CN101716103A - 采用声肌信号控制假手的方法 - Google Patents
采用声肌信号控制假手的方法 Download PDFInfo
- Publication number
- CN101716103A CN101716103A CN200910200508A CN200910200508A CN101716103A CN 101716103 A CN101716103 A CN 101716103A CN 200910200508 A CN200910200508 A CN 200910200508A CN 200910200508 A CN200910200508 A CN 200910200508A CN 101716103 A CN101716103 A CN 101716103A
- Authority
- CN
- China
- Prior art keywords
- signal
- muscle
- ultrasonic
- vocal muscles
- utilize
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Prostheses (AREA)
Abstract
本发明涉及一种采用声肌信号控制假手的方法。本方法将超声扫描骨骼肌得到的有关骨骼肌结构的空间形态变化信息定义为“声肌图(sonomyography)”。具体是利用超声获取上肢相关骨骼肌的肌肉厚度变化信息,然后利用此厚度变化控制假手运动。包括以下操作步骤:超声信号采集、声肌信号获取计算、确定步进电机运动步长范围、利用声肌信号的上升沿和下降沿实现假肢手指的比例张合运动。本方法采用声肌信号不受邻近肌肉串扰干扰,不受外部噪声影响,易于检测,声肌控制假手能为假手实现更多、更复杂的动作。
Description
技术领域
本发明涉及一种采用声肌信号控制人工假手的方法,具体是利用超声获取上肢相关骨骼肌的肌肉厚度变化信息,然后利用此厚度变化控制假手运动。
背景技术
人工假手是手腕截肢患者缺损肢体的替代物,代偿缺损肢体的形状和功能,重建其与外界环境的可操作性联系的接口。
自从50年代发明肌电假肢以来,假肢的研究有了飞速的发展。肌电假肢从残肢者本身的残端肌肉处采集信号,这种由残肢患者意志控制的肌肉产生的电位,对于假肢是比较理想的控制信号。肌电假肢虽然使假肢实现了智能控制(即人脑的意识→效应肌→收缩→接收→放大→控制),成为目前市场上的主流产品,但也不能忽视其缺点和不足。例如,残肢患者的表面肌电信号要比正常人的表面肌电信号弱的多,表面肌电信号本身对干扰和噪声很敏感,对于深层表面肌电信号的串扰较为严重这就增加了信号处理的难度;对于连续动作的SEMG信号的起止点准确地自动定位问题尚未彻底解决,从而难以实现多自由度假手的连续控制;目前市场上实际应用的假手大多只有一个自由度,现有的多自由度假手的控制准确率有待进一步提高才能满足实际应用的要求;肌电控制必须依靠强烈的意念才起作用,而在许多时候下意识的反应对运动控制也很必要,这是肌电控制无能为力的,等等。
除了肌电假肢以外,其它一些气动、机械或者利用其它人体信号(如肌肉收缩产生的肌肉震颤信号、脑电信号等)或者延伸生理本体感觉为控制源的假肢也有研究和应用。但目前从这些信号中能提取到的信息量相对比较少,或者由于需要额外的手术,这些假肢在实际应用还有待提高。
骨骼肌是生物学中非常典型的结构——功能关系的例子,骨骼肌的结构形态是决定骨骼肌功能的主要因素之一。骨骼肌的运动、损伤与疾病不仅体现在肌肉所产生的力或功能的改变,其结构形态也会发生改变。因此,利用骨骼肌的结构形态变化信息,是完全可以控制假手的。目前已有利用电磁传感器探测残端肌肉外部表皮形态变化作为控制信号源来实现假手的张合。但是它易受表皮结构和假肢腔空间的限制和干扰,且所能探测到的形态变化较微小,提取出的信号非常微弱,因此没有突破性的进展。
由于超声成像技术对人体的软组织具有很高的分辨能力,是研究骨骼肌结构形态的首选工具,测量肌肉厚度、肌束(肌纤维)长度、羽状肌的羽肌角度、肌肉生理横截面积或解剖横截面积等参量。我们将超声扫描骨骼肌得到的有关骨骼肌结构的空间形态变化信息定义为“声肌图(sonomyography)”,简写成SMG,这一个概念是对将超声成像技术应用于骨骼肌运动形态学中产生的一种新的肌肉运动形态参量的定义。由于超声可以稳定可靠的检测骨骼肌的结构形态变化信息,因此,利用超声获取上肢相关骨骼肌的肌肉厚度变化的声肌信号,是可以实现假手的控制的。
发明内容
本发明的目的在于提供一种采用声肌信号控制假手的方法,实现一个自由度的电机控制假手的手指比例张合。
为达到上述目的,本发明采用下述技术方案:
一种采用声肌信号控制假手的方法,采用的器件包括采用附着安装在残臂上的两个超声探头(包括A型超声探头和B型超声探头)、超声测量仪、视频捕获卡或者是数据采集卡,由计算机完成声肌信号的运动模式识别,然后输出控制信号经过驱动电路带动电动假手,其特征在于操作步骤为:
1)将A型和B型超声探头安装在残臂(包括上肢的前臂和上臂)的残端肌肉处,利用超声测量仪来获取残臂肌肉的超声信号。对于A超信号,可以使用A超信号发射/接收仪;而对于B超信号,可以采用医用超声设备采集;
2)通过采集卡将获取的超声信号采集存入计算机内。对于B超图像,通过视频捕获卡采集到计算机内;而对于A超信号,利用数据采集卡采集数据到计算机内;
3)利用块匹配跟踪算法或改进的快速块匹配跟踪算法,实现声肌信号的模式、识别信号提取和计算;
4)利用提取出的声肌信号的上下沿去分别计算驱动步进电机实现手指的完整张开和合拢所需要的步长,并进一步确定每一个步长的范围值;
5)利用声肌信号的上下沿的值对应到相对的步长范围内,控制假手手指的张合。
上述步骤3)的具体操作如下:
(1)对于B超图像,利用块匹配跟踪算法中或改进的快速块匹配跟踪算法跟踪伸肌上下沿运动轨迹;对于A超信号,利用互相关跟踪算法跟踪伸肌的运动轨迹。然后计算肌肉厚度变化率声肌值。
(2)步骤(1)中的快速块匹配算法,采用了英特尔的SSE(Streaming SIMD Extensions)指令集进行并行算法加速。
(3)步骤(1)中的A超信号的互相关跟踪算法,其跟踪模板的确定,可以是人工定位A超声线中的肌肉——骨骼界面反射回波信号包络作为模板,其特征为幅度明显大于一般的A超信号。或者是将从受试者已经实验采集到的A超信号中的特征信号保存作为模板,通过自动模式识别的方法由计算机自动地定位这个回波信号包络。
上述步骤4)的具体操作步骤如下:
(1)把计算得到的起始几个周期的肌肉厚度变化率值作为训练数据,从中找到最大值和最小值,计算其差值Δd,或人为的设定差值Δd。
(2)把Δd分别除以假手中步进电机分别从手指完全合拢到完全张开,以及完全张开到完全合拢所需要转动的步进数M和N,以确定张开和合拢控制的步长值范围。
上述步骤5)的具体操作步骤如下:
(1)将新计算得到的肌肉厚度变化率值映射到步骤4中的步长值范围中驱动步进电机运动,从而进行比例控制假手手指的张合。其中声肌信号上升沿的每一点去控制手指张开,下降沿的每一点去控制手指合拢。
(2)当声肌信号值保持某个值不变时,就能让手指保持在某一位置不变。
本发明与现有技术相比较,具有如下显而易见的突触实质性特点和显著优点:
1)声肌信号具有空间定位信息,能无损检测不同深度和位置的肌肉厚度变化信息,并且不受相邻肌肉的串扰干扰;
2)声肌信号更加稳定,不易受到外部干扰噪声的影响,如皮肤阻抗、运动伪影、脂肪厚度等。
3)声肌信号易于检测,不需要使用者很强烈的精神努力去有意识地运动。
声肌信号控制假肢,为假手实现更多、更复杂的动作模式提供了潜在的有效途径,促进假肢研究的发展。
附图说明
图1为本发明采用声肌信号控制假手的方法的操作程序示意图。
具体实施方式
本发明的优选实施例结合附图详述如下(参见图1):首先确定残肢患者的残肢程度。如果是只是手腕截止,而前臂大部分保留,则采集声肌信号的位置为前臂伸肌;如是前臂大部分已经截止,保留的伸肌部分很少,则从肱二头肌处采集声肌信号。当采集的是超声图像时,由B型超声诊断仪完成图像的获取,然后由视频捕获卡进行二次采集,将图像由B超设备传送至计算机,一般采样率为12Hz~20Hz之间。当采集的是A超信号时,由A超测量仪获取超声信号,再由数据采集卡采集传送至计算机,采样率一般在50MHz以上。
然后进行模式识别,再利用跟踪算法来进行声肌信号的提取计算。对于B超图像,可先人工在对应骨骼肌的上下沿选取合适位置,设定两个矩形框作为模板,两个框中心点之间的距离就作为肌肉厚度。再利用互相关跟踪算法或者是改进的快速块匹配算法寻找新一帧图像中的最佳匹配位置,同时把第二帧图像内的最佳匹配位置处的矩形框内的图像更新为新的模板,进行下一帧图像的匹配,以此类推直到最后一帧B超图像。对于得到的每帧图像中的肌肉厚度,再计算其肌肉厚度变化率。而对于A超信号,则只需人工定位A超声线中连续的2个回波信号包络作为模板。这2个连续的回波信号包络分别对应于肌肉——脂肪界面和肌肉——骨骼界面,其特征为幅度明显大于一般的A超信号。或者是将从受试者已经实验采集到的A超信号中的特征信号保存作为模板,通过自动模式识别的方法由计算机自动地定位这2个连续的回波信号包络。然后采用互相关跟踪算法对这两个模板进行搜索匹配,寻找最佳匹配位置,并将2个连续模板中心之间的距离作为肌肉厚度来计算肌肉厚度变化率。我们让受试者进行一定节拍下的手腕屈伸实验,分别采集A超信号和B超图像。不同受试者的A超信号和B超图像均显示了相似的特征,而他们的肌肉厚度变化率声肌信号也都显示了相似的波形。
为计算假手步进电机运动步长范围,先通过计算机从数据采集卡的模拟信号输出口输出超过步进电机门限值的单脉冲信号,测试假肢手指从完全合拢到完全张开,以及完全张开到完全合拢这两个过程中,步进电机分别所需要运动的步数M和N,并记录。再把计算得到的起始几个周期的肌肉厚度变化率值作为训练数据,从中找到最大值和最小值,计算其差值Δd,或人为的设定差值Δd。然后把Δd分别除以步进电机运动步数M和N,确定张开和合拢控制的步长值范围。
为实现假手控制,将新计算得到的肌肉厚度变化率值映射到步长值范围中,确定步进电机所需运动的步数,驱动步进电机运动,从而进行比例控制假手手指的张合。其中声肌信号上升沿的每一点去控制手指张开,下降沿的每一点去控制手指合拢。而当声肌信号值保持某个值不变时,就能让手指保持在某一位置不变。
Claims (4)
1.一种采用声肌信号控制假手的方法,采用的器件包括附着安装在残臂上的两个超声探头——A型超声探头和B型超声探头、超声测量仪和视频捕获卡或者是数据采集卡,由计算机完成声肌信号的运动模式识别和声肌信号计算,然后输出控制信号经过驱动步进电路带动电动假手,其特征在于:
(1)将超声探头安装在残臂——上肢的前臂和上臂的残端肌肉处,利用超声测量仪来获取残臂肌肉的超声信号;对于A超信号,使用A超信号发射/接收仪;而对于B超信号,采用医用超声设备采集;
(2)通过采集卡将获取的超声信号采集存入计算机内。对于B超图像,通过视频捕获卡采集到计算机内;而对于A超信号,利用数据采集卡采集数据到计算机内;
(3)利用块匹配跟踪算法或改进的快速块匹配跟踪算法,实现声肌信号的模式识别信号提取和计算;
(4)利用提取出的声肌信号的上下沿去分别计算驱动步进电机实现手指的完整张开和合拢所需要的步长,并进一步确定每一个步长的范围值;
(5)利用声肌信号的上下沿的值对应到相对的步长范围内,控制假手手指的张合。
2.根据权利要求1所述的采用声肌信号控制假手的方法,其特征在于所述步骤(3)的具体操作步骤如下:
(1)对于B超图像,利用块匹配跟踪算法中或改进的快速块匹配跟踪算法跟踪伸肌上下沿运动轨迹;对于A超信号,利用互相关跟踪算法跟踪伸肌的运动轨迹;然后计算肌肉厚度变化率声肌值;
(2)快速块匹配算法,采用了英特尔的SSE指令集进行并行算法加速;
(3)A超信号的互相关跟踪算法,其跟踪模板的确定,人工定位A超声线中的肌肉——骨骼界面反射回波信号包络作为模板,其幅度明显大于一般的A超信号;或者将从受试者已经实验采集到的A超信号中的特征信号保存作为模板,通过自动模式识别的方法由计算机自动地定位这个回波信号包络。
3.根据权利要求1所述的采用声肌信号控制假手的方法,其特征在于所述步骤(4)的具体操作步骤如下:
(1)把计算得到的起始几个周期的肌肉厚度变化率值作为训练数据,从中找到最大值和最小值,计算其差值Δd,或人为的设定差值Δd;
(2)把Δd分别除以假手中步进电机分别从手指完全合拢到完全张开,以及完全张开到完全合拢所需要转动的步进数M和N,以确定张开和合拢控制的步长值范围。
4.根据权利要求1所述的采用声肌信号控制假手的方法,其特征在于所述步骤(5)的具体操作步骤如下:
(1)将新计算得到的肌肉厚度变化率值映射到步骤(4)中的步长值范围中驱动步进电机运动,从而进行比例控制假手手指的张合,其中声肌信号上升沿的每一点去控制手指张开,下降沿的每一点去控制手指合拢;
(2)当声肌信号值保持某个值不变时,就能让手指保持在某一位置不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910200508A CN101716103A (zh) | 2009-12-22 | 2009-12-22 | 采用声肌信号控制假手的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910200508A CN101716103A (zh) | 2009-12-22 | 2009-12-22 | 采用声肌信号控制假手的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101716103A true CN101716103A (zh) | 2010-06-02 |
Family
ID=42430800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910200508A Pending CN101716103A (zh) | 2009-12-22 | 2009-12-22 | 采用声肌信号控制假手的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101716103A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101947150A (zh) * | 2010-09-11 | 2011-01-19 | 山东科技大学 | 实现多自由度假肢对随机目标进行空间定位的方法 |
CN102125724A (zh) * | 2010-12-28 | 2011-07-20 | 上海大学 | 声肌信号控制手功能开环功能性电刺激控制方法 |
CN104644216A (zh) * | 2015-02-11 | 2015-05-27 | 上海交通大学 | 肌肉群运动信息的超声检测系统及其方法 |
-
2009
- 2009-12-22 CN CN200910200508A patent/CN101716103A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101947150A (zh) * | 2010-09-11 | 2011-01-19 | 山东科技大学 | 实现多自由度假肢对随机目标进行空间定位的方法 |
CN101947150B (zh) * | 2010-09-11 | 2012-02-08 | 山东科技大学 | 实现多自由度假肢对随机目标进行空间定位的方法 |
CN102125724A (zh) * | 2010-12-28 | 2011-07-20 | 上海大学 | 声肌信号控制手功能开环功能性电刺激控制方法 |
CN104644216A (zh) * | 2015-02-11 | 2015-05-27 | 上海交通大学 | 肌肉群运动信息的超声检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tam et al. | A fully embedded adaptive real-time hand gesture classifier leveraging HD-sEMG and deep learning | |
He et al. | Wrist and finger gesture recognition with single-element ultrasound signals: A comparison with single-channel surface electromyogram | |
CN109222969A (zh) | 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统 | |
US5339827A (en) | Acupuncture system and method | |
Guo et al. | A gesture recognition strategy based on A-mode ultrasound for identifying known and unknown gestures | |
Siddiqui et al. | Hand gesture recognition using multiple acoustic measurements at wrist | |
CN113261932A (zh) | 基于ppg信号和一维卷积神经网络的心率测量方法及装置 | |
CN111803099A (zh) | 基于径向基神经网络的人体上肢肌肉力预测装置及方法 | |
Lu et al. | Wearable real-time gesture recognition scheme based on A-mode ultrasound | |
Zou et al. | A multimodal fusion model for estimating human hand force: Comparing surface electromyography and ultrasound signals | |
CN101716103A (zh) | 采用声肌信号控制假手的方法 | |
Zengyu et al. | A simultaneous gesture classification and force estimation strategy based on wearable A-mode ultrasound and cascade model | |
US8016777B1 (en) | Hand-held probe for prostate cancer screening | |
KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
Kato et al. | Estimating wrist joint angle with limited skin deformation information | |
CN107320073A (zh) | 组织疼痛分级方法及其装置 | |
CN102125724A (zh) | 声肌信号控制手功能开环功能性电刺激控制方法 | |
CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
JP7452855B2 (ja) | 時系列データ予測を用いた嚥下運動予測方法及びそのシステム | |
Zhang et al. | Research on gesture definition and electrode placement in pattern recognition of hand gesture action SEMG | |
CN210408410U (zh) | 一种穿戴式脉搏信息采集装置 | |
Carrino et al. | Gesture segmentation and recognition with an EMG-based intimate approach-an accuracy and usability study | |
Kim et al. | Spatial semg pattern-based finger motion estimation in a small area using a microneedle-based high-density interface | |
CN112580587A (zh) | 基于振动噪声信号的骨关节受损信息评估系统及评估方法 | |
Acuña et al. | A wearable sonomyography system for prosthesis control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20100602 |