[发明专利]基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法

说明书

本发明公开了一种基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法，首先建立基于表面肌电信号的模式识别系统进行预学习，通过多通道肌电仪获取表面肌电信号，经过巴特沃斯滤波以及梳状滤波器的软件滤波之后，进行多种特征的特征数据提取工作，并基于全通道离线特征数据进行模式识别，采用粒子群优化算法进行最优特征组合和最佳通道组合的优化搜索；然后基于最优特征组合与最优通道组合采集实时表面肌电信号，经滤波处理与特征提取后使用KNN算法进行实时手势识别，并利用识别出来的手势结果对各自由度的仿生机械手进行实时鲁棒控制。

技术领域

本发明属于肌电信号检测与模式识别技术领域，具体涉及一种基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法。

背景技术

仿生机械手属于机器人的一个分支，在机械，医疗，科研等领域扮演着至关重要的作用。通过结合人工智能、机器人以及测控仪器的最前沿高新技术，使得仿生机械手有可能配合肌电信号采集装置为大量因意外事故或者后天疾病等因素导致的残疾人士服务，使得他们可以使用肌电控制假肢，而使用肌电控制假肢，不仅要快速识别肌电信号，而且要保证识别的准确度。

现有技术在使用表面肌电信号进行仿生机械手实时控制时存在以下难点：难点一，如何在尽可能短的时间内对实时肌电信号进行正确处理及识别，并使仿生机械手在尽可能短的时间内作出反应。难点二，针对不同使用者，如何准确获取对应模式的有效通道信号，减少无效的冗余通道数据。因为对于模式分类起决定性作用的往往是来自个别而不是全部信号通道的信号。

现有的表面肌电信号模式识别的现状处于对最优肌电信号特征与分类方法的探索阶段，不同的论文中采取的肌电特征往往各不相同，谁优谁劣也难以评判。张启忠和席旭刚等人在文献《基于表面肌电信号的手腕动作模式识别，中国生物医学工程学报,2013,32(03):257-265.》中使用了近似熵与分形维数的特征，同时使用一种具有增量学习能力的KNN(K-NearestNeighbor，K最邻近分类)模型增量学习算法作为模式识别的分类器，虽然准确率较传统KNN算法略有提升，但是其特征提取只采用了单一特征组合，不能证明这种特征为最优特征组合，更何况近似熵特征与分形维数特征的计算十分复杂，会占用大量的计算时间，虽然在准确率上有一定优势，但是在实时控制时我们必须考虑到手势识别应该具有快速性。

张道辉等人在文献《仿生机械手肌电控制方法研究，沈阳理工大学硕士学位论文,2013.》中提取了绝对均值、均方根、过零点数、波形长度、斜率符号变化和AR模型系数—6种时域特征，平均功率、平均频率、中值频率—3种频域特征，小波变换系数—1种时频域特征，非广度熵和样本熵—2种非线性熵特征以及关联维数和盒函数—2种分形特征，总共14种肌电信号特征，进而对这14种特征进行了特征组合得到4个特征组合，然后使用了二叉树结构KD树、多叉树结构IHDR树、PCA与LDA这四种肌电信号分类方法进行模式分类，并使用PCA与LDA分类器进行仿生机械手肌电信号控制实验；但是其特征组合方式为人工组合，对特征的组合不够全面，因此经人工得到的特征组合在实时控制的精度与速度上不一定能达到最优。

徐艳宾在其硕士论文《基于肌电信号的机器人遥操作控制[D].华南理工大学,2018.》中也描述了其采用肌电信号在线控制机器人的实验，根据其采用的特征提取方法，可分为三组：第一组是过零点数(ZC)、均方根(RMS)、波形长度(WL)，第二组是绝对均值(MAV)、均方根(RMS)、斜率符号变化次数(SSC)，第三组为绝对均值(MAV)、均方根(RMS)、过零点数(ZC)，使用这三种特征组合，结合LDA线性判别分析分类模型实现手势的识别，选取准确率最高的特征组合作为在线控制的特征组合；但是该实验存在着一些不足之处，首先其对于特征组合的选取是人工组合的，而且其中可用于组合的特征数量过少，难以寻找到比较优秀的特征组合，因此难以达到肌电信号在线控制时应满足的精度与速度。

发明内容