CN107471219A - 基于生物电信号的控制方法和控制装置 - Google Patents

基于生物电信号的控制方法和控制装置 Download PDF

Info

Publication number
CN107471219A
CN107471219A CN201610399279.4A CN201610399279A CN107471219A CN 107471219 A CN107471219 A CN 107471219A CN 201610399279 A CN201610399279 A CN 201610399279A CN 107471219 A CN107471219 A CN 107471219A
Authority
CN
China
Prior art keywords
bioelectrical signals
freedom
control
matrix
degree
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
Application number
CN201610399279.4A
Other languages
English (en)
Inventor
林闯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610399279.4A priority Critical patent/CN107471219A/zh
Publication of CN107471219A publication Critical patent/CN107471219A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/1607—Calculation of inertia, jacobian matrixes and inverses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection

Abstract

本发明实施例提供了基于生物电信号的控制方法和控制装置。该控制方法包括：获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；依据以下方程式(1)对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号：F：Z’＝W’·F，其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和，以控制信号F控制所述操作对象进行所述多自由度动作。通过根据本发明的基于生物电信号的控制方法和控制装置，可以基于稀疏非负矩阵因素分解来以生物电信号控制操作对象，以进行多自由度的联合控制，从而能够实现操作对象的任意多自由度动作，且动作之间的转换自然。

Description

基于生物电信号的控制方法和控制装置
技术领域
本发明涉及控制系统领域，特别涉及基于生物电信号的控制方法和控制装置。
背景技术
通过生物电信号，例如，肌电信号、脑电信号等对设备进行操作是一种新兴的操作方式。以肌电信号为例，现在通过肌电信号对设备的操作方式是采集肌电信号，然后对肌电信号进行处理，最后输出操作信号。操作对象接收到操作信号后根据操作信号进行对应的操作。
神经生理学的研究表明，在脊神经层面(Spinal Cord level)，神经信号可以通过线性组合的方式控制多个肌肉群的联合运动。例如，可以通过模拟该过程来利用肌电信号控制机械手臂的操作。
在目前商用的机械手臂的肌电控制方法中，以表面肌电图(sEMG)信号作为多功能机械手臂的控制源，且机械手臂采用机器学习技术来从sEMG信号提取神经肌肉控制信息。目前的机械手臂的肌电控制方法为基于模式识别的方法，即对每一个多自由度(Degree ofFreedom：DOF)动作都作为一个类训练，这种方式只能实现有限的多自由度动作，而且动作之间的转换非常机械、不自然。
发明内容
本发明的目的在于针对上述现有技术的缺陷和不足，提供能够实现多自由度动作的联合控制的基于生物电信号的控制方法和控制装置。
根据本发明的一方面，提供了一基于生物电信号的控制方法，其特征在于，包括：获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；依据以下方程式(1)对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号：
F：Z’＝W’·F (1) 其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和，以控制信号F控制所述操作对象进行所述多自由度动作。
在上述基于生物电信号的控制方法中，所述特征Z’是所述生物电信号Z的均方根：Z’＝√Z。
在上述基于生物电信号的控制方法中，所述特征Z’是所述生物电信号Z的时域特征或者自回归参数。
在上述基于生物电信号的控制方法中，所述操作对象是包括以下的至少其中之一的人体仿真机械部件：机械手臂、机械腿、机械颈部等。
在上述基于生物电信号的控制方法中，所述生物电信号包括以下的至少其中之一：肌电信号、脑电信号。
在上述基于生物电信号的控制方法中，以包括如下步骤的训练过程获得所述系统转移矩阵W：使得训练对象进行包括多自由度动作和单自由度动作中的至少一个的多个训练动作；将从每个训练动作检测到的生物电信号组合记为生物电信号矩阵Z1；应用稀疏非负整数因数分解算法将所述生物电信号矩阵Z1分解为非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，i表示迭代次数；通过迭代来更新非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，其中所述非负控制信号矩阵Fi的每个行向量对应于所述多自由度动作的一单自由度；和，获得更新后的非负系统转移矩阵Wi作为系统转移矩阵W。
在上述基于生物电信号的控制方法中，所述稀疏非负整数因数分解算法向非负整数因数分解的解添加约束且要求所述解最大化结果控制函数的稀疏性。
在上述基于生物电信号的控制方法中，进一步包括：基于l1范数来控制非负控制信号矩阵F的稀疏性程度，由以下方程式表示：
其中，F(:,t)是控制信号矩阵F的第t列矢量，’Fro’是尼乌斯范数，m是检测生物电信号的信道数，T是时间长度，λ>0是平衡因数分解的精确性和F的稀疏性程度的正则参数，上标“+”和“-”表示每个自由度的正向和负向。
在上述基于生物电信号的控制方法中，所述方程式(2)重写为：
其中e1×2m是所有项等于1的行矢量，且01×T等于0。
在上述基于生物电信号的控制方法中，通过交替非负最小二乘方法来求解方程式(3)，并通过固定所述系统转移矩阵W和所述信号矩阵F中的一个来迭代的更新另一个，如以下方程式所示：
其中所述F(k+1)和W(k+1)具有闭合形式的解。
在上述基于生物电信号的控制方法中，通过交叉验证来选择最优λ，所述最优λ是获得最小的平均信噪比的正则参数。
在上述基于生物电信号的控制方法中，所述操作对象为机械手臂，且所述多自由度动作包括第一单自由度动作和第二单自由度动作；和，所述第一单自由度动作是手掌张握，且所述第二单自由度动作是手掌翻转。
在上述基于生物电信号的控制方法中，所述控制信号由以下方程式表示：
其中，F1是用于所述第一单自由度的控制信号，且F2是用于所述第二单自由度的控制信号，上标“+”和“-”表示每一自由度的正向和负向。
在上述基于生物电信号的控制方法中，进一步包括：根据以下方程式由缩放校正因数缩放所述控制信号：
其中，所述缩放校正因数τij被确定为使得所述控制信号F被映射到所述多自由度动作中的整个关节角度范围。
在上述基于生物电信号的控制方法中，进一步包括：在运动带宽对所述控制信号进行低通滤波，并以滤波后的控制信号控制所述操作对象进行所述多自由度动作。
根据本发明的另一方面，提供了一基于生物电信号的控制装置，其特征在于，包括：检测单元，用于获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；处理单元，用于依据以下方程式对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：
Z’＝W’·F (1)其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和，控制单元，用于以控制信号F控制所述操作对象进行所述多自由度动作。
在上述基于生物电信号的控制装置中，所述特征Z’是所述生物电信号Z的均方根：Z’＝√Z。
在上述基于生物电信号的控制装置中，所述特征Z’是所述生物电信号Z的时域特征或者自回归参数。
在上述基于生物电信号的控制装置中，所述操作对象是包括以下的至少其中之一的人体仿真机械部件：机械手臂、机械腿、机械颈部等。
在上述基于生物电信号的控制装置中，所述生物电信号包括以下的至少其中之一：肌电信号、脑电信号。
在上述基于生物电信号的控制装置中，通过包括如下步骤的训练过程获得所述系统转移矩阵W：使得训练对象进行包括多自由度动作和单自由度动作中的至少一个的多个自由度动作；将从每个训练动作检测到的生物电信号组合记为生物电信号矩阵Z1；应用稀疏非负整数因数分解算法将所述生物电信号矩阵Z1分解为非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，i表示迭代次数；通过迭代来更新非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，其中所述非负控制信号矩阵Fi的每个行向量表示对应于所述多自由度动作的一单自由度；和，获得更新后的非负系统转移矩阵Wi作为系统转移矩阵W。
在上述基于生物电信号的控制装置中，所述稀疏非负整数因数分解算法向非负整数因数分解的解添加约束且要求所述解最大化结果控制函数的稀疏性。
在上述基于生物电信号的控制装置中，基于l1范数来控制非负控制信号矩阵F的稀疏性程度，由以下方程式表示：
其中，F(:,t)是控制信号矩阵F的第t列矢量，’Fro’是尼乌斯范数，m是检测生物电信号的信道数，T是时间长度，λ>0是平衡因数分解的精确性和F的稀疏性程度的正则参数，上标“+”和“-”表示每个自由度的正向和负向。
在上述基于生物电信号的控制装置中，所述方程式(2)重写为：
其中e1×2m是所有项等于1的行矢量，且01×T等于0。
在上述基于生物电信号的控制装置中，通过交替非负最小二乘方法来求解方程式(3)，并通过固定所述系统转移矩阵W和所述信号矩阵F中的一个来迭代的更新另一个，如以下方程式所示：
其中所述F(k+1)和W(k+1)具有闭合形式的解。
在上述基于生物电信号的控制装置中，通过交叉验证来选择最优λ，所述最优λ是获得最小的平均信噪比的正则参数。
在上述基于生物电信号的控制装置中，所述操作对象为机械手臂，且所述多自由度动作包括第一单自由度动作和第二单自由度动作；和，所述第一单自由度动作是手掌张握，且所述第二单自由度动作是手掌翻转。
在上述基于生物电信号的控制装置中，所述控制信号由以下方程式表示：
其中，F1是用于所述第一单自由度的控制信号，且F2是用于所述第二单自由度的控制信号，上标“+”和“-”表示每一自由度的正向和负向。
在上述基于生物电信号的控制装置中，所述控制单元进一步用于：根据以下方程式由缩放校正因数缩放所述控制信号：
其中，所述缩放校正因数τij被确定为使得所述控制信号F被映射到所述多自由度动作中的整个关节角度范围。
在上述基于生物电信号的控制装置中，所述控制单元进一步用于：在运动带宽对所述控制信号进行低通滤波，并以滤波后的控制信号控制所述操作对象进行所述多自由度动作。
通过根据本发明的基于生物电信号的控制方法和控制装置，可以基于稀疏非 负矩阵因数分解来以生物电信号控制操作对象，以进行多自由度的联合控制，从而能够实现操作对象的任意多自由度动作，且动作之间的转换自然。
并且，在根据本发明的基于生物电信号的控制方法和控制装置中，通过采用稀疏非负矩阵因数分解方案来对检测到的生物电信号进行稀疏非负矩阵因数分解，可以以一个步骤直接得到用于控制操作对象的多自由度动作的控制信号，从而实现便捷和高效的同步正比例生物电信号控制。
并且，在根据本发明的基于生物电信号的控制方法和控制装置中，通过采用基于稀疏非负矩阵因数分解的方案，可以直接应用于多自由度动作而非一系列单自由度动作的训练和控制，提高了控制的精度并改善了训练中的便利度。
附图说明
图1是单自由度动作和多自由度动作的示意图；
图2是以生物电信号来实现多自由度动作的控制的示意性框图；
图3是模拟前臂横截面佩戴肌电图传感器的示意图；
图4是根据本发明实施例的基于生物电信号的控制方法的示意性流程图；
图5是示出了非负矩阵因数分解方案与稀疏非负矩阵因数分解方案之间的对比的示意图；
图6是根据本发明实施例的基于生物电信号的控制装置的示意性框图。
具体实施方式
以下描述用于公开本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的公开中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个 实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。
以下说明书和权利要求中使用的术语和词不限于字面的含义，而是仅由本发明人使用以使得能够清楚和一致地理解本发明。因此，对本领域技术人员很明显仅为了说明的目的而不是为了如所附权利要求和它们的等效物所定义的限制本发明的目的而提供本发明的各种实施例的以下描述。
虽然比如“第一”、“第二”等的序数将用于描述各种组件，但是在这里不限制那些组件。该术语仅用于区分一个组件与另一组件。例如，第一组件可以被称为第二组件，且同样地，第二组件也可以被称为第一组件，而不脱离发明构思的教导。在此使用的术语“和/或”包括一个或多个关联的列出的项目的任何和全部组合。
在这里使用的术语仅用于描述各种实施例的目的且不意在限制。如在此使用的，单数形式意在也包括复数形式，除非上下文清楚地指示例外。另外将理解术语“包括”和/或“具有”当在该说明书中使用时指定所述的特征、数目、步骤、操作、组件、元件或其组合的存在，而不排除一个或多个其它特征、数目、步骤、操作、组件、元件或其组的存在或者附加。
包括技术和科学术语的在这里使用的术语具有与本领域技术人员通常理解的术语相同的含义，只要不是不同地限定该术语。应当理解在通常使用的词典中限定的术语具有与现有技术中的术语的含义一致的含义。
下面结合附图和具体实施方式对本发明作进一步详细的说明：
在肌电控制中，在肌肉空间中多于一个自由度(DOF)的动作可以被分解为单DOF动作(又称为基本DOF动作)的线性组合，例如，手掌张握是一个单DOF动作，定义为DOF1，且手腕旋转定义为DOF2。且进一步地，以上标“+”“-”来表示DOF的方向。具体来说，DOF1+表示手掌张开的动作，而DOF1-表示手掌闭合的动作，DOF2+表示逆时针翻转手腕的动作，而DOF2-表示顺时针翻转手腕的动作。图1是单自由度动作和多自由度动作的示意图。如图1所示，其示出了三个对象，深色圈表示的两个动作是单DOF动作，而浅色圈表示的动作是两个单DOF动作的组合，也就是说，需要同时激活深色圈表示的两个DOF动作来实现浅色圈表示的动作。
图2是以生物电信号来实现多自由度动作的控制的示意性框图。神经生理 学的研究表明，在脊神经层面(Spinal level)，神经信号可以通过线性组合的方式控制多个肌肉群的联合运动。因此，如果同时以线性组合的方式刺激神经，则肌肉以线性组合的方式动作。如图2所示，用于直接控制肌肉群的表面肌电图(sEMG)信号Z(t)不同于控制基本自由度的信号F(t)。具体来说，图2中的各个变量的含义如下：
F(t)：控制信号，F(t)＝[f1(t),…,fi(t),…,fN(t)]T，每个fi(t)控制着一个基本自由度动作的激活，这样，可以通过控制基本自由度动作的控制信号的线性组合来获得用于控制多自由度动作的控制信号；
S：肌肉协同矩阵,每个自由度由S转换成一组肌肉的活动,S模拟着脊神经的机理；
D(t)：D(t)＝[d1(t),…,di(t),…,dM(t)]T，di(t)为下行到各肌肉的神经驱动(最终运动神经码)；
Y(t)：Y(t)＝[y1(t),…,yi(t),…,yM(t)]T，yi(t)为肌肉的活动信号(iEMG)；
G(t)：组织等效滤波器阵列；
Z(t)：Z(t)＝[z1(t),…zi(t),…,zL(t)]T，zi(t)为一个通道的sEMG信号。
通过建立肌肉协同矩阵的模型并根据一定条件下的近似，可以得出以下两个公式：
WL×N是系统转移矩阵，为Z(t)的均方根(Root Mean Square：RMS)。
在基于肌电信号对操作对象的控制系统中，这是两个最基本的公式，分别表示控制信号到肌电信号的转换和肌电信号到控制信号的转换。
在具体的操作过程中，使用肌电图传感器采集多信道的sEMG信号，并求每个信道的sEMG信号的特征，例如公式(2)中的sEMG信号的均方根，再利用公式(2)将sEMG信号转换为控制信号。
图3是模拟前臂横截面佩戴肌电图传感器的示意图。如图3所示，假定控制手掌张握(DOF1)和手腕旋转(DOF2)的肌肉是4条，即：肌肉A到肌肉D，则可以在前臂表面配戴8个对称的EMG信号传感器以得到8个信道的sEMG信号Z(t)。
不同于现有的基于模式识别的方法，根据本发明实施例的基于生物电信号的控制方法意在实现多DOF动作的联合控制，即根据上述公式(2)，从检测的sEMG信号Z(t)一次性地得到用于控制多DOF动作的控制信号F(t)。
根据本发明实施例的一方面，提供了一种基于生物电信号的控制方法，包括以下步骤：获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；依据以下方程式对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：Z’＝W’·F，其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和，以控制信号F控制所述操作对象进行所述多自由度动作。
因此，通过根据本发明实施例的基于生物电信号的控制方法，可以基于生物电信号对操作对象进行多DOF的联合控制，能够实现任意多DOF动作，且动作之间的转换自然。
图4是根据本发明实施例的基于生物电信号的控制方法的示意性流程图。如图4所示，根据本发明实施例的基于生物电信号的控制方法包括以下步骤：S1，获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；S2，依据以下方程式对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：Z’＝W’·F，其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和S3，以控制信号F控制所述操作对象进行所述多自由度动作。
这里，本领域技术人员可以理解，当以多信道连续采集sEMG信号时，Z可以为m×n矩阵，其中m表示信道数，而n表示n个时间。相应地，F为2a×n矩阵，其中a表示单DOF的数目，如上所述，每个单DOF可以认为正向和负向，且n同样表示n个时间。这样，系统转移矩阵是m×2a矩阵。以下，为了描述的方便，在不需要特别表示矩阵行列数目的情况下，将sEMG信号矩阵、系统转移矩阵和控制信号矩阵统一简写为Z、W和F。
具体来说，在根据本发明实施例的基于生物电信号的控制方法中，将以上的公式(1)和(2)改下为：
Z’＝W·F (3)
F＝W’·Z’ (4)
其中，Z是通过EMG信号传感器得到的sEMG信号，Z’是sEMG信号的特征信号，W是系统转移矩阵，W’是W的伪逆矩阵，且F是用于控制操作对象，例如机械手臂的运动的控制信号。
因此，为了控制操作对象的多自由度运动，核心在于得到用于表示sEMG信号和控制信号之间的关系的系统转移矩阵W，这将在下面进行详细描述。
其中，Z’是通过EMG信号传感器得到的sEMG信号的特征，且F是用于控制多DOF动作的控制信号，W是系统转移矩阵。
在根据本发明实施例的基于生物电信号的控制方法中，可以使用sEMG信号的均方根作为EMG信号的特征，即Z’＝√Z。
当然，本领域技术人员可以理解，也可以使用sEMG信号的其他特征，例如，sEMG信号的时域特征或者自回归参数。其中，自回归参数是一自回归模型进行建模得到的参数，可以起到白化作用，在用sEMG信号逼近系统转移矩阵时具有改善的效果。
在对操作对象的多自由度动作进行控制之前，可以通过非负矩阵因数分解(non-negative matrix factorization：NMF)来解决提供连续控制信号F的sEMG信号的因数分解问题，因此，又可以被称为NMF方案。
在根据本发明实施例的控制方法中，通过预先进行的训练过程来获得系统转移矩阵W。具体来说，在训练过程中，例如，由生物信号放大器(EMGUSB2，OT Bioelettronica,Italy)以2048Hz的采样速率记录sEMG信号。指导训练对象进行一系列的腕部动作，即手掌的张握(DOF1)或者手掌的翻转(DOF2)，以及两者的组合。随机地选择这些动作的顺序。这样，单DOF动作和多DOF动作的组合提供了一组sEMG信号。该训练过程中记录的sEMG信号用于训练NMF算法，以通过对sENG信号的非负矩阵因数分解来获得尽量近似sENG信号矩阵的两个非负矩阵：系统转移矩阵W和控制信号矩阵F。通过迭代来更新系统转移矩阵W和控制信号矩阵F，其中，使得控制信号矩阵F满足矩阵的每个行向量对应于一个基本自由度动作的激活，以便控制操作对象。以上述手掌的张握和手掌的翻转的运动为例，控制信号F＝[F1 +；F1 -；F2 +；F2 -；]T，F1 +表示手掌张开的运动，F1 -表示手掌握住运动，F2 +表示手掌顺时针翻转的运动，且F2 -表示手掌逆时针翻转的运动。这样，得到表示sEMG信号矩阵Z和控制信号矩阵F之间的转换关系的系统转移矩 阵W。
另外，系统转移矩阵还可以通过线性递归(LR)方法获得。具体来说，将对应于每个自由度的控制信号组合记为矩阵F，并将从每个自由度检测的sEMG信号组合记为矩阵Z，则可以通过矩阵F和Z来估计系统转移矩阵W，如以下方程式所示：
W＝(FFT+λI)-1FTZ (5)
其中I是单位矩阵，且λ是正则参数。可以通过交叉验证来选择最优λ，最优λ是获得最小的平均信噪比的参数。
在NMF方案中，需要采用DOF-智能的训练策略，在训练过程中通过NMF算法计算出系统转移矩阵W。并且，根据该策略，通过单自由度动作的线性加和来获得多自由度的同步控制。
也就是说，通过采用NMF方案，通过多信道sEMG信号的NMF来估计控制信号F，以找到其积是所记录的多信道sEMG信号矩阵的良好近似的两个非负矩阵W和F。
这里，NMF能够学习对象(所记录的信号矩阵)的各个部分，即，其能够以附加方式发现局部信号特性。这与学习整体而不是基于部分的其他方法，比如主要分量分析(PCA)和矢量量化(VQ)方法相反。举例来说，对于面部识别，NMF、PCA和VQ的基本对象分别是局部特征、特征脸和整个面部。NMF中使用的约束仅允许加法，而不允许减法和组合，这导致基于部分的表示。
因此，在NMF方案中，允许同步正比例sEMG控制。但是，对于NMF方案来说，需要DOF-智能的校准阶段，在该阶段期间用户需要以预定义的次序激活单DOF动作。该过程对于用户是不方便的，并且更重要的是用户可能不能够确切地激活单DOF动作。如果在训练阶段中的激活不确切是单DOF的，则基于DOF-智能的NMF方法可能生成不足的系统转移矩阵W，从而不能够计算出足够精确的DOF控制信号F(t)，导致了不良控制。
例如，将N-信道T-长度的sEMG信号的均方根值表示为Z，其中第t列是在时间t的sEMG信号，且以m表示DOF的数目。如上所述，因为每个DOF可以进一步分解为正向和负向，所以可以通过N×2m非负系统转移矩阵W和2m×T非负控制信号矩阵F的积来表示Z，如以下方程式所述：
ZN×T≈WN×2mF2m×T (4)
上述因数分解问题可以以半监督方式解决。如上所述，通过使用DOF-智能的训练策略，用户以预定义次序执行单DOF动作，以获得NMF的稀疏因数分解。通过应用用于校准的特定单DOF的激活序列来获得解的稀疏性。这样，经由NMF的控制信号将基于肌肉信号域中的DOF的加和特性。对于单DOF识别控制信号且然后用于同时控制多DOF的组合。但是，如果不使用预定义的单DOF激活执行训练，则NMF可能不能提供具有与单DOF相关联的基本函数，而是提供与DOF的组合相关联的基本函数。这样，多DOF可能将不能被分离为单DOF以用于控制。
上述问题是由于NMF不能够生成足够稀疏的因数分解所造成的。
因此，在本发明实施例的控制方法中，对上述NMF方案进行了进一步的优化，即sNMF(稀疏NMF：sparse NMF)方案，其能够以准无监督方式鲁棒地和同时识别分离生成的基本函数的因数分解。通过采用该方案，在校准阶段中，对象并不需要遵循预定义的次序来激活单DOF，且甚至可以同时激活多于一个DOF。另外，与NMF方案相同，也可以以一个步骤来提取系统转移矩阵。
为实现上述目的，需要向因数分解的解添加约束且特别需要该解最大化结果控制函数的稀疏性。稀疏性约束限制可能的NMF解的空间。特别地，具有基本函数的解对应于单DOF，其是目标解，且在其他无穷解中最稀疏的。这样，具有约束的因数分解不需要预设的校准阶段或者单DOF的激活，且可以应用于用户执行的具有多DOF的任意任务。
因此，在根据本发明实施例的基于生物电信号的控制方法中，提出了生成稀疏解的sNMF方案从而不需要由单DOF激活生成的特定集合的校准数据。如上所述，由于在肌肉空间中，多DOF动作可以被分解为基本DOF动作的线性组合，因而期望F是基矩阵，使得F的每个行向量对应于控制一个基本自由度的控制信号。这样，控制多DOF动作的控制信号也可以被分解为控制单DOF动作的控制信号的线性组合。所以，通过将稀疏性约束施加到控制信号，可以使用稀疏性约束来确定比上述NMF更稀疏的解。
数学上通常通过l1范数和l0范数来控制稀疏性程度。为了计算方便，选择了基于l1范数的SNMF方法，该SNMF方法的目标函数由以下方程式表示：
其中，F(:,t)是控制信号矩阵F的第t列矢量，’Fro’是尼乌斯范数，且λ>0是平衡因数分解的精确性和F的稀疏性程度的正则参数。如上所述，通过交叉验证选择最优λ。如上所述，上标“+”和“-”表示每个DOF的正向和负向。以上方程式可以重写为：
其中e1×2m是所有项等于1的行矢量，且01×T等于0。可以通过交替非负最小二乘(ANLS)方法来有效地求解方程式(6)，并通过固定W和F中的一个来迭代的更新W和F中的另一个，如以下方程式所示：
上述F(k+1)和W(k+1)的求解是经典的最小二乘问题，且每个具有闭合形式的解。所以，可以理解sNMF方案可以会聚到静止的点。
通过sNMF方案，可以从由用户的任意DOF的组合生成的记录一个步骤地提取所有基本函数。
尽管上面以l1范数为例来描述了对控制信号矩阵的稀疏性程度进行控制，但根据本发明实施例的基于生物电信号的控制方法同样可以应用l0范数来对控制信号矩阵的稀疏性程度进行控制。同样，本领域技术人员可以理解，根据本发 明实施例的基于生物电信号的控制方法也可以使用其他的稀疏性约束来控制该控制信号矩阵的稀疏性程度，从而使得控制信号矩阵的每个行向量对应于控制一基本DOF的控制信号，以将控制多DOF动作的控制信号分解为控制基本DOF动作的控制信号的线性组合。
这样，由于直接从采集的表面肌电图信号得到了表示控制单自由度动作的控制信号的线性组合的控制信号矩阵，该控制方式与执行相应任务的多自由度动作所对应的生理肌肉活动相关联，从而以精确模拟人体肌肉活动的方式来对操作对象进行了直观的控制。这样，根据本发明实施例的基于生物电信号的控制方法例如可以应用于通过检测用户的手势，并将表示多自由度动作的用户的手势分解为表示单自由度动作的用户手势的线性组合，来对操作对象进行控制，从而改进了系统开发的可实现度。
由于在训练过程当中，用户比较难以确切地激活单DOF，除了避免需要单DOF激活的预定义顺序之外，sNMF实际上优于NMF。如果在用于因数分解的信号集合中存在DOF的共同激活，则NMF和sNMF实现的解不同。并且由于sNMF施加了稀疏性且将在系统转移矩阵的列中更接近地表示单DOF，sNMF的解更优。
通过如上所述的NMF或者sNMF方案，在在从一组sEMG信号获得系统转移矩阵W之后，为了估计关于DOF的意向动作的控制信号，求W的伪逆矩阵，并将其乘以新纪录的sEMG信号的特征，这样，估计的控制信号为：
F(t)＝W’·Z’(t)
以上述DOF1和DOF2这两个自由度的联合控制为例来进行描述，则F(t)表示为：
为了保证没有分量被其他分量掩盖，将F中的每个分量相对于其最大值归一化。估计的控制信号进一步由缩放校正因数缩放，这用于解释因数分解处理中信号功率(控制信号的范围)的不确定性。
其中，将F1，F2分别作为DOF1和DOF2的控制信号。对于每个对象确定乘 法因数τij以使得训练阶段的最终控制信号可以被映射到各个DOF中的整个关节角度范围。这样，可以确保获得的控制信号能够精确模拟人体的肌肉控制多DOF动作的过程，来对操作对象进行直观的控制。然后，获得的控制信号在6Hz(运动带宽)低通滤波，然后可以应用于操纵对象以使得操作对象控制DOF动作。
在肌肉信号域中，可以作为基本函数的线性组合来获得动作。最好的基本函数是对应于单DOF的，因为它们与确定相应任务的生理肌肉活动相关联。实际上，肌肉信号域中的活动空间可以由对应于单DOF的活动信号的任意线性组合覆盖。因此，在NMF方案中，肌电控制中应用的NMF从用户的单DOF任务期间产生的信号逐个地提取基本函数(即，DOF-智能的训练策略)，以得到系统转移矩阵W，但是这可能是不方便和不精确的。sNMF方案消除了该需要，因为其从任意任务产生的一组sEMG信号选择具有最大稀疏性的因数分解，而这直接对应于与单DOF相关联的基本函数。
除了即使使用的信号来自单DOF动作也很好地设置基本函数的优点，sNMF方案可以用于因数分解不具有从单DOF动作生成的约束的信号。因此，可以对于更大类的信号以无监督的方式实现相同的解决方案，以得到系统转移矩阵W。因此，该方案可以用于在控制算法的使用期间基本函数的连续估计，作为随时间适配基本函数的方式。
图5是示出了NMF方案与sNMF方案之间的对比的示意图。具体来说，图5示出了当测试对象尝试进行单DOF动作时分别由NMF方案和sNMF方案生成的控制信号。如图5所示，NMF方案和sNMF方案都是基于对单DOF动作期间生成的sEMG信号的因数分解。当使用sNMF方案时，相比NMF方案能够更加抑制对应于无意的DOF的控制信号。而对于NMF方案，在某些情况下，无意的DOF动作的控制信号甚至具有与有意的DOF动作的控制信号相同的幅度。因此，从图5可以看到，即使在单DOF动作用于推导系统转移矩阵W的情况下，sNMF方案的稀疏性约束也能够通过减少不需要的无意的DOF动作的激活来得到更优的解。
本领域技术人员可以理解，虽然以上以肌电信号控制机械手臂的操作为例进行了描述，在根据本发明实施例的控制方法中，并不限于以肌电信号来控制机械手臂的操作。例如，根据本发明实施例的控制方法同样可以应用于以肌电信号来控制其他仿真人体部件，例如机械腿，机械颈部等。其原理相同，都是通过检测 肌电信号，并通过系统转移矩阵处理肌电信号以得到控制每个基本DOF的控制信号，从而对操作对象进行多DOF的联合控制。
此外，根据本发明实施例的控制方法还可以应用于以任意生物电信号来控制任意操作对象。具体来说，在接收到生物电信号并将生物电信号处理为对操作对象进行多DOF联合控制的控制信号之后，根据操作对象的属性创建至少一神经元模块，并通过管理各神经元模块来形成操作对象的具体操作信号。
各神经元模块分别对应控制操作对象的一个基本功能。例如，在操作对象为遥控汽车的情况下，神经元管理模块创建一关于提供动力的第一神经元模块、一关于停止提供动力的第二神经元模块、一关于方向前的第三神经元模块、一关于方向后的第四神经元模块、一关于方向左的第五神经元模块和一关于方向右的第六神经元模块。连接管理模块管理各神经元模块之间的连接件，以管理各神经元模块之间的通信。也就是说，以连接神经元模块的方式，对操作对象进行复杂的操作。例如，如果以表示方向向左的DOF动作的控制信号通过关于方向左的第五神经元模块操作该遥控汽车，则该遥控汽车的车轮向左转动。如果以表示方向向左的DOF动作的控制信号关于方向左的第五神经元模块与以表示方向向前的DOF动作的控制信号关于提供动力的第一神经元模块3111通信地连接并操作该遥控汽车，则该遥控汽车可被控制进行左转弯。
如上所述，根据本发明实施例的基于生物电信号的控制方法可以应用于直接检测用户的多DOF动作，并以对应于单DOF动作的控制信号的线性组合的方式生成对应于多DOF动作的控制信号来对操作对象进行控制。在以上控制遥控汽车进行左转弯的示例中，用户可以直接做出包含表示方向向前的DOF动作和表示方向向左的DOF动作的手势，例如向左前方挥动的手势。这样，根据本发明实施例的基于生物电信号的控制方法直接从该手势生成控制汽车左转弯的控制信号。并且，由于根据本发明实施例的基于生物电信号的控制方法可以实现同步正比例控制，用户可以基于挥动的手势的幅度来控制遥控汽车的左转弯的运动参数，例如，转弯角度和转弯速度等。
因此，通过根据本发明实施例的基于生物电信号的控制方法，可以基于稀疏非负矩阵因数分解来以生物电信号控制操作对象，以进行多自由度的联合控制，从而能够实现操作对象的任意多自由度动作，且动作之间的转换自然。
并且，在根据本发明实施例的基于生物电信号的控制方法中，通过采用sNMF 方案来对检测到的生物电信号进行稀疏非负矩阵因数分解，可以以一个步骤直接得到用于控制操作对象的多自由度动作的控制信号，从而实现便捷和高效的同步正比例生物电信号控制。
并且，在根据本发明实施例的基于生物电信号的控制方法中，通过采用基于稀疏非负矩阵因数分解的方案，可以直接应用于多自由度动作而非一系列单自由度动作的训练和控制，提高了控制的精度并改善了训练中的便利度。
根据本发明实施例的另一方面，提供了一基于生物电信号的控制装置，其特征在于，包括：检测单元，用于获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；处理单元，用于依据以下方程式对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：
Z’＝W’·F (1)其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和，控制单元，用于以控制信号F控制所述操作对象进行所述多自由度动作。
图6是根据本发明实施例的基于生物电信号的控制装置的示意性框图。如图6所示，根据本发明实施例的基于生物电信号的控制装置100包括：检测单元101，用于获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；处理单元102，用于依据以下方程式对检测单元101所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：
Z’＝W’·F (1)其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和，控制单元103，用于以处理单元102得到的控制信号F控制所述操作对象进行所述多自由度动作。
在上述基于生物电信号的控制装置中，所述特征Z’是所述生物电信号Z的均方根：Z’＝√Z。
在上述基于生物电信号的控制装置中，所述特征Z’是所述生物电信号Z的时域特征或者自回归参数。
在上述基于生物电信号的控制装置中，所述操作对象是包括以下的至少其中 之一的人体仿真机械部件：机械手臂、机械腿、机械颈部等。
在上述基于生物电信号的控制装置中，所述生物电信号包括以下的至少其中之一：肌电信号、脑电信号。
在上述基于生物电信号的控制装置中，通过包括如下步骤的训练过程获得所述系统转移矩阵W：使得训练对象进行包括多自由度动作和单自由度动作中的至少一个的多个自由度动作；将从每个训练动作检测到的生物电信号组合记为生物电信号矩阵Z1；应用稀疏非负整数因数分解算法将所述生物电信号矩阵Z1分解为稀疏非负系统转移矩阵Wi和非负控制信号矩阵Fi，i表示迭代次数；通过迭代来更新稀疏非负系统转移矩阵Wi和非负控制信号矩阵Fi，其中所述非负控制信号矩阵Fi的每个行向量对应于所述多自由度动作的一单自由度；和，获得更新后的稀疏非负系统转移矩阵Wi作为系统转移矩阵W。
在上述基于生物电信号的控制装置中，所述稀疏非负整数因数分解算法向非负整数因数分解的解添加约束且要求所述解最大化结果控制函数的稀疏性。
在上述基于生物电信号的控制装置中，基于l1范数来控制非负控制信号矩阵F的稀疏性程度，由以下方程式表示：
其中，F(:,t)是控制信号矩阵F的第t列矢量，’Fro’是尼乌斯范数，m是检测生物电信号的信道数，T是时间长度，λ>0是平衡因数分解的精确性和F的稀疏性程度的正则参数，上标“+”和“-”表示每个自由度的正向和负向。
在上述基于生物电信号的控制装置中，所述方程式(2)重写为：
其中e1×2m是所有项等于1的行矢量，且01×T等于0。
在上述基于生物电信号的控制装置中，通过交替非负最小二乘方法来求解方程式(3)，并通过固定所述系统转移矩阵W和所述信号矩阵F中的一个来迭代的更新另一个，如以下方程式所示：
其中所述F(k+1)和W(k+1)具有闭合形式的解。
在上述基于生物电信号的控制装置中，通过交叉验证来选择最优λ，所述最优λ是获得最小的平均信噪比的正则参数。
在上述基于生物电信号的控制装置中，所述操作对象为机械手臂，且所述多自由度动作包括第一单自由度动作和第二单自由度动作；和，所述第一单自由度动作是手掌张握，且所述第二单自由度动作是手掌翻转。
在上述基于生物电信号的控制装置中，所述控制信号由以下方程式表示：
其中，F1是用于所述第一单自由度的控制信号，且F2是用于所述第二单自由度的控制信号，上标“+”和“-”表示每一自由度的正向和负向。
在上述基于生物电信号的控制装置中，所述控制单元进一步用于：根据以下方程式由缩放校正因数缩放所述控制信号：
其中，所述缩放校正因数τij被确定为使得所述控制信号F被映射到所述多自由度动作中的整个关节角度范围。
在上述基于生物电信号的控制装置中，所述控制单元进一步用于：在运动带 宽对所述控制信号进行低通滤波，并以滤波后的控制信号控制所述操作对象进行所述多自由度动作。
根据本发明实施例的基于生物电信号的控制装置的其他细节与之前关于根据本发明实施例的基于生物电信号的控制方法所描述的相应细节相同，因此为了避免冗余将不再赘述。
如上所述，通过根据本发明的基于生物电信号的控制装置，可以基于稀疏非负矩阵因数分解来以生物电信号控制操作对象，以进行多自由度的联合控制，从而能够实现操作对象的任意多自由度动作，且动作之间的转换自然。
并且，在根据本发明实施例的基于生物电信号的控制装置中，通过采用sNMF方案来对检测到的生物电信号进行稀疏非负矩阵因数分解，可以以一个步骤直接得到用于控制操作对象的多自由度动作的控制信号，从而实现便捷和高效的同步正比例生物电信号控制。
并且，在根据本发明实施例的基于生物电信号的控制装置中，通过采用基于稀疏非负矩阵因数分解的方案，可以直接应用于多自由度动作而非一系列单自由度动作的训练和控制，提高了控制的精度并改善了训练中的便利度。
在根据本发明实施例的基于生物电信号的控制方法和控制装置中，基于肌肉空间中多自由度动作可以分解为单自由度动作的线性组合的原理，将用于控制多自由度动作的控制信号也构建为控制单自由度动作的控制信号的线性组合，从而能够实现多自由度动作的联合控制，并实现多自由度动作的同步正比例控制，显著提高了控制性能。
此外，通过采用基于稀疏非负矩阵因数分解的方案，可以直接从采集的表面肌电图信号得到上述表示控制单自由度动作的控制信号的线性组合的控制信号矩阵，该控制方式与执行相应任务的动作所对应的生理肌肉活动相关联，从而能够以精确模拟人体肌肉活动的方式来对操作对象进行直观的控制，改进了系统开发的可实现度。
在这里描述的实现例如可以以方法或者处理、设备、软件程序、数据流或者信号实现。即使仅以单一形式的实现的上下文讨论(例如，仅讨论为方法或者装置)，讨论的特征的实现也可以以其他形式实现(例如，程序)。设备例如可以以适当的硬件、软件和固件实现。方法例如可以以设备实现，设备例如是处理器，其总的来说指的是处理装置，例如包括计算机、微处理器、集成电路或者可编程 逻辑器件。处理器也包括通信装置，例如，智能电话、平板、计算机、移动电话、便携式/个人数字助理(“PDA”)，和促进终端用户之间信息的通信的其他装置。
另外，该方法可以通过由处理器执行的指令实现，且这种指令(和/或由实现产生的数据值)可以存储在(非瞬时)处理器可读介质上，例如集成电路、软件载体或者其他存储装置，例如硬盘、致密盘(“CD”)、光盘(例如DVD，通常称为数字多用途盘或者数字视频盘)、随机存取存储器(“RAM”)或者只读存储器(“ROM”)。该指令可以形成在处理器可读介质上可触摸地具体表现的应用程序。指令例如可以以硬件、固件、软件或者组合。指令例如可以在操作系统、单独应用或者两者的组合中找到。因此，例如，处理器可以特征化为配置为进行处理的装置和包括具有用于进行处理的指令的处理器可读介质(比如存储装置)的装置两者。另外，除指令之外或者代替指令，处理器可读介质可以存储由实现产生的数据值。
对本领域技术人员很明显，实现可以产生格式化以携带例如可以存储或者发送的信息的各种信号。信息例如可以包括用于执行由描述的实现之一产生的方法或者数据的指令。例如，信号可以被格式化以作为数据携带用于写入或者读取描述的实施例的语法的规则，或者作为数据携带由描述的实施例写入的实际的语法值。例如，这种信号可以格式化为电磁波(例如，使用频谱的射频部分)或者基带信号。格式化例如可以包括编码数据流和以编码的数据流调制载波。信号携带的信息例如可以是模拟或者数字信息。可以经已知的的各种不同有线或者无线链路发送信号。信号可以存储在处理器可读介质上。
将理解本发明可以以各种形式的硬件、软件、固件、专用处理器或者其组合实现。特别地，本发明可以以包括配置为执行本发明的实施例中描述的方法的步骤的处理器的电子装置实现。此外，软件优选地实现为在程序存储装置上可触知地具体体现的应用程序。应用程序可以上载到包括任何适当的架构的机器和由该机器执行。优选地，该机器在具有比如一个或多个中央处理单元(CPU)、随机存取存储器(RAM)和一个或多个输入/输出(I/O)接口的硬件的计算机平台上实现。计算机平台还包括操作系统和微指令代码。在这里描述的各种处理和功能可以是微指令代码的一部分或者经由操作系统执行的应用程序的一部分(或者其组合)。另外，各种其他外部装置可以连接到计算机平台，比如附加的数据存储装置和打印装置。
另外要理解，因为附图中示出的某些构成系统部件和方法步骤优选地以软件实现，系统部件(或者处理步骤)之间的实际连接可以取决于本发明编程的方式而不同。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。

Claims (30)

1.一基于生物电信号的控制方法，其特征在于，包括：
获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；
依据以下方程式对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：
Z’＝W’·F (1)
其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和
以控制信号F控制所述操作对象进行所述多自由度动作。
2.根据权利要求1所述的基于生物电信号的控制方法，其特征在于，
所述特征Z’是所述生物电信号Z的均方根：Z’＝√Z。
3.根据权利要求1所述的基于生物电信号的控制方法，其特征在于，
所述特征Z’是所述生物电信号Z的时域特征或者自回归参数。
4.根据权利要求1所述的基于生物电信号的控制方法，其特征在于，
所述操作对象是包括以下的至少其中之一的人体仿真机械部件：机械手臂、机械腿、机械颈部等。
5.根据权利要求1所述的基于生物电信号的控制方法，其特征在于，
所述生物电信号包括以下的至少其中之一：肌电信号、脑电信号。
6.根据权利要求1所述的基于生物电信号的控制方法，其特征在于，以包括如下步骤的训练过程获得所述系统转移矩阵W：
使得训练对象进行包括多自由度动作和单自由度动作中的至少一个的多个训练动作；
将从每个训练动作检测到的生物电信号组合记为生物电信号矩阵Z1；
应用稀疏非负整数因数分解算法将所述生物电信号矩阵Z1分解为非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，i表示迭代次数；
通过迭代来更新非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，其中所述非负控制信号矩阵Fi的每个行向量对应于所述多自由度动作的一单自由度；和
获得更新后的非负系统转移矩阵Wi作为系统转移矩阵W。
7.根据权利要求6所述的基于生物电信号的控制方法，其特征在于，
所述稀疏非负整数因数分解算法向非负整数因数分解的解添加约束且要求所述解最大化结果控制函数的稀疏性。
8.根据权利要求6所述的基于生物电信号的控制方法，其特征在于，应用所述稀疏非负整数因数分解算法分解所述生物电信号矩阵Z1具体包括：
基于l1范数来控制非负控制信号矩阵F的稀疏性程度，由以下方程式表示：
其中，F(:,t)是控制信号矩阵F的第t列矢量，’Fro’是尼乌斯范数，m是检测生物电信号的信道数，T是时间长度，λ>0是平衡因数分解的精确性和F的稀疏性程度的正则参数，上标“+”和“-”表示每个自由度的正向和负向。
9.根据权利要求8所述的基于生物电信号的控制方法，其特征在于，所 述方程式(2)重写为：
其中e1×2m是所有项等于1的行矢量，且01×T等于0。
10.根据权利要求9所述的基于生物电信号的控制方法，其特征在于，通过交替非负最小二乘方法来求解方程式(3)，并通过固定所述系统转移矩阵W和所述信号矩阵F中的一个来迭代的更新另一个，如以下方程式所示：
其中所述F(k+1)和W(k+1)具有闭合形式的解。
11.根据权利要求8到10中任意一项所述的基于生物电信号的控制方法，其特征在于，
通过交叉验证来选择最优λ，所述最优λ是获得最小的平均信噪比的正则参数。
12.根据权利要求1所述的基于生物电信号的控制方法，其特征在于，
所述操作对象为机械手臂，且所述多自由度动作包括第一单自由度动作和第二单自由度动作；和
所述第一单自由度动作是手掌张握，且所述第二单自由度动作是手掌翻转。
13.根据权利要求12所述的基于生物电信号的控制方法，其特征在于，
所述控制信号由以下方程式表示：
其中，F1是用于所述第一单自由度的控制信号，且F2是用于所述第二单自由度的控制信号，上标“+”和“-”表示每一自由度的正向和负向。
14.根据权利要求13所述的基于生物电信号的控制方法，其特征在于，进一步包括：
根据以下方程式由缩放校正因数缩放所述控制信号：
其中，所述缩放校正因数τij被确定为使得所述控制信号F被映射到所述多自由度动作中的整个关节角度范围。
15.根据权利要求14所述的基于生物电信号的控制方法，其特征在于，进一步包括：
在运动带宽对所述控制信号进行低通滤波，并以滤波后的控制信号控制所述操作对象进行所述多自由度动作。
16.一基于生物电信号的控制装置，其特征在于，包括：
检测单元，用于获取生物电信号Z，所述生物电信号Z对应于一操作对象的一多自由度动作，且所述多自由度动作是单自由度动作的线性组合；
处理单元，用于依据以下方程式对所获取的生物电信号Z的特征信号Z’进行转换以得到用于控制所述操作对象的多自由度动作的控制信号F：
Z’＝W’·F (1)
其中W’是系统转移矩阵W的伪逆矩阵，且所述系统转移矩阵通过训练过程中的稀疏非负整数因数分解算法获得；和
控制单元，用于以控制信号F控制所述操作对象进行所述多自由度动作。
17.根据权利要求16所述的基于生物电信号的控制装置，其特征在于，
所述特征Z’是所述生物电信号Z的均方根：Z’＝√Z。
18.根据权利要求16所述的基于生物电信号的控制装置，其特征在于，
所述特征Z’是所述生物电信号Z的时域特征或者自回归参数。
19.根据权利要求16所述的基于生物电信号的控制装置，其特征在于，
所述操作对象是包括以下的至少其中之一的人体仿真机械部件：机械手臂、机械腿、机械颈部等。
20.根据权利要求16所述的基于生物电信号的控制装置，其特征在于，
所述生物电信号包括以下的至少其中之一：肌电信号、脑电信号。
21.根据权利要求16所述的基于生物电信号的控制装置，其特征在于，通过包括如下步骤的训练过程获得所述系统转移矩阵W：
使得训练对象进行包括多自由度动作和单自由度动作中的至少一个的多个训练动作；
将从每个训练动作检测到的生物电信号组合记为生物电信号矩阵Z1；
应用稀疏非负整数因数分解算法将所述生物电信号矩阵Z1分解为非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，i表示迭代次数；
通过迭代来更新非负系统转移矩阵Wi和稀疏的非负控制信号矩阵Fi，其中所述非负控制信号矩阵Fi的每个行向量对应于所述多自由度动作的一单自由度；和
获得更新后的稀疏非负系统转移矩阵Wi作为系统转移矩阵W。
22.根据权利要求21所述的基于生物电信号的控制装置，其特征在于，
所述稀疏非负整数因数分解算法向非负整数因数分解的解添加约束且要求所述解最大化结果控制函数的稀疏性。
23.根据权利要求21所述的基于生物电信号的控制装置，其特征在于，应用所述稀疏非负整数因数分解算法分解所述生物电信号矩阵Z1进一步包括：
基于l1范数来控制非负控制信号矩阵F的稀疏性程度，由以下方程式表示：
其中，F(:,t)是控制信号矩阵F的第t列矢量，’Fro’是尼乌斯范数，m是检测生物电信号的信道数，T是时间长度，λ>0是平衡因数分解的精确性和F的稀疏性程度的正则参数，上标“+”和“-”表示每个自由度的正向和负向。
24.根据权利要求23所述的基于生物电信号的控制装置，其特征在于，所述方程式(4)重写为：
其中e1×2m是所有项等于1的行矢量，且01×T等于0。
25.根据权利要求24所述的基于生物电信号的控制装置，其特征在于，通过交替非负最小二乘方法来求解方程式(5)，并通过固定所述系统转移矩阵W和所述信号矩阵F中的一个来迭代的更新另一个，如以下方程式所示：
其中所述F(k+1)和W(k+1)具有闭合形式的解。
26.根据权利要求23到25中任意一项所述的基于生物电信号的控制装置，其特征在于，
通过交叉验证来选择最优λ，所述最优λ是获得最小的平均信噪比的正则参数。
27.根据权利要求16所述的基于生物电信号的控制装置，其特征在于，
所述操作对象为机械手臂，且所述多自由度动作包括第一单自由度动作和第二单自由度动作；和
所述第一单自由度动作是手掌张握，且所述第二单自由度动作是手掌翻转。
28.根据权利要求27所述的基于生物电信号的控制装置，其特征在于，
所述控制信号由以下方程式表示：
其中，F1是用于所述第一单自由度的控制信号，且F2是用于所述第二单自由度的控制信号，上标“+”和“-”表示每一自由度的正向和负向。
29.根据权利要求28所述的基于生物电信号的控制装置，其特征在于，所述控制单元进一步用于：
根据以下方程式由缩放校正因数缩放所述控制信号：
其中，所述缩放校正因数τij被确定为使得所述控制信号F被映射到所述多自由度动作中的整个关节角度范围。
30.根据权利要求29所述的基于生物电信号的控制装置，其特征在于，所述控制单元进一步用于：
在运动带宽对所述控制信号进行低通滤波，并以滤波后的控制信号控制所述操作对象进行所述多自由度动作。
CN201610399279.4A 2016-06-07 2016-06-07 基于生物电信号的控制方法和控制装置 Pending CN107471219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610399279.4A CN107471219A (zh) 2016-06-07 2016-06-07 基于生物电信号的控制方法和控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610399279.4A CN107471219A (zh) 2016-06-07 2016-06-07 基于生物电信号的控制方法和控制装置

Publications (1)

Publication Number Publication Date
CN107471219A true CN107471219A (zh) 2017-12-15

Family

ID=60593308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610399279.4A Pending CN107471219A (zh) 2016-06-07 2016-06-07 基于生物电信号的控制方法和控制装置

Country Status (1)

Country Link
CN (1) CN107471219A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107520853A (zh) * 2016-06-20 2017-12-29 宁波原子智能技术有限公司 机械手臂的控制方法和控制装置
CN108133200A (zh) * 2018-01-16 2018-06-08 广东工业大学 一种基于自回归正则化nmf的心肺音分离方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107520853A (zh) * 2016-06-20 2017-12-29 宁波原子智能技术有限公司 机械手臂的控制方法和控制装置
CN108133200A (zh) * 2018-01-16 2018-06-08 广东工业大学 一种基于自回归正则化nmf的心肺音分离方法及系统

Similar Documents

Publication Publication Date Title
Geethanjali Myoelectric control of prosthetic hands: state-of-the-art review
Tu et al. A subject transfer framework for EEG classification
Karnam et al. EMGHandNet: A hybrid CNN and Bi-LSTM architecture for hand activity classification using surface EMG signals
Mane et al. Hand motion recognition from single channel surface EMG using wavelet & artificial neural network
CN108319928B (zh) 一种基于多目标微粒群算法优化的深度学习方法及系统
Guo et al. Long exposure convolutional memory network for accurate estimation of finger kinematics from surface electromyographic signals
Bittibssi et al. sEMG pattern recognition based on recurrent neural network
Dutta et al. Automated classification of non-motor mental task in electroencephalogram based brain-computer interface using multivariate autoregressive model in the intrinsic mode function domain
CN107766773A (zh) 基于手势的多维度控制方法和控制装置
CN111870242A (zh) 一种基于肌电信号的智能手势动作生成方法
CN108122004A (zh) 基于Fisher判别稀疏超限学习机的脑电分类方法
Olsson et al. Automatic discovery of resource-restricted convolutional neural network topologies for myoelectric pattern recognition
Malešević et al. Decoding of individual finger movements from surface EMG signals using vector autoregressive hierarchical hidden Markov models (VARHHMM)
CN111276159A (zh) 一种婴儿发音分析方法及服务器
Chen et al. A review of myoelectric control for prosthetic hand manipulation
CN107471219A (zh) 基于生物电信号的控制方法和控制装置
Singh et al. Leveraging deep feature learning for wearable sensors based handwritten character recognition
Ai et al. Flexible coding scheme for robotic arm control driven by motor imagery decoding
Mengistu et al. Edge machine learning for energy efficiency of resource constrained IoT devices
Hassani et al. An incremental framework for classification of EEG signals using quantum particle swarm optimization
Sakti et al. Artificial intelligence IoT based EEG application using deep learning for movement classification
Idowu et al. Efficient classification of motor imagery using particle swarm optimization-based neural network for IoT applications
Chau Machine learning for gesture recognition with electromyography
Sandberg Gesture recognition using neural networks
WO2023064498A1 (en) Systems and methods for training and/or using representation learning neural networks for electromyographic data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171215

WD01 Invention patent application deemed withdrawn after publication