CN113730054A - 一种控制肌电假肢抓握力的方法 - Google Patents
一种控制肌电假肢抓握力的方法 Download PDFInfo
- Publication number
- CN113730054A CN113730054A CN202111067275.3A CN202111067275A CN113730054A CN 113730054 A CN113730054 A CN 113730054A CN 202111067275 A CN202111067275 A CN 202111067275A CN 113730054 A CN113730054 A CN 113730054A
- Authority
- CN
- China
- Prior art keywords
- artificial limb
- user
- action
- myoelectric
- electromyographic
- 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
- 230000003183 myoelectrical effect Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 210000003414 extremity Anatomy 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 210000000245 forearm Anatomy 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/50—Prostheses not implantable in the body
- A61F2/68—Operating or control means
- A61F2/70—Operating or control means electrical
- A61F2/72—Bioelectric control, e.g. myoelectric
Abstract
本发明公开了一种控制肌电假肢抓握力的方法,所述方法包括:肌电传感器获取肌电信号,判断用户动作意图;神经网络控制中心识别到用户有抓握、捏取动作意图时,驱动假肢组件按照用户动作意图进行动作;启动摄像模块对动作目标进行拍摄,识别物体并判断握紧物体需要的预期压力;获取压力传感器的信息,与预期压力进行比较,调整假肢组件力施加状态;当识别到用户有释放、伸展等动作意图时,驱动假肢组件放开被抓取物体。本发明通过肌电信号判断用户动作意图,采用视觉与压力双向反馈的方式调节抓握力,增加信息获取渠道,实现肌电假肢在多种手势下的力度调节,丰富了假肢的使用场景。
Description
技术领域
本发明涉及假肢技术领域,具体涉及一种肌电假肢抓握力的控制方法。
背景技术
对于截肢患者来说,安装肢体假肢可以大幅提高他们的生活和工作质量。随着技术的进步,假肢可以根据用户的意愿来执行越来越多的动作;以肌电假肢为例,肌电假肢可以针对采集的用户肌电信号进行识别,产生相应的识别结果以便进一步控制执行机构进行相应动作。但在现有技术中,肌电假肢对抓握力的识别采用传感器较少,如此,导致获取信息较少,识别精度较差,力度调节不合适,造成使用不够方便。
发明内容
为了解决上述技术问题,本发明提供一种肌电假肢抓握力的控制方法,所述方法通过肌电信号判断用户动作意图,采用视觉与压力双向反馈的方式调节抓握力,增加信息获取渠道,实现肌电假肢在多种手势下的力度调节,丰富了假肢的使用场景。
控制肌电假肢抓握力的方法包括以下步骤:
肌电传感器获取肌电信号,神经网络控制中心获取所述肌电传感器的信息,判断用户动作意图;当用户有抓握、捏取等动作意图时,控制中心启动摄像模块对动作目标进行拍摄,识别物体并判断握紧物体需要的预期压力,假肢组件按照用户动作意图驱动;神经网络控制中心获取压力传感器的信息,与预期压力进行比较,调整假肢组件力施加状态;当用户有释放、伸展等动作意图时,假肢组件放开被抓取物体。所述肌电传感器为双通道肌电传感器,分别设置在用户前臂尺侧腕屈肌与桡侧腕屈肌相应皮肤表面。
附图说明
图1为本发明的流程图。
具体实施方式
如图1所示,用户佩戴上假肢系统后需要先手动打开开关,为假肢系统通电初始化。假肢系统将通过控制中心采集肌电信号,通过预先训练完成的识别模型对肌电信号进行分类识别,以此判断用户动作意图。此处肌电信号由肌电传感器采集,通过PCF8591芯片将模拟信号转成数字信号,采用I2C总线将数据发送到控制中心的K210处理器(神经网络处理器)。
此处识别模型是通过使用支持向量机(Support Vector Machine,SVM)对训练样本进行训练得到。每个动作需要收集30组数据,每组数据有1000个原始肌电信号特征值,按照6:4划分训练集及测试集。将训练集按照每一维度归一化到[-1,1]区间并记录归一化映射,选择径向基核函数(Radial Basis Function,RBF)利用网络寻优去寻找最优的参数c(惩罚系数)和g(核函数的参数),训练集通过支持向量机训练函数生成识别模型,达到目标识别率后将生成的识别模型提取出来,作为一个类移植到K210处理器上。
控制中心在识别到用户拥有抓握,捏取等动作意图时,调动摄像头模块对即将抓取的物体进行拍摄;在此过程中,需要将物体模型加载入K210处理器中,运行目标检测算法,识别可信概率设置为0.7;将采集到的物体图像运行识别,通过查表法得到握紧该物体需要的预期压力,即需要对物体施加多大的力。
控制中心在识别到用户有抓握、捏取等动作意图时,驱动假肢组件(包括驱动电机与假肢本体)按照用户动作意图进行动作,与此同时获取压力传感器测量到的实际抓握压力,与预期压力相比较。假若实际压力小于预期压力,则增加假肢组件的收缩程度,对物品施加压力,直至实际压力与预期压力相符合;假若实际压力大于预期压力,则适当放松假肢组件收缩程度,降低所施加的压力,直至实际压力降低至与预期压力相符合;以此完成抓握、捏取等动作过程。
控制中心在识别到用户有释放、伸展等动作意图时,驱动假肢组件按照用户动作意图进行动作,放开被抓取物体,并等待下一次动作意图,从而实现多种手势下的力度调节。
本发明的有益效果:
通过肌电信号判断用户动作意图,采用视觉与压力双向反馈的方式调节抓握力,增加信息获取渠道,实现肌电假肢在多种手势下的力度调节,拓展了假肢的使用场景。
Claims (3)
1.一种控制肌电假肢抓握力的方法,所述方法包括:
肌电传感器获取肌电信号,判断用户动作意图;
神经网络控制中心识别到用户有抓握、捏取动作意图时,驱动假肢组件按照用户动作意图进行动作;
神经网络控制中心启动摄像模块对动作目标进行拍摄,识别物体并判断握紧物体需要的预期压力;
神经网络控制中心获取压力传感器的信息,与预期压力进行比较,调整假肢组件力施加状态;
神经网络控制中心识别到用户有释放、伸展等动作意图时,驱动假肢组件放开被抓取物体。
2.根据权利要求1所述的方法,其特征在于,所述肌电传感器为双通道肌电传感器,分别设置在用户前臂尺侧腕屈肌与桡侧腕屈肌相应皮肤表面。
3.根据权利要求1或2所述的方法,其特征在于,所述肌电信号通过预先训练完成的识别模型进行分类识别,识别模型通过使用支持向量机对训练样本进行训练得到;每个动作收集30组数据,每组数据有1000个原始肌电信号特征值,按照6:4划分训练集及测试集;将训练集按照每一维度归一化到[-1,1]区间并记录归一化映射,选择径向基核函数利用网络寻优去寻找最优的惩罚系数以及核函数的参数,训练集通过支持向量机训练函数生成识别模型,达到目标识别率后将生成的识别模型提取出来,作为一个类移植到神经网络处理器上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067275.3A CN113730054A (zh) | 2021-09-13 | 2021-09-13 | 一种控制肌电假肢抓握力的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111067275.3A CN113730054A (zh) | 2021-09-13 | 2021-09-13 | 一种控制肌电假肢抓握力的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113730054A true CN113730054A (zh) | 2021-12-03 |
Family
ID=78738323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111067275.3A Pending CN113730054A (zh) | 2021-09-13 | 2021-09-13 | 一种控制肌电假肢抓握力的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113730054A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117773952A (zh) * | 2024-02-23 | 2024-03-29 | 浙江强脑科技有限公司 | 仿生手控制方法、存储介质、控制装置和仿生手 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110271007A (zh) * | 2019-07-24 | 2019-09-24 | 广东工业大学 | 一种机械手臂的物体抓取方法及相关装置 |
CN111055279A (zh) * | 2019-12-17 | 2020-04-24 | 清华大学深圳国际研究生院 | 基于触觉与视觉结合的多模态物体抓取方法与系统 |
CN112057212A (zh) * | 2020-08-03 | 2020-12-11 | 桂林电子科技大学 | 基于深度学习的假肢系统 |
-
2021
- 2021-09-13 CN CN202111067275.3A patent/CN113730054A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110271007A (zh) * | 2019-07-24 | 2019-09-24 | 广东工业大学 | 一种机械手臂的物体抓取方法及相关装置 |
CN111055279A (zh) * | 2019-12-17 | 2020-04-24 | 清华大学深圳国际研究生院 | 基于触觉与视觉结合的多模态物体抓取方法与系统 |
CN112057212A (zh) * | 2020-08-03 | 2020-12-11 | 桂林电子科技大学 | 基于深度学习的假肢系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117773952A (zh) * | 2024-02-23 | 2024-03-29 | 浙江强脑科技有限公司 | 仿生手控制方法、存储介质、控制装置和仿生手 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Continuous locomotion-mode identification for prosthetic legs based on neuromuscular–mechanical fusion | |
Shi et al. | Computer vision-based grasp pattern recognition with application to myoelectric control of dexterous hand prosthesis | |
Chan et al. | Myoelectric control development toolbox | |
CN100515366C (zh) | 二自由度肌电假手实时控制装置及控制方法 | |
Chen et al. | Locomotion mode classification using a wearable capacitive sensing system | |
CN113730054A (zh) | 一种控制肌电假肢抓握力的方法 | |
Tsuji et al. | Pattern classification of time‐series EMG signals using neural networks | |
Taverne et al. | Video-based prediction of hand-grasp preshaping with application to prosthesis control | |
CN108814778B (zh) | 一种肌电仿人灵巧假肢手级联控制方法和系统 | |
CN111531537B (zh) | 基于多传感器的机械臂控制方法 | |
CN112603758A (zh) | 一种基于sEMG与IMU信息融合的手势识别方法 | |
CN102764167B (zh) | 基于相关系数的肌电假肢控制源导联优化方法 | |
CN107126303A (zh) | 一种基于手机app的上下肢运动辅助方法 | |
CN112949676A (zh) | 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法 | |
CN112405539B (zh) | 一种基于肌电信号和脑电错误电位的机器人自然控制方法 | |
Zhao et al. | EMG control for a five-fingered prosthetic hand based on wavelet transform and autoregressive model | |
CN113951904A (zh) | 一种基于sEMG的下肢膝关节角度连续预测的方法 | |
CN111985270B (zh) | 一种基于梯度提升树的sEMG信号最优通道选择方法 | |
Fan et al. | A canonical correlation analysis based EMG classification algorithm for eliminating electrode shift effect | |
Vuskoviv et al. | Classification of grasp modes based on electromyographic patterns of preshaping motions | |
CN111973388B (zh) | 一种基于sEMG的手部康复机器人控制方法 | |
KARLIK | Differentiating type of muscle movement via AR modeling and neural network classification | |
Carrozza et al. | Design and control of an underactuated cybernetic artificial hand | |
CN107126302A (zh) | 上下肢运动仿真处理方法 | |
KR100504217B1 (ko) | 근전도 신호를 이용한 인간-기계 인터페이스 장치 및 방법 |
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 |