[发明专利]基于MYO臂环的假肢手控制系统及其控制方法

说明书

技术领域

本发明涉及假肢手控制技术领域，具体指基于MYO臂环的假肢手控制系统及其控制方法。

背景技术

据中国第二次残疾人抽样调查，目前中国肢体残疾患者的数量高达2412万人，约占总人口数的1.83％，其中截肢患者226万人。保守估计，需要安装假肢手的患者达25万人以上，因此假肢手有着巨大的市场潜力。

然而，在目前的研究中，大多学者集中于对手指抓取模式的判别或者停留在抓握力控制的理论分析研究上，较少有实际应用于假肢手。另外，还存在假肢手控制的抓握灵活性和操作感官性差，很多患者不愿使用。Otto Bock的SensorHand Speed以及Touch-Bionic的i-LIMB假手均采用肌电信号进行控制，虽然可以通过模式识别的方法实现对各手指运动状态的区分，但这只能给出″开关″信号，无法实现手指位置以及抓握力的实时主动控制，降低了残疾人使用过程中的生理感受性；商业假肢手采用比例控制方式，直接根据sEMG幅值确定抓握力的大小，其精度有限；Ahmet Erdemir,Scott McLean等采用HILL模型，考虑肌肉以及骨骼的动力学特性，建立力-肌肉长度-肌肉收缩速度-动作电位之间德尔显式模型，但由于人体生理结构的复杂性，难以建立准确的模型，其应用受到限制；Claudio Castellini和Patrick van der Smagt使用10通道肌电电极(Otto Bock公司)记录sEMG数据，六维力-力矩传感器记录人手握力数据，探讨了多种回归方法所能获得的识别精度，然而，电极数目的增多会引起佩戴者的不适。

迄今为止，对假肢手动作模式的研究论文层出不穷，假肢手多动作模式已经基本解决，而以患者为中心的抓握力的在线控制尚不具备。

发明内容

本发明的目的在于克服现有技术存在的缺失或不足，而提供一种基于MYO臂环的假肢手控制系统及其控制方法。

本发明思路：采用性价比很高的MYO传感器，采集患者sEMG信号，结合振动触觉传感器等，通过离线训练、在线识别和抓握力预测以及抓握力反馈等步骤使患者实现准确抓握。

工作原理：由MYO臂环采集到的sEMG信号，通过蓝牙接口传输到STM32控制板中，再经过动作起止点判断、时域特征值提取和sEMG-力回归模型算法得到抓握力值大小，最后由模糊控制器将抓握力大小信息转变成相应的电机运动指令，驱动假肢手手指做相应的动作及对应的抓握力值，振动触觉传感器将假肢手的实际抓握力档次反馈给患者残臂，使患者获取假肢手的实际抓握力，提高操作的感官性。

本发明的核心和关键技术在于在STM32控制板中实现基于sEMG信号的抓握力值的预测。

本发明一种基于MYO臂环的假肢手控制系统，包括：信号采集模块，STM32模块，模糊控制器模块，假肢手模块，抓握力反馈模块及配合离线训练的PC机。

所述信号采集模块，包括用于采集sEMG数据，佩戴在患者残臂偏上处的MYO臂环和用于采集正常人手抓握力值数据的六维力传感器。

所述STM32模块，用于读取、处理sEMG数据。

所述模糊控制器模块，用于接收STM32模块发送的信号，发送指令驱动假肢手抓握。

所述假肢手模块，由假肢手本体、驱动手指运动的电机及安装在假肢手手指指肚上的FSR力传感器贴片组成。

所述抓握力反馈模块，佩戴在患者的残臂上，由振动触觉传感器构成，接收FSR力传感器的抓握力值信号，然后将其反馈给患者残臂，便于患者感知抓握力大小。

本发明一种基于MYO臂环的假肢手控制系统的控制方法，包括：步骤A离线训练，步骤B在线识别和抓握力预测，步骤C抓握力反馈。

所述步骤A离线训练，包括：A1模式分类训练和A2sEMG-力回归模型训练。

所述A1模式分类训练，包括：

A11将抓握力值划分为不同的档次，根据各档次的抓握力值采集正常人对应的sEMG数据，通过六维力传感器采集正常人手抓握力值数据；

A12提取时域特征值：绝对平均值MAV、均方根值RMS、标准差SD和波形长度WL；

A13时域特征值矩阵经PCA降维后，利用BP神经网络进行模式分类训练，并保存训练后的权值和阈值。

所述A2sEMG-力回归模型训练，包括：

A21通过降维后的时域特征值矩阵与抓握力值数据一起构建训练样本；

A22分别训练各抓握力值档次的sEMG-力回归模型；

A23保存训练的各模型的参数。

所述步骤B在线识别和抓握力预测，包括：