CN107618018B - 一种基于肌电的机械手动作速度比例控制方法 - Google Patents
一种基于肌电的机械手动作速度比例控制方法 Download PDFInfo
- Publication number
- CN107618018B CN107618018B CN201711019198.8A CN201711019198A CN107618018B CN 107618018 B CN107618018 B CN 107618018B CN 201711019198 A CN201711019198 A CN 201711019198A CN 107618018 B CN107618018 B CN 107618018B
- Authority
- CN
- China
- Prior art keywords
- manipulator
- action
- signals
- signal
- average power
- 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.)
- Active
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于肌电的机械手动作速度比例控制方法;首先,通过肌电采集仪采集尺侧腕伸肌和桡侧腕屈肌的表面肌电信号,通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号,提取信号的平滑窗平均功率;用小波分析法对原始表面肌电信号进行多尺度分解,提取信号多尺度模糊熵特征,并和平均功率组成特征向量输入扩展的K最近邻模型分类器,识别手部动作,同时通过正交多项式拟合操作者与机械手动作速度,最终控制机械手以相应的速度完成相应的动作。本发明提高了人机交互的自然性和主动性,从而提高了操作的准确性和便捷性,降低了机械手操作的危险等级,使机械手可以完成相对复杂、危险的任务。
Description
技术领域
本发明涉及一种机械手动作速度比例控制方法,特别地,涉及基于肌电的机械手动作速度比例控制。
背景技术
利用操作者肢体上的表面肌电信号(Surface ElectromyoGram,sEMG)来控制机械手,具有动作自然,仿生性能好的特点,是人--机交互系统理想的控制信号源。国内外有许多学者进行肌电控制的研究。美国马萨诸塞州伍斯特理工研究所的Koirala.k等利用肌电信号预测人体运动肌肉组活动规律,应用sEMG信号估计假肢关节转矩。英国基尔大学医学科学与技术研究所的Blana D等针对截肢患者设计了一具肌肉骨骼模型,利用残肢上获取的sEMG信号控制假肢手腕的自然转动。美国沃尔特里德国家军事医学中心的Pasquina P F等则采用植入式肌电传感器采集肢体活动产生的肌电信号,实现了三自由度假肢的自主控制。国内吴常铖等提出了一种基于sEMG的自适应学习的动作识别方法,同时结合模糊神经网络PID控制算法实现肌电信号对假手的控制。
将sEMG信号用于遥操作系统的遥操作,这种方法直接提取人体的表面生物电信号来传递操控者的动作信息。但是,多运动模式肌电控制研究的实用性并不理想,其关键问题是多运动模式识别和运动控制的准确性有待于进一步提高。目前,大多数实现机械手的比例控制用的是最小二乘拟合。可是当低阶模型达不到拟合效果需要建立高阶模型的时候,最小二乘法就变得不再精确了,残差平方和也随模型阶数增加而呈现指数级的变化。同时低阶模型中的最小二乘法求解通常能满足控制的实时性要求,而当高阶模型中矩阵求逆或出现病态矩阵时,时间复杂度就会大大的提高。
发明内容
本发明为实现机械手的自然仿生控制,基于操作者表面肌电信号的手部动作模式识别及速度相关参数提取方法,实现控制机械手相应的动作和速度。首先,通过肌电采集仪采集尺侧腕伸肌和桡侧腕屈肌的表面肌电信号,通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号,提取信号的平滑窗平均功率。然后,用小波分析法对原始表面肌电信号进行多尺度分解,提取信号多尺度模糊熵特征,并和平均功率组成特征向量输入扩展的K最近邻模型分类器,识别手部动作,同时通过正交多项式拟合操作者与机械手动作速度,最终控制机械手以相应的速度完成相应的动作。
为了实现以上内容,本发明方法主要包括以下步骤:
步骤(1),通过肌电采集仪采集尺侧腕伸肌和桡侧腕屈肌的表面肌电信号;通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号;
步骤(3),将两路表面肌电信号进行多尺度小波分解,分解出4个细节分量D1,D2,D3,D4;
步骤(4),将两路肌电信号的平滑窗信号平均功率,以及两路肌电信号小波分解后的4个细节分量的多尺度模糊熵组成10维特征向量;
步骤(5),将10维特征向量输入扩展的KNN分类器进行手部动作识别;针对10维肌电信号特征向量,扩展的KNN分类器的设计如下:
1)用聚类方法从每个类别中找出m个代表点,构成模型簇;模型簇的四元组表示形式为:{Cls(di),Sim(di),Num(di),Rep(di)}其中di为样本类别的中心点或代表点,Cls(di)表示数据点的类别;Sim(di)为类别所覆盖区域半径;Num(di)为类别所覆盖样本点的数目;Rep(di)则为该类别所有样本数据形成的串;
2)为使分类器具有增量学习能力,在分类过程中,对于经模式识别得到验证的样本点,按距离度量最近的原则加到已有的簇中,不能识别的样本点,则在模型簇中重建四元组;
步骤(6),对肌电信号平滑窗信号平均功率与动作速度用正交多项式进行拟合,建立比例控制模型;具体如下:
1)模型方程为:y=f(w)=A0 P0(w)+A1P1(w)+...+AmPm(w)其中Pm(w)为多项式函数,Am为系数,m是多项式的次数,变量w为临时自变量;设真正的动作速度自变量为x,则w与x之间的关系是简单的线性变换,即式中x0为自变量的最小值,h为间距;
2)将模型方程y=f(w)=A0P0(w)+A1P1(w)+...+AmPm(w)代入残差平方可得为使该误差值EM最小,将其两边微分得到方程组其中0≤j≤m,将求和计算分配到方程组各项,且合并同类项后可得m+1个联立方程;
3)使函数集{Pm(wi)}满足正交条件,求解m+1个联立方程可得系数
4)根据式y=a0+a1x+...+amxm=A0P0(w)+A1P1(w)+...+AmPm(w),确定比例控制系数ai;
步骤(7),把步骤(5)的识别结果转化为机械手具体动作的控制指令,根据步骤(6)的比例模型求得的比例系数控制机械手动作速度。
本发明与已有的下肢运动模式识别相比,具有如下特点:
将sEMG信号用于机械手的比例控制操作,这种方法直接提取人体的表面生物电信号来传递操控者的动作信息,提高了人机交互的自然性和主动性,从而提高了操作的准确性和便捷性,降低了机械手操作的危险等级,使机械手可以完成相对复杂、危险的任务。使用正交多项式拟合可以降低时间复杂度,可满足实时性要求较高的遥操作机械手控制要求。。
附图说明
图1为本发明的实施流程图;
图2为尺侧腕伸肌表面肌电信号小波分解;
图3为实验数据与拟合效果图;
图4为机械手动作和速度控制实验。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,本实施例包括如下步骤:
步骤(1),通过肌电采集仪采集尺侧腕伸肌和桡侧腕屈肌的表面肌电信号。通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号。具体过程如下:
实验操作者为三名健康的男子,实验前一周没有剧烈运动。实验通过美国Noraxon公司的mt400肌电采集仪采集四个动作的尺侧腕伸肌和桡侧腕屈肌SEMG信号。采样频率1000Hz,通过能量阈值法确定动作开始时刻,取每路肌电信号后续的2000个采样点。
步骤(2),提取两路表面肌电信号的平滑窗信号平均功率(SWAP)。
步骤(3),将两路表面肌电信号进行多尺度小波分解,分解出4个细节分量D1,D2,D3,D4。图2所示为伸拳动作尺侧腕伸肌的原始数据及4个小波细节分量。
步骤(4),将两路肌电信号的平滑窗信号平均功率,以及两路肌电信号小波分解后的4个细节分量的多尺度模糊熵组成10维特征向量。
步骤(5),将10维特征向量输入扩展的KNN分类器进行手部动作识别。具体如下:
采集四类动作伸拳、握拳、腕屈、腕伸所对应的两块肌肉的sEMG信号,每个动作重复50次,将采集两块肌肉的50组数据进行多尺度分解,分别计算原始信号以及每个动作多尺度模糊熵,每个动作对应的两个通道的模糊熵特征和平均功率特征组成10维特征向量,输入扩展的KNN分类器。从中选取25组数据作为训练样本,剩余25组数据作为待识别样本,首先将训练样本根据KNN得到分类模型,然后将待识别的测试样本根据K近邻分类模型进行识别。通过10次交叉验证的方式,对K取不同值时进行了实验,当K取值2时分类效果最好。
步骤(6),对肌电信号平滑窗信号平均功率与动作速度用正交多项式进行拟合,建立比例控制模型。具体如下:
设拟合函数为y=af1(x)+bf2(x)+cf3(x),其中y为肌电信号的平滑窗信号平均功率,f(x)为含有速度x的多项式函数,根据图3的数据用正交多项式可得拟合曲线。y=-0.9129x2+1.8119x-0.1731根据拟合曲线公式取反函数得:
此拟合方法可以实现sEMG信号的平均功率与速度的比例控制。为了定量分析,引入残差平方和(RSS)及运行拟合过程所用时间作为评价标准。
根据RSS公式:
式中:xi是采集第i次数据时刻的速度,yi为平均功率,N为数据的长度。并和最小二乘拟合进行比较,结果如表1所示:
表1 两种拟合方法的数据比较
通过表1数据可以得出以下结论:二阶模型时最小二乘法的RSS与正交多项式RSS相差很小,可是运算时间比正交多项式长了很多,也就是运算量比正交多项式要复杂的多,当高阶模型中矩阵求逆时,计算复杂度就会大大的提高,所以说正交多项式是比较好的选择。
为了验证通过正交多项式拟合曲线可以实现对机械手遥操作的可行性以及准确性,让机械手以1.5(m/s)、2(m/s)、2.5(m/s)、3(m/s)的速度进行张开与合拢作为实验验证标准。通过正交多项式拟合曲线分别得到该速度对应的肌电信号平均功率控制机械手实现张开与合拢,通过对比验证了该方法可以实现手部动作与机械手臂动作速度的一致性。
步骤(7),把步骤(4)的识别结果转化为机械手具体动作的控制指令,根据步骤(6)的比例模型求得的比例系数控制机械手动作速度。如图4所示,系统启动后,采集操作者伸拳、握拳、腕屈、腕伸所对应的肌肉的肌电信号,在控制软件平台下进行实时控制实验。
Claims (1)
1.一种基于肌电的机械手动作速度比例控制方法,其特征在于:该方法包括如下步骤:
步骤(1),通过肌电采集仪采集尺侧腕伸肌和桡侧腕屈肌的表面肌电信号;通过能量阈值法确定动作的起始位置和终止位置作为动作肌电信号;
步骤(3),将两路表面肌电信号进行多尺度小波分解,分解出4个细节分量D1,D2,D3,D4;
步骤(4),将两路肌电信号的平滑窗信号平均功率,以及两路肌电信号小波分解后的4个细节分量的多尺度模糊熵组成10维特征向量;
步骤(5),将10维特征向量输入扩展的KNN分类器进行手部动作识别;针对10维肌电信号特征向量,扩展的KNN分类器的设计如下:
1)用聚类方法从每个类别中找出m个代表点,构成模型簇;模型簇的四元组表示形式为:{Cls(di),Sim(di),Num(di),Rep(di)}其中di为样本类别的中心点或代表点,Cls(di)表示数据点的类别;Sim(di)为类别所覆盖区域半径;Num(di)为类别所覆盖样本点的数目;Rep(di)则为该类别所有样本数据形成的串;
2)为使分类器具有增量学习能力,在分类过程中,对于经模式识别得到验证的样本点,按距离度量最近的原则加到已有的簇中,不能识别的样本点,则在模型簇中重建四元组;
步骤(6),对肌电信号平滑窗信号平均功率与动作速度用正交多项式进行拟合,建立比例控制模型;具体如下:
1)模型方程为:y=f(w)=A0P0(w)+A1P1(w)+...+AmPm(w)其中Pm(w)为多项式函数,Am为系数,m是多项式的次数,变量w为临时自变量;设真正的动作速度自变量为x,则w与x之间的关系是简单的线性变换,即式中x0为自变量的最小值,h为间距;
2)将模型方程y=f(w)=A0P0(w)+A1P1(w)+...+AmPm(w)代入残差平方可得为使误差值EM最小,将其两边微分得到方程组其中0≤j≤m,将求和计算分配到方程组各项,且合并同类项后可得m+1个联立方程;
3)使函数集{Pm(wi)}满足正交条件,求解m+1个联立方程可得系数
4)根据式y=a0+a1x+...+amxm=A0P0(w)+A1P1(w)+...+AmPm(w),确定比例控制系数ai;
步骤(7),把步骤(5)的识别结果转化为机械手具体动作的控制指令,根据步骤(6)的比例模型求得的比例系数控制机械手动作速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711019198.8A CN107618018B (zh) | 2017-10-26 | 2017-10-26 | 一种基于肌电的机械手动作速度比例控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711019198.8A CN107618018B (zh) | 2017-10-26 | 2017-10-26 | 一种基于肌电的机械手动作速度比例控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107618018A CN107618018A (zh) | 2018-01-23 |
CN107618018B true CN107618018B (zh) | 2020-08-25 |
Family
ID=61093238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711019198.8A Active CN107618018B (zh) | 2017-10-26 | 2017-10-26 | 一种基于肌电的机械手动作速度比例控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107618018B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108453736A (zh) * | 2018-03-22 | 2018-08-28 | 哈尔滨工业大学 | 一种基于深度学习的多自由度同步肌电控制方法 |
CN109940618A (zh) * | 2019-04-04 | 2019-06-28 | 天津理工大学 | 一种基于正交模糊pid的串联机械手驱动系统运动控制方法 |
CN110584790B (zh) * | 2019-08-13 | 2022-05-06 | 广东工业大学 | 基于手臂刚度的手术机器人遥操作比例控制方法 |
CN110403609B (zh) * | 2019-09-03 | 2020-09-01 | 北京海益同展信息科技有限公司 | 运动速度分析方法、装置和可穿戴设备 |
CN113616395B (zh) * | 2021-08-10 | 2023-04-14 | 长春理工大学 | 假肢控制方法、装置、假肢设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1678258A (zh) * | 2002-08-22 | 2005-10-05 | 维克多姆人体机械公司 | 用于控制动力假体的控制系统和方法 |
GB2444679A (en) * | 2005-10-11 | 2008-06-11 | Matsushita Electric Ind Co Ltd | Motion assistance apparatus and method of assisting motion |
CN101766510A (zh) * | 2009-12-18 | 2010-07-07 | 东南大学 | 基于肌电控制的机械假手的力触觉反馈及力度控制方法 |
CN103617411A (zh) * | 2013-10-17 | 2014-03-05 | 杭州电子科技大学 | 基于复杂度和分维数及分形长度的肌电信号识别方法 |
CN103892945A (zh) * | 2012-12-27 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 肌电假肢控制系统 |
CN106420124A (zh) * | 2016-10-10 | 2017-02-22 | 上海电机学院 | 一种肌电控制虚拟机器人假手仿真系统的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140277583A1 (en) * | 2013-03-15 | 2014-09-18 | The Florida International University Board Of Trustees | Fitting system for a neural enabled limb prosthesis system |
-
2017
- 2017-10-26 CN CN201711019198.8A patent/CN107618018B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1678258A (zh) * | 2002-08-22 | 2005-10-05 | 维克多姆人体机械公司 | 用于控制动力假体的控制系统和方法 |
GB2444679A (en) * | 2005-10-11 | 2008-06-11 | Matsushita Electric Ind Co Ltd | Motion assistance apparatus and method of assisting motion |
CN101766510A (zh) * | 2009-12-18 | 2010-07-07 | 东南大学 | 基于肌电控制的机械假手的力触觉反馈及力度控制方法 |
CN103892945A (zh) * | 2012-12-27 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 肌电假肢控制系统 |
CN103617411A (zh) * | 2013-10-17 | 2014-03-05 | 杭州电子科技大学 | 基于复杂度和分维数及分形长度的肌电信号识别方法 |
CN106420124A (zh) * | 2016-10-10 | 2017-02-22 | 上海电机学院 | 一种肌电控制虚拟机器人假手仿真系统的方法 |
Non-Patent Citations (2)
Title |
---|
基于肌电信号的遥操作机器人控制技术;张启忠等;《应用基础与工程科学学报》;20131215;第21卷(第6期);第1199-1209页 * |
基于肌肉复杂度和支持向量机的比例控制假手;席旭刚等;《华中科技大学学报(自然科学版)》;20171018;第45卷(第10期);第59-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107618018A (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107618018B (zh) | 一种基于肌电的机械手动作速度比例控制方法 | |
Xu et al. | Advances and disturbances in sEMG-based intentions and movements recognition: A review | |
Zhao et al. | Levenberg-Marquardt based neural network control for a five-fingered prosthetic hand | |
Al-Faiz et al. | A k-nearest neighbor based algorithm for human arm movements recognition using EMG signals | |
Caesarendra et al. | EMG finger movement classification based on ANFIS | |
Portnova-Fahreeva et al. | Linear and non-linear dimensionality-reduction techniques on full hand kinematics | |
Luh et al. | Muscle-gesture robot hand control based on sEMG signals with wavelet transform features and neural network classifier | |
Bu et al. | EMG-based motion discrimination using a novel recurrent neural network | |
CN110826625A (zh) | 一种基于表面肌电信号的手指手势分类方法 | |
CN111531537B (zh) | 基于多传感器的机械臂控制方法 | |
Xi et al. | Simultaneous and continuous estimation of joint angles based on surface electromyography state-space model | |
Stival et al. | Online subject-independent modeling of semg signals for the motion of a single robot joint | |
Zhao et al. | EMG control for a five-fingered prosthetic hand based on wavelet transform and autoregressive model | |
Taşar et al. | EMG-Controlled Prosthetic Hand with Fuzzy Logic Classification Algorithm | |
CN112232161B (zh) | 一种基于肌电映射模型切换的复杂运动连续估计方法 | |
CN103617411A (zh) | 基于复杂度和分维数及分形长度的肌电信号识别方法 | |
Wei et al. | Research on robotic arm movement grasping system based on MYO | |
Elbagoury et al. | A hybrid real-time EMG intelligent rehabilitation robot motions control based on Kalman Filter, support vector machines and particle swarm optimization | |
CN114983446A (zh) | 一种基于肌电信号的手指多关节连续运动估计方法 | |
Tello et al. | Feature extraction and classification of sEMG signals applied to a virtual hand prosthesis | |
CN113408712A (zh) | 基于时延尺度长短期记忆网络与传递熵的脑肌耦合方法 | |
AlKhazzar et al. | EMG Signal Classification Using Radial Basis Function Neural Network | |
Srinivasa et al. | Development of two degree of freedom (DoF) bionic hand for below elbow amputee | |
Dai et al. | Comparison of sEMG-based feature extraction and hand motion classification methods | |
Liu et al. | Control strategy for upper limb rehabilitation robot based on muscle strength estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180123 Assignee: HANGZHOU DUKANG TECHNOLOGY CO.,LTD. Assignor: HANGZHOU DIANZI University Contract record no.: X2022330000025 Denomination of invention: A proportional control method of manipulator action speed based on EMG Granted publication date: 20200825 License type: Common License Record date: 20220128 |
|
EE01 | Entry into force of recordation of patent licensing contract |