崔雪渭，彭熙，2，3，顏?lái)?，陳含麗子，杜笛簫，楊琬?/p>

（1 華中師范大學(xué) 計(jì)算機(jī)學(xué)院，武漢 430079；2 湖北省高等學(xué)校計(jì)算機(jī)基礎(chǔ)實(shí)驗(yàn)教學(xué)示范中心，武漢 430079；3 湖北省人工智能與智慧學(xué)習(xí)重點(diǎn)實(shí)驗(yàn)室，武漢 430079）

0 引言

隨著控制技術(shù)、信息技術(shù)等現(xiàn)代科技的飛速發(fā)展，擁有與人手相似結(jié)構(gòu)的仿生機(jī)械手已具備很強(qiáng)的靈活性，因而可代替人手完成復(fù)雜操作，成為醫(yī)療保健、資源勘探、災(zāi)難救援等諸多領(lǐng)域的實(shí)用工具［1］。表面肌電信號(hào)（Surface Electromyography，SEMG）是肌肉收縮時(shí)伴隨的電信號(hào)，是在體表無(wú)創(chuàng)檢測(cè)肌肉活動(dòng)的高效方法，在人機(jī)交互控制、手勢(shì)識(shí)別等領(lǐng)域發(fā)揮著重要作用［2］。

在仿生機(jī)械手結(jié)構(gòu)設(shè)計(jì)方面，Xu 等人［3］提出了一種與人手高度相似的仿生機(jī)械手結(jié)構(gòu)。在肌電信號(hào)方面，程揚(yáng)威［4］對(duì)基于多通道表面肌電特征圖像的手勢(shì)識(shí)別進(jìn)行了深入研究，通過(guò)提取不同表征的肌電特征及深度學(xué)習(xí)，實(shí)現(xiàn)了對(duì)不同手勢(shì)的精準(zhǔn)識(shí)別。吳娜［5］也提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)-獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)（Conv1D-IndRNN）模型的手勢(shì)識(shí)別算法，提升了通過(guò)表面肌電信號(hào)進(jìn)行手勢(shì)識(shí)別的準(zhǔn)確率。但是對(duì)于如何將肌電信號(hào)處理與仿生機(jī)械手控制相結(jié)合，構(gòu)成面向仿生機(jī)械手的肌電控制系統(tǒng)，卻少見(jiàn)成熟可行的設(shè)計(jì)。

本文提出了一種面向仿生機(jī)械手的肌電控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，即仿生機(jī)械手能夠?qū)崟r(shí)模擬手部動(dòng)作，可用于災(zāi)難救援、醫(yī)療恢復(fù)，也可用于排爆等高危環(huán)境中。

1 仿生機(jī)械手肌電控制系統(tǒng)的整體設(shè)計(jì)及分析

本文所設(shè)計(jì)的仿生機(jī)械手肌電控制系統(tǒng)大致可以分為3 個(gè)部分：肌電信號(hào)的采集、肌電信號(hào)的處理和動(dòng)作匹配。首先，利用六導(dǎo)聯(lián)肌肉電傳感器搭配Arduino UNO 采集肌電信號(hào)；然后，樹(shù)莓派接收Arduino UNO 傳送的數(shù)據(jù)，進(jìn)行數(shù)據(jù)處理和加工；最后由樹(shù)莓派做出判斷，向仿生機(jī)械手發(fā)出運(yùn)動(dòng)指令，使其執(zhí)行相應(yīng)的動(dòng)作。各組成部分的結(jié)構(gòu)框架如圖1 所示。

圖1 仿生機(jī)械手肌電控制系統(tǒng)的結(jié)構(gòu)框架Fig.1 Structural framework of myoelectric control system of bionic manipulator

本文選用的肌電傳感器為六導(dǎo)聯(lián)肌肉電傳感器，能夠采集人體手臂或者腿部的表面肌電信號(hào)，并對(duì)其進(jìn)行一系列的放大與濾波處理。還有2 種通道增益方式，也可結(jié)合Arduino UNO 輸出原始肌電信號(hào)或者包絡(luò)后的肌電信號(hào)。

樹(shù)莓派是一款基于ARM 的微型電腦主板，以SD／MicroSD 卡為內(nèi)存硬盤(pán)，不僅具備所有PC 的基本功能，還有著豐富的硬件接口。本文使用的樹(shù)莓派四代B型，具有40 個(gè)引腳接口，不僅可以讀取肌電傳感器采集的肌電信號(hào)并進(jìn)行處理匹配，還可以與仿生機(jī)械手進(jìn)行串口通信，以控制仿生機(jī)械手做出與肌電信號(hào)相對(duì)應(yīng)的動(dòng)作。

本文選用了樹(shù)莓派和并行舵機(jī)控制板協(xié)同工作的方式，根據(jù)通信原理及舵機(jī)控制指令對(duì)樹(shù)莓派控制系統(tǒng)進(jìn)行設(shè)計(jì)。即樹(shù)莓派在對(duì)肌電信號(hào)加以處理后，將進(jìn)行仿生機(jī)械手的動(dòng)作匹配，再向并行舵機(jī)控制板發(fā)出相應(yīng)命令，從而控制仿生機(jī)械手對(duì)動(dòng)作進(jìn)行實(shí)時(shí)模擬。

2 肌電信號(hào)的采集與處理

2.1 肌電信號(hào)

肌電信號(hào)，是人體運(yùn)動(dòng)時(shí)肌肉產(chǎn)生的生物電信號(hào)，能夠反映肌肉動(dòng)作的狀態(tài)。當(dāng)人的肌肉在運(yùn)動(dòng)時(shí)，相應(yīng)的肌肉群會(huì)發(fā)生收縮。比如，當(dāng)人的右手運(yùn)動(dòng)時(shí)，會(huì)受到大腦中樞神經(jīng)系統(tǒng)的控制，右手骨骼肌的肌肉將會(huì)收縮以完成相應(yīng)動(dòng)作，此時(shí)就會(huì)在皮膚表面產(chǎn)生生物電信號(hào)。

肌電信號(hào)具有微弱性、低頻性、易受干擾性等特點(diǎn)［6］，其幅值主要在100～5 000 μV，頻率范圍在0～1 000 Hz，信號(hào)中的主要能量和頻譜主要集中在10～500 Hz。同時(shí)，采集肌電信號(hào)時(shí)易受電極位置、皮膚狀態(tài)、場(chǎng)所噪音等影響。

2.2 肌電信號(hào)的采集

目前，肌電信號(hào)的采集方式主要有2 種：侵入式采集與非侵入式采集。兩者的區(qū)別在于采集的位置和方式不同。其中，侵入式采集需要把針極刺入被試者的肌肉組織內(nèi)部，這樣一來(lái)信號(hào)采集的過(guò)程就不受外界干擾，但在一定程度上會(huì)對(duì)被試者造成傷害；非侵入式采集需要把電極貼片與被試者的皮膚表面接觸，通過(guò)此種方式采集到的信號(hào)就是表面肌電信號(hào)。

本文選用六導(dǎo)聯(lián)肌肉電傳感器進(jìn)行肌電信號(hào)的非侵入式采集。其前端采集電路通過(guò)1～6 通道采集人體手臂或者腿部的肌電信號(hào)，并對(duì)SEMG 進(jìn)行一系列的放大與濾波；中端通過(guò)單刀雙擲開(kāi)關(guān)切換Envelope Mode 和RAW Mode 輸出信號(hào)；后端采用Arduino UNO 采集中端的輸出信號(hào)，并控制LED燈發(fā)光，可以通過(guò)其亮度快速得出SEMG 信號(hào)的強(qiáng)度。

肢體所完成的動(dòng)作是依靠若干肌肉相互協(xié)調(diào)所致，并非其中一塊肌肉單獨(dú)引起的。人體手臂的肌肉分布如圖2 所示。

圖2 人體手臂肌肉分布示意圖Fig.2 Schematic diagram of human arm muscles

經(jīng)過(guò)反復(fù)的實(shí)驗(yàn)測(cè)試，發(fā)現(xiàn)指部的伸屈與肱橈肌、指淺屈肌、指深屈肌、尺側(cè)腕屈肌和橈側(cè)腕屈肌的關(guān)系更加緊密。故將肌電傳感器的一次性貼片電極貼在上述肌肉組織上進(jìn)行采集。該電極貼片與肌肉接觸面積小，從而能夠減少周邊肌肉對(duì)選定肌肉的信號(hào)干擾。根據(jù)前人的醫(yī)學(xué)研究發(fā)現(xiàn)，在被試者手臂上放置4～5 個(gè)電極片，可使動(dòng)作識(shí)別率最大化。

2.3 肌電信號(hào)的處理

在多通道肌電信號(hào)的數(shù)據(jù)處理中，活動(dòng)段檢測(cè)是極其重要的一個(gè)部分，可以確定很多組手勢(shì)中每一個(gè)手勢(shì)動(dòng)作的起始時(shí)刻和終止時(shí)刻，對(duì)每一個(gè)手勢(shì)動(dòng)作進(jìn)行劃分。信號(hào)的活動(dòng)段檢測(cè)能夠?qū)B續(xù)多個(gè)手勢(shì)動(dòng)作進(jìn)行準(zhǔn)確判別，直接影響著后期的特征提取和模式分類(lèi)。本文使用移動(dòng)平均法進(jìn)行活動(dòng)段檢測(cè)。移動(dòng)平均法是短時(shí)能量檢測(cè)算法中一種典型方法，能夠從連續(xù)的肌電信號(hào)中有效區(qū)分出活動(dòng)段和靜息段，方便不同手勢(shì)動(dòng)作的識(shí)別。

3 動(dòng)作匹配算法

3.1 卷積神經(jīng)網(wǎng)絡(luò)

在初步采集中，共收集了3 個(gè)動(dòng)作的39 445 條肌電信號(hào)數(shù)據(jù)。由于采集時(shí)肌電傳感器使用了2 個(gè)通道，因此數(shù)據(jù)集的總維度是39 445×2，對(duì)應(yīng)39 445個(gè)標(biāo)簽。此后，根據(jù)標(biāo)簽將數(shù)據(jù)轉(zhuǎn)換為3 個(gè)部分，并在每個(gè)部分中進(jìn)行分組操作，每200 個(gè)合并為一組，因此每一組的維度為200×2×1，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。在訓(xùn)練過(guò)程中將數(shù)據(jù)集打亂，同時(shí)對(duì)標(biāo)簽數(shù)據(jù)進(jìn)行one-hot 操作，并取80%作為訓(xùn)練集，20%作為測(cè)試集。在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型時(shí)使用了Python的Keras 模塊，該卷積神經(jīng)網(wǎng)絡(luò)共有5 層、即3 層卷積層和2 層全連接層，如圖3 所示。

圖3 卷積神經(jīng)網(wǎng)絡(luò)模型圖Fig.3 Convolution neural network model

每一層經(jīng)過(guò)卷積操作后得到的特征圖大小的計(jì)算公式如下：

特征圖的數(shù)目由卷積核個(gè)數(shù)決定，因此每一次卷積操作之后得到的特征圖大小為（高度，寬度，卷積核個(gè)數(shù)）。

本文中，選擇了基于梯度優(yōu)化算法的Adam 優(yōu)化器，損失函數(shù)則選擇了多分類(lèi)研究任務(wù)中常用的categorical_crossentropy。訓(xùn)練過(guò)程共迭代100次，每次訓(xùn)練的數(shù)據(jù)樣本量為64。訓(xùn)練后的損失值如圖4 所示。

圖4 訓(xùn)練集和測(cè)試集損失值Fig.4 Loss value of training set and test set

3.2 KNN 分類(lèi)算法

考慮到樹(shù)莓派達(dá)不到正常PC 機(jī)的算力，為了能夠在用樹(shù)莓派運(yùn)行時(shí)取得實(shí)時(shí)的效果，本文采用了KNN 分類(lèi)算法，KNN 算法作為最經(jīng)典的機(jī)器學(xué)習(xí)算法之一，實(shí)現(xiàn)起來(lái)也十分簡(jiǎn)單。KNN 算法的核心思想為：如果2 個(gè)樣本足夠相似，即在特征空間中的距離足夠近，則這2 個(gè)樣本大概率屬于同一類(lèi)別。為了提高判斷的準(zhǔn)確率，在實(shí)際應(yīng)用中通常尋找離待測(cè)樣本最近的K個(gè)樣本，根據(jù)K個(gè)樣本的類(lèi)別來(lái)判斷待測(cè)樣本的類(lèi)別。在不考慮距離權(quán)重時(shí)，K個(gè)樣本中哪種類(lèi)別的樣本數(shù)量最多，則待測(cè)樣本同屬于此類(lèi)別。本文使用了Sklearn庫(kù)中的KNeighborsClassifier 來(lái)實(shí)現(xiàn)KNN 算法。

首先是采集數(shù)據(jù)，將采集到的握拳、張開(kāi)以及Yeah 手勢(shì)的數(shù)據(jù)集分別設(shè)置標(biāo)簽，依據(jù)標(biāo)簽分成三大組。而后將一個(gè)標(biāo)簽中的數(shù)據(jù)視為KNN 中的一個(gè)點(diǎn)，將數(shù)據(jù)集中80%的數(shù)據(jù)設(shè)置為訓(xùn)練集，將數(shù)據(jù)集中20%的數(shù)據(jù)設(shè)置為測(cè)試集。

之后將數(shù)據(jù)進(jìn)行存儲(chǔ)后便可以進(jìn)行K個(gè)預(yù)測(cè)投票，再利用測(cè)試集中的數(shù)據(jù)進(jìn)行測(cè)試，發(fā)現(xiàn)精度達(dá)到96%，屬于簡(jiǎn)單的學(xué)習(xí)任務(wù)，適用于KNN 算法。

用新數(shù)據(jù)預(yù)測(cè)時(shí)，可按行讀取輸入的數(shù)據(jù)，并按行投票判斷歸屬于哪一類(lèi)，最終將每一行的結(jié)果再依據(jù)類(lèi)別進(jìn)行累計(jì)，輸出累計(jì)數(shù)目最多的結(jié)果。

4 機(jī)械手結(jié)構(gòu)設(shè)計(jì)

4.1 整體設(shè)計(jì)

本機(jī)械手具有高度的仿生性能，根據(jù)人手手指關(guān)節(jié)的結(jié)構(gòu)和運(yùn)動(dòng)自由度進(jìn)行設(shè)計(jì)，采用了連桿結(jié)構(gòu)，使得一個(gè)伺服舵機(jī)能夠控制一個(gè)手指上3 個(gè)關(guān)節(jié)的運(yùn)動(dòng)，即伺服舵機(jī)通過(guò)主舵轉(zhuǎn)動(dòng)推動(dòng)連桿使得一個(gè)手指向前彎曲，主舵反方向轉(zhuǎn)動(dòng)拉動(dòng)連桿使得手指伸張，如圖5 所示。這樣的結(jié)構(gòu)能夠使仿生機(jī)械手比較輕巧靈活地實(shí)現(xiàn)人手的動(dòng)作。

圖5 機(jī)械手連桿結(jié)構(gòu)Fig.5 Connecting rod structure of the manipulator

4.2 伺服舵機(jī)

仿生機(jī)械手使用的舵機(jī)是LX-224 雙軸總線(xiàn)舵機(jī)，如圖6 所示。LX-224 雙軸總線(xiàn)舵機(jī)扭矩為20 kg，自由度為180°，能夠充分滿(mǎn)足手指關(guān)節(jié)的運(yùn)動(dòng)需求。

圖6 LX-224 舵機(jī)Fig.6 LX-224 steering gear

該舵機(jī)為并行舵機(jī)，在舵機(jī)控制系統(tǒng)中，本文研制并開(kāi)發(fā)了一款具有多并行舵機(jī)控制功能的舵機(jī)控制板。舵機(jī)控制板大多以單片機(jī)（STM32／STM8等）作為核心，本文的并行舵機(jī)控制板以單片機(jī)STM8S003 為主板。STM8S003 提供了10 比特模數(shù)轉(zhuǎn)換器、3 個(gè)定時(shí)器、1 個(gè)串口、1 個(gè)IIC 等功能模塊。同時(shí)并行舵機(jī)控制板內(nèi)還集成了2 塊PCA9685 作為驅(qū)動(dòng)模塊。驅(qū)動(dòng)模塊PCA9685 是一款I(lǐng)IC 總線(xiàn)控制的16 通道的PWM 波發(fā)生器，每個(gè)輸出通道都有自己的12 位分辨率固定和頻率單獨(dú)的PWM 控制器，該控制器在典型的24～1 526 Hz 的可編程頻率下運(yùn)行，占空比在0%～100%范圍內(nèi)可調(diào)。PCA9685 還具有一個(gè)外部時(shí)鐘輸入引腳，可以接受用戶(hù)提供的時(shí)鐘（最大50 MHz），代替內(nèi)部25 MHz振蕩器，此功能允許同步多個(gè)設(shè)備。僅占用主控板的4 個(gè)引腳，通過(guò)IIC 通信協(xié)議就可以驅(qū)動(dòng)16 臺(tái)舵機(jī)。此外，可以通過(guò)級(jí)聯(lián)的方式最多級(jí)聯(lián)62 個(gè)驅(qū)動(dòng)板。本機(jī)械手所使用的并行舵機(jī)控制板共級(jí)聯(lián)了2個(gè)驅(qū)動(dòng)板，可以驅(qū)動(dòng)32 臺(tái)舵機(jī)。

并行舵機(jī)控制板如圖7 所示，控制板電路圖如圖8 所示。

圖7 并行舵機(jī)控制板Fig.7 Parallel steering gear control board

圖8 舵機(jī)控制板電路圖Fig.8 Circuit diagram of steering gear control board

5 系統(tǒng)硬件設(shè)計(jì)

本文所涉及的系統(tǒng)主要由樹(shù)莓派4B、并行舵機(jī)控制板、并行舵機(jī)、肌電傳感器、Arduino 等部分組成?？刂葡到y(tǒng)各模塊硬件連接如圖9 所示。

圖9 控制系統(tǒng)各模塊硬件連接圖Fig.9 Hardware connection diagram of each module of control system

5.1 硬件的配置

為了滿(mǎn)足本文硬件需要，樹(shù)莓派需要設(shè)置開(kāi)機(jī)自啟動(dòng)項(xiàng)，同時(shí)通過(guò)配置文件來(lái)修改樹(shù)莓派的設(shè)備樹(shù)，改變引腳的映射關(guān)系，將ttyAMA0 映射到引出的GPIO Tx ／Rx上，以此使用高性能的硬件串口。Arduino 需要使用A0～A5和D0～D13的引腳完成與肌電傳感器的數(shù)據(jù)傳輸、控制LED 燈等功能。此外，還要使用USB 線(xiàn)將Arduino 與樹(shù)莓派進(jìn)行連接。

5.2 硬件通信模式設(shè)計(jì)

5.2.1 Arduino 與肌電傳感器之間的通信

Arduino 與肌電傳感器之間通過(guò)Arduino的D0和D1引腳來(lái)實(shí)現(xiàn)串口通信；通過(guò)D2～D4引腳分別實(shí)現(xiàn)移位寄存器的數(shù)據(jù)、時(shí)鐘和鎖存功能；通過(guò)D5和D6引腳來(lái)控制燈的按鍵；通過(guò)D7～D12引腳輸出的數(shù)據(jù)來(lái)控制傳感器上燈的顏色；通過(guò)D13引腳來(lái)使能控制燈的模塊；通過(guò)A0～A5引腳來(lái)接收肌電傳感器的包絡(luò)信號(hào)。最終能夠通過(guò)Arduino 讀取肌電傳感器的肌肉電信號(hào)數(shù)據(jù)。

5.2.2 樹(shù)莓派與Arduino 之間的通信

樹(shù)莓派與Arduino 之間通過(guò)USB 口進(jìn)行連接，使用串口通信方式。連接后檢查是否存在ttyACM0文件，存在即可正常使用。由于串口通信簡(jiǎn)單、并且能夠?qū)崿F(xiàn)遠(yuǎn)距離通信，符合項(xiàng)目要求，所以樹(shù)莓派和Arduino 之間使用串口通信。串口通信主要就在于各類(lèi)參數(shù)的匹配，例如波特率、數(shù)據(jù)位、奇偶校驗(yàn)。2個(gè)端口如要實(shí)現(xiàn)通信，這些參數(shù)必須匹配。

5.2.3 樹(shù)莓派與舵機(jī)控制板之間的通信

本文選用了樹(shù)莓派和并行舵機(jī)控制板協(xié)同工作的方式來(lái)控制機(jī)械手。并行傳輸相比于串行傳輸?shù)膬?yōu)點(diǎn)在于易于實(shí)現(xiàn)和速度較快，雖然傳輸距離近，但對(duì)本系統(tǒng)來(lái)說(shuō)已經(jīng)足夠，所以選擇并行傳輸方式，并使用上述自主研制的并行舵機(jī)控制板。具體實(shí)現(xiàn)方式為：控制板的Tx 接樹(shù)莓派的Rx，控制板的Rx 接樹(shù)莓派的Tx。本次設(shè)計(jì)中，圖9 中樹(shù)莓派的8 號(hào)引腳（TXD）、10 號(hào)引腳（RXD）分別與并行舵機(jī)控制板的Rx、Tx 引腳相連。最后設(shè)置相同的波特率，即可將樹(shù)莓派上的指令傳輸給舵機(jī)控制板，從而實(shí)現(xiàn)對(duì)舵機(jī)的控制。

6 測(cè)試及結(jié)論

本文針對(duì)仿生機(jī)械手肌電控制系統(tǒng)進(jìn)行了測(cè)試與評(píng)估。5 名被試者首先進(jìn)行表面皮膚處理，然后使用自主設(shè)計(jì)的上位機(jī)軟件采集當(dāng)前動(dòng)作的肌電信號(hào)，如圖10 所示。

圖10 數(shù)據(jù)可視化及動(dòng)作預(yù)測(cè)Fig.10 Data visualization and action prediction

測(cè)試中，握拳、五指張開(kāi)和Yeah 手勢(shì)每個(gè)動(dòng)作各做20次，即每個(gè)動(dòng)作都有100 組數(shù)據(jù)，分別統(tǒng)計(jì)每個(gè)動(dòng)作正確識(shí)別的個(gè)數(shù)、錯(cuò)誤識(shí)別的個(gè)數(shù)以及識(shí)別率見(jiàn)表1。

表1 測(cè)試實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)Tab.1 Statistics of test results

從表1 可以看出，在進(jìn)行測(cè)試的動(dòng)作中，握拳的識(shí)別率最高，達(dá)93%，而張開(kāi)和Yeah 手勢(shì)識(shí)別率略低?？紤]到被試者之間體質(zhì)差異的問(wèn)題，這樣的誤差可以理解。另外，實(shí)驗(yàn)過(guò)程中還發(fā)現(xiàn)，張開(kāi)和Yeah 手勢(shì)之間容易發(fā)生錯(cuò)誤識(shí)別，經(jīng)分析發(fā)現(xiàn)是由于兩者肌電信號(hào)有時(shí)近似度較高。

另一個(gè)評(píng)估標(biāo)準(zhǔn)是系統(tǒng)的響應(yīng)時(shí)間。實(shí)驗(yàn)中，發(fā)現(xiàn)仿生機(jī)械手反應(yīng)相對(duì)迅速。為了實(shí)現(xiàn)定量分析，對(duì)每個(gè)動(dòng)作從開(kāi)始預(yù)測(cè)到輸出結(jié)果的時(shí)間進(jìn)行了統(tǒng)計(jì)。結(jié)果表明，系統(tǒng)的平均識(shí)別時(shí)間為12 s。而本系統(tǒng)每20 ms 采集一條肌電數(shù)據(jù)，即采集當(dāng)前動(dòng)作的400 條肌電數(shù)據(jù)需要8s，所以預(yù)測(cè)速度平均為4 s。進(jìn)一步分析后可知，通過(guò)提高采集速度和優(yōu)化匹配模型，能夠更好、更快地得出結(jié)果。

綜上所述，本文的仿生機(jī)械手肌電控制系統(tǒng)是合理的。

7 結(jié)束語(yǔ)

本文設(shè)計(jì)了一種基于肌電控制技術(shù)的仿生機(jī)械手肌電操控系統(tǒng)，由六導(dǎo)聯(lián)肌肉電傳感器、肌電信號(hào)傳輸導(dǎo)聯(lián)線(xiàn)、Arduino UNO 單片機(jī)、上位機(jī)、樹(shù)莓派4B、并行舵機(jī)控制板及仿生機(jī)械手構(gòu)成，基本實(shí)現(xiàn)了對(duì)人手的實(shí)時(shí)模仿。后續(xù)可通過(guò)ZigBee 實(shí)現(xiàn)遠(yuǎn)程控制，進(jìn)而用于排爆等高危行業(yè)和偏癱患者的手部功能恢復(fù)等領(lǐng)域。目前由于只采集了3 個(gè)動(dòng)作的肌電數(shù)據(jù)做測(cè)試，存在一定的局限性。但總體上對(duì)仿生機(jī)械手的后續(xù)發(fā)展與應(yīng)用具有一定的借鑒意義。