宋愛國　胡旭暉　祝佳航

摘要 智能肌電假手研究作為康復醫(yī)療領域中的重要研究內容，始終是國內外研究的熱點.隨著機器人技術的進步，假手正往仿人型、靈巧性、直覺控制、智能感知方向發(fā)展.智能肌電假手應當具有與人手相近的功能，其不僅能通過運動功能重建輔助殘疾人進行日常生活，而且還應通過感知反饋功能重建讓殘疾人產生人機共融的本體感.本文通過對國內外多年的肌電假手研究成果進行分析比較，從質量、靈巧程度、抓取性能、設計原理等多角度分析了假手的機械結構設計要素;另外，本文還較系統(tǒng)地對基于肌電信號的手勢識別研究現(xiàn)狀進行概述，介紹了目前基于殘肢生物信號識別的多種研究思路，并分析了多種基于不同原理的假手信息感知技術，介紹了利用指尖力觸覺傳感器實現(xiàn)對假手的自適應控制和用戶的感知反饋.最后總結了未來假手的研究發(fā)展過程中面臨的問題與挑戰(zhàn)，提出了肌電假手的未來研究方向.

關鍵詞 肌電假手;運動意圖識別;力觸覺感知;仿人靈巧手

中圖分類號 TP241;TP273

文獻標志碼 A

0 引言

手是人體最為重要的肢體部位之一，人們的各種日常活動均離不開手.意外傷害和疾病導致的肢體殘缺不僅影響外表的美觀而且也會嚴重影響患者的生活質量.據不完全統(tǒng)計，目前我國使用肌電假手的殘疾人有數萬人.假手的研究作為康復醫(yī)療中的重要環(huán)節(jié)得到了各界學者的廣泛關注.初期的假手只是人體缺失肢體的裝飾物，并沒有實際的功能，在漫長的發(fā)展過程中，假手漸漸開始具備自然手的功能，并不斷改進和完善.然而，人手是個復雜的結構，如何打造一個復雜的系統(tǒng)并滿足殘疾人的需要，是目前該領域的一個重要研究方向[1].

現(xiàn)階段智能假手控制方式繁多，例如基于視覺的假手、基于腦電的假手和基于肌電的假手等.隨著時間的推移，智能假手的設計目標早已不局限于成為殘缺肢體的裝飾物，而是希望能夠在最大程度上實現(xiàn)自然手的功能.其中利用肌電信號控制的假手因其可控性強、實現(xiàn)難度相對較低、操作方式符合自然習慣等特點，成為目前假手領域的主流研究方向.肌電假手通過采集一種典型的生物電信號，即人體動作時肌肉產生的包含肢體位置、力度等信息的信號，而后進行信號處理，從而實現(xiàn)其動作控制.這種模式不僅實現(xiàn)了人體對假手完美的控制，而且能夠控制力的大小，使人體能夠根據自己的想法控制假手的運動.

國外開展假手研究的時間較國內更早，技術也更加先進，但價格昂貴，我國一般的殘疾人家庭無力負擔.目前，美國、歐洲等發(fā)達國家對肌電假手的研究重點已開始向假手的可控性和可感知性等深層研究過渡.人手皮膚上集成有17 000多個機械感受器，假手的可感性，即“觸覺”，能夠幫助殘疾人更好地實現(xiàn)控制，從而使假手更大程度模擬自然手的運動.通過可感性，假手能夠通過了解自身的位置即力度大小，結合抓握狀態(tài)及時調整控制策略，優(yōu)化控制效果，實現(xiàn)自主調節(jié).智能假手的研究具有重大的意義，它不僅促進科技的進步，同時其實用性為社會康復事業(yè)做出了巨大貢獻.通過佩戴假手，殘臂人士將擁有和正常人一樣生活的能力，具有更高的生活質量和幸福感[2].

1 發(fā)展歷史

殘疾人前臂假肢經歷了索控假肢到肌電假肢的發(fā)展歷程[3].索控假肢是在20世紀初發(fā)展起來的，目前依舊是截肢患者一種經濟實用的選擇.索控假手如圖1所示.索控假肢末端包含兩個鉤形的金屬尖頭，通常通過使用者背部的張緊彈力帶把這些尖頭夾在一起.在拉緊的情況下，用一根纜繩把尖頭掛鉤打開.彈力帶由橫跨軀干和雙肩的肩帶組成，最終通過肩帶牽引.這意味著用戶必須彎曲他們的背部或肩膀來完成終端鉤形手的動作.

自20世紀50年代以來，表面肌電信號功率與運動意圖的相關性原理已經被應用于肌電假肢控制[4].20世紀60年代開始，蘇聯(lián)、加拿大、意大利、日本等國對肌電控制假肢進行了廣泛的研究[5-9].圖2為早期肌電假手實物.早期的肌電假肢控制系統(tǒng)通常采用開/關的方式.該方法將一個假肢功能分配給一個表面肌電圖通道.對于每個處理間隔，將表面肌電信號的振幅與一個預定義的閾值進行比較，當閾值被超過時，響應函數將以固定的速度啟動，或者與肌電信號的振幅成比例.利用多個信號位點，將不同的功能分配給不同的信道，達到直接控制的目的.這種方法可以提供直觀的控制，因為可以選擇控制位置，使預期的功能對應于生理上適當的肌肉.例如，對于經橈動脈截肢者，手腕屈肌和伸肌的信號可以分別用來控制手部的打開和關閉功能.然而，使用這種方法至少需要兩個信號源來實現(xiàn)一個生理自由度，例如，手腕內翻被分配到一個通道，手腕外翻被分配到第二個通道.但這一要求在多自由度肌電假手中很難滿足，對于高水平的肢體缺陷是不切實際的，該類型肌電假手常被稱為閾值控制假手.

Dorcas等[8]在1966年提出了有限狀態(tài)機的方法，其預設有限個等級編碼將肌肉活動的范圍（從檢測閾值到最大收縮時的值）劃分為幾個區(qū)間，每個區(qū)間對應一個假肢功能.域由一組預定義的決策邊界分隔.計算EMG（肌電信號）振幅后，控制邏輯將其值與決策邊界進行比較，確定最可能的域，并激活相應的函數.由肌電通道中肌電圖的最大方差和加噪聲的方差確定誤差概率最小的決策邊界.等級編碼方法通過允許一個表面肌電信號通道表示多個假肢功能，使得多功能假肢比直接比例控制方法[10]更容易實現(xiàn).臨床實驗結果中，采用該控制策略，假肢使用者可以可靠控制的最大自由度數最多為3個，這使得多功能設備的控制較直接控制困難、不直觀.但該方法目前仍廣泛使用于商業(yè)假肢中，如德國Otto Bock公司的Sensor Hand、Bebionic Hand、Michelangelo Hand等.

2 肌電假手關鍵技術及發(fā)展現(xiàn)狀

正常人手加手腕具有至少26個可支配自由度，受31條肌肉協(xié)同控制，其中手部具有19條肌肉、19個關節(jié)，腕部具有18根肌腱，是人體最復雜的部分之一.近年來，隨著機器人傳感與控制技術的發(fā)展，智能肌電假肢在機械結構、殘肢意圖識別、假肢力覺感知等方面都取得了重要的技術突破.因此本文將從仿人假手結構、表面肌電信號識別、指尖力觸覺感知3個關鍵技術點對前臂神經義肢的研究現(xiàn)狀做出概述.

2.1 仿生假手結構設計

仿生假手的機械結構設計始終是國內外研究的熱點[11-17].德國工業(yè)設備制造商Schunk公司銷售的仿人型機械手SVH，是世界上第一個受國家社保認證的人機協(xié)作工業(yè)機械手[18]，其集成有9個電機用于控制20個關節(jié)的活動.德國宇航局（DLR）自2001年起開始研發(fā)多指靈巧機械手設計[19]，在2006年和哈爾濱工業(yè)大學合作研發(fā)了DLR/HITHand[20].Shadow Hand 被稱為最靈巧的機械手，其通過繩索驅動可以主動控制手部的20個關節(jié).UR機器人公司于2018年上市了柔性工業(yè)抓取仿人手QB Hand.除此以外，國內外的高校、開源組織也設計了大量結構各異的假手.

殘疾人假肢作為一種生機電一體化的人機共融型機器人，其體積、質量都會受到實際使用者的約束，因此一定程度上犧牲了部分靈巧度[21-22].德國的Otto Bock和冰島的Ossur是國際上主要的假肢生產企業(yè)，Otto Bock公司的假手包括Sensor Hand（圖3a）、Michelangelo Hand（圖3b）和Bebionic Hand（圖3c）;Ossur以研發(fā)下肢假肢為主，近年收購了Touch Bionics公司的iLimb[23]（圖4）.假肢高昂的價格是讓眾多截肢患者無法使用上仿人肌電假肢的主要原因，因此，英國的Open Bionics 公司、日本的Exiii公司設計了基于3D打印的低成本假手，如圖5所示.

隨著仿人機器人技術的發(fā)展，越來越多的高校與研究單位開始進行假手的機械設計與肌電控制研究.上海交通大學[24]設計了基于連續(xù)體差速機構的五指仿人機械假手，如圖6所示.華中科技大學[1，25]設計了由4個電機驅動的五指仿人手，如圖7所示.該假手通過一種通用理論，使假手利用更少的電機實現(xiàn)自然的抓握功能.為分析人手在日常生活中的抓握機理，建立了抓握實驗范式，研究了手指在抓取過程中手指關節(jié)間、手指間的運動關系以及手指的姿態(tài)協(xié)同特性.自2009年起，東南大學機器人傳感與控制技術實驗室與丹陽假肢廠合作，對假肢的動作意圖識別、力觸覺感知、力觸覺反饋等方面提升了商業(yè)化假手的控制性能[26].目前相關的研究成果已經進入生產銷售階段，其中圖8為研制的第二代肌電假手，圖9為正在研發(fā)的多指靈巧手，所利用的基于表面肌電圖像的手勢識別算法能自如控制假手完成8種手勢動作[27].

表1所示為目前主流的商業(yè)假肢與處于研發(fā)階段的假肢，表中列出了各假肢的質量、尺寸驅動器數量、假手驅動方式和最大加持力.所有假肢的尺寸基本都和人手尺寸保持一致，假肢的質量是設計過程中的重要指標，若手部太重，會使得殘疾人產生肌肉疲勞，不利于肌電信號的識別，一般認為假肢手部質量不超過500 g[28].此外，驅動器數量決定機械手的

靈巧程度，但減少驅動器數量又能降低假手質量，因此一些假手在設計中采用一個電機協(xié)同控制多關節(jié)，如Michelangelo Hand，RIC Hand，Exiii Hand，Soft Hand.表1中各假手的另一差異是驅動方式，絕大多數商業(yè)化假手采用連桿機構，而Azzurra Hand和 Soft Hand 采用線輪傳動，該方法具有自適應抓取功能[29]，且機構有柔順性.連桿機構優(yōu)勢在于結構更穩(wěn)固、運動軌跡固定，且裝配簡單.假肢的抓握力是衡量各假肢性能的重要指標，其中iLimb的抓取力最大能達到136 N[4].

2.2 肌電假手的運動控制

表面肌電信號是一種非平穩(wěn)信號，概率密度函數是均值為0的高斯分布，因此對每一個采樣點進行信號識別有一定的難度.目前，國內外學者對肌電信號的預處理已經有較為統(tǒng)一的認識，Losier[30]將肌電信號的拾取到識別分為3層：

1）信號預處理層：該層主要包括原始信號的放大和濾波.由于原始肌電信號是一種微弱的生物信號，極易受到外界電磁波干擾，因此通常要經過工頻陷波和低頻帶通濾波，常用截止頻率為20 Hz的4階高通濾波以及截止頻率為400 Hz的2階低通濾波器.

2）運動意圖解碼層：該層主要包括對預處理信號的特征提取，主要方法包括提取肌電信號的功率特征、時域特征、頻域特征、時頻域特征等.另外還有基于選取特征的運動信息解碼.

3）輸出控制層：該層主要包括識別到的運動信息到假手執(zhí)行器的映射，使假肢能受使用者自如控制.

2.2.1 特征提取

肌電信號特征提取是肌電信號動作識別的重要組成部分，MAV（絕對值均值）和RMS（均方根）是兩種最常用的估計表面肌電信號功率的時域特征.Englehart等[31]將時域和頻域特征融合，提升了假手的控制精度.另外，文獻[32]采用不同的肌電信號時頻域特征進行手部動作識別，其結果表明基于小波包變換（WPT）的分類結果比快速傅里葉變換（FFT）的分類結果更好.表2所示為常用的肌電信號特征.圖10為經過信號預處理層，并采用RMS特征得到的表面肌電信號及曲線.由圖10可知，該曲線的幅值與肌肉的收縮程度有直接關系.

2.2.2 基于肌電信號的手部多動作識別

早期的假肢最多只有2～3個主動自由度，控制方式常采用序列策略（sequence strategy），即識別算法一次只能對假肢的一個自由度進行控制，當需要進行其余自由度的控制時，需要激活一種“模式切換信號”進行不同自由度的切換[33].隨著假肢制造技術的發(fā)展，假肢的自由度不斷增加，但直接沿用傳統(tǒng)的序列策略極大增加了多自由度假手的控制復雜度，使殘疾人無法自如操作義肢.究其原因，在于正常人通常依靠手部和腕部的多個自由度進行同步（simultaneous）協(xié)同動作，而非傳統(tǒng)的序列控制.為了克服傳統(tǒng)控制方式的缺陷，目前的研究方向主要分為基于深度學習的模式識別[34-35]和基于生物力學的運動意圖解碼兩種.

基于深度學習的模式識別，是目前解決多動作識別的常用方法，早期的模式識別算法基于淺層神經網絡[36-37]、線性分類器[38-39]、支持向量機[40-43]、統(tǒng)計學預測方法[44]等.近年來借助深度神經網絡強大的學習能力，基于深度神經網絡、卷積神經網絡[45]、循環(huán)神經網絡[46-47]的肌電識別算法被提出，這些方法可以直接建立表面肌電信號到手部運動信息的映射關系.

基于表面肌電信號的模式識別可細分為手勢分類預測和手部運動回歸估計[48].目前基于模式識別的商業(yè)假肢均采用手勢分類預測的方法，該方法雖然不需要額外的模式切換信號就能控制更多的自由度，但是人手部的運動是自然連續(xù)的，分類預測得到的離散手勢不能表達手部不斷運動過程中的過渡狀態(tài)，使用這樣的假肢依然缺乏本體感.Amsuess等[49]提出了基于共空間模式的手部運動回歸估計方法，并應用于實際假肢控制場景中，該方法通過估計肌力進行假手的速度控制，實現(xiàn)同步比例的（simultaneous and proportional）控制效果，與單一的模式識別方法相比增強了殘疾人的本體感.

增加肌電信號源的數量有助于識別更豐富的手部運動信息，Twardowski等[50]采用多通道肌電信號監(jiān)測特定肌群的表面肌電信號進行手勢識別，Geng[51]采用128高密度肌電信號識別手部、腕部的52種手勢動作，Amma等[52]采用高密度192通道肌電信號識別27種手勢，Moin等[53]提出基于超維計算的高密度陣列肌電識別，能縮短訓練時間和在線識別延時.高密度的肌電信號希望得到更充足的信號源，但也面臨諸多缺陷，如電極接觸效果差、設備穿戴不方便、對于前臂截肢殘疾人而言沒有充足的穿戴空間等，因此目前仍較難應用于商業(yè)化假肢中.

基于生物力學的動作意圖解碼，以手部運動的生物學原理為基礎，Jiang等[54]提出了基于肌肉協(xié)同（muscle synergies）的假手控制策略.肌肉協(xié)同假設是基于協(xié)同運動的肌肉共享脊髓神經驅動信號，Jiang等采用非負矩陣分解（nonnegative matrix factorization）識別了手腕的3種自由度（手腕順/逆時針旋轉、手腕內/外翻、橈骨側/尺骨側翻轉）的連續(xù)運動估計，并且能識別2種手勢的組合.Lin等[55]使用16個單極電極識別手腕2自由度的連續(xù)運動，采用改進的稀疏非負矩陣分解取得了更好的實驗效果.非負矩陣分解方法的優(yōu)勢在于其為半監(jiān)督式學習，較有監(jiān)督學習而言降低了訓練復雜度，也縮短了訓練時間.

文獻[50，56-57]提出了基于運動單元解碼（motor unit decoding）的假手控制策略，該思想在肌肉協(xié)同概念的基礎上更進了一步.協(xié)同運動的肌肉由不同運動神經統(tǒng)一支配，利用高密度肌電信號可以提取運動單元發(fā)放的神經脈沖序列，因此開辟了從表面肌電信號中直接解碼神經信號的道路.文獻[56]提出了基于盲源分離的運動單元解碼方法，該方法需要借助高密度肌電信號才能解碼出運動單元動作電位序列（MUAPs）.文獻[50]提出了從肌肉的動態(tài)循環(huán)收縮過程中提取MUAPs的方法，采用增量方法增強對動作電位波形的理解，以提高MUAPs的識別率.

此外，Satori等[58]提出了基于肌肉模型的線上手勢識別方法，其采用表面肌電信號驅動肌肉骨骼模型，針對下肢的多個自由度模擬了肌肉從興奮起始到機械扭矩產生的所有轉換.Zhang等[59]提出了基于電阻抗斷層成像（electrical impedance tomography）的手勢識別方法，其利用肌肉在協(xié)同運動過程中肌肉的截面積變化以及肌肉位移變化識別受試者的多種手勢動作.

綜上所述，雖然表面肌電信號識別手部動作的研究自20世紀60年代以來從未間斷，但直至目前仍然是一個具有挑戰(zhàn)性、開放性的研究課題.目前肌電識別效果除了受識別算法的內因影響，信號在采集過程中的質量外因也不可忽略.表面肌電信號是一種體表微信號，容易被外界的電磁波干擾淹沒.除此以外，對于手臂健全者而言，肌肉疲勞、皮膚阻抗、出汗、電極接觸情況、手臂姿態(tài)、個體性差異均會對手勢識別產生較大影響;對于前臂截肢殘疾人而言，還包括殘肢肌肉缺失度、萎縮度的差異，因此很難用一個統(tǒng)一的泛化模型對不同使用者進行識別[60].對手勢識別對象進行測試訓練是提高識別率的重要方式，有針對性的訓練過程可以采集具有個體特異性的肌電特征，結合有監(jiān)督式學習可以提升手勢識別的精度.

2.2.3 信息感知技術

近幾十年來，假肢控制技術在世界范圍內取得了很大的進步，假肢的實用性也得到了很大的提高.雖然一些仿生假體可以實現(xiàn)多自由度的運動，但大部分仍然是開環(huán)控制，并沒有將假手抓握信息反饋給人體[61].因此，在抓取的過程中，不可避免地會因為握力過大而導致物體被破壞.理想的假手應具有與人體相似的信息感知功能，能夠感知物體的外形、紋理、剛度、滑動等信息[62].因此，假手在應用中需要人工觸覺傳感器[63].從人工傳感系統(tǒng)獲取的信息可用于尋找接觸位置、重建和識別物體形狀、測量接觸力[64-65]和溫度.

現(xiàn)有的人工觸覺傳感器由于手指空間等問題，從原理上主要有這幾類：壓阻式、壓電式、電容式[66-67].例如意大利的熱那亞大學（University of Genoa）采用壓敏導電橡膠作為敏感材料為MAC-HAND四指機器人靈巧手研制了觸覺傳感器[68]，該觸覺傳感器由64個電極組成，蝕刻在導電橡膠層覆蓋的柔性PCB上;德國Schunk公司與Karlsruhe大學合作開發(fā)的三指靈巧手IPR-Schunk-Hand的每個手指指尖及近指關節(jié)處均安裝了基于電容原理的觸覺傳感器，該觸覺傳感器敏感單元個數為14×6個，分辨率為3.4 mm;美國耶魯大學開發(fā)的iRobot-Harvard-Yale （iHY）靈巧手集成了基于氣壓測量的“Takktile”陣列傳感器，手掌上有48個“Takktile”陣列，手指近指節(jié)有2×6個“Takktile”陣列，遠指節(jié)有2×5個“Takktile”陣列，其中2個“Takktile”位于手指末端（圖11）.

Edin等[63]研制了一種名為BioTac sensor的仿生觸覺傳感器，使用一種不可壓縮液體作為聲學導體，將振動從皮膚傳遞到一個寬帶壓力傳感器，從而達到檢測滑動和辨別紋理的效果，傳感器如圖12所示.

Choi等[69]研制的基于聚偏氟乙烯（PVDF）和壓力可變電阻墨水的復合型觸覺傳感器與擬人機械手SKKU hand II相結合，具有足夠的物理靈活性，可以變形成任何三維幾何形狀.

哈爾濱工業(yè)大學以HIT/DLR Hand型多指靈巧手為平臺研制了基于壓阻原理三維力傳感器.如圖13所示，該傳感器具有36個觸覺單元，其空間分辨率能達到3 mm×3 mm.

此外，文獻[26]設計了基于觸點力傳感器和應變片的仿生假手手指來對假手的握力進行檢測;文獻[70]利用光纖嵌入在剛性手上集成的軟聚合物材料制成傳感器，能夠準確地檢測被操作對象的尺寸和剛度（精度分別為99.36%和100%）.

人類手部的觸覺傳入提供了有關手與環(huán)境相互作用的基本信息，大腦利用這些信息使運動輸出適應被操縱對象的物理特性[71-72].手部截肢會破壞從手到手的傳入和傳出通路，使個體的運動機能完全喪失.雖然使用肌電假體可以部分恢復運動功能，但為假肢使用者提供功能上有效的感官反饋仍是一個很大程度上尚未解決的挑戰(zhàn)[73-74].目前，假手信息的感知反饋主要有兩個主體——假手用戶（佩戴者）及假手內部控制器，如圖14所示.根據不同的反饋信息，假手控制器能夠給予不同的響應（力、運動速度、位置等），以實現(xiàn)對假手的精準控制[75].同時，反饋信息將回傳給佩戴者，該信息使其擁有“觸覺”，感知假手的抓握狀態(tài)[76-77].例如，在進行杯子的抓握動作時，信息感知反饋系統(tǒng)能夠進行抓握力和摩擦力大小的匹配判斷[78]，當握力不足以抓住杯子時，反饋系統(tǒng)會將判斷結果回傳給控制器，從而不斷改變握力大小，直到握力大小滿足要求.

此外，國外還有學者研究通過神經重建、橋接等方式來向假手用戶進行信息反饋[79]，研究人員通過手術將袖套電極植入一名前臂截肢男子的上臂神經，部分或暫時恢復了他的觸覺，并提高了他操作電動假體的能力[80].電極對假肢手上的傳感器作出反應，刺激上臂神經，上臂神經一旦延伸到假肢上，這種感覺會讓使用者覺得是來自他失去的那只手.神經重建能大幅度提高假手用戶的信息感知能力，是未來假手感知技術發(fā)展的一個重要領域.

3 面臨的主要問題與挑戰(zhàn)

綜上所述，肌電假手的研究目前仍然是機器人領域的研究熱點，但依然有諸多問題與挑戰(zhàn)亟待攻克：

1）肌肉信號仍然是控制上肢假肢唯一可行的生物信號.盡管該領域已有幾十年的學術研究，但目前的商業(yè)假手仍然完全由60年前提出的方法控制.雖然基于模式識別的方法取得了不錯的效果，但這是以魯棒性顯著降低為代價的，因此仍然需要探索更可靠、自然的運動意圖識別方法.

2） 假手所能獲取的感知信息還過于貧乏，雖然大部分假肢都在指尖安裝有觸覺傳感器，但還無法模擬人皮膚的感知系統(tǒng).

3） 目前的商業(yè)肌電假肢還缺乏本體的力觸覺反饋，雖然已有大量研究表明反饋閉環(huán)有助于提升假手的控制精度，但目前還較少地在假手上集成力觸覺反饋裝置，因此即便假手上集成有大量的觸覺傳感器，這些信息依然無法直觀被使用者獲取.

4）理想的上肢肌電假手應該同步、比例、直觀地控制多個自由度.同時假手應有更高的魯棒性，使用更少電極，經過較少甚至沒有訓練.盡管國內外已經投入了大量的努力，但到目前為止，所列文獻中提出的系統(tǒng)還未能夠滿足所有這些標準.

4 結論

本文通過對國內外多年的肌電假手研究成果進行分析比較，從質量、靈巧程度、抓取性能、設計原理等多角度分析了假手的機械結構設計要素，殘疾人假肢的設計需要在靈活度和質量上直接進行取舍.另外，本文較系統(tǒng)地對基于肌電信號的手勢識別研究現(xiàn)狀進行概述，介紹了目前基于殘肢生物信號識別的多個主流研究思路，提出基于生物力學的手勢識別方法是未來進行精細手部動作識別的有效途徑.本文還分析了多種基于不同原理的假手信息感知技術，介紹了利用指尖力觸覺傳感器實現(xiàn)對假手的自適應控制和用戶的感知反饋技術，提出融入力觸覺傳感的電子皮膚是有觸覺的智能肌電假手的未來發(fā)展趨勢.

參考文獻

References

[1] 張可科，熊蔡華，賀磊，等.基于DSP的仿人形假手控制系統(tǒng)研究[J].機電工程，2013，30（4）：450-453，458

ZHANG Keke，XIONG Caihua，HE Lei，et al.Control system for prosthetic hand based on DSP[J].Mechanical & Electrical Engineering Magazine，2013，30（4）：450-453，458

[2] 衛(wèi)生部，民政部，財政部，等.關于進一步加強殘疾人康復工作的意見[J].中國康復醫(yī)學雜志，2002，17（6）：324-325

Ministry of Health，Ministry of Civil Affairs，Ministry of Finance，et al.Views on further strengthening the rehabilitation of persons with disabilities[J].China Journal of Rehabilitation Medicine，2002，17（6）：324-325

[3] Orr F，James V，Bahrani S.The history and development of artificial limbs[J].Engineering in Medicine，1982，11（4）：155-161

[4] Belter J T，Segil J L，Dollar A M，et al.Mechanical design and performance specifications of anthropomorphic prosthetic hands：a review[J].The Journal of Rehabilitation Research and Development，2013，50（5）：599

[5] Battye C K，Nightingale A，Whillis J.The use of myo-electric currents in the operation of prostheses[J].The Journal of Bone and Joint Surgery British Volume，1955，37-B（3）：506-510

[6] Berger N，Huppert C R.The use of electrical and mechanical muscular forces for the control of an electrical prosthesis[J].American Journal of Occupational Therapy Official Publication of the American Occupational Therapy Association，1952，6（3）：110-114

[7] Asghari Oskoei M，Hu H S.Myoelectric control systems：a survey[J].Biomedical Signal Processing and Control，2007，2（4）：275-294

[8] Dorcas D S，Scott R N.A three-state myo-electric control[J].Medical & Biological Engineering，1966，4（4）：367-370

[9] Parker P A，Stuller J A，Scott R N.Signal processing for the multistate myoelectric channel[J].Proceedings of the IEEE，1977，65（5）：662-674

[10] Fougner A，Stavdahl O，Kyberd P J，et al.Control of upper limb prostheses：terminology and proportional myoelectric control：a review[J].IEEE Transactions on Neural Systems and Rehabilitation Engineering，2012，20（5）：663-677

[11] Kamikawa Y，Maeno T.Underactuated five-finger prosthetic hand inspired by grasping force distribution of humans[C]∥IEEE/RSJ International Conference on Intelligent Robots & Systems，2008

[12] Pons J L，Rocon E，Ceres R，et al.The MANUS-HAND dextrous robotics upper limb prosthesis：mechanical and manipulation aspects[J].Autonomous Robots，2004，16（2）：143-163

[13] Lotti F，Tiezzi P，Vassura G，et al.Development of UB hand 3：early results[C]∥IEEE International Conference on Robotics & Automation，2006

[14] Gaiser I N，Pylatiuk C，Schulz S，et al.The FLUIDHAND Ⅲ：amultifunctional prosthetic hand[J].JPO Journal of Prosthetics and Orthotics，2009，21（2）：91-96

[15] Kyberd P J，Light C，Chappell P H，et al.The design of anthropomorphic prosthetic hands：a study of the southampton hand[J].Robotica，2001，19（6）.DOI：10.1017/S0263574701003538

[16] Kragten G A，Herder J L.The ability of underactuated hands to grasp and hold objects[J].Mechanism and Machine Theory，2010，45（3）：408-425

[17] Dalley S A，Wiste T E，Withrow T J，et al.Design of a multifunctional anthropomorphic prosthetic hand with extrinsic actuation[J].ASME Transactions on Mechatronics，2009，14（6）：699-706

[18] Light C M，Chappell P H.Development of a lightweight and adaptable multiple-axis hand prosthesis[J].Medical Engineering & Physics，2000，22（10）：679-684

[19] Butterfass J，Grebenstein M，Liu H，et al.DLR-Hand Ⅱ：next generation of a dextrous robot hand[C]∥IEEE International Conference on Robotics & Automation，2001

[20] Liu H，Wu K，Meusel P，et al.Multisensory five-finger dexterous hand：the DLR/HIT hand Ⅱ[C]∥Proc IEEE/RSJ Int Conference on Intelligent Robots & Systems，2008

[21] Controzzi M，Cipriani C，Carrozza M C.Mechatronic design of a transradial cybernetic hand[C]∥IEEE/RSJ International Conference on Intelligent Robots & Systems，2008

[22] Huang H，Jiang L，Zhao D W，et al.The development on a new biomechatronic prosthetic handbased on under-actuated mechanism[C]∥IEEE/RSJ International Conference on Intelligent Robots & Systems，2007

[23] van der Niet O，Bongers R M，van der Sluis C K.Functionality of i-LIMB and i-LIMB pulse hands：case report[J].Journal of Rehabilitation Research and Development，2013，50（8）：1123-1128

[24] Kai X，Liu H，Liu Z，et al.A single-actuator prosthetic hand using a continuum differential mechanism[C]∥IEEE International Conference on Robotics & Automation，2015

[25] Xiong C H，Chen W R，Sun B Y，et al.Design and implementation of an anthropomorphic hand for replicating human grasping functions[J].IEEE Transactions on Robotics，2016，32（3）：652-671

[26] Wu C C，Song A G，Ling Y，et al.A control strategy with tactile perception feedback for EMG prosthetic hand[J].Journal of Sensors，2015，2015：1-15

[27] 胡旭暉，宋愛國，李會軍.基于表面肌電圖像的靈巧假手控制系統(tǒng)[J].控制理論與應用，2019，35（12）：1707-1714.

HU Xuhui，SONG Aiguo，LI Huijun.Dexterous robot hand control system based on surface electromyography image.Control Theory & Applications，2018，35（12）：1707-1714

[28] Cipriani C，Controzzi M，Carrozza M C.Objectives，criteria and methods for the design of the SmartHand transradial prosthesis[J].Robotica，2010，28（6）：919-927

[29] Dechev N，Cleghorn W L，Naumann S.Multiple finger，passive adaptive grasp prosthetic hand[J].Mechanism and Machine Theory，2001，36（10）：1157-1173

[30] Losier Y G.Shoulder complex motion based input strategies for prosthetic limb control[C]，2009.

[31] Englehart K，Hudgins B.A robust，real-time control scheme for multifunction myoelectric control[J].IEEE Transactions on Biomedical Engineering，2003，50（7）：848-854

[32] Zhang X，Yang Y，Xu X，et al.Wavelet based neuro-fuzzy classification for EMG control[C]∥IEEE International Conference on Communications，Circuits & Systems & West Sino Expositions，2002

[33] Farina D，Jiang N，Rehbaum H，et al.The extraction of neural information from the surface EMG for the control of upper-limb prostheses：emerging avenues and challenges[J].IEEE Transactions on Neural SystemsandRehabilitation Engineering，2014，22（4）：797-809

[34] Simon A M，Stern K，Hargrove L J.A comparison of proportional control methods for pattern recognition control[C]∥2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.IEEE，2011

[35] Lee S，Saridis G N.The control of a prosthetic arm by EMG pattern recognition[C]∥IEEE Conference on Decision & Control，2007

[36] Muceli S，F(xiàn)arina D.Simultaneous and proportional estimation of hand kinematics from EMG during mirrored movements at multiple degrees-of-freedom[J].IEEE Transactions on Neural SystemsandRehabilitation Engineering，2012，20（3）：371-378

[37] Begg R，Kamruzzaman J，Sarker R.Neural networks in healthcare[M].IGIGlobal，2006.DOI：10.4018/978-1-59140-848-2

[38] Matsumura Y，F(xiàn)ukumi M，Akamatsu N，et al.Wrist EMG pattern recognition system by neuralnetworks andmultiple principal component analysis[M]∥MatsumuraY，F(xiàn)ukumiM，AkamatsuN，etal.eds.LectureNotesin Computer Science.Berlin，Heidelberg：Springer Berlin Heidelberg，2004：891-897.DOI：10.1007/978-3-540-30132-5-120

[39] Yang G，Yang S.Emotion recognition of electromyographybased onsupport vector machine[C]∥International Symposium on Intelligent Information Technology & Security Informatics，2010

[40] Hargrove L，Losier Y，Lock B，et al.A Real-Time patternrecognition based myoelectric control usability study implemented in a virtual environment[C]∥International Conference of the IEEE Engineering in Medicine & Biology Society，2007

[41] Kawano S，Okumura D，Tamura H，et al.Online learning method using support vector machine for surface-electromyogram recognition[J].Artificial Life and Robotics，2009，13（2）：483-487

[42] Orabona F，Castellini C，Caputo B，et al.Model adaptation with least-squares SVM for adaptive hand prosthetics[C]∥IEEE International Conference on Robotics & Automation，2009

[43] Alkan A，Günay M.Identification of EMG signals using discriminant analysis and SVM classifier[J].Expert Systems with Applications，2012，39（1）：44-47

[44] Sebelius F，Eriksson L，Balkenius C，et al.Myoelectric control of a computer animated hand：a new concept based on the combined use of a tree-structured artificial neural network and a data glove[J].Journal of Medical Engineering & Technology，2006，30（1）：2-10

[45] Geng W D，Du Y，Jin W G，et al.Gesture recognition by instantaneous surface EMG images[J].Scientific Reports，2016，6：36571

[46] Quivira F，Koike-Akino T，Wang Y，et al.Translating sEMG signals to continuous hand poses using recurrent neural networks[C]∥2018 IEEE EMBS International Conference on Biomedical & Health Informatics （BHI）.IEEE，2018：166-169

[47] Hu Y，Wong Y，Wei W T，et al.A novel attention-based hybrid CNN-RNN architecture for sEMG-based gesture recognition[J].PLoS One，2018，13（10）：e0206049

[48] Ziai A，Menon C.Comparison of regression models for estimation of isometric wrist joint torques using surface electromyography[J].Journal of NeuroEngineering and Rehabilitation，2011，8（1）：56

[49] Amsuess S，Goebel P，Graimann B，et al.A multi-class proportional myocontrol algorithm for upper limb prosthesis control：validation in real-life scenarios on amputees[J].IEEE Transactions on Neural Systemsand Rehabilitation Engineering，2015，23（5）：827-836

[50] Twardowski M D，Roy S H，Li Z，et al.Motor unit drive：a neural interface for real-time upper limb prosthetic control[J].Journal of Neural Engineering，2019，16（1）：016012

[51] Geng W，Du Y，Jin W，et al.Gesture recognition by instantaneous surface EMG images[J].Scientific reports，2016，6：36571.

[52] Amma C，Krings T，Boer J，et al.Advancing muscle-computerinterfaces withhigh-density electromyography[C]∥Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems-CHI15，2015：929-938

[53] Moin A，Zhou A，Benatti S，et al.Adaptive EMG-based hand gesture recognition using hyperdimensional computing[J].arXiv.org：1901.002234

[54] Jiang N，Englehart K B，Parker P A.Extracting simultaneous and proportional neural control information for multiple-DOF prostheses from the surface electromyographic signal[J].IEEE Transactionson Biomedical Engineering，2009，56（4）：1070-1080

[55] Lin C，Wang B H，Jiang N，et al.Robust extraction of basis functions for simultaneous and proportional myoelectric control via sparse non-negative matrix factorization[J].Journal of Neural Engineering，2018，15（2）：026017

[56] Barsakcioglu D Y，F(xiàn)arina D.A real-time surface EMG decomposition system for non-invasive human-machine interfaces[C]∥2018 IEEE Biomedical Circuits and Systems Conference （BioCAS）.IEEE，2018：1-4.

[57] Liu L K，Bonato P，Clancy E A.Comparison of methods for estimating motor unit firing rate time series from firing times[J].Journalof Electromyography and Kinesiology，2016，31：22-31

[58] Sartori M，Durandau G，Doen S，et al.Robust simultaneous myoelectric control of multiple degrees of freedom in wrist-hand prostheses by real-time neuromusculoskeletal modeling[J].Journal of Neural Engineering，2018，15（6）：066026

[59] Zhang Y，Xiao R，Harrison C.Advancing hand gesture recognition with high resolution electrical impedancetomography[C]∥Proceedings of the 29th Annual Symposium on User Interface Software and Technology-UIST16，2016：843-850

[60] Castellini C，Bongers R M，Nowak M，et al.Upper-limb prosthetic myocontrol：two recommendations[J].Frontiers in Neuroscience，2016，9：496

[61] Liu H，Greco J，Song X，et al.Tactile image based contact shape recognition using neural network[C]∥Multisensor Fusion & Integration for Intelligent Systems，2012

[62] 姜明文，王人成，羅志增，等.具有觸滑覺功能的肌電假手[J].清華大學學報（自然科學版），2004，44（8）：1051-1053

JIANG Mingwen，WANG Rencheng，LUO Zhizeng，et al.Myoelectric prosthetic hand with tactile and slip feedback functions[J].Journal of Tsinghua University（Science and Technology），2004，44（8）：1051-105

[63] Edin B B，Ascari L，Beccai L，et al.Bio-inspired sensorization of a biomechatronic robot hand for the grasp-and-lift task[J].Brain Research Bulletin，2008，75（6）：785-795

[64] Song A G，Wu J，Qin G，et al.A novel self-decoupled four degree-of-freedom wrist force/torque sensor[J].Measurement，2007，40（9）：883-891

[65] Ma J Q，Song A G，Pan D C.Dynamic compensation for two-axis robot wrist force sensors[J].Journal of Sensors，2013，2013：1-5

[66] Aukes D M，Heyneman B，Ulmen J，et al.Design and testing of a selectively compliant underactuated hand[J].The International Journal of Robotics Research，2014，33（5）：721-735

[67] Mouri T，Kawasaki H，Yoshikawa K，et al.Anthropomorphic robot hand “gifu hand III” and real time control system[J].The Proceedings of JSME Annual Conference on Robotics and Mechatronics （Robomec），2002：112-113

[68] Cannata G，Maggiali M.An embedded tactile and force sensor for robotic manipulation and grasping[C]∥IEEE-RAS International Conference on Humanoid Robots，2005

[69] Choi B，Lee S，Choi H R，et al.Development of anthropomorphicrobothand with tactile sensor：SKKU hand II[C]∥IEEE/RSJ International Conference on Intelligent Robots & Systems，2006

[70] Leonardis D，Solazzi M，Bortone I，et al.A 3-RSR haptic wearable device for rendering fingertip contact forces[J].IEEE Transactions on Haptics，2017，10（3）：305-316

[71] 張濟川.仿生肌電假手的觸滑覺功能及其實現(xiàn)[C]∥全國康復醫(yī)學工程與康復工程學術研討會，2010

ZHANG Jichuan.A study on tactile and slip sensory functions for the EMG controlled bionic arm prostheses and its realization[C]∥The 7th National Symposium on Rehabilitation Medicine Engineering and Rehabilitation Engineering，2010

[72] 尹云.基于觸滑覺控制的智能假手關鍵問題研究[D].大連：大連理工大學，2004

YIN Yun.Research on key problems of intelligent artificial hand based on touch and slip sense control[D].Dalian：Dalian University of Technology，2004

[73] Lanzetta M，Perani D，Anchisi D，et al.Early use of artificial sensibility in hand transplantation[J].Scandinavian Journal of Plastic and Reconstructive Surgery and Hand Surgery，2004，38（2）：106-111

[74] Li N，Yang D P，Jiang L，et al.Combined use of FSR sensor array and SVM classifier for finger motion recognition based on pressure distribution map[J].Journal of Bionic Engineering，2012，9（1）：39-47

[75] Chen C H，Naidu D S，Perez-Gracia A，et al.A hybrid adaptive control strategy for a smart prosthetic hand[C]∥International Conference of the IEEE Engineering in Medicine & Biology Society，2009

[76] Kim G，Asakura Y，Okuno R，et al.Tactile substitution system for transmitting a few words to a prosthetic hand user[C]∥International Conference of the Engineering in Medicine & Biology Society，2005

[77] Fassih A，Naidu D S，Chiu S，et al.Precision grasping of a prosthetic hand based on virtual spring damper hypothesis[C]∥Biomedical Engineering Conference，2010

[78] Philipson L，Larsson P G.The electromyographic signal as a measure of muscular force：a comparison of detection and quantification techniques[J].Electromyography & Clinical Neurophysiology，1988，28（2/3）：141

[79] Delgado-Martínez I，Badia J，Pascual-Font A，et al.Fascicular topography of the human median nerve for neuroprosthetic surgery[J].Frontiers in Neuroscience，2016，10：286

[80] Svensson P，Wijk U，Bjorkman A，et al.A review of invasive and non-invasive sensory feedback in upper limb prostheses[J].Expert Review of Medical Devices，2017，14（6）：439-447

Research progress on intelligent myoelectric control prosthesis

SONG Aiguo1，2，3 HU Xuhui1，2，3 ZHU Jiahang1，2，3

1 School of Instrument Science & Engineering，Southeast University，Nanjing 210096

2 National Key Laboratory of Bioelectronics，Southeast University，Nanjing 210096

3 Key Laboratory of Remote Measurement and Control Technology in Jiangsu Province，Southeast University，Nanjing 210096

AbstractAs an important research content in the field of rehabilitation，intelligent myoelectric prosthetic hand research has always been a hot research spot through the world.With the advancement of robotics，the prosthetic hand is moving toward humanoid type，dexterity，intuitive control，and intelligent perception.The intelligent myoelectric prosthetic hand should have similar function with human hand.It not only assists the daily life of the disabled by rebuilding motor function，but also recreate the proprioception by restoring the perceptual feedback function.This paper reviews years of domestic and foreign research results on myoelectric prosthetic hand and analyzes the mechanical design of the prosthetic hand from the perspectives of weight，dexterity，grasping performance，and design principle.In the area of user motion intention decoding，this study systematically summarizes the state-of-the-art in gesture recognition based on surface electromyography signals，and introduces various of research ideas based on residual limb biological signal recognition.In addition，a variety of prosthetic hand tactile perception technologies based on different principles are analyzed，and adaptive control and user awareness feedback using the finger tip force tactile sensor are introduced.Finally，the problems and challenges faced in the research and development of prosthetic hands are summarized，and the direction of future research in myoelectric prosthetic hand is proposed.

Key wordsmyoelectric prosthetic hand;motion intention recognition;force tactile perception;anthropomorphic hand