CN114947894A - 一种基于肌电信号的肘关节康复装置及训练系统 - Google Patents
一种基于肌电信号的肘关节康复装置及训练系统 Download PDFInfo
- Publication number
- CN114947894A CN114947894A CN202210555550.4A CN202210555550A CN114947894A CN 114947894 A CN114947894 A CN 114947894A CN 202210555550 A CN202210555550 A CN 202210555550A CN 114947894 A CN114947894 A CN 114947894A
- Authority
- CN
- China
- Prior art keywords
- elbow joint
- electromyographic
- signal
- arm support
- driving motor
- 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
- 210000002310 elbow joint Anatomy 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 title claims abstract description 63
- 230000007246 mechanism Effects 0.000 claims abstract description 45
- 210000000245 forearm Anatomy 0.000 claims abstract description 29
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 241000282414 Homo sapiens Species 0.000 claims abstract description 12
- 238000005452 bending Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 210000003205 muscle Anatomy 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 10
- 210000003811 finger Anatomy 0.000 claims description 9
- 230000003183 myoelectrical effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000007779 soft material Substances 0.000 claims description 3
- 210000003813 thumb Anatomy 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004064 dysfunction Effects 0.000 description 3
- 210000004247 hand Anatomy 0.000 description 3
- 210000001364 upper extremity Anatomy 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000003041 ligament Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 210000002758 humerus Anatomy 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000001584 occupational therapy Methods 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000000623 ulna Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Prostheses (AREA)
Abstract
本发明提出一种基于肌电信号的肘关节康复装置及训练系统，包括肌电信号传感器、驱动电机、肘关节屈伸机构、小臂旋转机构、外骨骼支架及上位机；肘关节屈伸机构、小臂旋转机构均设有与上位机连接的驱动电机；其中，肌电信号传感器用以检测人体上臂的肌电信号，其提取到的肌电信号经过预处理、特征提取后导入上位机，以基于BP算法构建的神经网络模型进行模式分类；根据分类结果控制肘关节屈伸机构或小臂旋转机构的驱动电机，使康复装置驱动肘关节屈伸或小臂旋转，进行主动康复训练；本发明采用肌电信号控制外骨骼装置，识别人类的运动意图，并将其转换为命令；患者可以使用表面肌电信号来控制康复装置，经表面肌电信号直接反映人体的运动意图。
Description
技术领域
本发明涉及康复器械技术领域，尤其是一种基于肌电信号的肘关节康复装置及训练系统。
背景技术
肘关节是上肢最重要的组成部分之一，包括肱骨下端、尺骨和桡骨上端。它连接上臂中部和前臂，在上肢活动中起着关键作用。当肘关节进行屈、伸、旋前、旋后时，对肘关节骨骼、韧带、肌肉进行划分配合。然而，随着各种疾病和事故的频繁发生(如中风、骨折等)，肘部运动功能障碍的发病率越来越高，由于肘关节囊和韧带非常脆弱，肘关节活动度大，人在运动过程中容易发生关节损伤和脱位，从而导致肘关节运动障碍。严重影响患者的日常生活和工作，并带来了巨大的身体和精神压力。综上，肘部运动功能障碍已成为医学领域急待解决的问题。
肘关节运动障碍的临床治疗可分为早期、中期和晚期三个阶段。后期康复训练是康复时间最长、康复效果最好的关键阶段。康复训练主要是通过一些智能训练方法，恢复患者关节正常的自我护理功能。达到身心康复的治疗效果。肘关节康复训练方法主要有物理疗法、运动疗法和职业疗法，而辅助肘关节康复训练的方法主要有两种：第一个是医生和病人一对一的进行，医生给出指导。病人根据指示主动或被动地完成相应的动作。第二是使用相应的康复训练系统，如上肢智能反馈训练系统。通过佩戴机械臂，按照康复训练方案，完成系统的比赛训练和后期训练，从而达到康复训练的目的。
目前有一些外骨骼系统已经被设计用于帮助肘关节康复运动，但由于没有考虑到患者肌肉活动水平的调整，因此并不适合康复。
本发明提出一种基于肌电信号的肘关节康复系统，采用肌电信号控制外骨骼装置，识别人类的运动意图，并将其转换为命令。患者可以使用表面肌电信号来控制康复装置，因为表面肌电信号可以直接反映人体的运动意图。
传统上，获取肌电信号和开发肌电控制算法需要昂贵的硬件。随着低成本技术(即传感器、执行器、控制器)的出现，以及MATLAB等仿真软件包的硬件支持，人们可以使用价格合理的研究工具来开发新的肌电控制算法。
肌电控制是一种将肌电信号检测、处理、分类和应用于人体辅助机器人或康复设备的先进技术。尽管最近在肌电控制算法方面取得了进展，但目前仍有重要的需求，即开发合适的方法，包括可用性，以自然的方式控制假肢和外骨骼。
发明内容
本发明提出一种基于肌电信号的肘关节康复装置及训练系统，采用肌电信号控制外骨骼装置，识别人类的运动意图，并将其转换为命令；患者可以使用表面肌电信号来控制康复装置，经表面肌电信号直接反映人体的运动意图。
本发明采用以下技术方案。
一种基于肌电信号的肘关节康复装置，所述装置包括肌电信号传感器、驱动电机、肘关节屈伸机构、小臂旋转机构、外骨骼支架及上位机；所述肘关节屈伸机构、小臂旋转机构均设有与上位机连接的驱动电机；其中，肌电信号传感器用以检测人体上臂的肌电信号，其提取到的肌电信号经过预处理、特征提取后导入上位机，以基于BP算法构建的神经网络模型进行模式分类；根据分类结果控制肘关节屈伸机构或小臂旋转机构的驱动电机，使康复装置驱动肘关节屈伸或小臂旋转，进行主动康复训练。
所述外骨骼支架包括相连的小臂支架(1)和大臂支架(3)；小臂支架上设置有多对小臂支撑环(2)，大臂支架上设置有多对大臂支撑环(4)，支撑环与支架之间通过紧固件连接；
大臂支架、小臂支架采用便于臂部穿戴的半开放式结构，支架处设有可调节支撑环位置的孔洞；所述半开放式结构设有由柔软材料制作的内衬，以及可固定手臂的弹性松紧魔术贴。
所述肘关节屈伸机构包括小伞齿轮(7)、大伞齿轮(8)、一号驱动电机(5) 以及各连接构件，其中一号驱动电机(6)数量为两个，通过紧固件对称固定在大臂支架(3)的内侧和外侧，其驱动电机输出轴端旁固定有小伞齿轮(7)，大伞齿轮(8)与电机输出轴端的小伞齿轮(7)啮合，大伞齿轮(8)通过紧固件固定在大小臂支架的连接处，一号驱动电机轴线方向与大臂支架(3)方向平行，上位机控制其两个一号驱动电机同步协调运动，驱动肘关节屈伸机构做屈伸动作；
所述小臂旋转机构包括直齿轮(9)、圆弧齿条(10)、二号驱动电机(6)以及各连接构件，其中二号驱动电机(6)数量为两个，通过螺钉对称固定在小臂支架(1)的内侧和外侧，驱动电机输出轴端旁固定圆弧齿条(10)，圆弧齿条与电机输出轴端的直齿轮(9)外啮合，圆弧齿条(10)通过螺钉固定在小臂支架 (1)上，然后与大臂支架(3)连接；二号驱动电机轴线方向与小臂支架(1) 方向平行；上位机控制其两个二号驱动电机同步协调运动，驱动小臂旋转机构做旋转动作；
所述肌电信号传感器为可将肌电信号放大约两千倍以上的肌电信号采集装置，包括肌电信号电极、前端放大电路、滤波电路、后放大电路；肌电信号采集装置为预埋于大臂支架、小臂支架的内衬处的多通道肌电设备，用于分别采集小臂的多个肌群肌电信号，肌群包括小臂的拇长伸肌、指浅屈肌、食指固有伸肌和小指固有伸肌；当肘关节康复装置穿戴于臂部时，肌电信号电极中的参考电极贴在肌肉较少处以获得正确的参考电位。
一种基于肌电信号的肘关节康复训练系统，采用基于肌电信号的肘关节康复装置，其康复训练方法包括以下步骤
步骤一：将肌电传感器贴在手臂肌肉处，手臂执行肘关节屈曲向上、肘关节伸展向下、小臂顺时针旋转、小臂逆时针旋转四个动作，上位机采集这些动作下的肌电信号的数据样本；
步骤二：对肌电信号数据样本进行预处理，以降低噪声干扰来获得高信噪比的信号；
步骤三：对预处理后的信号进行特征提取；
步骤四：搭建所需的BP神经网络模型，对步骤一的肌电信号数据样本进行分类，作为训练集，训练BP神经网络模型；
步骤五：建立肌电采集设备和MATLAB软件之间的实时通讯链路，用于实现在软件中实时读取由MATLAB软件处理后的肌电信号；
步骤六：在康复训练中，将处理后的实时肌电信号特征值数据导入上位机，上位机以训练好的BP神经网络模型根据模式识别其分类，以分类结果对肘关节屈伸机构、小臂旋转机构控制。
步骤二中以巴特沃斯滤波器对肌电信号数据样本进行预处理，所述巴特沃斯滤波器通频带内的频率响应曲线最大限度平坦且没有起伏，在阻频带的频率响应曲线则逐渐下降为零，在振幅的对数对角频率的波特图上，从某一边界角频率开始，其振幅随着角频率的增加而逐步减少，趋向负无穷大；
巴特沃斯滤波器的频率特性曲线无论在通带内还是阻带内都是频率的单调函数；在本训练系统中，将巴特沃斯滤波器精确度均匀的分布在整个通带或阻带内，或者同时分布在两者之内，以用较低阶数的系统满足性能要求；
预处理滤波后的信号以公式表述为
其中，n为滤波器的阶数，wc为截止频率，wp为通频带边缘频率。
步骤三中，特征提取为肌电特征值的提取，包括提取波形长度、过零点数、肌电积分值、方差、均方值根、平均功率频率六项特征矢量。
步骤五中，对采集的肌电信号的数据样本进行归一化处理，具体为在 MATLAB中采用mapminmax函数可以将数据归一化至[0，1]之间。其所采用的公式为：
其中，x(i)表示原始信号序列；xmax、xmin分别是x(i)的最大值和最小值；y(i)是归一化后的信号序列；ymax、ymin分别是y(i)的最大值和最小值，若将原始信号归一化至[0，1]之间，则ymax＝1，ymin＝0。
步骤四中，BP神经网络模型的训练包括以下步骤；
步骤S1、设计网络连接结构，包括输入变量和输出变量个数、隐含的层数、各层神经元的个数，并随机设置所有的连接权值为任意小；
步骤S2、输入样本并用现有的权值计算网络中各神经元的实际输出yi，公式为
yi＝f(∑wijIi) 公式三；
式中，wij表示从神经元i到神经元j的连接权值；Ii表示神经元j的当前输入；yj表示神经元j的输出；f表示传递两数，模型中隐含层节点的激活函数采用 Sigmiod函数，表达为：
式中，x为自变量。输出层选用线性函数作为传递函数；
步骤S3、计算BP神经网络模型输出与BP神经网络模型目标的误差，公式为
ej＝dj-yj 公式五；
其中，dj表示网络的期望输出；yj表示网络的实际输出；j表示输出层神经；
步骤S4、根据网络输出与网络目标的差值调整权值；按误差反向传播方向，从输出节点开始返回到隐含层修整权值；
步骤S5、输出另一个样本，然后转至步骤S2；
随机输入训练样本直至把训练集中所有样本都加到网络上，直到网络收敛且均方误差小于给定的阈值才结束训练，然后固定权值使神经网络构成所需的模式分类器。
所述BP神经网络通过拟合电机控制器的比例、积分参数和相应的驱动电机动态响应性能之间的非线性关系，利用神经网络的自学习能力，对电机控制器进行参数整定，实时调整参数，动态地确保参数在使用时能实时地接近最优设定，从而提高整个系统的性能，具体方法为：上位机根据BP神经网络结构的设定，计算出各神经元之间的输入输出，然后得到电机控制器的输出，电机控制器接收相应的指令，实现对驱动电机的转速、转矩和旋转方向的控制；即通过实时信号模型处理调整肘关节和小臂旋转驱动电机运动轨迹，保证受训人员的安全和提高康复训练的有效性。
本发明能在不造成外部损伤的情况下，针对上肢手部有运动障碍的患者，对患者手部进行康复训练，帮助患者尽快恢复自己手部的运动功能。使用本发明提出基于肌电信号的穿戴式肘关节康复系统，可以实现在无专业医生陪同的情况下对肘关节和小臂进行康复治疗，减少患者对康复师的依赖，提高自主康复的效率。同时，本发明提出的一种基于肌电信号的穿戴式肘关节康复系统装置原理简单，使用方便，安全性高，实时性优，精度高，适用范围广泛。
本发明使用训练好的BP神经网络模型，根据模式识别的分类结果，实现对康复系统的控制；采用MATLAB软件，把表面肌电信号的采集，信号预处理，特征提取，手势动作识别分类，控制部分和算法设计集成在一起，便于一体化操作。
本发明无须结合惯性传感器的加速度信号，直接使用BP神经网络拟合电机控制器的比例、积分参数和相应的驱动电机动态响应性能之间的非线性关系。利用神经网络的自学习能力，对电机控制器进行参数整定，动态地确保参数在每一时刻都接近最优，从而提高整个系统的性能。
本发明在关于肌电信号的采集和处理方面，对信号进行了预处理和特征提取，减少了特征中与分类无关的信息，能提高控制的精度。
本发明康复的锻炼主要针对肘关节和小臂，在使用过程中肌电信号起主要作用，利用肌电信号肌电信号控制外骨骼装置，识别人体的运动意图，并将其转换为命令，能帮助患者更自然的恢复自己手部的运动功能。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的康复装置示意图；
附图2是肘关节屈伸机构的示意图；
附图3是小臂旋转机构的示意图；
附图4是肌电传感器的内部原理示意图；
附图5是原始肌电信号滤波前后的信号对比示意图；
附图6是肌电信号的滑窗分割方法示意图；
附图7是经特征提取处理后的肌电信号示意图；
附图8是BP神经网络的结构示意图；
附图9是BP神经网络的学习训练过程示意图；
附图10是BP神经网络的算法流程示意图；
附图11是四个动作测试集的识别率示意图；
附图12是BP神经网络的分类误差示意图；
图中：1-小臂支架；2-小臂支撑环；3-大臂支架；4-大臂支撑环；5-一号驱动电机；6-二号驱动电机；7-小伞齿轮；8-大伞齿轮；9-直齿轮；10-圆弧齿条。
具体实施方式
如图所示，一种基于肌电信号的肘关节康复装置，所述装置包括肌电信号传感器、驱动电机、肘关节屈伸机构、小臂旋转机构、外骨骼支架及上位机；所述肘关节屈伸机构、小臂旋转机构均设有与上位机连接的驱动电机；其中，肌电信号传感器用以检测人体上臂的肌电信号，其提取到的肌电信号经过预处理、特征提取后导入上位机，以基于BP算法构建的神经网络模型进行模式分类；根据分类结果控制肘关节屈伸机构或小臂旋转机构的驱动电机，使康复装置驱动肘关节屈伸或小臂旋转，进行主动康复训练。
所述外骨骼支架包括相连的小臂支架1和大臂支架3；小臂支架上设置有多对小臂支撑环2，大臂支架上设置有多对大臂支撑环4，支撑环与支架之间通过紧固件连接；
大臂支架、小臂支架采用便于臂部穿戴的半开放式结构，支架处设有可调节支撑环位置的孔洞；所述半开放式结构设有由柔软材料制作的内衬，以及可固定手臂的弹性松紧魔术贴。
所述肘关节屈伸机构包括小伞齿轮7、大伞齿轮8、一号驱动电机5以及各连接构件，其中一号驱动电机6数量为两个，通过紧固件对称固定在大臂支架3 的内侧和外侧，其驱动电机输出轴端旁固定有小伞齿轮7，大伞齿轮8与电机输出轴端的小伞齿轮7啮合，大伞齿轮8通过紧固件固定在大小臂支架的连接处，一号驱动电机轴线方向与大臂支架(3)方向平行，上位机控制其两个一号驱动电机同步协调运动，驱动肘关节屈伸机构做屈伸动作；
所述小臂旋转机构包括直齿轮9、圆弧齿条10、二号驱动电机6以及各连接构件，其中二号驱动电机6数量为两个，通过螺钉对称固定在小臂支架1的内侧和外侧，驱动电机输出轴端旁固定圆弧齿条(10)，圆弧齿条与电机输出轴端的直齿轮9外啮合，圆弧齿条10通过螺钉固定在小臂支架1上，然后与大臂支架 3连接；二号驱动电机轴线方向与小臂支架1方向平行；上位机控制其两个二号驱动电机同步协调运动，驱动小臂旋转机构做旋转动作；
所述肌电信号传感器为可将肌电信号放大约两千倍以上的肌电信号采集装置，包括肌电信号电极、前端放大电路、滤波电路、后放大电路；肌电信号采集装置为预埋于大臂支架、小臂支架的内衬处的多通道肌电设备，用于分别采集小臂的多个肌群肌电信号，肌群包括小臂的拇长伸肌、指浅屈肌、食指固有伸肌和小指固有伸肌；当肘关节康复装置穿戴于臂部时，肌电信号电极中的参考电极贴在肌肉较少处以获得正确的参考电位。
一种基于肌电信号的肘关节康复训练系统，采用基于肌电信号的肘关节康复装置，其康复训练方法包括以下步骤
步骤一：将肌电传感器贴在手臂肌肉处，手臂执行肘关节屈曲向上、肘关节伸展向下、小臂顺时针旋转、小臂逆时针旋转四个动作，上位机采集这些动作下的肌电信号的数据样本；
步骤二：对肌电信号数据样本进行预处理，以降低噪声干扰来获得高信噪比的信号；
步骤三：对预处理后的信号进行特征提取；
步骤四：搭建所需的BP神经网络模型，对步骤一的肌电信号数据样本进行分类，作为训练集，训练BP神经网络模型；
步骤五：建立肌电采集设备和MATLAB软件之间的实时通讯链路，用于实现在软件中实时读取由MATLAB软件处理后的肌电信号；
步骤六：在康复训练中，将处理后的实时肌电信号特征值数据导入上位机，上位机以训练好的BP神经网络模型根据模式识别其分类，以分类结果对肘关节屈伸机构、小臂旋转机构控制。
步骤二中以巴特沃斯滤波器对肌电信号数据样本进行预处理，所述巴特沃斯滤波器通频带内的频率响应曲线最大限度平坦且没有起伏，在阻频带的频率响应曲线则逐渐下降为零，在振幅的对数对角频率的波特图上，从某一边界角频率开始，其振幅随着角频率的增加而逐步减少，趋向负无穷大；
巴特沃斯滤波器的频率特性曲线无论在通带内还是阻带内都是频率的单调函数；在本训练系统中，将巴特沃斯滤波器精确度均匀的分布在整个通带或阻带内，或者同时分布在两者之内，以用较低阶数的系统满足性能要求；
预处理滤波后的信号以公式表述为
其中，n为滤波器的阶数，wc为截止频率，wp为通频带边缘频率。
步骤三中，特征提取为肌电特征值的提取，包括提取波形长度、过零点数、肌电积分值、方差、均方值根、平均功率频率六项特征矢量。
步骤五中，对采集的肌电信号的数据样本进行归一化处理，具体为在 MATLAB中采用mapminmax函数可以将数据归一化至[0，1]之间。其所采用的公式为：
其中，x(i)表示原始信号序列；xmax、xmin分别是x(i)的最大值和最小值；y(i)是归一化后的信号序列；ymax、ymin分别是y(i)的最大值和最小值，若将原始信号归一化至[0，1]之间，则ymax＝1，ymin＝0。
步骤四中，BP神经网络模型的训练包括以下步骤；
步骤S1、设计网络连接结构，包括输入变量和输出变量个数、隐含的层数、各层神经元的个数，并随机设置所有的连接权值为任意小；
步骤S2、输入样本并用现有的权值计算网络中各神经元的实际输出yi，公式为
yi＝f(∑wijIi) 公式三；
式中，wij表示从神经元i到神经元j的连接权值；Ii表示神经元j的当前输入；yj表示神经元j的输出；f表示传递两数，模型中隐含层节点的激活函数采用 Sigmiod函数，表达为：
式中，x为自变量。输出层选用线性函数作为传递函数；
步骤S3、计算BP神经网络模型输出与BP神经网络模型目标的误差，公式为
ej＝dj-yj 公式五；
其中，dj表示网络的期望输出；yj表示网络的实际输出；j表示输出层神经；
步骤S4、根据网络输出与网络目标的差值调整权值；按误差反向传播方向，从输出节点开始返回到隐含层修整权值；
步骤S5、输出另一个样本，然后转至步骤S2；
随机输入训练样本直至把训练集中所有样本都加到网络上，直到网络收敛且均方误差小于给定的阈值才结束训练，然后固定权值使神经网络构成所需的模式分类器。
所述BP神经网络通过拟合电机控制器的比例、积分参数和相应的驱动电机动态响应性能之间的非线性关系，利用神经网络的自学习能力，对电机控制器进行参数整定，实时调整参数，动态地确保参数在使用时能实时地接近最优设定，从而提高整个系统的性能，具体方法为：上位机根据BP神经网络结构的设定，计算出各神经元之间的输入输出，然后得到电机控制器的输出，电机控制器接收相应的指令，实现对驱动电机的转速、转矩和旋转方向的控制；即通过实时信号模型处理调整肘关节和小臂旋转驱动电机运动轨迹，保证受训人员的安全和提高康复训练的有效性。
实施例：
本例中，训练系统使用时的步骤如下：
步骤一：该助力控制策略通过肌电传感器以及高精度数据采集卡从穿戴者的肌肉群上获取表面肌电信号，并且通过计算估计可以提取运动意图。在运动过程中，为了获取稳定有效的肌电信号，选择肌肉组织的体积越大，所采集的EMG 信号的质量越好。因此，将参考电极贴在肌肉较少处，以获得正确的参考电位。
步骤二：对表面肌电信号进行预处理，关键在于降低噪声干扰，获得高信噪比的信号。因此，为了获得高质量的EMG，需要采取有效的滤波处理方法，尽量滤除混入其中的噪声干扰。故选择巴特沃斯滤波器，对肌电信号进行预处理。
步骤三：为了能够提高肘关节角度的预测精度，需要选择一些可区分性强、鲁棒性好的特征参数，特征参数的算法应尽量简单。主要提取波形长度、过零点数、肌电积分值、方差、均方值根、平均功率频率六项特征矢量。
在步骤三中，采用滑窗的方法对预处理后的信号进行特征提取，窗方法分为连续的分割窗方法和叠加的分割窗方法，如图6所示，肌电信号数据以增量M 的形式可以被划分为多段等长度的数据段。当增量M小于窗口宽度W时，称为叠加的分割窗方法；当增量M等于窗口宽度W时，称为连续的分割窗方法；当增量M大于窗口宽度W时，会有部分数据丢失，所以这种方法一般不被使用。在具体的实际应用中，窗口宽度M越小，相应的特征值方差增大，但可以缩短系统反应时间；增量W越小，系统“灵敏度”相应增加，得到的特征值数据量增多，数据处理时间增长。为了便于分析处理，选取连续的分割窗方法。
步骤四：搭建合适的BP神经网络模型，对肘关节屈曲向上，肘关节伸展向下，小臂顺时针旋转，小臂逆时针旋转四个动作的信号进行分类。
在步骤四中，采用BP神经网络分类器对动作信号进行分类，BP神经网络实质是采用误差反向传播算法的多层感知器网络，其结构如图8所示。隐含层为一层的BP网络的结构如图4。网络共分三层：i为输入层节点，j为隐含层节点， k为输出层节点，wij为隐含层与输入层之间的权值，wjk为隐含层与输出层之间的权值。输入单元的状态代表输入此网络中的原始信息，每个隐含单元的状态取决于输入单元的状态及与该输入单元之间连接权值。同样，输出单元的状态取决于隐含单元的状态及隐含单元和输出单元之间的权值。上述网络的信息传播是由输入单元传到隐含单元最后传到输出单元。
步骤五：建立肌电采集设备和MATLAB软件之间的实时通讯，进而在可以在软件中实时读取由MATLAB软件处理后的肌电信号。
在步骤五中，BP神经网络是一个三层的神经网络，输入层神经元个数根据不同分析方法下，特征值组成的特征向量的维数确定，如时域分析的特征值有过零次数、绝对积分值、原始方差与绝对方差，其组成的是一个四维的特征向量。该情况下，BP神经网络的输入层神经元个数等于特征向量的为四维向量。而待识别的手指运动模式有四种情况：肘关节屈曲向上，肘关节伸展向下，小臂顺时针旋转，小臂逆时针旋转，输出层的神经元个数将有四个。但考虑到输出层的神经元个数会影响到整个神经网络的运算速度，因此将输出层的神经元个数n设置为2，分别用1、2、3、4四种不同的输出结果分别代表模式一、模式二、模式三与模式四。经过BP神经网络训练后，四个动作测试集的识别率如图11所示，其中的一实线表示预测手部动作，另一实线表示实际手部动作。图12为输出的 BP神经网络的分类误差。
步骤六：将处理后实时的肌电信号特征值数据导入训练好的BP神经网络模型，根据模式识别的分类结果，进而实现对肘关节康复系统的控制。
至此，通过步骤一到步骤六，并且步骤六在运动过程中持续进行，完成了一种基于肌电信号的肘关节康复系统的使用过程。
Claims (9)
1.一种基于肌电信号的肘关节康复装置，其特征在于：所述装置包括肌电信号传感器、驱动电机、肘关节屈伸机构、小臂旋转机构、外骨骼支架及上位机；所述肘关节屈伸机构、小臂旋转机构均设有与上位机连接的驱动电机；其中，肌电信号传感器用以检测人体上臂的肌电信号，其提取到的肌电信号经过预处理、特征提取后导入上位机，以基于BP算法构建的神经网络模型进行模式分类；根据分类结果控制肘关节屈伸机构或小臂旋转机构的驱动电机，使康复装置驱动肘关节屈伸或小臂旋转，进行主动康复训练。
2.根据权利要求1所述的一种基于肌电信号的肘关节康复装置，其特征在于：所述外骨骼支架包括相连的小臂支架(1)和大臂支架(3)；小臂支架上设置有多对小臂支撑环(2)，大臂支架上设置有多对大臂支撑环(4)，支撑环与支架之间通过紧固件连接；大臂支架、小臂支架采用便于臂部穿戴的半开放式结构，支架处设有可调节支撑环位置的孔洞；所述半开放式结构设有由柔软材料制作的内衬，以及可固定手臂的弹性松紧魔术贴。
3.根据权利要求2所述的一种基于肌电信号的肘关节康复装置，其特征在于：所述肘关节屈伸机构包括小伞齿轮(7)、大伞齿轮(8)、一号驱动电机(5)以及各连接构件，其中一号驱动电机(6)数量为两个，通过紧固件对称固定在大臂支架(3)的内侧和外侧，其驱动电机输出轴端旁固定有小伞齿轮(7)，大伞齿轮(8)与电机输出轴端的小伞齿轮(7)啮合，大伞齿轮(8)通过紧固件固定在大小臂支架的连接处，一号驱动电机轴线方向与大臂支架(3)方向平行，上位机控制其两个一号驱动电机同步协调运动，驱动肘关节屈伸机构做屈伸动作；
所述小臂旋转机构包括直齿轮(9)、圆弧齿条(10)、二号驱动电机(6)以及各连接构件，其中二号驱动电机(6)数量为两个，通过螺钉对称固定在小臂支架(1)的内侧和外侧，驱动电机输出轴端旁固定圆弧齿条(10)，圆弧齿条与电机输出轴端的直齿轮(9)外啮合，圆弧齿条(10)通过螺钉固定在小臂支架(1)上，然后与大臂支架(3)连接；二号驱动电机轴线方向与小臂支架(1)方向平行；上位机控制其两个二号驱动电机同步协调运动，驱动小臂旋转机构做旋转动作；
所述肌电信号传感器为可将肌电信号放大约两千倍以上的肌电信号采集装置，包括肌电信号电极、前端放大电路、滤波电路、后放大电路；肌电信号采集装置为预埋于大臂支架、小臂支架的内衬处的多通道肌电设备，用于分别采集小臂的多个肌群肌电信号，肌群包括小臂的拇长伸肌、指浅屈肌、食指固有伸肌和小指固有伸肌；当肘关节康复装置穿戴于臂部时，肌电信号电极中的参考电极贴在肌肉较少处以获得正确的参考电位。
4.一种基于肌电信号的肘关节康复训练系统，采用基于肌电信号的肘关节康复装置，其特征在于：其康复训练方法包括以下步骤
步骤一：将肌电传感器贴在手臂肌肉处，手臂执行肘关节屈曲向上、肘关节伸展向下、小臂顺时针旋转、小臂逆时针旋转四个动作，上位机采集这些动作下的肌电信号的数据样本；
步骤二：对肌电信号数据样本进行预处理，以降低噪声干扰来获得高信噪比的信号；
步骤三：对预处理后的信号进行特征提取；
步骤四：搭建所需的BP神经网络模型，对步骤一的肌电信号数据样本进行分类，作为训练集，训练BP神经网络模型；
步骤五：建立肌电采集设备和MATLAB软件之间的实时通讯链路，用于实现在软件中实时读取由MATLAB软件处理后的肌电信号；
步骤六：在康复训练中，将处理后的实时肌电信号特征值数据导入上位机，上位机以训练好的BP神经网络模型根据模式识别其分类，以分类结果对肘关节屈伸机构、小臂旋转机构控制。
5.根据权利要求4所述的一种基于肌电信号的肘关节康复训练系统，其特征在于：步骤二中以巴特沃斯滤波器对肌电信号数据样本进行预处理，所述巴特沃斯滤波器通频带内的频率响应曲线最大限度平坦且没有起伏，在阻频带的频率响应曲线则逐渐下降为零，在振幅的对数对角频率的波特图上，从某一边界角频率开始，其振幅随着角频率的增加而逐步减少，趋向负无穷大；
巴特沃斯滤波器的频率特性曲线无论在通带内还是阻带内都是频率的单调函数；在本训练系统中，将巴特沃斯滤波器精确度均匀的分布在整个通带或阻带内，或者同时分布在两者之内，以用较低阶数的系统满足性能要求；
预处理滤波后的信号以公式表述为
其中，n为滤波器的阶数，wc为截止频率，wp为通频带边缘频率。
6.根据权利要求4所述的一种基于肌电信号的肘关节康复训练系统，其特征在于：步骤三中，特征提取为肌电特征值的提取，包括提取波形长度、过零点数、肌电积分值、方差、均方值根、平均功率频率六项特征矢量。
7.根据权利要求4所述的一种基于肌电信号的肘关节康复训练系统，其特征在于：步骤五中，对采集的肌电信号的数据样本进行归一化处理，具体为在MATLAB中采用mapminmax函数可以将数据归一化至[0，1]之间。其所采用的公式为：
其中，x(i)表示原始信号序列；xmax、xmin分别是x(i)的最大值和最小值；y(i)是归一化后的信号序列；ymax、ymin分别是y(i)的最大值和最小值，若将原始信号归一化至[0，1]之间，则ymax＝1，ymin＝0。
8.根据权利要求4所述的一种基于肌电信号的肘关节康复训练系统，其特征在于：步骤四中，BP神经网络模型的训练包括以下步骤；
步骤S1、设计网络连接结构，包括输入变量和输出变量个数、隐含的层数、各层神经元的个数，并随机设置所有的连接权值为任意小；
步骤S2、输入样本并用现有的权值计算网络中各神经元的实际输出yi，公式为
yi＝f(∑wijIi) 公式三；
式中，wij表示从神经元i到神经元j的连接权值；Ii表示神经元j的当前输入；yj表示神经元j的输出；f表示传递两数，模型中隐含层节点的激活函数采用Sigmiod函数，表达为：
式中，x为自变量。输出层选用线性函数作为传递函数；
步骤S3、计算BP神经网络模型输出与BP神经网络模型目标的误差，公式为
ej＝dj-yj 公式五；
其中，dj表示网络的期望输出；yj表示网络的实际输出；j表示输出层神经；
步骤S4、根据网络输出与网络目标的差值调整权值；按误差反向传播方向，从输出节点开始返回到隐含层修整权值；
步骤S5、输出另一个样本，然后转至步骤S2；
随机输入训练样本直至把训练集中所有样本都加到网络上，直到网络收敛且均方误差小于给定的阈值才结束训练，然后固定权值使神经网络构成所需的模式分类器。
9.根据权利要求4所述的一种基于肌电信号的肘关节康复训练系统，其特征在于：所述BP神经网络通过拟合电机控制器的比例、积分参数和相应的驱动电机动态响应性能之间的非线性关系，利用神经网络的自学习能力，对电机控制器进行参数整定，实时调整参数，动态地确保参数在使用时能实时地接近最优设定，从而提高整个系统的性能，具体方法为：上位机根据BP神经网络结构的设定，计算出各神经元之间的输入输出，然后得到电机控制器的输出，电机控制器接收相应的指令，实现对驱动电机的转速、转矩和旋转方向的控制；即通过实时信号模型处理调整肘关节和小臂旋转驱动电机运动轨迹，保证受训人员的安全和提高康复训练的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555550.4A CN114947894A (zh) | 2022-05-20 | 2022-05-20 | 一种基于肌电信号的肘关节康复装置及训练系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210555550.4A CN114947894A (zh) | 2022-05-20 | 2022-05-20 | 一种基于肌电信号的肘关节康复装置及训练系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114947894A true CN114947894A (zh) | 2022-08-30 |
Family
ID=82986004
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210555550.4A Pending CN114947894A (zh) | 2022-05-20 | 2022-05-20 | 一种基于肌电信号的肘关节康复装置及训练系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114947894A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130034896A (ko) * | 2011-09-29 | 2013-04-08 | 연세대학교 원주산학협력단 | 근전도 피드백 기반의 능동형 상지 재활 훈련 시스템 |
| CN108524192A (zh) * | 2018-04-20 | 2018-09-14 | 重庆邮电大学 | 带肌电感知的穿戴式小臂主动康复训练外骨骼装置 |
| CN108743223A (zh) * | 2018-06-05 | 2018-11-06 | 山东大学 | 一种基于健侧生物电控的智能外骨骼康复机械手及方法 |
| CN109381184A (zh) * | 2018-10-15 | 2019-02-26 | 刘丹 | 一种辅助搬运的可穿戴智能设备控制方法 |
| CN109453509A (zh) * | 2018-11-07 | 2019-03-12 | 龚映清 | 一种基于肌电和运动捕捉的虚拟上肢控制系统及其方法 |
| CN111110509A (zh) * | 2019-12-25 | 2020-05-08 | 南京理工大学 | 一种可互换且避奇异的七自由度上肢外骨骼康复机器人 |
| CN111616848A (zh) * | 2020-06-02 | 2020-09-04 | 中国科学技术大学先进技术研究院 | 基于fsm的五自由度上臂假肢控制系统 |
-
2022
- 2022-05-20 CN CN202210555550.4A patent/CN114947894A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130034896A (ko) * | 2011-09-29 | 2013-04-08 | 연세대학교 원주산학협력단 | 근전도 피드백 기반의 능동형 상지 재활 훈련 시스템 |
| CN108524192A (zh) * | 2018-04-20 | 2018-09-14 | 重庆邮电大学 | 带肌电感知的穿戴式小臂主动康复训练外骨骼装置 |
| CN108743223A (zh) * | 2018-06-05 | 2018-11-06 | 山东大学 | 一种基于健侧生物电控的智能外骨骼康复机械手及方法 |
| CN109381184A (zh) * | 2018-10-15 | 2019-02-26 | 刘丹 | 一种辅助搬运的可穿戴智能设备控制方法 |
| CN109453509A (zh) * | 2018-11-07 | 2019-03-12 | 龚映清 | 一种基于肌电和运动捕捉的虚拟上肢控制系统及其方法 |
| CN111110509A (zh) * | 2019-12-25 | 2020-05-08 | 南京理工大学 | 一种可互换且避奇异的七自由度上肢外骨骼康复机器人 |
| CN111616848A (zh) * | 2020-06-02 | 2020-09-04 | 中国科学技术大学先进技术研究院 | 基于fsm的五自由度上臂假肢控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109549821B (zh) | 基于肌电和惯导信号融合的外骨骼机器人助力控制系统及方法 | |
| Wu et al. | A CNN-SVM combined model for pattern recognition of knee motion using mechanomyography signals | |
| CN107378944B (zh) | 一种基于主成分分析法的多维表面肌电信号假手控制方法 | |
| CN109199783B (zh) | 一种利用sEMG来控制踝关节康复设备刚度的控制方法 | |
| Ahsan et al. | Electromygraphy (EMG) signal based hand gesture recognition using artificial neural network (ANN) | |
| CN110675933B (zh) | 一种手指镜像康复训练系统 | |
| Ibrahimy et al. | Design and optimization of Levenberg-Marquardt based neural network classifier for EMG signals to identify hand motions | |
| CN108743223B (zh) | 一种基于健侧生物电控的智能外骨骼康复机械手及方法 | |
| WO2023206833A1 (zh) | 基于肌肉协同和变刚度阻抗控制的手腕部康复训练系统 | |
| CN104317196A (zh) | 一种基于虚拟现实的上肢康复训练机器人控制方法 | |
| Yang et al. | An intention-based online bilateral training system for upper limb motor rehabilitation | |
| Meng et al. | Active interaction control applied to a lower limb rehabilitation robot by using EMG recognition and impedance model | |
| CN113171214B (zh) | 基于自适应增强分类器的多路反馈肌电控制假肢手及方法 | |
| Tang et al. | Continuous estimation of human upper limb joint angles by using PSO-LSTM model | |
| Yang et al. | Simultaneous prediction of wrist and hand motions via wearable ultrasound sensing for natural control of hand prostheses | |
| Zhang et al. | The design of a hemiplegic upper limb rehabilitation training system based on surface EMG signals | |
| KR20170098058A (ko) | 생체인식기반 맞춤형 재활 시스템 | |
| Adebayo et al. | Hand gesture recognition-based control of motorized wheelchair using electromyography sensors and recurrent neural network | |
| Li et al. | sEMG based control for 5 DOF upper limb rehabilitation robot system | |
| CN114947894A (zh) | 一种基于肌电信号的肘关节康复装置及训练系统 | |
| Guo et al. | Study on motion recognition for a hand rehabilitation robot based on sEMG signals | |
| Akdoğan et al. | A muscular activation controlled rehabilitation robot system | |
| CN115024735A (zh) | 一种基于运动意图识别模型的脑卒中患者康复方法及系统 | |
| Kakoty et al. | Electromyographic grasp recognition for a five fingered robotic hand | |
| Cases et al. | An EMG-based gesture recognition for active-assistive rehabilitation |
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 |