathrm{sgn}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b]---\left(2\right)$

式中α_i为拉格朗日乘子，α_i的上界为C，C为常数，其控制对错分样本惩罚的程度。一般α_i为不全为零的向量，非零对应的x_i即为此模式的支撑向量；x，x_i分别为待分及分类模式内全部特征向量，特征向量可以为多通道信号样本值；y_i为样本对应的样本标号，-1或1；b为分类阈值；经过各种激发态模式的两两训练，得到分类决策组，函数(2)用来识别激发态之间的各种模式；阈值决策反应速度快，分类器决策识别成功率高，更有助于肌电信号的实时控制。

具体实施方式二：如图1所示，本实施方式在步骤一中综合考虑手掌姿态模式的难度以及训练时各模式之间的简易过渡性能，对所有模式进行重新排列和规划如下：

基本模式包括1-放松态(0，0，0)、2-拇指弯曲(-1，0，0)、7-拇指伸展(1，0，0)、10-食指弯曲(0，-1，0)，15-食指伸展(0，1，0)，18-三指弯曲(0，0，-1)，23-三指伸展(0，0，1)，26-全曲(-1，-1，-1)，27-全伸(1，1，1)。基本模式里包括了只有单自由度手指进行动作以及全部手指在内进行相同动作模式的简单模式；扩展I包括3-(-1，1，1)，8-(1，-1，-1)，11-(1，-1，1)，16-(-1，1，-1)，19-(1，1，-1)，24-(-1，-1，1)，可见扩展I是对基本模式内的相应“放松态指”(即态为“0”的指，如2中的食指及三指，10中的拇指及三指等)进行有异于“动作指”(即态为非“0”的指，如2、7中的拇指，10、15中的食指等)动作的操作；扩展II包括4-(0，1，1)，9-(0，-1，-1)，12-(1，0，1)，17-(-1，0，-1)，20-(1，1，0)，25-(-1，-1，0)，扩展II是在扩展I的基础上对基本模式内的相应“动作指”进行放松的操作；扩展III包括5-(0，-1，1)，6-(0，1，-1)，13-(-1，0，1)，14-(1，0，-1)，21-(-1，1，0)，22-(1，-1，0)，扩展III是在扩展II的基础上分别对基本模式内相应的“放松态指”的其中一个自由度进行“取反”的操作，以使得3个自由度的值均不一样。如5-(0，-1，1)、6-(0，1，-1)相对于4-(0，1，1)，13-(-1，0，1)、14-(1，0，-1)相对于12-(1，0，1)；基本模式以及扩展I，II，III按照列进行排列，其遵循了手部姿态模式由简单逐步变难的规律。另外，模式序号1—27代表了其序列化，因为按照此顺序进行肌电信号的采集时，各模式之间的过渡性能比较好，有利于减少残疾人的训练负担，提高训练效率；在所有这些模式中，不仅包括单一手指的弯曲、伸展模式，而且具有两指或三指联动的模式，正确识别这些模式对于假手的手指联动控制相当有益。手部姿态模式的规划及序列化既能满足新型多自由度假手的控制需要，又简化了训练及识别系统的复杂度。其它步骤与具体实施方式一相同。

具体实施方式三：结合图2、图3和表1，本实施方式在步骤二中对应于拇指、食指以及其余指的伸展与弯曲，各自动作都会牵动人前臂处不同肌肉或者肌肉组；根据相应的生物解剖学知识，本发明利用了人前臂处的5块肌肉，分别是拇短伸肌、拇长屈肌、食指固有伸肌、指浅屈肌及指总伸肌，这些肌肉上的电极分别对应6种最基本的手部姿态模式，即拇指伸展、拇指弯曲、食指伸展、食指弯曲、三指伸展及三指弯曲(如表1所示)，并进一步用于全部27种模式的识别。其它步骤与具体实施方式一或二相同。

具体实施方式四：如图4所示，本实施方式在步骤四中本发明通过设定两个决策函数实现在线识别方法。一个是肌电信号的各通道特征是否超越设定阈值的决策；一个是分类器决策(神经网络、模糊聚类、支撑向量机等)。对于放松态(模式1，参见图1)以及激发态(除模式1以外所有模式)的识别采用阈值决策，而对与激发态内各模式的识别采用分类器决策。如图3所示，在低于通道阈值T阶段，信号以τ′进行采样，τ′为通道阈值决策所花费的时间，如果任一通道信号高于T，信号将以τ进行采样，τ为阈值决策与分类器决策共同花费的时间。基于此而建立的在线识别算法中，阈值决策反应速度快，分类器决策识别成功率高，更有助于肌电信号的实时控制；

按照序列采集各激发态模式内的原始肌电数据进行特征提取。本发明采用各通道样本值构成特征向量，各通道阈值设为0.5V。当激发态发生时，即实时采集及处理后得到的特征值超越阈值时，式(1)中f₁(t)＝1，将此特征放入该激发态训练数据库。放松态不需要训练数据，因为它与激发态的识别依靠的是各通道阈值；

$f_1\left(t\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}(\mathrm{sgn}(S_i\left(t\right)-T_i)+4)\right)---\left(1\right)$

式中S_i(t)为t时刻的肌电信号特征值，T_i为通道对应的阈值，sgn是符号函数。全部激发态特征数据采集完毕，就可以进行分类器训练，采用支撑向量机(Support Vector Machine，SVM)，两类间分类决策函数为：

$f_2\left(x\right)=\mathrm{sgn}[\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b]---\left(2\right)$

式中α_i为拉格朗日乘子，上界为C，一般α_i为不全为零的向量，非零对应的x_i即为此模式的支撑向量；x，x_i分别为待分及分类模式内全部特征向量，特征向量可以为多通道信号样本值；y_i为样本对应的样本标号，-1或1；b为分类阈值。经过各种激发态模式的两两训练，得到分类决策组，如对于18种激发态模式，共有

个两类SVM分类器；

在线识别过程中，将实时获得的特征向量先输入到阈值决策函数(1)中，f₁(t)＝1时激发态，为0时放松态。如果是激发态，还需将特征向量输入到全部两类SVM分类器决策组(两类间分类决策函数(2))中，以进行激发态内部所有模式的识别，返回的f₂(t)应该是各激发态模式的标号，得到识别标号最多的即为分类结果。其它步骤与具体实施方式一、二或三相同。

具体实施方式五：本实施方式在步骤四中在线识别之前，需要对分类器决策函数进行训练以获得合适的参数，因此需要对所有激发态模式进行训练。训练用的特征组是通过设定特征阈值后，在线引入决策函数式(1)而得到，此过程是在人手进行放松态—激发态姿态模式转换时自动完成，而且此训练数据大大提高了系统的实时识别成功率。其它步骤与具体实施方式一、二、三或四相同。

         表1 前臂处肌肉以及对应的基本模式

Claims (1)

1.一种基于sEMG建立的人手姿态模式在线识别方法，其特征在于它是按照以下步骤实现的：

步骤一、对人手姿态模式进行必要的规划：将拇指、食指以及其余指分别作为单一自由度，并将三者的放松、弯曲、伸展各自作为一个“态”，分别使用0、-1、1来表示，排列组合共得到27种不同的手部姿态模式，基于假手使用者训练时各模式之间的简易过渡性能，对所有模式进行了重新排列，设定模式1为放松态，模式2至模式27为激发态；姿态模式在线识别之前，需要试者熟悉人手姿态模式规划序列；

步骤二、根据步骤一中所述的手部姿态模式识别的电极位置在假手使用者的前臂处肌肉的相应位置佩戴肌电电极：所述前臂处肌肉是指拇短伸肌、拇长屈肌、食指固有伸肌、指浅屈肌和指总伸肌，在所述的五块肌肉上放置6枚肌电电极，分别对应6种基本的手部姿态模式：拇指伸展、拇指弯曲、食指伸展、食指弯曲、三指伸展及三指弯曲，并用于全部27种手部姿态模式的识别；

步骤三、假手使用者按照步骤一中规划的各种姿态模式采集各激发态模式内的原始肌电数据并进行特征提取，采集基于阈值决策进行，将满足阈值决策的激发态特征进行分别保存，并进行分类器的训练；

步骤四、完成步骤三后，通过两个决策函数实现在线识别控制，将放松态与激发态、激发态之间各种模式的识别分别采用不同的决策函数来识别：

a、建立阈值决策函数：

$f_1\left(t\right)=\mathrm{sgn}\left(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}(\mathrm{sgn}(S_i\left(t\right)-T_i)+4)\right)---\left(1\right)$

上式中S_i(t)为t时刻的肌电信号各通道的特征值，T_i为通道对应的阈值，sgn是符号函数(sgn(0)＝1)，函数(1)用来识别放松态和激发态；

b、建立两类间分类决策函数(分类器决策)：

$f_2\left(x\right)=\mathrm{sgn}(\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b)---\left(2\right)$

式中α_i为拉格朗日乘子，α_i的上界为C，C为常数，其控制对错分样本惩罚的程度。一般α_i为不全为零的向量，非零对应的x_i即为此模式的支撑向量；x，x_i分别为待分及分类模式内全部特征向量，特征向量可以为多通道信号样本值；y_i为样本对应的样本标号，-1或1；b为分类阈值；经过各种激发态模式的两两训练，得到分类决策组，函数(2)用来识别激发态之间的各种模式。

Images