基於肌電信號的多模式抓握力估計
行業與領域應用
作者：張冰珂 段小剛 鄧華
摘要：針對大多肌電控製的假肢隻研究模式識別而沒有對抓握力和抓握模式同步解碼的問題，提出一種同時分析抓握模式和抓取力的方法。首先，采用4通道表麵電極采集人體手臂肌電信號（EMG），采用力敏電阻（FSR）采集抓取力信號；然後，分別利用線性判別分析（LDA）方法和人工神經網絡（ANN）進行抓握模式識別和力估計。在4種抓握模式下分別建立4個肌電信號力關係，一旦判別出抓取模式，則調用相應模式下肌電信號力模型估計抓握力大小以實現模式識別和力估計的結合。實驗結果表明，當進行模式和力的同步解碼時，模式平均分類精度約為77.8%，力估計的準確率約為90%。該方法可以用於假肢的肌電控製，不僅可以解碼使用者的抓取動作的意圖，還可以解碼使用者期望的抓取力，輔助假肢實現穩定抓取。
關鍵詞：肌電信號；假肢手；人工神經網絡；模式識別；指尖力
中圖分類號： TP241.3 文獻標誌碼：A
Abstract： A method to analyze the grasping and pattern force of Electromyography （EMG） simultaneously was proposed， in order to solve the problem that most myoelectric survey focused only on pattern recognition regardless of the combination of grasping pattern and force. First， surface EMG signals were collected through 4 EMG electrodes. Force data was obtained by Force Sensor Resistor （FSR）. Then， the Linear Discriminant Analysis （LDA） method was used to realize pattern recognition and Artificial Neural Networks （ANN） was applied to estimate force. 4 types of EMGforce relationship were built in 4 different grasping modes. Once the grasping pattern identified， the program called the corresponding force model to estimate force value and achieved the combination force decoding and pattern recognition. The experimental results illustrate that when pattern and force are analyzed simultaneously， the average classification accuracy is about 77.8%； meanwhile the force prediction accuracy rate is about 90%. The proposed method can be applied to myoelectric control of the prosthetic hand， not only the users intension of grasping mode can be decoded， but also the desired force can also be estimated. The stable grasping can be assisted by this approach.
Key words： Electromyography （EMG）； prosthetic hand； Artificial Neural Network （ANN）； pattern recognition； fingertip force
0 引言
肌電信號（Electromyography， EMG）是肌肉在收縮過程中運動單元動作電位疊加的結果[1]。由於利用表麵肌電電極采集肌電信號具有無創、方便的特點，因此，當前大多數假肢手利用表麵肌電信號控製。肌電假手可以使上肢殘疾者自主控製假肢手的抓取模式和抓握力大小。為了實現肌電信號對假肢手的控製，將采集到的肌電信號進行特征提取並建立特征值與控製命令之間的關係，使得殘疾人可以通過表麵肌電信號實現假肢手的操作。許多商業假肢手利用表麵肌電信號實現單自由度假肢手的開合動作，如Otto Bock的Sensor Hand，可以通過肌電信號的幅值調節假肢手閉合或張開的速度[2]。
為了實現假肢手的穩定抓取，肌電信號要分別對抓握模式和抓取力解碼，即在抓取過程中，假肢手不僅能正確識別肌電信號所對應的抓取模式，還要準確估計抓取力的大小。如抓取一個雞蛋，過大的力可能會使雞蛋被捏破，過小的力可能無法穩定抓取而跌落摔壞，因此，一個大小合適的力是實現穩定抓取的重要一環。當前的研究中，大多集中於對手指抓取模式的判別[3-4]，對假肢手在抓取過程中的力大小的研究較少。
為了建立表麵肌電信號和抓取力關係，通常有以下兩種方法：基於模型的方法和機器學習的方法。前者通過建立肌電信號、肌肉模型和肌肉輸出力之間的關係得到最後的抓握力[5]；後者以肌電信號作為輸入，力信號作為輸出建立非線性關係。常用的方法有支持向量機（Support Vector Machine， SVM）[6]、人工神經網絡（Artificial Neural Network， ANN）[7]和多元非線性回歸[8]等。在這些研究中，大多數研究采用測力計測量力的大小。測力計隻能測得抓握模式下的手指力的大小，單一模式下的力估計在多模式抓取時精度降低。文獻[6]利用力傳感器在二指捏、三指捏和四指捏這3種捏取模式進行力估計，提出了多模式下的抓握力估計。本文通過表麵電極和力敏電阻（Force Sensor Resistor， FSR）獲取4種不同抓取模式下的肌電和力信號，分別建立肌電力關係，對抓握模式判別後，調用對應模式下的肌電力模型估計力大小，有效地提高了通過肌電信號對抓握力估計的精度。