田 嵐 姜乃夫 李光林

（中國科學院深圳先進技術研究院 深圳 518055）

1 引 言

國家統(tǒng)計局 2006年的統(tǒng)計數(shù)據(jù)顯示，我國的殘疾人總數(shù)為 8296 萬，其中肢體殘疾人數(shù)量最多，為 2412萬人。由于意外事故、先天缺陷、疾病、自然災害等原因，肢體殘疾人的數(shù)量還在不斷增加。因此，設計符合肢體殘疾人需要的假肢具有十分重要的意義。

目前市場上商業(yè)化的功能性假肢有索控假肢與肌電假肢兩種。索控假肢存在功能單一、操控緩慢、動作笨拙、維護困難等問題。肌電假肢使用人體皮膚表面采集到的肌電信號(Electromyogram, EMG) 作為假肢的控制信號，但目前的肌電假肢需要用一對肌肉的收縮與放松來控制一個自由度的動作。如果需要控制多個自由度，則先要同時收縮一對肌肉 “切換” 自由度。這種控制方法不符合人們通常控制肢體的習慣，訓練過程漫長。

近年來，國內外的研究機構及假肢、機器人公司都在尋求新的方法，設計高性能假肢及控制系統(tǒng)。英國 Touch Bionics 公司的 i-LIMB 手具有 5 個可以獨立控制的手指[1]，德國 Otto Bock 公司以及上?？粕揪a了高性能的機電一體化假肢?？紤]到傳統(tǒng)的假肢控制方式不能讓截肢者靈活地操控這些高性能假肢完成日常生活中的復雜動作，人們提出了使用運動神經信息作為假肢控制源的方法，包括使用腦機接口[2-4](Brain-computer Interface, BCI)、周圍神經機器接口[5-6](Peripheral Nerve Interface, PNI)以及表面肌電信號解碼等。但腦機接口及周圍神經機器接口技術存在采集到的神經電信號微弱、信噪比低、需要植入電極等問題，短期內投入實際應用的可能性較低。

研究人員提出了使用肌電信號的模式識別算法實現(xiàn)假肢控制的思想[7,8]。當截肢者通過想象，用他們的“幻影(Phantom)”肢體做不同動作時，來自大腦的運動神經信號使殘存肌肉收縮產生 EMG 信號；用體表電極記錄該 EMG 信號，并用模式識別方法解碼，得到截肢者想要做的肢體動作類型；根據(jù)識別的動作類型操控假肢完成相應的動作。利用這種控制方法，假肢使用者可以自然而直接地選擇和完成他們想要做的各種不同肢體動作。

目前，模式識別分類算法已經被應用到了假肢控制中[9,10]。使用模式識別分類算法，可以克服目前的肌電假肢存在的功能單一、操控困難、非直覺控制及訓練過程漫長等不足，實現(xiàn)肌電假肢的多自由度直覺、自然控制，改善和提高假肢的操控性能。經驗證，使用 6 個表面肌電電極、6 個手部及腕部動作(握拳、手張開、腕內收、腕外展、腕內旋、腕外旋)的完成精度可以達到 95% 以上。但是，模式識別分類計算復雜，需要在計算機中完成，不能“嵌入”假肢而應用到日常生活中去。

本文使用高性能的微控制器實現(xiàn)基于肌電模式識別技術的假肢控制，開發(fā)便攜式假肢控制器，有望實現(xiàn)多功能肌電假肢的靈活控制。

2 系統(tǒng)結構

本文設計了一種使用肌電信號模式識別技術的假肢控制系統(tǒng)，如圖1 所示。

整個系統(tǒng)由肌電假肢控制器與多功能假肢臨床訓練軟件兩個部分組成。 肌電假肢控制器以高性能微處理器為核心，包括肌電電極、肌電信號采集模塊、控制模塊、通信模塊、電機驅動模塊等，可連接多自由度假肢(如三自由度假肢，能完成手腕內收、手腕外展、手腕內旋、手腕外旋、手握拳以及手張開六個動作)。用戶需要根據(jù)自己的實際情況定制假肢接受腔，并選擇合適的位置在接受腔內部安裝肌電電極。多功能假肢臨床訓練軟件安裝在計算機上，提供一個人機交互界面，用于動作模式的分類訓練以及虛擬現(xiàn)實控制。假肢控制器與計算機通過 USB 接口進行通信。

圖1 假肢控制系統(tǒng)框圖

使用前，首先需要 “訓練” 系統(tǒng)識別不同的動作類型。假肢使用者根據(jù)軟件的提示，用 “幻肢”完成相應動作。軟件使用模式識別算法，對采集到的肌電信號進行模式識別分類，計算出動作分類器。動作分類器可通過虛擬現(xiàn)實等方法進行測試，直到分類正確率達到預設的標準。隨后將分類器發(fā)送到假肢控制器上，假肢控制器使用該動作分類器實時解碼肌電信號，在脫離計算機的環(huán)境下識別假肢使用者想要完成的動作類型，控制假肢完成相應動作。流程圖如圖2 所示。

圖2 假肢控制系統(tǒng)工作流程圖

3 肌電假肢控制器設計

肌電假肢控制器的框圖如圖3 所示。分為肌電信號采集模塊、微處理器、電機驅動模塊、USB 通信模塊以及電源管理模塊幾個部分。

圖3 肌電假肢控制器硬件框圖

3.1 肌電信號采集

肌電信號采集模塊的功能是將相應電極檢測到的原始表面肌電信號進行放大、濾波處理，經過 AD 轉換，得到不失真的數(shù)字信號供給后級使用。肌電信號屬于高噪聲背景下的低頻微弱信號，因此肌電信號的采集模塊需要盡可能地濾除噪聲，保留有效信號。

本文選擇 TI 公司面向 ECG/EMG/EEG 信號采集的模擬前端(Analog-Front-End AFE)芯片 ADS1298完成信號采集。ADS1298 內置 8 個差分輸入通道，每個采集通道都包括輸入信號選通、可編程 PGA、高精度 ADC 以及可配置的導聯(lián)脫落檢測等。同時，芯片內部集成了右腿驅動電路以及內部參考電壓，可根據(jù)需要配置及使用。ADS1298 集成度高、體積小、性能出色，與傳統(tǒng)的分立式肌電采集前端放大濾波電路相比，使用集成的模擬前端芯片能大大縮減 PCB 占用空間、降低功耗，提高系統(tǒng)可靠性。圖4 為 ADS1298功能框圖[11]。

與傳統(tǒng)的分立式肌電信號采集電路相比，ADS1298 并不包括兩級放大及濾波，僅在內部集成一個 EMI 濾波器(RC 濾波器)用以消除電磁干擾，右腿驅動模塊用以降低工頻干擾。芯片采用低放大倍數(shù)、過采樣 AD，將噪聲和數(shù)據(jù)高保真采集，交給數(shù)字端作信號處理。這樣就在提高前端集成度的同時保證并提高了性能。同時，用數(shù)字端做信號處理，也增加了系統(tǒng)的靈活性。

圖4 ADS1298 功能框圖

ADS1298 通過 SPI 接口與 MCU 連接，接收MCU 發(fā)送的命令，并將采集的數(shù)據(jù)傳送給 MCU。

3.2 微處理器

微處理器是假肢控制器的核心模塊，協(xié)調系統(tǒng)各個功能的實現(xiàn)。微處理器通過 USB 通信模塊接收計算機發(fā)來的命令，從肌電信號采集模塊取回 EMG 數(shù)據(jù)，進行預處理(濾波)并發(fā)送給計算機。接收計算機得到的分類器數(shù)據(jù)，使用這些數(shù)據(jù)進行動作實時分類，通過電機驅動模塊控制假肢完成相應的動作。

系統(tǒng)選擇 TI 公司的 TMS320F28335 作為控制芯片。TMS320F28335 是 TI 公司 C2000? 32 位高性能浮點微控制器/數(shù)字信號處理器 Delfino 系列的一員[12]。芯片的選擇主要基于以下幾點：

(1)處理能力強大，32 位 DSP(Digital Signal Processor)構架 CPU，高達 150 MHz 的系統(tǒng)頻率，內部集成硬件單精度浮點單元，能實現(xiàn)肌電信號的快速濾波與模式識別算法。

(2)集成了豐富的片內外設，片內集成了脈寬調制(ePWM)模塊，串行外設接口(SPI)模塊、增強型12 位模數(shù)轉換器(ADC)模塊(16 通道)、以及 88 個具有輸入濾波功能可單獨編程的多路復用通用輸入輸出(GPIO)引腳等，能很好地實現(xiàn)外部芯片通信、電機控制等功能，減小設備體積。

(3)具有低功耗和省電模式，延長工作時間。

Delfino 浮點系列 MCU 的功能框圖如圖5 所示。

3.3 電機驅動模塊

圖5 C28x Delfino 浮點系列 MCU 功能框圖

MCU 采集到肌電信號后，經過模式識別分類算法計算出需要完成的動作類型，控制假肢完成相應動作。本文使用上?？粕僦邢薰旧a的前臂假肢，內部有 3 個直流電機。電機驅動模塊需要控制 3個直流電機的運行，調節(jié)轉速與方向。

TMS320F28335 內部集成了 6 個 ePWM 通道作為電機的控制源輸出。使用雙 H 橋直流電機驅動芯片 L298P 驅動電機工作。電機工作電流反饋到TMS320F28335 內部的 ADC，用于檢測及控制轉速。

由于電機運行時電流變化較大，會影響到前端EMG 信號采集模塊電源的穩(wěn)定性，引入噪聲，因此，在 MCU 和電機驅動模塊之間，使用數(shù)字隔離器ADuM7440 隔離，保證系統(tǒng)的正常運行。

3.4 USB 通信

假肢控制器與計算機的通信方式選擇了USB(Universal Serial BUS 通用串行總線)接口。USB接口是一種通用的計算機與外設連接的方式，具有傳輸速度快、支持熱插拔、使用方便等優(yōu)點，也便于計算機端的多功能假肢臨床訓練軟件開發(fā)。

本文選擇了 CH376S 作為 USB 接口芯片。CH376內部集成了 USB 協(xié)議的基本固件，簡化了常用的控制傳輸，開發(fā)周期短。

3.5 電源管理

鋰電池體積小、容量大，適宜作為便攜設備的電源。本系統(tǒng)的電源管理模塊以鋰電池為電源，經過電壓轉換為各個模塊提供各自所需的工作電壓。

電源管理模塊的主要任務是為假肢控制器提供3.3 V 及 1.8 V 電壓，為假肢電機提供 11.1 V 電壓，為電機驅動模塊提供 5 V 電壓。考慮到肌電信號采集模塊對電源紋波比較敏感，假肢控制器所需的 3.3 V 電壓及 1.8 V 電壓由 3.7 V 鋰電池經 LDO(Low Dropout Regulator，低壓差線性穩(wěn)壓器)芯片電壓變換得到。假肢電機供電使用 3 節(jié)鋰電池串聯(lián)得到 11.1 V 電壓，經過 DC/DC 芯片得到電機驅動模塊需要的 5 V 電壓。兩組電壓之間使用數(shù)字隔離器隔離。

4 多功能假肢臨床訓練軟件設計

計算機上需要安裝多功能假肢臨床訓練軟件，與假肢控制器協(xié)同使用。軟件使用 Visual C++ 10 編寫。多功能假肢訓練軟件包括三部分功能：肌電信號實時采集、動作分類器的訓練及測試以及虛擬現(xiàn)實控制，如圖6 所示。

圖6 多功能假肢訓練軟件結構框圖

(1)肌電信號實時采集：控制下位機實時采集肌電信號，發(fā)送至軟件顯示，用戶通過觀察肌電信號可判斷肌電電極與皮膚的連接狀況并進行調整；

(2)動作分類器訓練及測試：使用者在使用前必須進行訓練，在軟件的提示下完成預設的動作，使用模式識別算法對采集到的表面肌電信號進行訓練，得到動作分類器；

(3)虛擬現(xiàn)實控制：建立一個可完成各種手部動作的虛擬現(xiàn)實人，用于動作分類的效果評估或康復訓練，動作分類器訓練完成之后，軟件控制下位機實時采集用戶的表面肌電信號，計算動作類型并輸出，控制虛擬現(xiàn)實人完成相應動作，用于觀察動作分類的效果；同時，建立虛擬環(huán)境下的小游戲，可通過完成小游戲進行康復訓練。

5 結果與分析

使用本系統(tǒng)，采集肢體健全者前臂的表面肌電信號并訓練分類器，實驗照片如圖7 所示。

實驗時，在前臂表面粘貼 8 通道電極，采集到的肌電信號如圖8 所示?？梢钥闯?，基本濾除了工頻干擾及其諧波、高頻噪聲及基線漂移等噪聲。

使用離線數(shù)據(jù)計算與測試分類器，使用 6 個電極完成 6 個手部、腕部動作，分類精度可以達到 95%以上。

模式識別分類方法已經被驗證可用于肌電假肢的控制。但以往的分類都是基于計算機完成，不能嵌入假肢中。與其它系統(tǒng)相比，本系統(tǒng)依然使用計算機完成模式識別分類算法中的動作分類器訓練，但是將實時動作分類的部分移植到了微控制器中。因此，動作訓練完成后，假肢控制器斷開與計算機的連接，用于實際生活中的假肢控制。

本系統(tǒng)已經完成肢體健全者的實時測試，但還未進行截肢者的測試。截肢者的實時信號質量及分類效果有待進一步實驗驗證。同時，還需全面評估使用者對本系統(tǒng)的使用感受、動作訓練時間以及實際動作完成效果。

圖7 系統(tǒng)整體調試圖

圖8 實時肌電信號顯示

6 結 論

本文搭建了一套基于微處理器的肌電假肢控制系統(tǒng)，系統(tǒng)能佩戴在使用者身上，使用模式識別分類算法，將采集到的表面肌電信號進行分類，得到使用者希望完成的動作類型，并控制假肢完成相應動作。經測試，檢測到的肌電信號沒有明顯的噪聲，信號質量較好。使用離線數(shù)據(jù)測試分類器，分類精度能達到95% 以上。

[1]查理. 肌電假手的研究進展 [J]. 國防科技, 2007, 9: 6-13.

[2]Hochberg L R, Serruya M D, Friehs G M, et al. Neuronal ensemble control of prosthetic devices by a human with tetraplegia [J]. Nature, 2006, 442: 164-171.

[3]Gao X, Xu D, Cheng M, et al. A BCI-based environmental controller for the motion-disabled [J]. IEEE Transaction on Neural Systems and Rehabilitation Engineering, 2003, 1: 137-140.

[4]楊立才, 李佰敏, 李光林, 等. 腦機接口研究綜述 [J]. 電子學報, 2005, 33(7): 1234-1241.

[5]Hoffer J A, Loeb G E. Implantable electrical and mechanical interfaces with nerve and muscle [J]. Annals of Biomedical Engineering, 1980, 8: 351-360.

[6]張曉文, 高忠華, 胡天培, 等. 神經信號控制假肢研究 [J]. 中國生物醫(yī)學工程學報, 2005, 24(5): 624-628.

[7]Huang Y H, Englehart K B, Hudgins B, et al. A Gaussian mixture model based classification scheme for myoelectric control of powered upper limb prostheses [J]. IEEE Transactions on Biomedical Engineering, 2005, 52: 1801-1811.

[8]21 Hargrove L, Englehart K, Hudgins B. A comparison of surface and intramuscular myoelectric signal classif ication [J].IEEE Transactions on Biomedical Engineering, 2007, 54: 847-853.

[9]Li G, Kuiken T A. EMG pattern recognition control of multifunctional prostheses by transradial amputees [J]. 31st Annual International Conference of the IEEE EMBS, 2009,6914-6917.

[10]Li G, Schultz A E, Kuiken T A. Quantifying pattern recognition—based myoelectric control of multifunctional transradial prostheses [J]. IEEE Transactions on Neural System and Rehabilitation Engineering, 2010, 18(2): 185-192

[11]Texas Instuments Inc. ADS1298 datasheet [EB/OL]. http://www.ti.com, 2011.

[12]Texas Instuments Inc. TMS320F28335 datasheet [EB/OL].http://www.ti.com, 2012.