【论文笔记】面向智能假肢手臂的生机接口系统与类神经协同控制

2022-11-03 17:25 252人阅读评论(0)

【论文笔记】面向智能假肢手臂的生机接口系统与类神经协同控制

摘要

搭建了一种基于 sEMG（表面肌电信号）的智能假肢手臂系统，实现手臂残障程度较高患者的手肘协调控制。
基于肌肉协同理论，使用非负矩阵分解（NMF）方法提取肌肉协同作用，并进行手部动作识别以及肘关节的连续运动估计。
基于意图识别结果构建“前馈－反馈”控制框架，对受试者进行前馈监督与反馈检测；

根据前馈－反馈结果调整期望的控制输入，提高假肢系统的舒适性与鲁棒性。
针对手部动作，构建一种自适应调整抓握力度的框架，通过力、位信息交替控制，实现不同刚度、不同形状物体的自适应抓握。
设计一种基于识别结果的阻抗控制算法，实现手肘一体化假肢的稳定的人机交互控制。

关键词

智能假肢；

表面肌电信号；

阻抗控制；

人机交互；

1 引言（Introduction）

所有肢体残障者中已装配假肢的人数仅 90 万，这主要是由于传统假肢存在功能单一、运动不协调、适应性差、训练周期长等缺点

目前商业化的智能假肢大多按照机电一体化思路设计，具有支撑、减震、位置检测等基本功能。

英国 Touch Bionics 公司研发的 i-LIMB Hand 有 5 个手指，通过其手臂筒套中安置的电极采集表面肌电信号（sEMG），然后识别运动意图，控制仿生手执行相应动作。

Gu 等设计了一种柔性神经假肢手，通过 4 个通道肌电传感器采集 sEMG，然后集成电容传感器进行压力测量，并使用电刺激实现触觉反馈，在灵巧性方面优于传统的刚性假肢手。

目前已投入使用的肌电假肢还很少，且系统的稳定性／安全性受 sEMG 的非平稳性、时变性影响很大。

开发肌电假肢的关键环节是通过肌电信号精确识别出人体的运动意图，通常包括离散动作模态分类和关节连续运动量估计。

Englehart 等对比不同的 sEMG 特征对手部动作分类准确率的影响，采用线性判别分析（LDA）方法对所提取的时－频域特征进行动作分类，能够准确识别 6 种手腕动作。

Lloyd 等使用卷积神经网络（CNN）进行动作分类，以屈伸表示手指状态，可以预测一些训练中没有出现过的新手势。

残障受试者的残肢区域狭窄、肌电信号微弱，属于非理想因素的一种，因此，传统的基于特征值的方法不足以准确反映残障者的运动意图，需要一种从运动控制层面解释人体意图的识别方法。

从神经科学方面来说，肌肉协同是一种将任务层面的运动意图转化为更低水平的肌肉激活模式的机制，由于肌肉协同作用表现为一组肌肉在空间或时间上的连贯激活度，对于信号的变化具有更好的鲁棒性，因此可以将其用于人体运动意图的估计。

Luo 等通过非负矩阵分解（NMF）进行协同特征提取，对 5 种日常生活中的姿势的平均识别率保持在 96% 以上，证明了肌肉协同作用对于手势识别的有效性。

为了改进受试者与假肢之间的信息交互，一些学者通过将假肢的状态以不同形式的信息进行反馈，来提高截肢患者在使用假肢时对其状态的感知。

以上研究虽然能够实现截肢患者与假肢间的感觉反馈，但都建立在进行刺入式电刺激手术的前提下，缺点在于手术植入神经接口容易引起神经炎性异物反应。

本文工作：

验证利用肌肉协同矩阵进行手、肘运动识别的可行性，分析不同模型对于实验结果的影响；
构建“前馈－反馈”双层通路，进行受试者的前馈数据监督和反馈肌肉疲劳检测，从而针对受试者当前状态改变控制策略和控制参数
构建手部力、位信息控制和肘部阻抗控制策略，实现自适应抓握功能，提高肘部控制柔顺性

2 生机电一体化假肢系统设计（Design of the biomechatronics prosthetic system）

由肘部转动关节、电源模组、主控单元、灵巧手 4 部分组成。

主控单元——承载了电源管理、传感器调理电路、电机驱动控制等重要的功能
控制器部分采用了嵌入式微控制器 STM32F407VET6 作为核心芯片，用于完成信息的接收和处理
使用 24 V 直流电池组作为电源，电池组可以为假肢持续不间断供电 5 h
传感器调理模块用于采集人体残肢末端的肌电信息，进而解析出人体残肢的运动意图，由肌电传感器电极、分级放大电路、干扰抑制电路以及工频陷波电路等部分构成。
肌电传感器电极由高导电率的银电极构成，直接用于人体皮肤表面以减小与皮肤的接触阻抗；

分级放大电路用于将微弱的表面肌电信号放大至伏特级便于处理和识别，同时采用分级放大的方式可提高系统的输入电阻，防止有效信号发生失真；

干扰抑制电路用于消除系统外部的干扰，如运动伪差、环境噪声等，并结合工频陷波电路，抑制环境中的 50 Hz 工频干扰，从而得到高质量的信号
驱动控制模块包括电机驱动器、通信单元、高精度 A/D 转换器以及集成控制器等几个部分
灵巧手具有 6 个自由度和 12 个运动关节，通过布置在手掌内部的小型直线电机驱动，可实现各手指的多关节联合弯曲运动以及拇指的外展／内收运动
肘部转动关节由小型直流无刷电机驱动，通过与多组双联齿轮啮合的传动方式，将电机输出扭矩传递至肘关节处。

3 基于肌肉协同作用的运动意图感知（Motor intention perception based on muscle synergy）

3.1 肌电信号预处理

sEMG非平稳信号

用 Butter-Worth 滤波器对肌电信号进行 20～400 Hz 的带通滤波处理
滤波后的数据进行最大最小归一化
设置时间窗为 250 ms，滑动窗为 50 ms，滑动提取肌肉协同作用以及传统特征值

3.2 提取肌肉协同作用

肌肉的活动状态可以表示为肌肉协同元和激活系数的线性组合，因此 sEMG 信号可以分解为协同矩阵和时间激活系数矩阵的乘积

提取肌肉协同作用的一般方法是进行矩阵分解，常见的肌肉协同作用提取方法有主成分分析（PCA）、因子分析（FA）、NMF。

其中，NMF 是将一个非负矩阵分解为基矩阵与系数矩阵乘积的形式，即非负矩阵中的元素可以由基矩阵中列向量的线性组合表示，这表明 NMF 方法的根本意图是使用维度较小的基矩阵和维度较大的系数矩阵逼近原非负矩阵，与本文中提取肌肉协同作用的理念相符，所以本文采取 NMF 方法作为肌肉协同作用的提取算法

针对式 (5) 的矩阵分解问题，可以通过最小化原矩阵 $M$ 和重构矩阵 $W\times H$ 之间的欧氏距离

当分解模块数较少时，数据分解出的模块是许多模块的叠加，不足以表现出原始信号的信息；而当分解模块数较多时，分解出的协同元存在冗余或重复的情况；

一般认为，当 $p_{VAF}$ 值大于 95%，且随着 k 值的增大， $p_{VAF}$ 增加小于 2% 时， $k$ 为有效分解列数。

3.3 基于肌肉协同作用的意图识别方法

高密度肌电传感器虽然能采集电极粘贴部位较多通道数量的数据，但并非其中的所有通道都与当前动作存在较高的相关性。

使用传统提取方式对于所有通道进行特征值计算时，计算量级太高，同时蕴含较多的无效信息，因此通过提取肌肉协同作用，对耦合信号进行降维解耦，得到维度较低的数据作为意图识别的输入

验证肌肉协同作用对于手部动作分类的效果

使用 LDA 方法、支持向量机（SVM）、决策树这 3 种分类器进行手部动作分类的验证。
针对肘关节运动预估问题

K 近邻（ KNN ）算法、随机森林（RF）算法、反向传播（BP）神经网络作为运动轨迹跟踪的模型，作为运动轨迹跟踪的模型

4 基于人机闭环的神经交互控制（Neural interactive control based on human machine closed loop）

本文只需采集现有的 sEMG，不需要附加任何传感系统，极大地提高了假肢手臂系统的集成度，降低了控制任务的复杂度。

4.1 总体控制系统设计

受试者本身也与假肢之间具有对抗作用，因此在使用假肢一段时间后，肌肉会发生疲劳，这种非理想条件下的意图识别结果会存在较大的不确定性，也会对整体控制框架的稳定性产生一定的影响，这就需要对当前肌肉的疲劳程度进行检测，通过引入肌肉疲劳反馈检测支路，避免将不稳定性较高的意图识别结果作为后续的控制输入。

4.2 监督层任务分析

理论上来说，2 个协同矩阵在相同运动模式下应具有极大程度的相似性，而由于肌电信号的非平稳性特点，在实际采集过程中肌肉激活情况容易受到电极偏移等非理想条件的影响，导致提取的协同矩阵发生不同程度的变化，因此需要引入前馈监督支路对当前肌肉协同作用进行分析。

基于肌肉协同作用的“前馈数据监督”

在实验室理想条件下采集质量较高的肌电信号进行预处理，将所提取的协同矩阵 $W_{standard}$ 和
时间激活矩阵 $H_{standard}$ 作为衡量基准。
对当前时间窗采集的 sEMG 进行非负矩阵分解，得到当前的协同矩阵 $W_{current}$ 和时间激活系数矩阵 $H_{current}$ ， $W_{standard}$ 中的 $k$ 个列向量代表当前运动模式下对应的 $k$ 种肌肉激活模态， $H_{current}$ 中的 $k$ 个行向量表示
这 $k$ 种肌肉激活模态在整个运动状态中在时间序列上的激活系数
对比基准协同矩阵 $W_{standard}$ 与当前协同矩阵 $W_{current}$ ，计算协同矩阵相似性。矩阵中元素的
取值范围均为 0.0～1.0，元素的值越接近 1 说明对应的向量越相似，越接近 0 说明对应的向量相差越大。
然后分别对向量 $V_{W}$ 、 $V_{H}$ 中的元素进行均值求解，得到当前受试者与基准条件之间关于协同矩阵
和时间激活系数矩阵的相似度 $p_{W}$ 、 $p_{H}$ ，并对二者求均值，最终得到当前肌肉协同作用与基准肌肉协
同作用的相似度 $p$

基于非理想因素的“疲劳检测机制”

本文选用中值频率作为疲劳指标，将一种专注于人体肌电信号的肌肉疲劳检测方法用于疲劳检测反馈支路，提高人机交互过程中意图识别的鲁棒性。
对 3 次提取的基准中值频率计算平均值（mean）和标准差（std），根据后续数据的中值频率是否在均值的标准差范围上下浮动来检测当前肌肉是否已经处于疲劳状态
如果当前的中值频率值连续 3 次超出了设定的范围，则将相应通道的疲劳标志置为 1；如果当前的中值频率值连续 3 次出现在设定的范围内，则表示相应通道解除疲劳状态，疲劳标志置为 0 ;
当 3 个大肌群信号所有通道中有 80% 的疲劳标志为 1 时，则对应肌群判定处于疲劳状态， $F_{fatigue}$ 为 1；反之，当肌群对应所有通道中有 80% 的疲劳标志为 0 时，则对应肌群认为脱离疲劳状态， $F_{fatigue}$ 为 0。

基于前馈－反馈支路的“任务分析”

根据经验设定相似度判别阈值 $p_{threshold}$ 为 0.85，当 $p > p_{threshold}$ ，并且 $F_{fatigue}$ = 0 时，认为当前肌肉协同为有效协同，此时的肌肉还没有达到疲劳状态，可以将预估的期望手部动作类别和肘关节角度作为控制输入，即 $y_{r}$ = $y_{d}$ ， $a_{r}$ = $a_{d}$
当 $p$ 的数值、 $F_{fatigue}$ 不满足前述“且”判断，即当前 sEMG 提取出的肌肉协同作用与标准肌肉协同作用差距过大，或者肌肉已经出现疲劳状态时，数据易出现可靠性较低、误识别的问题，需要丢弃根据当前肌肉协同作用预估的意图识别结果

4.3 协调层交互控制

手部的力、位信息混合控制

当 $f_{a}(i) < f_{threshold}(i)$ 时，手指实际位置 $q_{a}(i)$ 与期望位置 $q_{d}(i)$ 之间的偏差较大，开关函数切换到位置控制，以使其尽快达到期望位置。

当 $f_{a}(i) > f_{threshold}(i)$ 时，当前手指实际位置已经接触被抓握物体表面，开关函数切换到力控制，通过动作类别变化调整期望力矩的增量：当动作 $a_{r}$ 为抓握等动作时，力的增量为 $ε(i)\frac{fd(i)}{qd(i)}$ ；当动作 $a_{r}$ 为休息时，力的增量为 0，表示灵巧手保持在当前状态，完成当前动作任务。

肘关节阻抗控制

内环建立基于力闭环的 PD 控制，阻抗计算环节作为控制系统外环

转载：https://blog.csdn.net/m0_48948682/article/details/127424939

查看评论

小言_互联网的博客

小言_互联网的博客

个人资料

文章分类

文章存档

阅读排行

评论排行

推荐文章