CN116214511A - 外肢体控制方法、装置、电子设备以及可读存储介质 - Google Patents
外肢体控制方法、装置、电子设备以及可读存储介质 Download PDFInfo
- Publication number
- CN116214511A CN116214511A CN202310146394.0A CN202310146394A CN116214511A CN 116214511 A CN116214511 A CN 116214511A CN 202310146394 A CN202310146394 A CN 202310146394A CN 116214511 A CN116214511 A CN 116214511A
- Authority
- CN
- China
- Prior art keywords
- outer limb
- electromyographic
- axis
- electromyographic signals
- signals
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000033001 locomotion Effects 0.000 claims abstract description 60
- 230000001276 controlling effect Effects 0.000 claims abstract description 29
- 230000000875 corresponding effect Effects 0.000 claims abstract description 28
- 238000013519 translation Methods 0.000 claims abstract description 16
- 230000003183 myoelectrical effect Effects 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 210000003414 extremity Anatomy 0.000 description 149
- 230000009471 action Effects 0.000 description 26
- 210000002683 foot Anatomy 0.000 description 25
- 238000009434 installation Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 5
- 210000000245 forearm Anatomy 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000003371 toe Anatomy 0.000 description 3
- 230000002747 voluntary effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 210000001255 hallux Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/0006—Exoskeletons, i.e. resembling a human figure
-
- 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
- B25J9/1679—Programme controls characterised by the tasks executed
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Prostheses (AREA)
Abstract
本申请实施例公开了一种外肢体控制方法、装置、电子设备以及可读存储介质,用于通过人体冗余肌电信号控制外肢体完成装配任务,解决当前的外肢体控制方法难以完成复杂的装配任务的问题。该方法包括:获取肌电设备采集的肌电信号;根据肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,第一运动包括:在基座坐标系下,绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放开。
Description
技术领域
本申请属于外肢体控制技术领域,尤其涉及一种外肢体控制方法、装置、电子设备及计算机可读存储介质。
背景技术
在许多工业场景中,装配是一项重要的任务,装配任务的完成需要两个职业工人进行配合,其中,一个工人负责对齐,另一个工人负责安装和固定,但是,有些装配任务的工作空间狭小以至于只能单人操作,对此,作为一种新型增强穿戴式机器人,外肢体通过将自身的机械手臂整合到人体身上,有望能够完成狭小空间下的单人装配任务。
当前存在两种外肢体控制方法,一种是响应控制,即外肢体根据穿戴者的动作意图做出预测和响应,该方法的缺陷在于机械手指动作依赖于执行任务的人肢体,独立性不强,另一种控制方法是冗余控制,利用人身体的冗余信号来控制外肢体,冗余信号来自与任务不相关的人肢体,冗余控制实现了外肢体和执行任务人肢体的解耦,赋予了外肢体更强的独立性。
但是目前冗余控制涉及的外肢体自由度较少,难以完成复杂的装配任务。
发明内容
本申请实施例提供了一种外肢体控制方法及装置,可以解决当前冗余控制涉及的外肢体自由度比较少,难以完成装配场景下的复杂的对齐和安装任务。
第一方面,本申请实施例提供了一种外肢体方法,包括:
获取肌电设备采集的肌电信号;
根据所述肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,所述第一运动包括:在基座坐标系下,绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及所述外肢体执行器抓紧或放开。
本申请实施例通过采集人肢体的肌电信号,并对人肢体的肌电信号进行识别,根据识别结果控制外肢体执行器进行相应动作,分别是围绕x轴顺时针或逆时针旋转、围绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放松,实现了通过冗余肌电信号控制外肢体4个自由度,能够很好地完成在狭小空间下复杂的对齐和安装任务,例如在进行狭小空间下的装配任务时,工人用双手进行对齐和固定安装板,用足部动作控制外肢体进行相应的动作以完成安装。
在第一方面的一种可能的实现方式中,根据所述肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,包括:
对所述肌电信号进行预处理,得到预处理后肌电信号;
将所述预处理后肌电信号输入训练好的神经网络模型,获取所述神经网络模型输出的分类结果;
对所述预处理后肌电信号进行处理,得到速度幅值;
根据所述分类结果和所述速度幅值,控制所述外肢体执行器进行所述第一运动中的对应的一种动作。
在第一方面的一种可能的实现方式中,对所述肌电信号进行预处理,得到预处理后肌电信号,包括:
通过带通的巴特沃斯滤波器对所述肌电信号进行处理,得到平滑后肌电信号;
使用滑动窗口对所述平滑后肌电信号进行划分,得到所述预处理后肌电信号。
本申请实施例通过使用带通的巴特沃斯滤波器对肌电信号进行平滑处理,能够很好的消除原始肌电信号的噪声,通过使用滑动窗口对平滑后肌电信号进行划分,能够很好地保证人肢体动作识别的实时性。
在第一方面的一种可能的实现方式中,将所述预处理后肌电信号输入训练好的神经网络模型,获取所述神经网络模型输出的分类结果,包括:
将所述预处理后肌电信号输入第一卷积层,以使所述第一卷积层对所述预处理后肌电信号提取特征,得到第一局部特征图;
将所述第一局部特征图输入第二卷积层,以使所述第二卷积层对所述第一局部特征图提取特征,得到第二局部特征图;
将所述第二局部特征图输入第三卷积层,以使所述第三卷积层对所述第二局部特征图提取特征,得到第三局部特征图;
将所述第三局部特征图输入全连接层,以使所述全连接层对所述第三局部特征图进行分类,获取所述全连接层输出的所述分类结果,其中,所述每一个卷积层输出所述局部特征图后,使用最大池化函数对所述局部特征图进行非线性降采样;
所述神经网络模型包括所述第一卷积层、所述第二卷积层、所述第三卷积层以及所述全连接层。
本申请实施例通过卷积神经网络来对肌电信号进行识别,使得识别准确率得到提升。
在第一方面的一种可能的实现方式中,对所述预处理后肌电信号进行处理,得到速度幅值,包括:
针对每个通道,将所述预处理后肌电信号进行校正和线性提取包络,得到肌电信号电压值;
根据所有通道的所述肌电信号电压值,获得肌电信号电压平均值;
将所述肌电信号电压平均值与增益幅值进行乘法运算,得到所述速度幅值。
本申请实施例通过对预处理后肌电信号进行校正和线性包络,得到肌电信号电压值,再根据肌电信号电压值得到速度幅值,其中速度幅值和肌电信号电压值为正相关,在实际控制外肢体时,即佩戴人人肢体动作幅度越大,外肢体的运动速度就越大,佩戴人能够以一种方便且直观的方式控制外肢体的运动速度,通过控制外肢体运动速度,能够更好地完成复杂的装配任务。
在第一方面的一种可能的实现方式中,外肢体控制方法还包括:
若人体进行运动,则控制外肢体执行器跟随人体的运动进行第二运动中对应的一种动作,所述第二运动包括:
在基座坐标系下绕z轴顺时针或逆时针的旋转、沿x轴正方向或负方向进行平移以及沿y轴正方向或负方向进行平移。
在第一方面的一种可能的实现方式中,所述肌电设备设置于足部。
本申请实施例通过冗余肌电信号控制外肢体执行器4个自由度,分别是围绕x轴顺时针或逆时针旋转、围绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放开,外肢体佩戴人通过自愿运动控制外肢体执行器3个自由度,即通过外肢体佩戴人身体的运动来带动外肢体执行器的3个自由度进行运动,分别是围绕z轴顺时针或逆时针旋转,沿着x轴正方向或负方向进行平移以及沿着y轴正方向或负方向进行平移,实现了控制外肢体7个自由度,能够完成在狭小空间下复杂的对齐和安装任务,例如,在进行狭小空间下的装配任务时,工人用双手进行对齐,用足部动作结合身体的运动控制外肢体完成安装以及固定。
第二方面,本申请实施例提供了一种外肢体控制装置,包括:
肌电信号获取模块,获取肌电设备采集的肌电信号,所述肌电设备设置于足部;
外肢体控制模块,用于根据所述肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,所述第一运动包括:在基座坐标系下,绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及所述外肢体执行器抓紧或放开。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面任一项的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述第一方面任一项的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的外肢体控制方法的一种流程示意图;
图2是本申请一实施例提供的足部动作和外肢体动作的映射关系示意图;
图3是本申请一实施例提供的外肢体控制方法的另一种流程示意图;
图4是本申请一实施例提供的神经网络模型示意图;
图5是本申请一实施例提供的神经网络模型分类精度示意图;
图6是本申请一实施例提供的外肢体控制方法在应用场景下的工作示意图;
图7是本申请实施例提供的外肢体控制装置的结构示意框图;
图8是本申请实施例提供的电子设备的结构示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的外肢体控制方法可以应用于电子设备上,例如,外肢体设备上。本申请实施例对终端设备的具体类型不作任何限制。示例性的,在使用外肢体执行装配任务的场景下,外肢体设备通过本申请实施例的外肢体控制方法,控制外肢体完成装配任务。
请参见图1,为本申请实施例提供的一种外肢体控制方法流程示意图,该方法可以包括以下步骤:
步骤S101、获取肌电信号。
人的肢体在做不同的动作时,肢体表面能够产生不同的肌电信号,因此肢体表面的肌电信号能够反映肢体的动作,在本申请实施例中通过对外肢体佩戴人肢体表面肌电信号进行采集并且识别,以得到相应的肢体动作,通过识别出的肢体动作控制外肢体。
其中,肌电信号由肌电信号采集设备进行采集,肌电信号来自于与任务无关的人肢体,例如,在进行需要用手部完成的任务时,可以通过足部动作控制外肢体,在进行需要用腿和/或足部完成的任务时,可以通过手部动作控制外肢体。
为了保证控制的精准性,采集多个通道的的肌电信号,即在佩戴人肢体多个部分放置肌电信号采集设备。作为示例而非限定,在通过足部动作控制外肢体的时候,可以通过一片16通道的肌电阵列电极同时覆盖比目鱼肌、趾长屈肌、拇长屈肌和胫骨后肌,使得肌电信号采集设备能够检测到脚部踝关节运动以及脚趾运动时的肌电信号的变化。
步骤S102、根据肌电信号控制外肢体。
对肌电信号进行识别,能够得到外肢体佩戴人的肢体动作,建立肢体动作和外肢体动作的映射,外肢体佩戴人就能通过肢体的动作来控制外肢体执行器在基座坐标系下进行相应的动作,包括绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放开,其中,基座坐标系为右手坐标系,z轴正方向沿着人躯干朝上,x轴正方向垂直外肢体佩戴人的矢状面朝后。
作为示例而非限定,图2为本申请实施例提供的一种可能的人的肢体动作和外肢体动作的映射关系示意图,其中,外肢体执行器在基座坐标系下进行运动,足部在足部坐标系下进行运动,足部坐标系为右手坐标系,x轴正方向是从脚后跟到脚趾,z轴正方向是从脚后跟到小腿。
如图2所示,足部绕着y轴顺时针和逆时针旋转对应着外肢体执行器绕x轴顺时针和逆时针旋转,足部绕着x轴顺时针和逆时针旋转对应着外肢体执行器绕y轴顺时针和逆时针旋转,足部沿着z轴正方向和负方向进行平移对应着外肢体执行器沿着z轴正方向和负方向进行平移,足部脚趾抓紧和放开对应外肢体执行器抓紧和放开。
需要说明的是,上述例子仅仅是人的肢体动作与外肢体动作映射关系的举例性说明,并非用作限定,例如,在另一种可能的实现方式中,通过手部动作控制外肢体进行相应的动作,具体的,小臂绕着x轴顺时针或逆时针旋转对应着外肢体执行器绕x轴顺时针或逆时针旋转,小臂绕着y轴顺时针或逆时针旋转对应外肢体执行器绕y轴顺时针或逆时针旋转,小臂在z轴正方向或负方向进行平移对应外肢体执行器沿着z轴正方向和负方向进行平移,手指的抓紧或放开对应着外肢体执行器抓紧或放开。其中,外肢体在基座坐标系下运动,小臂在手部坐标系下运动,手部坐标系为右手坐标系,x轴为正方向为从肘关节到手指末端,z轴正方向为垂直外肢体佩戴人的矢状面朝前。
作为示例而非限定,图3示出了本申请实施例一种可能的根据肌电信号控制外肢体的方法,该方法包括以下步骤:
步骤S301、对肌电信号进行预处理,得到预处理后肌电信号。
其中,预处理包括通过平滑消除肌电信号的噪声和使用滑动时间窗来划分肌电信号,由于采集到的原始肌电信号存在大量的噪声,因此需要对肌电信号进行平滑处理以消除噪声,为了保证人的肢体动作识别的实时性,采用滑动时间窗来划分肌电信号。
示例性的,使用一个截至频率为5HZ的4阶巴特沃斯滤波器来对原始肌电信号进行平滑处理,得到平滑后肌电信号,再使用一个长度为0.4s、滑动步长为50ms以及包含100个采样点的滑动时间窗对平滑后肌电信号进行划分,得到预处理后肌电信号,其中,预处理后肌电信号包括多个通道,每个通道中包括多个时间窗,每个时间窗包括100个肌电信号采样点。
步骤S302、将预处理后肌电信号输入神经网络模型,获取分类结果。
本申请实施例通过卷积神经网络对9种人的肢体动作进行识别得到分类结果,分类结果包括了8个有效人的肢体动作控制指令,分别对应外肢体4个自由度的正负方向的运动,还包括了零空间模式,即八个有效足部动作控制指令之外的所有动作的集合,在识别出是八个有效足部动作控制指令之外的所有动作时,外肢体不作响应。
图4示出了本申请实施例提供的神经网络模型示意图,如图4所示,神经网络模型由三个卷积层和全连接层组成,在神经网络模型的输入部分,将预处理后肌电信号转化为二维矩阵形式,以输入神经网络模型中获取分类结果,其中,二维矩阵的行表示特定时间窗的采样点吗,二维矩阵的列表示采集通道,二维矩阵每个元素代表特定通道特定采样点下的肌电信号电压幅值。
神经网络模型的三个卷积层均包括一个卷积滤波器、一个校正的线性激活函数(Relu)和一个最大池化层,其中卷积滤波器用于从肌电信号中提取局部特征,滤波器的数量表示提取的肌电图特征数量,卷积滤波器的数量和大小的选择依赖于初步的实验经验。
在本申请实施例中所提出的神经网络模型中,第一卷积层和第二卷积层都采用了一个窄小范围的3×1滤波器来反映肌电信号的局部特征,第三卷积层使用了一个10×1的卷积滤波器来反映肌电信号时间序列特征。每一层的线性激活函数Relu公式如下所示:
f(x)=max(0,wTx+b)
其中,x代表输入向量,wTx+b代表对于向量x的线性变换。
在最大池化层,对特征图进行非线性降采样,例如,在第一次池化操作后,肌电图图像的输入大小从100×16像素减少到50×16像素,在第二次池化操作后,它被减少到25×16像素,经过第三次池化操作后,大小进一步减小到8×16像素。
在全连接层中,来自隐藏层的数据被压缩到整个全连接层中,全连接层将学习到的特征映射到样本标记空间,并将数据送入一个9路的SoftMax函数中形成关于足部动作标签的概率分布,其中概率最大的肢体动作标签为神经网络输出的分类结果。假如存在N类标签,SoftMax公式如下所示:
其中zi代表N类标签中的一类标签。
在本申请实施例提出的神经网络模型中,采用随机梯度下降(StochasticGradient Descent)的算法求解梯度来更新整个参数,该方法计算公式如下所示:
θ=θ-α*vdw
其中J(θ)表示损失函数,α和β分别为步长和加权参数。
参见图5,图5为本申请实施例提出的神经网络模型的每个epoch在验证集上的分类精度,其中训练集和测试集通过采集受试者的足部表面肌电信号得到,如图5所示,在150次epoch之后神经网络收敛精度稳定在92.5%及以上。
需要说明的是,上述根据肌电信号得到分类结果的方法仅仅作为示例性说明,并非作为限定,使用其他方法同样能够根据肌电信号得到分类结果,例如线性判别分类器(LDA)、支持向量机以及其他根据特征进行分类的分类器,本申请实施例对于根据肌电信号得到分类结果的方法不做限定。
步骤S303、对预处理后肌电信号进行处理,得到速度幅值。
其中,将预处理后肌电信号进行校正和线性包络,然后将某个时刻的时间窗下所有通道肌电信号的平均值作为输入,使用幅值增益来计算得到速度幅值,其中计算公式如下:
vi(k)=KVmean(k),i=1,2,3,4
vi(k)=vi-4(k),i=5,6,7,8
其中i表示外肢体执行器的自由度,vi(k)是第k个时间窗下机械臂第i个自由度的速度,Vmean(k)是第k个时间窗下所有通道肌肉电压信号的均值,K是幅值增益。
在一种可能的实现方式中,v1(k)是翻滚角正方向速度,v2(k)是俯仰角正方向速度,v3(k)是z轴正方向上的平移速度,v4(k)是机械臂夹爪的合拢速度,当i=5、6、7或者8时,vi(k)=-vi-4(k),也就是对应自由度的速度的反方向。
幅值增益K根据最大自愿运动约束得到,最大自愿运动约束是指人在某个肢体运动上尽其所能的达到最大运动幅度,示例性的,在每一次测试中,受试者逐渐增大肢体动作幅度直到到达极限,然后在极限处坚持2秒,两次测试之间有1分钟休息时间,此时,我们计算达到最大自愿运动约束时的特定时间窗下所有采样点的均方根值,然后再求2秒内所有时间窗的幅值均值,计算公式分别如下:
其中,N为第k个时间窗样本点个数,Ek(n)是第k个时间窗下第n个样本点的所有通道的肌肉电压幅值,m为2秒内时间窗的个数,Emvc(k)是在第k个时间窗下所有采样点的电压均值,Emvc是2秒内所有时间窗肌电电压的均值,根据实际控制需求和机械臂的性能选择合适的最高速度vmax,得到增益幅值
步骤S304、根据分类结果和速度幅值,控制外肢体进行相应运动。
其中,分类结果用于指导外肢体执行器执行什么动作,速度幅值用于指导外肢体执行器执行该动作时的速度。
本申请实施例通过采集人肢体的肌电信号,并对人肢体的肌电信号进行识别,根据识别结果控制外肢体执行器进行相应动作,分别是围绕x轴顺时针或逆时针旋转、围绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放松,实现了通过冗余肌电信号控制外肢体4个自由度,能够很好地完成在狭小空间下复杂的对齐和安装任务,例如在进行狭小空间下的装配任务时,工人用双手进行对齐和固定安装板,用足部动作控制外肢体进行相应的动作以完成安装。
在一些实施例中,本申请实施例提供的外肢体控制方法还包括:外肢体执行器跟随人体的运动进行第二运动中对应一种动作。
在一种可能的实现方式中,采用穿戴式外肢体辅助单人执行复杂装配任务,外肢体设备通过基座固定在佩戴人身上,外肢体基座和人身体的相对位置固定,因此人可以通过自愿运动,比如:平地走动和身体前后倾,来比较自然直观的控制外肢体执行器相对应的位姿,例如外肢体佩戴人在平面上进行走动,外肢体执行器跟随佩戴人身体的移动沿着x轴正方向或负方向进行平移以及沿着y轴正方向或负方向进行平移,佩戴人的身体向前向后倾,外肢体执行器跟随佩戴人身体的前倾或后倾绕z轴顺时针或逆时针旋转。
作为示例而非限定,图6为在实际的装配任务中,通过足部肌电信号和人体自愿运动结合控制外肢体的工作示意图,其中,图6中从左至右,从上到下每个子图分别代表了0-25秒内外肢体执行器在x轴方向上的移动、在z轴方向上的移动、围绕y轴旋转的角度、在y轴方向上的移动、抓握的程度以及围绕x轴旋转的角度,每个子图纵轴代表自由度的幅度,横轴代表时间,需要指出的是,在这次装配任务中,并没有使用到外肢体执行器围绕z轴旋转这个自由度。
受试者佩戴外肢体和柔性表面肌电信号设备完成装配任务,使用双手对齐和固定安装板,通过自愿运动和足部肌电信号控制外肢体完成安装,运动捕捉装置(RealSenseTracking Camera T265)被连接到外肢体末端,以记录所产生的运动。如图6所示,虚线表示由自愿运动控制的外肢体运动,粗实线表示由足部肌电信号控制的运动。首先,用户控制外肢体到达螺栓位置(如图6中0-5秒的虚线,5-10的粗实线),由于受试者无法通过自愿运动来控制外肢体夹爪,因此通过肌电信号来控制外肢体执行器的抓紧和放松(如图6中10-15s的粗实线),接下来用户调整外肢体姿态以确保螺栓能够插入安装板的装配孔(如图6中10-15s的虚线和15-20s的粗实线),最后,受试者通过肌电信号控制外肢体执行器完成装配任务。
本申请实施例通过冗余肌电信号控制外肢体执行器4个自由度,分别是围绕x轴顺时针或逆时针旋转、围绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放开,外肢体佩戴人通过自愿运动控制外肢体执行器3个自由度,即通过外肢体佩戴人身体的运动来带动外肢体执行器的3个自由度进行运动,分别是围绕z轴顺时针或逆时针旋转,沿着x轴正方向或负方向进行平移以及沿着y轴正方向或负方向进行平移,实现了控制外肢体7个自由度,能够完成在狭小空间下复杂的对齐和安装任务,例如,在进行狭小空间下的装配任务时,工人用双手进行对齐,用足部动作结合身体的运动控制外肢体完成安装以及固定。
应当理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的外肢体控制方法,图7示出了本申请实施例提供的外肢体控制装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图7,该装置包括:
肌电信号获取模块,用于获取肌电设备采集的肌电信号,肌电设备设置于足部;
外肢体控制模块,用于根据肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,第一运动包括:在基座坐标系下,绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及外肢体执行器抓紧或放开。
在一些可能的实现方式中,外肢体控制模块具体用于:对肌电信号进行预处理,得到预处理后肌电信号;将预处理后肌电信号输入训练好的神经网络模型,获取神经网络模型输出的分类结果;对预处理后肌电信号进行处理,得到速度幅值;根据分类结果和速度幅值,控制外肢体执行器进行第一运动中的对应一种动作。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请实施例方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图8为本申请一实施例提供的电子设备的结构示意图。如图8所示,该实施例的电子设备8包括:至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述任意各个外肢体控制方法实施例中的步骤。
所述电子设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是电子设备8的举例,并不构成对电子设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述电子设备8的内部存储单元,例如电子设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述电子设备8的外部存储设备,例如所述电子设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述电子设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种电子设备,该电子设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种外肢体控制方法,其特征在于,所述方法包括:
获取肌电设备采集的肌电信号;
根据所述肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,所述第一运动包括:在基座坐标系下,绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及所述外肢体执行器抓紧或放开。
2.根据权利要求1所述的外肢体控制方法,其特征在于,根据所述肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,包括:
对所述肌电信号进行预处理,得到预处理后肌电信号;
将所述预处理后肌电信号输入训练好的神经网络模型,获取所述神经网络模型输出的分类结果,所述分类结果用于控制外肢体进行所述第一运动中对应的一种动作;
对所述预处理后肌电信号进行处理,得到速度幅值,所述速度幅值用于控制外肢体进行所述第一运动中对应的一种动作时的速度;
根据所述分类结果和所述速度幅值,控制所述外肢体执行器进行所述第一运动中对应的一种动作。
3.根据权利要求2所述的外肢体控制方法,其特征在于,对所述肌电信号进行预处理,得到预处理后肌电信号,包括:
通过带通的巴特沃斯滤波器对所述肌电信号进行处理,得到平滑后肌电信号;
使用滑动窗口对所述平滑后肌电信号进行划分,得到所述预处理后肌电信号。
4.根据权利要求2所述的外肢体控制方法,其特征在于,将所述预处理后肌电信号输入训练好的神经网络模型,获取所述神经网络模型输出的分类结果,包括:
将所述预处理后肌电信号输入第一卷积层,以使所述第一卷积层对所述预处理后肌电信号提取特征,得到第一局部特征图;
将所述第一局部特征图输入第二卷积层,以使所述第二卷积层对所述第一局部特征图提取特征,得到第二局部特征图;
将所述第二局部特征图输入第三卷积层,以使所述第三卷积层对所述第二局部特征图提取特征,得到第三局部特征图;
将所述第三局部特征图输入全连接层,以使所述全连接层对所述第三局部特征图进行分类,获取所述全连接层输出的所述分类结果,其中,所述每一个卷积层输出所述局部特征图后,使用最大池化函数对所述局部特征图进行非线性降采样;
所述神经网络模型包括所述第一卷积层、所述第二卷积层、所述第三卷积层以及所述全连接层。
5.根据权利要求2所述的外肢体控制方法,其特征在于,对所述预处理后肌电信号进行处理,得到速度幅值,包括:
针对每个通道,将所述预处理后肌电信号进行校正和线性提取包络,得到肌电信号电压值;
根据所有通道的所述肌电信号电压值,获得肌电信号电压平均值;
将所述肌电信号电压平均值与增益幅值进行乘法运算,得到所述速度幅值。
6.根据权利要求1所述的外肢体控制方法,其特征在于,所述外肢体控制方法还包括:
若人体进行运动,则控制所述外肢体执行器跟随所述人体的运动进行第二运动中对应的一种动作,所述第二运动包括:在所述基座坐标系下,绕z轴顺时针或逆时针旋转、沿着x轴正方向或负方向进行平移以及沿着y轴正方向或负方向进行平移。
7.根据权利要求1所述的外肢体控制方法,其特征在于,所述肌电设备设置于足部。
8.一种外肢体控制装置,其特征在于,包括:
肌电信号获取单元,获取肌电设备采集的肌电信号,所述肌电设备设置于足部;
外肢体控制模块,用于根据所述肌电信号,控制外肢体执行器进行第一运动中对应的一种动作,所述第一运动包括:在基座坐标系下,绕x轴顺时针或逆时针旋转、绕y轴顺时针或逆时针旋转、沿着z轴正方向或负方向进行平移以及所述外肢体执行器抓紧或放开。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146394.0A CN116214511B (zh) | 2023-02-07 | 2023-02-07 | 外肢体控制方法、装置、电子设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146394.0A CN116214511B (zh) | 2023-02-07 | 2023-02-07 | 外肢体控制方法、装置、电子设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116214511A true CN116214511A (zh) | 2023-06-06 |
CN116214511B CN116214511B (zh) | 2024-04-16 |
Family
ID=86581943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310146394.0A Active CN116214511B (zh) | 2023-02-07 | 2023-02-07 | 外肢体控制方法、装置、电子设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116214511B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0681818A2 (de) * | 1994-05-10 | 1995-11-15 | Otto Bock Orthopädische Industrie Besitz- und Verwaltungs-Kommanditgesellschaft | Verfahren zur myoelektrischen Steuerung eines Kunstgliedes |
KR20150057186A (ko) * | 2013-11-18 | 2015-05-28 | 전남대학교산학협력단 | 근전도 센서를 이용하여 제어하는 보행 보조기 제어방법 |
WO2015106278A2 (en) * | 2014-01-13 | 2015-07-16 | Massachusetts Institute Of Technology | Wearable robot assisting manual tasks |
US20150320575A1 (en) * | 2014-05-07 | 2015-11-12 | The Regents Of The University Of California | Intuitive prosthetic interface |
CN113084784A (zh) * | 2021-04-26 | 2021-07-09 | 南京航空航天大学 | 辅助头顶作业的穿戴式外肢体机器人 |
CN113386107A (zh) * | 2021-06-21 | 2021-09-14 | 杨壬达 | 一种被动机械辅助肢体装置 |
WO2022027822A1 (zh) * | 2020-08-03 | 2022-02-10 | 南京邮电大学 | 一种基于肌电信号的智能手势动作生成方法 |
-
2023
- 2023-02-07 CN CN202310146394.0A patent/CN116214511B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0681818A2 (de) * | 1994-05-10 | 1995-11-15 | Otto Bock Orthopädische Industrie Besitz- und Verwaltungs-Kommanditgesellschaft | Verfahren zur myoelektrischen Steuerung eines Kunstgliedes |
KR20150057186A (ko) * | 2013-11-18 | 2015-05-28 | 전남대학교산학협력단 | 근전도 센서를 이용하여 제어하는 보행 보조기 제어방법 |
WO2015106278A2 (en) * | 2014-01-13 | 2015-07-16 | Massachusetts Institute Of Technology | Wearable robot assisting manual tasks |
US20150320575A1 (en) * | 2014-05-07 | 2015-11-12 | The Regents Of The University Of California | Intuitive prosthetic interface |
WO2022027822A1 (zh) * | 2020-08-03 | 2022-02-10 | 南京邮电大学 | 一种基于肌电信号的智能手势动作生成方法 |
CN113084784A (zh) * | 2021-04-26 | 2021-07-09 | 南京航空航天大学 | 辅助头顶作业的穿戴式外肢体机器人 |
CN113386107A (zh) * | 2021-06-21 | 2021-09-14 | 杨壬达 | 一种被动机械辅助肢体装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116214511B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209885B (zh) | 一种手势信息处理方法、装置、电子设备及存储介质 | |
US10481699B2 (en) | Armband for tracking hand motion using electrical impedance measurement | |
CN107301370B (zh) | 一种基于Kinect三维骨架模型的肢体动作识别方法 | |
Lee et al. | Model-based analysis of hand posture | |
CN111631923A (zh) | 基于意图识别的外骨骼机器人的神经网络控制系统 | |
de San Roman et al. | Saliency Driven Object recognition in egocentric videos with deep CNN: toward application in assistance to Neuroprostheses | |
JP2009531935A (ja) | 画像中の人物における位置決め指示との適合性を判定する機器、システム、及び方法 | |
CN113658211B (zh) | 一种用户姿态的评估方法、装置以及处理设备 | |
CN110991268B (zh) | 一种基于深度图像的帕金森手部运动量化分析方法和系统 | |
Koch et al. | A recurrent neural network for hand gesture recognition based on accelerometer data | |
CN113143256A (zh) | 步态特征提取方法、下肢评估、控制方法、设备及介质 | |
CN115346670A (zh) | 基于姿态识别的帕金森病评级方法、电子设备及介质 | |
CN113171062A (zh) | 识别寸、关、尺的方法、终端、系统、介质及计算机设备 | |
CN110755085A (zh) | 基于关节活动度与运动协调性的运动功能评估方法及设备 | |
Liu et al. | A new IMMU-based data glove for hand motion capture with optimized sensor layout | |
Chowdhury et al. | Robust single finger movement detection scheme for real time wheelchair control by physically challenged people | |
Vox et al. | Preprocessing and normalization of 3d-skeleton-data for human motion recognition | |
CN116214511B (zh) | 外肢体控制方法、装置、电子设备以及可读存储介质 | |
CN113297919A (zh) | 基于姿态识别的康复动作检测方法、装置、设备及介质 | |
Ángel-López et al. | Kinematic hand analysis using motion capture technology | |
CN114943924B (zh) | 基于人脸表情视频的疼痛评估方法、系统、设备及介质 | |
CN116749168A (zh) | 一种基于体势手势示教的康复轨迹获取方法 | |
CN109993037B (zh) | 动作识别方法、装置、穿戴设备及计算机可读存储介质 | |
WO2019152566A1 (en) | Systems and methods for subject specific kinematic mapping | |
CN112861606A (zh) | 基于骨骼动画追踪的虚拟现实手部动作识别与训练方法 |
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 |