，， ，佳樂(lè)，

(上海師范大學(xué) 信息與機(jī)電工程學(xué)院， 上海 201418)

基于MYO和Android的肌電假肢手控制系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

程璐璐，李傳江，王朋，王佳樂(lè)，張崇明

(上海師范大學(xué)信息與機(jī)電工程學(xué)院，上海201418)

針對(duì)目前假肢手控制系統(tǒng)成本高、操作不靈活、實(shí)用性差等問(wèn)題，設(shè)計(jì)了一種基于MYO和Android的肌電假肢手控制系統(tǒng);在Android平臺(tái)上，開(kāi)發(fā)了一款智能終端應(yīng)用，實(shí)現(xiàn)了對(duì)MYO臂環(huán)采集的表面肌電信號(hào)進(jìn)行數(shù)據(jù)處理和模式識(shí)別，并實(shí)時(shí)控制假肢手完成5種模式;實(shí)驗(yàn)結(jié)果表明，系統(tǒng)的在線(xiàn)識(shí)別率可達(dá)98.2%，并可在300 ms左右完成一次識(shí)別過(guò)程，滿(mǎn)足了假肢手控制的精度和實(shí)時(shí)性要求;該系統(tǒng)設(shè)計(jì)成本低廉、方便攜帶且易于擴(kuò)展，很好地滿(mǎn)足了截肢患者對(duì)假肢手控制的需求。

假肢手；MYO臂環(huán)；Android；表面肌電信號(hào)

0 引言

當(dāng)今社會(huì)，由工傷、交通事故、戰(zhàn)爭(zhēng)以及疾病等原因造成失去完美肢體的人越來(lái)越多，增加了人們對(duì)擬人化肢體替代品的需求。據(jù)不完全統(tǒng)計(jì)，全球超過(guò)10億人帶有某種形式的殘疾而生存，其中大約1.9億人有“嚴(yán)重的殘疾”[1]；根據(jù)中國(guó)殘聯(lián)會(huì)統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)肢體殘疾人總數(shù)接近2472萬(wàn)人口[2]，而且還在上升。因此，假肢手扮演了重要的角色，可以為上肢截肢患者日常生活提供一定的幫助。

傳統(tǒng)的假手(裝飾性假手、機(jī)械假手[3]、自身動(dòng)力假手)具有結(jié)構(gòu)單一、靈活性差和穩(wěn)定性差等特點(diǎn)，已經(jīng)不能滿(mǎn)足截止患者的需求，肌電假手[4-6]從而被深入研究。文獻(xiàn)[4]提出了一種通過(guò)數(shù)據(jù)手套多指抓取的肌電控制器的設(shè)計(jì)和初步試驗(yàn)驗(yàn)證，雖然效果較好，但是需要健康的肢體，顯然不能用到截肢患者身上；文獻(xiàn)[7]提出了一種基于ARM的肌電假肢控制器設(shè)計(jì)方案，通過(guò)BP算法實(shí)現(xiàn)了5種手勢(shì)動(dòng)作的在線(xiàn)實(shí)時(shí)識(shí)別。隨著生物電信號(hào)和檢測(cè)技術(shù)的不斷研究，在研究表面肌電信號(hào)(Surface electromyography, sEMG)[8]的手勢(shì)識(shí)別[9-10]上，國(guó)內(nèi)外很多學(xué)者都取得了一定的成果。文獻(xiàn)[9]建立了一個(gè)手勢(shì)識(shí)別的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)識(shí)別模型，通過(guò)對(duì)深度信念網(wǎng)絡(luò)(DBNs)的推理學(xué)習(xí)實(shí)現(xiàn)手勢(shì)識(shí)別，雖然識(shí)別率較高，但是目前只是在仿真階段，運(yùn)用到實(shí)際應(yīng)用還需更深入的研究。文獻(xiàn)[11]提出了一種基于圓弧掃描線(xiàn)的手勢(shì)特征提取和實(shí)時(shí)手勢(shì)識(shí)別方法，結(jié)合了線(xiàn)性判別分析(LDA)算法和加權(quán)K-近鄰算法，具有較高的識(shí)別率，但是魯棒性[12]較差，無(wú)法得到最佳的識(shí)別效果。

目前sEMG信號(hào)的研究主要集中在仿真階段，運(yùn)用到實(shí)際應(yīng)用中還有待更深入的研究。針對(duì)目前假肢手控制的電極成本較高、操作不靈活和實(shí)用性差等問(wèn)題，本文結(jié)合MYO臂環(huán)的創(chuàng)新性和Android智能手機(jī)[13]廣泛使用的優(yōu)勢(shì)，設(shè)計(jì)了一套假肢手的在線(xiàn)實(shí)時(shí)控制系統(tǒng)，將絕對(duì)平均值(mean absolute average, MAV)等5種時(shí)域特征作為BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器的輸入向量，實(shí)現(xiàn)了5種動(dòng)作模式。這套系統(tǒng)將會(huì)為基于生物電的人機(jī)交互模式提供現(xiàn)實(shí)依據(jù)、為上肢殘疾患者的康復(fù)訓(xùn)練和日常生活提供便利。

1 系統(tǒng)總體方案設(shè)計(jì)

在日常生活中，考慮到截肢患者使用假肢手絕大部分為四五種動(dòng)作模式，本系統(tǒng)以能夠準(zhǔn)確、可靠、快速識(shí)別出5種手勢(shì)動(dòng)作為目標(biāo)。因此，只需要選取5種區(qū)分度較好的動(dòng)作種類(lèi)，通過(guò)訓(xùn)練即可對(duì)應(yīng)任意5種假肢手的抓握模式。本文選用5種動(dòng)作模式，分別為：(a)手腕內(nèi)翻(Wrist Flexion，WF)，(b)握拳(Hand Close，HC)，(c)“OK”手勢(shì)(OK Gesture，OKG)，(d) 剪刀手(Scissor Hand，SH)，(e)無(wú)動(dòng)作(No Action，NA)，如圖1所示。

圖1 5種手勢(shì)動(dòng)作

假肢手控制系統(tǒng)主要包括3個(gè)部分：MYO臂環(huán)、假肢終端和上位機(jī)軟件。MYO臂環(huán)主要用來(lái)采集原始sEMG信號(hào)，并通過(guò)藍(lán)牙傳送給APP；假肢終端包括：通信模塊、假肢手模塊等部分；上位機(jī)軟件。MYO臂環(huán)主要用來(lái)采集原始sEMG信號(hào)，并通過(guò)藍(lán)牙傳送給APP；假肢終端包括：通信模塊、假肢手模塊等部分；上位機(jī)軟件是在Android平臺(tái)下開(kāi)發(fā)完成的。肌電假肢手在線(xiàn)實(shí)時(shí)控制系統(tǒng)整體設(shè)計(jì)框圖如圖2所示。

圖2 系統(tǒng)整體設(shè)計(jì)框圖

2 信號(hào)采集與動(dòng)作模式分類(lèi)

2.1 信號(hào)采集

本文采用加拿大創(chuàng)業(yè)公司Thalmic Labs推出的創(chuàng)新性MYO臂環(huán)讀取sEMG信號(hào)(見(jiàn)圖3)，可以佩戴在任何一條胳膊的肘關(guān)節(jié)上方(見(jiàn)圖4)來(lái)采集手臂肌肉產(chǎn)生的sEMG信號(hào)。它有八個(gè)通道，每個(gè)通道等間距排列[14]。另外，MYO臂環(huán)采集原始sEMG信號(hào)，通過(guò)低功率的藍(lán)牙將信號(hào)傳出，干擾小，信號(hào)質(zhì)量好，并且價(jià)格低廉。從而MYO臂環(huán)作為控制源，具有成本低、佩戴舒適等特點(diǎn)，且符合實(shí)用性。

圖3 MYO臂環(huán)

圖4 MYO穿戴位置

2.2 動(dòng)作模式分類(lèi)

動(dòng)作模式分類(lèi)主要包括sEMG信號(hào)采集和預(yù)處理、判斷動(dòng)作起止點(diǎn)、特征提取、在線(xiàn)識(shí)別等模塊。

在sEMG信號(hào)采集和預(yù)處理模塊中，采用MYO臂環(huán)采集八路肌電信號(hào)，通過(guò)低功耗藍(lán)牙傳送給上位機(jī)；由于MYO臂環(huán)的采樣率是200 Hz[15]，利用20 Hz的低通濾波器對(duì)sEMG信號(hào)進(jìn)行濾波，盡量減小信號(hào)噪聲的干擾，得到較好的信號(hào)。

判斷起止點(diǎn)模塊是為了確定動(dòng)作的起始點(diǎn)和結(jié)束點(diǎn)，從而得到穩(wěn)定的動(dòng)作信號(hào)為特征提取做好充分的準(zhǔn)備。為了提高系統(tǒng)的實(shí)時(shí)性，我們采用時(shí)域特征絕對(duì)平均值(MAV)作為動(dòng)作起止點(diǎn)的判斷標(biāo)準(zhǔn)，如公式(1)所示。本文中將臂環(huán)的八路肌電信號(hào)的MAV相加，通過(guò)有無(wú)動(dòng)作的比較來(lái)確定動(dòng)作起止點(diǎn)的門(mén)限值。

(1)

其中:N信號(hào)為采樣點(diǎn)的個(gè)數(shù)。

特征提取模塊的主要目的是得到手臂運(yùn)動(dòng)時(shí)肌肉信號(hào)與時(shí)域特征之間的關(guān)系。為了保證系統(tǒng)的實(shí)時(shí)性，采用計(jì)算量少、獲取迅速的時(shí)域特征作為信息度量。本文提取5種時(shí)域特征作為識(shí)別的特征向量，其分別是絕對(duì)平均值(MAV)、平均絕對(duì)值斜率(MAVS)、過(guò)零點(diǎn)數(shù)(ZC)、斜率變化數(shù)(SSC)和波形長(zhǎng)度(WL)。

(1)平均絕對(duì)值(MAV)：對(duì)長(zhǎng)度為N的信號(hào)求絕對(duì)值后再求幅度值，其計(jì)算公式如(1)所示。

(2)平均絕對(duì)值斜率(MAVS)：該時(shí)域特征是兩個(gè)相鄰分析窗口的絕對(duì)平均值之差，能夠有效反映幅值差值特性，計(jì)算公式如下：

MAVS=MAVi+1-MAVi

(2)

(3)過(guò)零點(diǎn)數(shù)(ZC)：相鄰兩個(gè)數(shù)據(jù)點(diǎn)的乘積滿(mǎn)足小于0，稱(chēng)之為過(guò)零點(diǎn)，它的計(jì)算公式如下：

xi-1×xilt;0orxi×xi+1lt;0

(3)

(4)斜率變化數(shù)(SSC)：對(duì)于3個(gè)連續(xù)的采樣點(diǎn)xi-1，xi，xi+1,當(dāng)滿(mǎn)足公式(4)條件時(shí)，該值加1，且能夠有效滿(mǎn)足信號(hào)的波峰和波谷之和的個(gè)數(shù)。

xigt;xi-1andxigt;xi+1or

xilt;xi-1andxilt;xi+1

(4)

(5)波形長(zhǎng)度(WL)：此特征是N個(gè)數(shù)據(jù)點(diǎn)內(nèi)波形的累積長(zhǎng)度，計(jì)算公式如式(5)所示。能夠有效估計(jì)波形幅值、頻率和持續(xù)時(shí)間。

(5)

訓(xùn)練和識(shí)別的分類(lèi)器采用三層神經(jīng)網(wǎng)絡(luò)(見(jiàn)圖5)，其由輸入層、隱含層和輸出層組成。輸入層為n(n=20)個(gè)神經(jīng)元,對(duì)應(yīng)MYO的八路sEMG信號(hào)的5個(gè)特征值，隱含層設(shè)置q(q=10)個(gè)神經(jīng)元，輸出層為m(m=5)個(gè)神經(jīng)元，分別對(duì)應(yīng)5種不同的手勢(shì)動(dòng)作。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

其中網(wǎng)絡(luò)結(jié)構(gòu)模型所需的權(quán)值、閾值由BP神經(jīng)網(wǎng)絡(luò)[7,16]離線(xiàn)訓(xùn)練得到，然后寫(xiě)入到系統(tǒng)中用于在線(xiàn)識(shí)別。首先通過(guò)公式(6)根據(jù)Vqn和θq計(jì)算獲得隱層q個(gè)神經(jīng)元sq。

,...,Q

(6)

通過(guò)傳遞公式(7)獲得隱層第q個(gè)神經(jīng)元的輸出hq。

(7)

然后通過(guò)公式(8)根據(jù)Wmq和φm計(jì)算獲得輸出層的輸出rm。

,...,M

(8)

通過(guò)傳遞函數(shù)(9)獲得輸出層的輸出ym。

(9)

最后找出識(shí)別相似度值ym中的最大值，即為識(shí)別結(jié)果。

3 系統(tǒng)軟件設(shè)計(jì)

該系統(tǒng)軟件部分主要是實(shí)現(xiàn)了動(dòng)作模式分類(lèi)整個(gè)流程，然后通過(guò)藍(lán)牙發(fā)送相應(yīng)的控制命令給假肢手，對(duì)其進(jìn)行在線(xiàn)實(shí)時(shí)控制?？紤]到Java跨平臺(tái)的特點(diǎn)和移動(dòng)端的便攜性，本系統(tǒng)上位機(jī)部分使用Android系統(tǒng)平臺(tái)開(kāi)發(fā)完成，以便移動(dòng)設(shè)備端的移植。軟件設(shè)計(jì)的主界面如圖6所示。從主界面向右滑動(dòng)會(huì)顯示菜單界面，包括：連接MYO，連接BLE，軟件簡(jiǎn)介，關(guān)于我們，版本幾個(gè)選項(xiàng)，如圖7所示。主界面從上到下分為5個(gè)部分。第一部分，“Locked”為MYO當(dāng)前狀態(tài)，“MYO-假肢手”為當(dāng)前手勢(shì)，當(dāng)連接上時(shí)MYO，處于Locked狀態(tài)，做出一個(gè)啟動(dòng)手勢(shì)的時(shí)候會(huì)解鎖為“Unlocked”狀態(tài)。而此時(shí)“MYO-假肢手”會(huì)變成藍(lán)綠色。并在臂環(huán)解鎖后會(huì)檢測(cè)比如所帶的手臂(如：左手臂，右手臂)，在臂環(huán)做出動(dòng)作時(shí)會(huì)顯示相應(yīng)動(dòng)作的名稱(chēng)。第二部分為圖片展示區(qū)，在默認(rèn)情況下為MYO的Logo，該Logo也會(huì)在無(wú)動(dòng)作狀態(tài)下顯示。做出某一動(dòng)作時(shí)，該區(qū)會(huì)顯示相應(yīng)動(dòng)作。第三部分顯示BLE的連接情況，包括BLE的地址、名稱(chēng)和連接狀態(tài)。第四部分主要用于調(diào)節(jié)假肢手的作用。當(dāng)肌肉疲勞的時(shí)候，可以通過(guò)按鍵來(lái)控制假肢手，可以緩解截肢患者的肌肉疲勞。第五部分顯示的是本系統(tǒng)設(shè)計(jì)的幾個(gè)動(dòng)作示意圖，做出動(dòng)作的時(shí)候，該區(qū)域的相應(yīng)的圖片會(huì)被點(diǎn)亮，可以用來(lái)提示當(dāng)前動(dòng)作模式。

圖6 軟件主界面 圖7 軟件菜單界面

4 假肢終端

4.1 通信模塊

MYO臂環(huán)和假肢手都是通過(guò)BLE(Bluetooth Low Energy)與Android客戶(hù)端通信。在本設(shè)計(jì)中，我們采用的是用BLE轉(zhuǎn)RS-422串口與假肢手進(jìn)行通信。由于BLE電路采用的是COMS電平設(shè)計(jì)，因此，在電路中加入了MAX490電平轉(zhuǎn)換芯片，保證信號(hào)的穩(wěn)定傳輸。

4.2 假肢手

系統(tǒng)中提到的假肢手類(lèi)似于智能假肢，可定義為聽(tīng)從大腦指令的方式替代截肢患者的軀體部分缺失或損毀的人工裝置。假肢手模塊主要功能是實(shí)現(xiàn)與手勢(shì)動(dòng)作相對(duì)應(yīng)的動(dòng)作。

5 實(shí)驗(yàn)結(jié)果及分析

5.1 動(dòng)作模式仿真識(shí)別實(shí)驗(yàn)

在本系統(tǒng)研究中，通過(guò)穿戴MYO臂環(huán)采集5種動(dòng)作模式的sEMG信號(hào)，每個(gè)動(dòng)作模式做200次，分別提取5種時(shí)域特征，組成特征向量。在MATLAB2014a中，將提取的特征向量前100次用于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值；將剩下的送入訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型仿真識(shí)別。5種動(dòng)作模式的BP神經(jīng)網(wǎng)絡(luò)仿真識(shí)別結(jié)果如表1所示。

表1 5種動(dòng)作的BP神經(jīng)網(wǎng)絡(luò)仿真識(shí)別結(jié)果

從上表可以看出，只有剪刀手(SH)有三次誤判成“OK”手勢(shì)，其他的動(dòng)作模式識(shí)別結(jié)果都是正確的。實(shí)驗(yàn)結(jié)果表明，5種動(dòng)作的BP神經(jīng)網(wǎng)絡(luò)的仿真識(shí)別率達(dá)到99.4%左右。

5.2 測(cè)試Android客戶(hù)端實(shí)驗(yàn)

該MYO臂環(huán)與Android客戶(hù)端之間通過(guò)BLE進(jìn)行通信，在APP中進(jìn)行數(shù)據(jù)、算法處理，最后顯示相應(yīng)的手勢(shì)動(dòng)作圖片，如圖8所示，其中無(wú)動(dòng)作我們?cè)O(shè)置成沒(méi)有手勢(shì)圖片顯示。在APP主界面中有相應(yīng)的手勢(shì)動(dòng)作按鍵，在用戶(hù)肌肉疲勞的情況下，可以通過(guò)點(diǎn)擊相對(duì)應(yīng)的手勢(shì)按鍵，觸發(fā)假肢控制信號(hào)，然后通過(guò)Android手機(jī)藍(lán)牙傳輸控制指令給假肢手，觸發(fā)假肢手做出同樣效果的手勢(shì)動(dòng)作。

圖8 5種動(dòng)作模式的APP測(cè)試實(shí)驗(yàn)

5.3 系統(tǒng)聯(lián)調(diào)實(shí)驗(yàn)

首先，將假肢模塊上電，并檢查是否通電；在前臂肘關(guān)節(jié)上方穿戴好MYO臂環(huán)，然后打開(kāi)Android APP。其次，進(jìn)入APP主界面，分別進(jìn)入連接MYO、假肢模塊的子界面，逐步連接上對(duì)應(yīng)的BLE；若手機(jī)藍(lán)牙沒(méi)有打開(kāi)，會(huì)有“允許”或“拒絕”打開(kāi)手機(jī)藍(lán)牙的提示，若藍(lán)牙已經(jīng)打開(kāi)，點(diǎn)擊選擇設(shè)備，提示連接成功，表明模塊之間就建立了通信。最后，測(cè)試整個(gè)假肢手控制系統(tǒng)。如圖9所示是系統(tǒng)對(duì)應(yīng)的5個(gè)動(dòng)作的在線(xiàn)控制實(shí)驗(yàn)圖。

圖9 5種動(dòng)作在線(xiàn)控制實(shí)驗(yàn)圖

在MATLAB2014a中，用BP神經(jīng)網(wǎng)絡(luò)對(duì)5種動(dòng)作進(jìn)行訓(xùn)練，得到權(quán)值、閾值系數(shù)，保存到手機(jī)中，打開(kāi)APP自動(dòng)掃描文件，實(shí)現(xiàn)在線(xiàn)實(shí)時(shí)識(shí)別。實(shí)驗(yàn)中，每個(gè)動(dòng)作做100次，記錄實(shí)驗(yàn)過(guò)程中誤判和準(zhǔn)確識(shí)別的次數(shù)。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)總體識(shí)別率(Classification accuracy, CA)達(dá)到98.2%，如表2所示。

表2 5種動(dòng)作在線(xiàn)識(shí)別結(jié)果

以同樣的方式，分別采集另外5個(gè)人的sEMG信號(hào)，提取特征，進(jìn)行MATLAB訓(xùn)練，將得到權(quán)值、閾值系數(shù)保存到Android手機(jī)客戶(hù)端，然后進(jìn)行在線(xiàn)識(shí)別實(shí)驗(yàn)，得到的結(jié)果和第一個(gè)人類(lèi)似。

5.4 實(shí)時(shí)性分析

實(shí)時(shí)性在假肢領(lǐng)域中占了至關(guān)重要的作用。在本系統(tǒng)中，實(shí)驗(yàn)過(guò)程中通過(guò)秒表計(jì)時(shí)完成20次手勢(shì)識(shí)別動(dòng)作所需時(shí)間大概5.95 s，求出每次手勢(shì)動(dòng)作的時(shí)間大概297.5 ms，符合實(shí)時(shí)假肢控制領(lǐng)域不高于300 ms的要求[17]。由于現(xiàn)階段假肢手本體的動(dòng)作速度還是比較慢的，整體系統(tǒng)的速度難以達(dá)到300 ms以?xún)?nèi)。因此，在現(xiàn)有基礎(chǔ)上，可通過(guò)改進(jìn)算法以及減少假肢手本體的延時(shí)，提高假肢系統(tǒng)的實(shí)時(shí)性。

6 總結(jié)與展望

為了給上肢殘疾患者的康復(fù)訓(xùn)練和日常生活提供便利，設(shè)計(jì)了一款基于MYO和Android的肌電假肢手控制系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)總體識(shí)別率達(dá)到了99.4%，系統(tǒng)在線(xiàn)識(shí)別率可達(dá)到98.2%，1 s內(nèi)大約可完成3次識(shí)別過(guò)程，很好的滿(mǎn)足了截肢患者對(duì)肌電假肢手的要求。

由于肌電假肢研究是一個(gè)比較新的領(lǐng)域，特別是在實(shí)際應(yīng)用中，實(shí)時(shí)性和識(shí)別率是個(gè)難點(diǎn)。接下來(lái)，將在分類(lèi)算法上以及手勢(shì)動(dòng)作進(jìn)行改進(jìn)，爭(zhēng)取設(shè)計(jì)出具有高識(shí)別率和滿(mǎn)足實(shí)時(shí)性、實(shí)用性要求的肌電假肢控制系統(tǒng)。

[1] Lancet T. World Report on Disability[J]. The Lancet，201l, 377(9782): 1977.

[2] 趙燕潮. 中國(guó)殘聯(lián)發(fā)布我國(guó)最新殘疾人口數(shù)據(jù)[J]. 殘疾人研究, 2012,1: 8-9.

[3] 謝 宏,楊 鵬,陳海濱,等. 遺傳優(yōu)化模糊PID融合算法的5自由度機(jī)械手控制[J]. 電子測(cè)量與儀器學(xué)報(bào), 2015, 29(1): 21-30.

[4] Dalley S. A, Varol H. A, Goldfarb M. A method for the control of multi-grasp myoelectric prosthetic hands[J]. Neural Systems and Rehabilitation Engineering, 2012, 20(1): 58-67.

[5] Li S C, Sheng X J, Liu H H, et al. Design of a myoelectric prosthetic hand implementing postural synergy mechanically[J]. Industrial Robot, 2014, 41(5): 447-455.

[6] Christian P, Stefan S, Leonhard D. Results of an Internet survey of myoelectric prosthetic hand users[J]. Prosthetics and Orthotics International, 2007, 31(4): 362-370.

[7] 卜 峰,李傳江,陳佳佳,等. 基于ARM肌電假肢手控制器[J]. 上海大學(xué)(自然科學(xué)版), 2014, 20(4): 442-449.

[8] 席旭剛,武 昊,左 靜,等. 基于sEMG與足底壓力信號(hào)融合的跌倒檢測(cè)研究[J]. 儀器儀表學(xué)報(bào), 2015, 36(9): 2044-2049.

[9] 侯亭亭,肖秦琨,楊永俠. 基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的手勢(shì)識(shí)別[J]. 國(guó)外電子測(cè)量技術(shù), 2015, 34(1): 36-39.

[10] Dipak K G, Samit A. On an algorithm for Vision-based hand gesture recognition[J]. Signal, Image and Video Processing, 2016, 10(4): 655-662.

[11] 劉硯秋,王修暉. 基于圓弧掃描線(xiàn)的手勢(shì)特征提取和實(shí)時(shí)手勢(shì)識(shí)別[J]. 數(shù)據(jù)采集與處理, 2016, 31(1): 184-189.

[12] 齊 燁. 超高頻RFID魯棒性標(biāo)簽天線(xiàn)研究[D]. 北京：北京郵電大學(xué), 2015.

[13] 李神送,溫嘉銘,劉學(xué)鋒. Android手機(jī)上傳感器信息的實(shí)時(shí)獲取與可視化[J]. 電子測(cè)量技術(shù), 2015, 38(6): 104-107.

[14] Thalmic Labs. MYO — The Gesture Control Armband[EB/OL]. URL: https://www.thalmic.com/myo/, June, 2014.

[15] MYO, Myo profile[EB/OL]. https://www.thalmic.com/en/myo/.

[16] 周婷婷. 基于MFCC和PSO-BP神經(jīng)網(wǎng)絡(luò)的說(shuō)話(huà)人識(shí)別系統(tǒng)[D]. 南京:南京郵電大學(xué), 2016.

[17] 楊大鵬,趙京東,李 楠,等. 基于預(yù)抓取模式識(shí)別的假手肌電控制方法[J]. 機(jī)械工程學(xué)報(bào), 2012, 48(15): 1-8.

DesignandImplementofElectromyographyProstheticHandsControlSystemBasedonMYOandAndroid

Cheng Lulu, Li Chuanjiang, Wang Peng, Wang Jiale, Zhang Chongming

(College of Information, Mechanical and Electrical Engineering，Shanghai Normal University，Shanghai 201418，China)

For the current issue like the high-cost of electrodes which control myoelectric prosthetic hands, poor flexibility of operating and difficulty of applicability, electromyography prosthetic hands control system based on MYO and Android is designed. On the Android platform, we developed an intelligent terminal application, realize data processing and pattern recognition to collect surface electromyography with the MYO armband, to real-time control prosthetic hand and have completed five hand motions. Experimental results show that the recognition rate of the system reaches 98.2%, and completes an identification process around 300 ms, to meet the accuracy and real-time requirements with prosthetic hand control. This system is low cost, easy to carry and easy to expand, so it is able to meet the needs of the control of prosthetic hand for amputees.

prosthetic hand; MYO armband; Android; surface electromyogram signal

2017-02-14；

2017-04-12。

上海市科委科技專(zhuān)項(xiàng)項(xiàng)目資助(16070502900)；上海師范大學(xué)創(chuàng)新團(tuán)隊(duì)項(xiàng)目資助(A-7001-15-001005)。

程璐璐(1994-)，女，河南人，碩士研究生，主要從事肌電假肢控制方向的研究。

李傳江(1978-)，男，河南人，博士，副教授，主要從事新型人機(jī)接口技術(shù)、智能測(cè)控儀表、先進(jìn)控制理論及其應(yīng)用等方向的研究。

1671-4598(2017)09-0064-04

10.16526/j.cnki.11-4762/tp.2017.09.017

TP273

A