隋修武,劉乃嘉,喬明敏,李昊天

(1.天津工業(yè)大學(xué)機(jī)械工程學(xué)院,天津 300387;2.天津工業(yè)大學(xué)天津市現(xiàn)代機(jī)電裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室,天津 300387)

通過有效的肌肉電信號(hào)控制智能假肢已成為了目前的研究熱點(diǎn),肌電假肢直接由大腦控制,控制靈活,直觀性強(qiáng),是現(xiàn)代假肢的一個(gè)重要的研究發(fā)展方向[1-3]。英國(guó)Touch Bionics、德國(guó)Ottobock等假肢生產(chǎn)公司僅使用簡(jiǎn)單的閾值控制實(shí)現(xiàn)對(duì)多自由度肌電假肢的控制,其控制簡(jiǎn)單,使用不靈活,自由度之間需要切換,極大的影響了使用者的體驗(yàn)。目前,很多學(xué)者對(duì)肌電信號(hào)的模式識(shí)別控制進(jìn)行了深入的研究。Benatti[4]等人利用支持向量機(jī)和自定義控制策略融合的方法實(shí)現(xiàn)對(duì)假手五種動(dòng)作的控制。Chowdhury[5]、Sridhar[6]與Ryu Jaehwan[7]等人利用多種去噪及特征提取優(yōu)化算法提高分類器的識(shí)別率。上述方法雖可在上位機(jī)中達(dá)到較高的識(shí)別精度,但對(duì)高運(yùn)算能力依賴強(qiáng),不利于實(shí)現(xiàn)假手的實(shí)時(shí)控制。且目前帶有模式識(shí)別功能的肌電假手僅能完成簡(jiǎn)單的動(dòng)作,缺少對(duì)外界物體的感知功能,抓握完全靠使用者的視覺反饋,使用安全性能低。少數(shù)擁有閉環(huán)反饋的肌電假手多為閾值控制,造價(jià)高,適應(yīng)性差,普通消費(fèi)者無法承擔(dān)。研究帶有反饋控制的仿生肌電假手是現(xiàn)代上肢假肢發(fā)展的重點(diǎn)方向[8-10]。劉暢等[11]提出一種基于觸滑覺傳感器的模糊邏輯控制方法。章華濤[12]等使用帶有觸覺和肌電信號(hào)控制功能的肌電假手,引入神經(jīng)網(wǎng)絡(luò)分析方法和模糊控制方法,調(diào)節(jié)肌電假手的開合速度和握力大小。但上述反饋控制僅考慮到滑覺信號(hào)的影響,滑覺信號(hào)判別方式也僅從時(shí)域或頻域進(jìn)行特征提取,對(duì)不同程度的滑動(dòng)識(shí)別效果較差,且應(yīng)用對(duì)象多為閾值控制的肌電假手,缺少在模式識(shí)別假手上的實(shí)際應(yīng)用。

針對(duì)上述問題,本文提出一種集模式識(shí)別與多感知功能一體化的肌電假手控制方案。利用基于粒子群優(yōu)化后的支持向量機(jī)進(jìn)行手部動(dòng)作分類,實(shí)現(xiàn)假手的在線模式識(shí)別控制。出現(xiàn)抓握意圖時(shí),根據(jù)物體硬度、滑動(dòng)程度的不同,加載合適的握力,實(shí)現(xiàn)PSO-SVM假手的‘軟抓取’。

1 系統(tǒng)總體方案

總體方案如圖1所示,該系統(tǒng)主要包括信號(hào)的采集模塊、上位機(jī)離線分析系統(tǒng)和假手控制模塊三部分組成。對(duì)手部握拳、張開動(dòng)作的肌電信號(hào)進(jìn)行特征提取,利用基于粒子群優(yōu)化的支持向量機(jī)(Particle Swarm Optimization Support Vector Machine,PSO-SVM)算法對(duì)手部動(dòng)作進(jìn)行識(shí)別并實(shí)現(xiàn)對(duì)肌電假手的動(dòng)作在線控制。當(dāng)假手抓握物體時(shí),通過手指上的傳感器組采集物體的滑覺與硬度信息,對(duì)滑覺信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD),引入模糊邏輯控制,對(duì)滑度、硬度不同的物體實(shí)現(xiàn)握力的自適應(yīng)調(diào)節(jié),實(shí)現(xiàn)在模式識(shí)別假手上的多感知反饋控制。

圖1 系統(tǒng)總體方案框圖

2 模式識(shí)別算法

2.1 支持向量機(jī)算法原理簡(jiǎn)介

支持向量機(jī)的基本理論是通過尋找最優(yōu)分類面來實(shí)現(xiàn)對(duì)未知樣本數(shù)據(jù)的分類。即在特征空間中尋找一個(gè)最優(yōu)分類超平面,使兩類樣本特征的幾何間隔最大。在線性可分的情況下,將最優(yōu)分類超平面ωxi+b=0歸一化后,對(duì)樣本集數(shù)據(jù)(xi,yi),i=1,2,…,n,x∈Rd,y∈{+1,-1}進(jìn)行分類,2/‖ω‖為兩樣本數(shù)據(jù)到超平面的幾何距離。分類間隔最大就等價(jià)于最小化‖ω‖,因此得到一個(gè)帶約束的優(yōu)化問題:

(1)

式中:ω為最優(yōu)超平面的法向量,b為閾值,b∈Rd。

對(duì)于支持向量機(jī)的線性不可分問題,應(yīng)當(dāng)引入松弛變量ξi≥0(i=1,2,…,n)和懲罰參數(shù)C,則超平面的求解公式為:

(2)

映射核函數(shù)選用高斯徑向基核函數(shù):

(3)

式中:σ為核函數(shù)參數(shù)。

2.2 粒子群優(yōu)化算法

在支持向量機(jī)中,懲罰參數(shù)C與核函數(shù)參數(shù)σ影響著分類器的分類精度,參數(shù)的變化極大的影響了分類器的穩(wěn)定性。通過粒子群優(yōu)化算法尋找最優(yōu)參數(shù),提高模型分類的準(zhǔn)確性和抗干擾能力。

粒子群優(yōu)化算法(PSO)由Kennedy和Eberhart等人于1995年提出的一種全局搜索進(jìn)化算法。算法結(jié)構(gòu)簡(jiǎn)單,涉及的參數(shù)少,計(jì)算復(fù)雜程度低且容易實(shí)現(xiàn)。經(jīng)過粒子群優(yōu)化的SVM分類器,在新的特征空間中分類更精確,訓(xùn)練時(shí)間更短。PSO-SVM算法流程如圖2所示。

圖2 PSO-SVM算法流程圖

PSO-SVM算法的基本步驟:

Step 1 首先載入訓(xùn)練集與測(cè)試集樣本數(shù)據(jù)并初始化SVM模型參數(shù);

Step 2 利用粒子群優(yōu)化算法對(duì)SVM模型參數(shù)中的懲罰參數(shù)C與核函數(shù)參數(shù)σ進(jìn)行優(yōu)化,首先初始化粒子群,包括慣性權(quán)重ω,加速因子c1、c2,確定粒子初始位置個(gè)體極值pBest和粒子群最優(yōu)位置gBest;

Step 3 計(jì)算粒子群中每個(gè)粒子的適應(yīng)度;

Step 4 將每個(gè)粒子當(dāng)前最優(yōu)位置pBest與粒子群最優(yōu)位置gBest比較,將最優(yōu)解設(shè)置為當(dāng)前最好位置gBest。

Step 5 更新粒子的速度和位置,速度和位置的更新方程為:

vij(t+1)=ω(t)×vij(t)+c1×rand()×[pbj(t)-xij(t)]+
c2×rand()×[gbj-xij(t)]
xij(t+1)=xij(t)+vij(t+1)

(4)

式中:pbj(t)為該粒子飛過最好位置,gbj為該種群最好位置,rand()為[0,1]之間的隨機(jī)數(shù)。

Step 6 將優(yōu)化后的懲罰參數(shù)C與核函數(shù)參數(shù)σ寫入SVM分類器模型,用訓(xùn)練集訓(xùn)練模型,判斷模型識(shí)別率是否為最優(yōu),若滿足,則輸出該最優(yōu)模型下的懲罰參數(shù)C和核函數(shù)參數(shù)σ;若不滿足,返回Step 4重新計(jì)算粒子適應(yīng)度。

3 肌電假手控制策略

圖3為該系統(tǒng)的控制方案流程圖,分為動(dòng)作識(shí)別、觸覺判別、硬度感知、滑覺感知、加載力估算五個(gè)階段。通過控制電機(jī)運(yùn)轉(zhuǎn)達(dá)到最適合的握力值,保證物體的穩(wěn)定抓握。

圖3 控制系統(tǒng)軟件設(shè)計(jì)流程圖

3.1 傳感器的選擇

為實(shí)現(xiàn)肌電假手的‘軟抓取’功能,綜合考慮肌電假手的抓握要求,選擇動(dòng)態(tài)范圍寬,過載能力強(qiáng),靜態(tài)滑動(dòng)信號(hào)響應(yīng)快的壓阻式傳感器RFP602為滑覺傳感器;選擇質(zhì)地柔軟重量輕,耐沖擊,擁有較高的壓電系數(shù),測(cè)量靈敏度更高的有機(jī)壓電材料聚偏氟乙(PVDF)為軟硬度傳感器。均將其貼裝于肌電假手的手指內(nèi)側(cè)。

3.2 觸覺信號(hào)判斷原理

肌電假手與物體接觸時(shí),PVDF壓電傳感器受力變形產(chǎn)生電荷,經(jīng)電荷放大后產(chǎn)生一個(gè)幅值較大的電壓脈沖信號(hào)。通過對(duì)不同物體進(jìn)行抓握接觸對(duì)比后,選取合適的觸覺閾值進(jìn)行觸覺判斷。當(dāng)PVDF壓電傳感器信號(hào)大于觸覺閾值xa時(shí),即判斷假手與物體接觸。

3.3 軟硬度信號(hào)判斷原理

物體的軟硬度是物體屬性中的一個(gè)重要方面,軟硬度實(shí)則為物體抵抗變形的能力。以同樣的速度抓握不同物體時(shí),形變大的較軟,反之則較硬。同時(shí),PVDF傳感器產(chǎn)生的壓電信號(hào)是一個(gè)正比于接觸壓力的值,與較硬物體接觸時(shí)壓電信號(hào)上升快。將觸覺閾值xa后固定時(shí)刻內(nèi)的傳感器電壓的累加值作為物體軟硬度的度量。

(5)

式中:xa為觸覺閾值,xi為信號(hào)采樣值,i為接觸時(shí)刻,n為采樣長(zhǎng)度。

3.4 滑覺信號(hào)判斷原理

物體滑動(dòng)時(shí),壓阻傳感器會(huì)產(chǎn)生幅值較小的高頻摩擦振動(dòng)信號(hào)。僅從時(shí)域中對(duì)滑動(dòng)信號(hào)進(jìn)行特征提取,通過閾值選擇的方法會(huì)出現(xiàn)嚴(yán)重的誤判問題。利用經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)滑覺信號(hào)在時(shí)頻域上進(jìn)行特征提取,與其他特征提取方法相比,經(jīng)驗(yàn)?zāi)B(tài)分解法更加直觀、直接、自適應(yīng)[13-15]。

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)是Norden E Huang等人提出的一種新的信號(hào)處理方法,將信號(hào)中存在的不同尺度下的波動(dòng)或變化趨勢(shì)逐級(jí)分解開來,產(chǎn)生一系列具有不同特征尺度的特征模態(tài)函數(shù)(Intrinsic Mode Function,IMF)。對(duì)于非平穩(wěn)的滑動(dòng)信號(hào),經(jīng)過EMD方法得到的各階IMF分量都是平穩(wěn)的,是從滑動(dòng)信號(hào)本身的特征時(shí)間尺度出發(fā)對(duì)信號(hào)進(jìn)行分解,沒有固定的基函數(shù),自適應(yīng)強(qiáng),得到的每個(gè)IMF分量具有明顯的物理意義,體現(xiàn)了滑動(dòng)的真實(shí)過程,如圖4所示。

圖4 經(jīng)驗(yàn)?zāi)B(tài)分解算法流程圖

EMD具體步驟如下:

①對(duì)于給定任意滑覺信號(hào)X(t),首先確定滑覺信號(hào)X(t)上的所有極值點(diǎn),用三次樣條曲線分別連接所有極大值點(diǎn)和極小值點(diǎn)形成上、下包絡(luò)線。X(t)與上下包絡(luò)線的均值m1的差記為h1。

h1=X(t)-m1

(6)

若h1存在負(fù)的局部極大值和正的局部極小值,則將其視為新的滑覺信號(hào)X(t),重復(fù)上述步驟直至滿足上述兩個(gè)條件時(shí),將其記為第一階IMF,記為IMF1。

②將IMF1從滑覺信號(hào)X(t)中分離構(gòu)成新的信號(hào)r1,重復(fù)①的篩選步驟,直至殘余信號(hào)成為單調(diào)函數(shù),不能再篩分出IMF分量。

r1=X(t)-IMF1
rn=rn-1-IMFn

(7)

③當(dāng)滿足終止條件時(shí),循環(huán)結(jié)束?；X信號(hào)X(t)可表示為n個(gè)IMF分量和一個(gè)殘余項(xiàng)的和,即:

(8)

式中:rn(t)表示殘量,代表信號(hào)中的平均趨勢(shì),IMFj(t)則分別代表信號(hào)從高到低不同頻率段的成分。

3.5 假手握力的模糊控制方法設(shè)計(jì)

正常人手抓握物體時(shí),為保持抓握穩(wěn)定,對(duì)剛度較強(qiáng)的物體會(huì)施加更大的握力,而對(duì)較軟物體施加較小握力。肌電假手模擬人手的抓握過程,建立人手握力的反射加載力的二輸入單輸出的模糊控制器。握力模糊控制器如圖5所示,模糊控制器輸入端引入兩個(gè)輸入分量:滑動(dòng)程度量Q和物體硬度量K。輸出變量為所需加載的握力F。加載力F變化時(shí),通過控制電機(jī)轉(zhuǎn)動(dòng)到達(dá)合適的抓握力。

圖5 加載力模糊控制模型

將輸入變量和輸出變量模糊化,對(duì)輸入變量進(jìn)行模糊語言的設(shè)定,根據(jù)輸入輸出變量的分級(jí)組合定義假手加載力的模糊規(guī)則,得到模糊控制器的規(guī)則庫(kù),推理結(jié)果采用重心法反模糊化,控制器的輸入輸出關(guān)系圖如圖6所示。圖中坐標(biāo)分別為物體硬度量K、滑動(dòng)程度量Q和加載力F。

圖6 模糊控制輸入輸出關(guān)系圖

4 實(shí)驗(yàn)及結(jié)果

為驗(yàn)證PSO-SVM及反饋控制在假手上的控制效果,設(shè)計(jì)了PSO-SVM動(dòng)作模式識(shí)別實(shí)驗(yàn)、硬度特征分析實(shí)驗(yàn)、滑覺特征分析實(shí)驗(yàn)、和基于PSO-SVM的多感知反饋控制實(shí)驗(yàn)。實(shí)驗(yàn)中采用丹陽假肢廠生產(chǎn)的三自由度肌電假手為控制對(duì)象。

4.1 PSO-SVM動(dòng)作模式識(shí)別實(shí)驗(yàn)

將電極貼合在尺側(cè)腕伸肌、尺側(cè)腕屈肌表面,經(jīng)過信號(hào)調(diào)理后,完成對(duì)兩種動(dòng)作肌電信號(hào)的采集。將每名受試者150組特征向量作為訓(xùn)練集,構(gòu)建標(biāo)準(zhǔn)粒子群支持向量機(jī)(PSO-SVM)后將其植入至PSoC片上系統(tǒng)中,控制肌電假肢實(shí)現(xiàn)在線動(dòng)作。每名受試者每個(gè)動(dòng)作做50次并觀察假手的實(shí)時(shí)動(dòng)作,在線控制識(shí)別結(jié)果如下:

表1 肌電假手在線識(shí)別正確率

從表1中的識(shí)別結(jié)果可以得到,三名受試者握拳、張開動(dòng)作的在線識(shí)別正確率高達(dá)93.3%、94%?？傮w識(shí)別率高達(dá)93.6%,假手控制效果穩(wěn)定,控制實(shí)時(shí)性高,其中一名受試者控制假手的效果如圖7。

圖7 假肢兩種動(dòng)作控制效果圖

圖8 抓握實(shí)驗(yàn)

4.2 硬度特征分析實(shí)驗(yàn)

以固定初始握力抓握不同物體,實(shí)驗(yàn)現(xiàn)場(chǎng)如圖8。通過多次抓握,選擇合適的觸覺閾值xa,對(duì)觸覺閾值xa后的128個(gè)點(diǎn)的求和即為軟硬度特征值,如圖9所示,本文觸覺閾值設(shè)置為2.35 V。

圖9 軟硬度特征值

由圖9可見,假手對(duì)硬度不同的物體識(shí)別程度高,隨著物體硬度的增大特征值越來越明顯,硬度差異大的物體分類效果明顯,硬度相近的物體也具有著較好區(qū)分特性。

4.3 滑覺特征分析實(shí)驗(yàn)

以同樣的固定初始力抓握物體,抓握穩(wěn)定后,在其上分別加載50 g、100 g、150 g砝碼使其滑動(dòng)。對(duì)采集的滑覺信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解后發(fā)現(xiàn),IMF2分量可以有效的對(duì)滑動(dòng)程度進(jìn)行區(qū)分,為使效果明顯,以每216點(diǎn)abs(IMF2)的和為滑覺特征值。如圖10所示為40組在不同滑動(dòng)程度下的滑覺特征值。實(shí)驗(yàn)結(jié)果顯示,經(jīng)EMD分解后的滑覺特征在不同滑覺狀態(tài)下的分布較為集中,可以明顯的對(duì)滑覺狀態(tài)進(jìn)行區(qū)分。

圖10 滑覺特征值分布圖

圖11 實(shí)驗(yàn)結(jié)果

4.4 基于PSO-SVM肌電假手的多感知反饋控制實(shí)驗(yàn)

為了測(cè)試整個(gè)肌電假手的控制性能,將編寫的控制程序植入硬件系統(tǒng)中。建立基于PSO-SVM的多感知反饋控制實(shí)驗(yàn)。受試者通過肌肉控制假手抓握不同物體,進(jìn)入抓握穩(wěn)定狀態(tài)后,加載重量不等的砝碼以測(cè)試整體控制性能,實(shí)驗(yàn)結(jié)果如圖11所示。

實(shí)驗(yàn)結(jié)果顯示同種物體在不同重量砝碼的作用力下滑覺特征、加載力特征差異較大,且隨著作用力的增加呈上升趨勢(shì);硬度不同的物體在相同重量砝碼作用力下的滑覺特征差異不大,但加載力差異較大且隨著滑動(dòng)程度的增加差異越來越明顯。同時(shí),在PSoC Creator編譯環(huán)境中對(duì)該系統(tǒng)進(jìn)行在線仿真測(cè)試,系統(tǒng)從AD采集開始到控制結(jié)果需要226 ms,小于300 ms,符合假肢控制的實(shí)時(shí)性要求。

5 結(jié)論

本文提出了一種基于PSO-SVM的仿生肌電假手反饋控制系統(tǒng),利用PSO-SVM算法對(duì)手部2種動(dòng)作進(jìn)行識(shí)別,將其植入本系統(tǒng)后識(shí)別率達(dá)到93.6%;有抓握意圖時(shí),利用手部傳感器組感知物體滑覺與硬度信息,引入EMD分解滑覺信號(hào),建立模糊邏輯控制,對(duì)硬度、滑動(dòng)程度不同的物體實(shí)現(xiàn)握力的自適應(yīng)調(diào)節(jié)。該方法模仿人的抓握方式,具有很強(qiáng)的適應(yīng)性并給殘疾人提供更好的本體感受,實(shí)現(xiàn)了假肢在抓握目標(biāo)過程中及時(shí)、精確的響應(yīng)控制。能夠可靠的完成抓握控制任務(wù),具有較高的穩(wěn)定性,實(shí)現(xiàn)了滑覺、硬度反饋在模式識(shí)別假肢上的實(shí)際應(yīng)用。