CN111973388A - 一种基于sEMG的手部康复机器人控制方法 - Google Patents

Abstract

本发明涉及一种基于sEMG的手部康复机器人控制方法，通过离线模型训练阶段，获取运动意图最优阈值，该阈值用于判断当前手部是否有运动意图；并训练获得手部运动意图分类模型；在线运动意图辨识阶段判断出手部是否有运动意图，并利用离线模型训练阶段获得的手部运动意图分类模型辨识出具体运动类别，进入康复机器人控制阶段对手部康复机器人进行控制。本发明利用患者患侧前臂处的sEMG信号判断出其患侧手部的主观运动意图，进而控制手部康复机器人完成相应的目标动作，由此辅助患者建立起患侧手部的主观运动意图到实际动作之间的正向映射关系，达到利用sEMG信号对患侧手部进行康复训练的目的。

Description

一种基于sEMG的手部康复机器人控制方法

技术领域

本发明涉及生物信号识别技术与医疗康复机器人领域，具体地说是一种基于sEMG的手部康复机器人控制方法。

背景技术

近年来，随着我国人口老龄化的不断加剧，脑卒中发病率呈现出逐年递增的趋势。脑卒中是一种较为常见的脑血管疾病，通常会并发神经功能损伤，其中最为常见的症状为偏瘫，即患侧麻木无力、半身不遂，于手部表现为五指紧扣的握拳状，难以张开手掌或抓取物品，严重影响了患者的生活自理能力。

医学研究表明，有效的康复训练能够刺激患者神经功能的恢复，加快患者康复治疗的进程。对于罹患手部功能障碍的脑卒中患者而言，通常是由康复治疗医师对患者的手部反复进行屈伸训练，以活动肌肉、刺激神经。但是，由于我国康复医师数量极其有限、患者数量过于庞大，导致康复医师工作压力巨大、患者经济负担沉重。近年来，随着机器人技术的不断发展，医疗康复机器人也逐渐介入到患者的康复治疗中去，手部康复训练机器人便是其中的一个研究热点。手部康复机器人为现有技术，其对应专利为发明专利，CN201710535587.X，一种柔性驱动的手部康复设备及其反馈控制电路和实用新型专利CN201720796434.6，柔性驱动的手部康复设备及其反馈控制电路。

单纯的被动康复不仅治疗效果不佳，并且枯燥的训练容易引起患者的抵触情绪，众多研究者开始考虑将人体表面肌电(Surface Electromyography，sEMG)信号引入其中作为人机交互的媒介。

发明内容

针对现有技术的不足，本发明提供一种基于sEMG的手部康复机器人控制方法，解决传统的康复医师与患者“一对一”式的治疗方法效率低下、单纯的被动康复治疗效果不佳的问题，利用辨识结果控制手部康复机器人，从而辅助患者进行康复治疗的方法。

本发明为实现上述目的所采用的技术方案是：

一种基于sEMG的手部康复机器人控制方法，包括三个阶段：离线模型训练阶段、在线运动意图辨识阶段和康复机器人控制阶段；其中

通过离线模型训练阶段，获取运动意图阈值，该阈值用于判断当前手部是否有运动意图；并训练获得手部运动意图分类模型；

在线运动意图辨识阶段判断出手部是否有运动意图，并利用离线模型训练阶段获得的手部运动意图分类模型辨识出具体运动类别，进入康复机器人控制阶段对手部康复机器人进行控制。

所述离线模型训练阶段包括：

步骤1:采集前臂sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；

步骤2:对滤波预处理后的sEMG信号通过最大面积法进行标签修正；

步骤3:对标签修正后的sEMG信号进行特征值提取；

步骤4:对于某一特征值，通过遍历的方法获得到该特征值在判断手部是否有运动意图时的最佳阈值，作为在线阶段的运动意图判别标准；

步骤5:利用PCA方法对获取到的特征向量进行降维，利用降维后的特征向量训练BP神经网络分类模型。

所述添加标签为：对于不同动作类别下采集到的sEMG信号，对应添加相应类别的标签，用于区分不同动作类别。

所述通过最大面积法进行标签修正包括：

步骤1:对滤波预处理后的sEMG信号取绝对值后求和，得到每一时刻的sEMG信号的总能量；

步骤2:在采集到的sEMG信号序列上，在设定修正时间窗下，以固定修正增量窗求取该修正时间窗内的能量总和，生成能量和序列；

步骤3:将能量和序列中最大值对应修正时间窗内的sEMG信号作为当前动作类别的有效sEMG信号，对其添加当前动作类别的标签，并将当前动作类别下除有效sEMG信号外的sEMG信号作为静息状态下的sEMG信号。

所述通过遍历的方法获得到该特征值在判断手部是否有运动意图时的最佳阈值，包括：

对于某一特征值，提取所有状态下的该特征值，并计算其均值；取该均值的k倍作为阈值，用于得到判别手部是否有运动意图的正确率；通过遍历k得到判别正确率最高时对应的K值，则该均值的K倍即为该特征值在判断手部是否有运动意图时的最佳阈值；其中，0<k<1，0<K<1。

所述在线运动意图辨识阶段包括：

步骤1:采集前臂相同位置处的sEMG信号，并对sEMG信号进行滤波预处理；

步骤2:对滤波预处理后的sEMG信号进行特征值提取，组成特征向量；

步骤3:对于某一特征值，与离线模型训练阶段获取到的最佳阈值进行对比，如果该特征值大于最佳阈值，则当前患者手部有运动意图，执行步骤4；否则，当前患者手部无运动意图，返回步骤1；

步骤4:利用离线模型训练阶段获取到的BP神经网络分类模型对运动意图进行分类，并将分类结果发送给手部康复机器人，执行康复机器人控制阶段。

所述通过康复机器人控制阶段包括：

当手部康复机器人处于开手类动作时，若接收到开手类动作时，忽略该开手类动作指令，若接收到闭手类动作指令时，执行闭手类动作；

当手部康复机器人处于闭手类动作时，若接收到闭手类动作时，忽略该闭手类动作指令，若接收到开手类动作指令时，执行开手类动作；

当执行完目标动作后，才能重新等待接收下一次目标动作，否则等待该目标动作执行完成。

所述开手类动作为：以手部自然弯曲状态为初始状态，目标手指向手背方向运动。

所述闭手类动作为：以手部自然弯曲状态为初始状态，目标手指向手心方向运动。

所述滤波预处理包括：使用限幅处理去除尖峰噪声，使用陷波器去除工频噪声以及使用巴特沃兹带通滤波器滤除sEMG信号中的高频噪声。

本发明具有以下有益效果及优点：

本发明利用患者患侧前臂处的sEMG信号判断出其患侧手部的主观运动意图，进而控制手部康复机器人完成相应的目标动作，由此辅助患者建立起患侧手部的主观运动意图到实际动作之间的正向映射关系，达到利用sEMG信号对患侧手部进行康复训练的目的。

附图说明

图1为三个阶段的流程框图；

图2为四类待识别目标动作示意图；

图3为sEMG信号采集时电极粘贴位置示意图；

图4为sEMG信号采集时的流程图；

图5为使用的时域特征与频域特征及其计算方法对比图；

图6为遍历阈值时判断是否有运动意图的分类正确率曲线图

图7为隐含层不同神经元个数下的目标动作四分类正确率曲线图。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

一种基于sEMG的手部康复机器人控制方法，是一种利用脑卒中患者患侧前臂处的sEMG信号进行肌电解码，用于手部康复机器人控制的实用方法，包括离线分类模型训练、在线运动运动意图辨识、手部康复机器人控制三个阶段。

该方法分为离线模型训练阶段、在线运动意图辨识阶段、康复机器人控制阶段三个部分，如图1所示。

其中，离线模型训练阶段包括如下步骤：

1.1 sEMG信号的采集，采集用于模型训练的原始sEMG数据；

1.2 sEMG信号的预处理，通过滤波去除原始sEMG信号中的噪声；

1.3 sEMG信号的特征值提取，获得包含人体运动信息的特征向量；

1.4运动意图阈值计算，为了在线阶段可以判别患者手部是否有运动意图，通过遍历不同阈值时的识别正确率，获取到最佳阈值；

1.5分类模型训练，利用降维后的特征向量训练BP神经网络模型，用于在线阶段利用sEMG判断患者手部的具体运动意图。

在线运动意图辨识阶段，将在线阶段获取到的特征向量降维后输入离线阶段训练得到的模型，从而获得到患者手部的运动意图，具体包括如下步骤：

2.1 sEMG信号的采集，采集需要在线辨识的sEMG信号；

2.2 sEMG信号的预处理，采用与离线阶段同样的方法滤除噪声；

2.3 sEMG信号的特征值提取，在线获得特征向量并降维；

2.4利用步骤1.4获取到的最优阈值，判断患者是否有运动意图；

2.5利用步骤1.5训练得到的分类模型，判断患者手部的运动意图，并发送相应的动作指令信号至手部康复机器人。

康复机器人控制阶段是在机器人接收到动作指令后，进行设计的控制逻辑判断并控制手部康复机器人完成目标动作的过程。当手部康复机器人处于开手动作时，只执行闭手类动作；同样地，当手部康复机器人处于闭手动作时，只执行开手类动作。当执行完目标动作后，才能重新等待接收下一次目标动作。通过这种方法，可以避免同一类判别动作下的时间浪费，大大提高康复效率。

一、离线分类模型训练包括sEMG信号的采集、预处理、特征值提取、运动意图阈值计算、分类模型训练几个步骤，流程图如图1所示，训练后得到的分类模型可以直接用于在线阶段的运动意图辨识。具体说明如下：

1.1 sEMG信号的采集

在不同的肌电识别应用场景下，往往选择不同的动作类型进行识别。基于sEMG信号实现对手部康复机器人的控制时，一般会根据日常生活中的手部动作类别，进行手指的捏、伸，手掌的抓握、伸展等动作进行识别。根据识别动作类别的不同，电极的粘贴位置也应该随之改变。

考虑到患者对患侧肢体的可控能力较差、患者患侧的sEMG信号微弱等因素，这里我们选择识别的手部动作为握拳、伸掌、捏食指、伸食指与中指四个动作类别，如图2所示。相应地，我们选择的电极粘贴位置为桡侧腕短伸肌、桡侧腕屈肌、肱桡肌、尺侧腕伸肌、指伸肌、指浅屈肌，如图3所示，这6个电极采集到的肌电信号数据依次代表6个通道C1、C2、C3、C4、C5、C6。

本发明中采用美国Delsys公司生产的Trigno无线肌电信号采集系统对受试者的前臂进行肌电信号的采集。该采集系统具有16个干电极，每个干电极的大小为37mm*26mm*15mm，重量为13g，采样频率为2000Hz。

采集肌电信号时，令受试者静坐于座椅上，在目标肌肉处消毒后粘贴电极。采集程序在电脑屏幕中显示图片，引导患者依次做出相应的手部动作。考虑到患者对患侧肢体控制能力下降，难以长时间保持某一动作，该实验中要求受试者每个动作仅维持6秒，然后休息4秒，如此往复循环6次，后期通过数据剪辑的方式增大模型训练数据量，采集过程如图4所示。

1.2 sEMG信号的预处理

采集到的原始sEMG信号存在工频噪声、尖峰幅值等干扰，因此需要对原始肌电信号进行软件滤波处理。首先对原始sEMG信号做限幅处理，用于去除尖峰噪声，即当某时刻采样点幅值的绝对值超过0.001V时，取信号前一时刻的幅值；之后，对信号进行FFT变换，利用陷波器滤除50Hz工频噪声；最后，采用巴特沃兹带通滤波器滤除肌电信号的高频噪声，保留sEMG信号位于主频带10-300Hz内的信号即可。

1.3 sEMG信号的特征值提取

肌电信号在较短时间内是一种平稳信号，往往通过“时间窗+增量窗”的方式提取特征值，以保证提取到的特征值的连续性。这里选择将时间窗设置为100ms，增量窗设置为50ms，即前后两个时间窗的肌电信号有50％的重叠部分。这里选择使用的特征值以及计算方法说明如图5所示，采用“时域特征+频域特征”组合的形式，可以充分提取到sEMG信号中的有用信息。每个通道提取的特征值维数为11，则六个通道提取到的特征值维数为66维。

1.4运动意图阈值计算

从sEMG信号中解码出患者是否有运动意图是利用其进行康复机器人控制的第一步，这里选择提出一种通过遍历获取最优阈值的方法进行判断。这里选用MAV特征值，具体方法如下：

(1)采集sEMG信号，对原始数据进行预处理并提取MAV特征值；。

(2)对所有通道的肌电信号取绝对值并求和得到全局肌电信号；

(3)提取所有状态下的MAV特征，并计算全局MAV特征的平均值GMAV；

(4)对阈值大小进行遍历，输出判别正确率最高的阈值。

遍历阈值，获得的正确率曲线如图6所示，可以看出，阈值设置为0.7GMAV时，有动作和无动作的判别正确率能够达到98.2％。

1.5分类模型训练

这里选择使用BP神经网络作为运动意图分类模型，通过不断迭代来修改各层神经元之间的权重，使得最终的模型误差最小。这里使用的BP神经网络由输入层、隐含层和输出层组成，同一层中的各个神经元互不连接，前后层之间的神经元相互连接，其中隐含层使用tanh激活函数，输出层使用sigmoid激活函数，定义分别如下：

为了降低模型训练所需时间、防止过拟合，使用PCA降维方法将步骤1.3获取到的66维特征值降低到30维，之后作为输入传递给BP神经网络用于模型训练的输入参数。输出层个数与识别的动作类别有关，即为4个，接下来需要确定隐含层个数。不同隐含层神经元个数下的手部动作识别率如图7所示，可以看出当隐含层神经元的个数大于14时，识别精度能够达到95％以上，之后随着隐含层神经元个数的增加，识别正确率逐渐增加并趋于平稳。为了防止过拟合，且保证模型的分类精度，这里将BP神经网络的隐含层神经元个数都设置为18个。

二、在线运动意图辨识阶段是利用离线训练获得的分类模型，对sEMG进行解码以在线实时判断患者的运动意图，流程框图如图1所示。具体说明如下：

2.1 sEMG信号的采集

2.2 sEMG信号的预处理

2.3 sEMG信号的特征值提取

为了确保在线阶段提取到的特征值与所训练的模型匹配，步骤2.1、2.2、2.3分别与步骤1.1、1.2、1.3一致。值得注意的是，在线阶段采集sEMG信号时不可变换电极的粘贴位置；在线预处理阶段使用的滤波参数应与离线模型训练阶段一致；提取特征值时特征值的顺序不可改变，并且也应该通过PCA将特征值向量降低至30维。

2.4判断患者是否有运动意图

判断患者是否有运动意图时，利用离线状态下得到的GMAV阈值进行判别。在线获取到MAV特征值并进行归一化后，与GMAV阈值(这里取0.7GMAV)进行比较，若大于阈值，表示患者有主观运动意图，否则表示处于静息状态。另外进行在线阈值判别时，若前后两个时刻的判别结果相同才执行下一步操作，相当于对输出结果进行平滑滤波，从而保证输出结果的平滑性，并提高实际控制中的鲁棒性。

2.5判断患者的运动意图类别

判断出患者有运动意图后，需要对意图进行判别获取到目标动作，继而进行康复机器人的控制，这里使用离线状态下获取到的BP神经网络模型进行辨识。将降维后获取到的30维特征向量作为神经网络的输入层，即可辨识出患者的运动意图，继而进行康复机器人的控制。

三、手部康复机器人控制阶段是利用在线阶段辨识出的患者运动意图，通过设计的控制逻辑运算后，发送控制指令至手部康复机器人，从而由机器人实现对患者手部的康复活动，辅助患者建立起主观运动意图到实际手部动作的正向映射关系。控制阶段的流程框图如图1所示，具体说明如下：

手部康复机器人的左手为用于左手功能受损的康复机器人，右手为用于右手功能受损的康复机器人。脑卒中患者的手部康复训练主要包括闭手类动作和开手类动作，在这里闭手类动作指握拳(动作2)、捏食指(动作3)，开手类动作指伸掌(动作1)、伸食指与中指(动作4)。为了提升康复训练效率，当手部康复机器人处于开手动作时，只执行闭手类动作，若接收到开手类动作时忽略；同样地，当手部康复机器人处于闭手动作时，只执行开手类动作，若接收到闭手类动作时忽略。当执行完目标动作后，才能重新等待接收下一次目标动作。通过这种方法，可以避免同一类判别动作下的时间浪费，大大提高康复效率。

手部康复机器人为现有技术，其对应专利为发明专利，CN201710535587.X，一种柔性驱动的手部康复设备及其反馈控制电路和实用新型专利CN201720796434.6，柔性驱动的手部康复设备及其反馈控制电路。

Claims (9)

1.一种基于sEMG的手部康复机器人控制方法，其特征在于，包括三个阶段：离线模型训练阶段、在线运动意图辨识阶段和康复机器人控制阶段；其中

通过离线模型训练阶段，获取运动意图阈值，该阈值用于判断当前手部是否有运动意图；并训练获得手部运动意图分类模型；

在线运动意图辨识阶段判断出手部是否有运动意图，并利用离线模型训练阶段获得的手部运动意图分类模型辨识出具体运动类别，进入康复机器人控制阶段对手部康复机器人进行控制。

2.根据权利要求1所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述离线模型训练阶段包括：

步骤1:采集前臂sEMG信号，对采集到的sEMG信号添加标签，并对添加标签后的sEMG信号进行滤波预处理；

步骤2:对滤波预处理后的sEMG信号通过最大面积法进行标签修正；

步骤3:对标签修正后的sEMG信号进行特征值提取；

步骤4:对于某一特征值，通过遍历的方法获得到该特征值在判断手部是否有运动意图时的最佳阈值，作为在线阶段的运动意图判别标准；

步骤5:利用PCA方法对获取到的特征向量进行降维，利用降维后的特征向量训练BP神经网络分类模型。

3.根据权利要求2所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述添加标签为：对于不同动作类别下采集到的sEMG信号，对应添加相应类别的标签，用于区分不同动作类别。

4.根据权利要求2所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述通过最大面积法进行标签修正包括：

步骤1:对滤波预处理后的sEMG信号取绝对值后求和，得到每一时刻的sEMG信号的总能量；

步骤2:在采集到的sEMG信号序列上，在设定修正时间窗下，以固定修正增量窗求取该修正时间窗内的能量总和，生成能量和序列；

步骤3:将能量和序列中最大值对应修正时间窗内的sEMG信号作为当前动作类别的有效sEMG信号，对其添加当前动作类别的标签，并将当前动作类别下除有效sEMG信号外的sEMG信号作为静息状态下的sEMG信号。

5.根据权利要求2所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述通过遍历的方法获得到该特征值在判断手部是否有运动意图时的最佳阈值，包括：

对于某一特征值，提取所有状态下的该特征值，并计算其均值；取该均值的k倍作为阈值，用于得到判别手部是否有运动意图的正确率；通过遍历k得到判别正确率最高时对应的K值，则该均值的K倍即为该特征值在判断手部是否有运动意图时的最佳阈值；其中，0<k<1，0<K<1。

6.根据权利要求1所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述在线运动意图辨识阶段包括：

步骤1:采集前臂相同位置处的sEMG信号，并对sEMG信号进行滤波预处理；

步骤2:对滤波预处理后的sEMG信号进行特征值提取，组成特征向量；

步骤3:对于某一特征值，与离线模型训练阶段获取到的最佳阈值进行对比，如果该特征值大于最佳阈值，则当前患者手部有运动意图，执行步骤4；否则，当前患者手部无运动意图，返回步骤1；

步骤4:利用离线模型训练阶段获取到的BP神经网络分类模型对运动意图进行分类，并将分类结果发送给手部康复机器人，执行康复机器人控制阶段。

7.根据权利要求1所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述通过康复机器人控制阶段包括：

当手部康复机器人处于开手类动作时，若接收到开手类动作时，忽略该开手类动作指令，若接收到闭手类动作指令时，执行闭手类动作；

当手部康复机器人处于闭手类动作时，若接收到闭手类动作时，忽略该闭手类动作指令，若接收到开手类动作指令时，执行开手类动作；

当执行完目标动作后，才能重新等待接收下一次目标动作，否则等待该目标动作执行完成。

8.根据权利要求1所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述开手类动作为：以手部自然弯曲状态为初始状态，目标手指向手背方向运动。

9.根据权利要求1所述的基于sEMG的手部康复机器人控制方法，其特征在于：所述闭手类动作为：以手部自然弯曲状态为初始状态，目标手指向手心方向运动。

Images