韓團(tuán)軍，張晶，黃朝軍，王桂寶

(陜西理工大學(xué)物理與電信工程學(xué)院，陜西漢中 723000)

0 前言

隨著科學(xué)技術(shù)的進(jìn)步，人們對(duì)機(jī)器設(shè)備的依賴逐漸增多，可以通過(guò)各種指令與機(jī)器完成基本的交互[1-3]。從人體結(jié)構(gòu)上看，雙手是人類最熟悉并且常用的部位，可以靈敏地感知外界的信息并且將觸摸到的信息反饋給上一級(jí)神經(jīng)網(wǎng)絡(luò)中樞，大腦及時(shí)給出精準(zhǔn)的控制信號(hào)，手臂通過(guò)大腦給的控制信號(hào)迅速做出反應(yīng)。但是手臂殘疾或缺少的人無(wú)法進(jìn)行復(fù)雜的工作，甚至少數(shù)人連最基本的生活都是問(wèn)題[4]。所以設(shè)計(jì)一款智能假肢或者能人體行為控制的機(jī)械臂顯得尤為重要。

本文作者提出一種基于表面肌電信號(hào)的機(jī)械手控制系統(tǒng)。系統(tǒng)通過(guò)肌電信號(hào)傳感器對(duì)肌電信號(hào)進(jìn)行采集和軟硬濾波，再通過(guò)時(shí)頻域結(jié)合的方法進(jìn)行特征提取，最后通過(guò)BPNN算法進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果通過(guò)無(wú)線模塊發(fā)送指令控制。信號(hào)處理系統(tǒng)發(fā)出控制命令經(jīng)過(guò)無(wú)線傳輸?shù)綑C(jī)械手臂，來(lái)控制6舵機(jī)自由度的機(jī)械手臂，實(shí)現(xiàn)6個(gè)動(dòng)作的展示。

1 系統(tǒng)的硬件模型

基于sEMG信號(hào)和BPNN算法的機(jī)械臂控制系統(tǒng)可分為兩部分：一部分是Cortex-M4系列的微處理器為主的sEMG信號(hào)處理系統(tǒng)，另一部分是Cortex-M3系列的微處理器為主的機(jī)械手臂控制系統(tǒng)。整個(gè)系統(tǒng)用傳感器采集肌電信號(hào)，采集的信號(hào)結(jié)合時(shí)頻域特點(diǎn)進(jìn)行特征提取，再分類通過(guò)BPNN算法進(jìn)行訓(xùn)練。整個(gè)設(shè)計(jì)系統(tǒng)設(shè)計(jì)思路如圖1所示。

圖1 整個(gè)系統(tǒng)的設(shè)計(jì)思路

2 實(shí)驗(yàn)條件設(shè)計(jì)及數(shù)據(jù)采集

數(shù)據(jù)采集條件：測(cè)試者需要正坐，手臂懸空，用計(jì)算機(jī)進(jìn)行提示，實(shí)驗(yàn)者依據(jù)提示信息來(lái)完成對(duì)應(yīng)的動(dòng)作。實(shí)驗(yàn)每一個(gè)動(dòng)作都分為3個(gè)部分：起始部分是放松半握手狀態(tài)，時(shí)間為5 s；執(zhí)行部分是在模仿計(jì)算機(jī)給出的動(dòng)作，保持動(dòng)作持續(xù)時(shí)間為5 s；結(jié)束部分是恢復(fù)到起始狀態(tài)，時(shí)間保持5 s。每組有6個(gè)手勢(shì)動(dòng)作，需要采集20組數(shù)據(jù)。實(shí)驗(yàn)中總共選取6種手部動(dòng)作做待采集動(dòng)作，有握拳、伸掌、手腕左轉(zhuǎn)、手腕右轉(zhuǎn)、手掌彎向前、手掌彎向后。這些手部動(dòng)作引起的肌肉運(yùn)動(dòng)比較強(qiáng)烈，使采集到的數(shù)據(jù)更準(zhǔn)確，進(jìn)而可以使分類更準(zhǔn)確。6種動(dòng)作的手勢(shì)如圖2所示。

圖2 6種手勢(shì)動(dòng)作圖

采用貼在皮膚表面的濕電極采集肌電數(shù)據(jù)，采集到的數(shù)據(jù)含有較多的雜波，需要進(jìn)行濾波處理。采用硬件和軟件兼容進(jìn)行濾波，濾波降噪處理采用小波變換降噪和巴特沃斯濾波器。從經(jīng)過(guò)預(yù)處理的數(shù)據(jù)里面提取一些時(shí)域特征值和頻域特征值。提取的數(shù)據(jù)可作為BPNN算法訓(xùn)練模型的輸入數(shù)據(jù)。巴特沃斯低通濾波器的設(shè)計(jì)函數(shù)如式(1)所示：

(1)

巴特沃斯濾波器的特點(diǎn)是通頻帶內(nèi)的頻率響應(yīng)曲線最大限度平坦，沒(méi)有起伏，而在阻頻帶則逐漸下降為零[5-7]。在振幅的對(duì)數(shù)對(duì)角頻率的Bode圖上，從某一邊界角頻率開(kāi)始，振幅隨著角頻率的增加而逐漸減少，趨向負(fù)無(wú)窮大。設(shè)計(jì)利用MATLAB對(duì)采集信號(hào)進(jìn)行仿真濾波處理，原始信號(hào)是模擬肌電信號(hào)的一個(gè)數(shù)字信號(hào)，通過(guò)低通濾波處理，更加平滑。濾波效果如圖3所示。

圖3 原始信號(hào)(a)和巴特沃斯低通濾波后的信號(hào)(b)

3 數(shù)據(jù)特征提取

采集到的肌電信號(hào)經(jīng)過(guò)預(yù)處理后信號(hào)比較微弱，所以要對(duì)于肌電信號(hào)進(jìn)行特征提取。由于不同動(dòng)作在時(shí)域和頻域識(shí)別率大小不一樣，設(shè)計(jì)中結(jié)合這兩種方法進(jìn)行處理，左轉(zhuǎn)和握拳動(dòng)作在時(shí)域分析比較明顯同時(shí)計(jì)算簡(jiǎn)單，采用時(shí)域提取方法，其他動(dòng)作在頻域進(jìn)行特征提取較好。時(shí)域提取時(shí)，由于sEMG信號(hào)處理中，表面肌電信號(hào)是一種微弱的非線性時(shí)變信號(hào)，一般采用時(shí)域特征提取法就是對(duì)信號(hào)進(jìn)行時(shí)域上的統(tǒng)計(jì)處理。表面肌電信號(hào)可以理解成一種類似高斯分布的隨機(jī)信號(hào)，將式(2)—(6)處理將所得到的結(jié)果作為信號(hào)的時(shí)域特征[8-12]。

式(2)為平均絕對(duì)值(MAV)，反映了信號(hào)曲線函數(shù)偏離的程度。

(2)

式(3)為均方根(RMS)，反映了肌肉活動(dòng)產(chǎn)生的肌電信號(hào)能量的強(qiáng)弱。

(3)

式(4)為積分肌電值(IEMG)，反映了肌肉運(yùn)動(dòng)時(shí)的活動(dòng)強(qiáng)度。

(4)

式(5)為標(biāo)準(zhǔn)偏差(STD)，反映了肌電信號(hào)數(shù)據(jù)間的離散程度。

(5)

式(6)為Willison 振幅(WA)，反映了肌肉運(yùn)動(dòng)時(shí)的收縮能力。

(6)

根據(jù)上面的公式可以直接對(duì)肌電信號(hào)進(jìn)行處理，可以提取到肌電信號(hào)對(duì)應(yīng)的時(shí)域特征值。

頻域的特征提取是在頻域上進(jìn)行的，所以需要將采集到的數(shù)據(jù)經(jīng)過(guò)傅里葉變換變成頻域信號(hào)才能進(jìn)行處理。這是為了彌補(bǔ)時(shí)域信號(hào)特征值的不足，頻域里面也有隱藏的肌電信息。

平均功率頻率(MPF)表示功率譜平均值的頻率，反映了肌肉活動(dòng)強(qiáng)度。具體計(jì)算公式見(jiàn)式(7)：

(7)

中值頻率(MF)表示sEMG功率譜的中值頻率，反映了肌肉在一定時(shí)間內(nèi)的平均功率。

(8)

4 訓(xùn)練模型BPNN算法及優(yōu)化

模型建立。輸入數(shù)據(jù)為x，輸入層到隱藏層的參數(shù)為w、b1，隱藏層到輸出層的參數(shù)為v、b2，激活函數(shù)為g1、g2。輸入層到隱藏層算法如式(9)所示：

n1=wTx+b1，h=g1(n1)

(9)

隱藏層到輸出層算法如式(10)所示：

(10)

模型函數(shù)如式(11)所示：

(11)

損失函數(shù)如式(12)所示：

(12)

過(guò)程計(jì)算。輸出層的誤差項(xiàng)：輸出層的參數(shù)v與損失函數(shù)E沒(méi)有直接的相關(guān)關(guān)系，而是通過(guò)復(fù)數(shù)的方式關(guān)聯(lián)，如式(13)所示：

(13)

根據(jù)鏈?zhǔn)椒▌t，輸出層的參數(shù)v與損失函數(shù)E的誤差項(xiàng)見(jiàn)式(14)：

(14)

輸出層的誤差項(xiàng)如式(15)所示：

(15)

模型參數(shù)優(yōu)化。隱藏層的誤差項(xiàng)，即計(jì)算損失函數(shù)關(guān)于隱藏單元的偏導(dǎo)函數(shù)值和梯度值，見(jiàn)式(16)：

(16)

輸出層的誤差項(xiàng)，即計(jì)算損失函數(shù)關(guān)于輸出層的梯度值和偏導(dǎo)函數(shù)值見(jiàn)式(17)：

(17)

輸出層參數(shù)更新見(jiàn)式(18)：

(18)

隱藏層參數(shù)更新見(jiàn)式(19)：

(19)

5 實(shí)驗(yàn)結(jié)果及分析

整個(gè)系統(tǒng)建模完成后使用3D打印機(jī)打印出每一部分，把打印的分離模塊進(jìn)行組裝，控制模塊選擇舵機(jī)做牽引動(dòng)力，手臂一共使用了6個(gè)舵機(jī)，其中一個(gè)控制手腕左轉(zhuǎn)和右轉(zhuǎn)，其余5個(gè)分別獨(dú)立控制一個(gè)手指頭?？刂品绞绞峭ㄟ^(guò)舵機(jī)牽引鋼絲繩拉動(dòng)手指完成動(dòng)作，舵機(jī)的左右轉(zhuǎn)會(huì)控制手指的彎曲和伸直，鏈接部分應(yīng)用鋼絲打印。組裝的實(shí)物如圖4所示。

圖4 實(shí)物(a)和內(nèi)部結(jié)構(gòu)(b)

對(duì)系統(tǒng)進(jìn)行了測(cè)試。通過(guò)對(duì)肌電信號(hào)的采集與處理，可以看到在時(shí)域下，各類肌電信號(hào)幅值差異性較小，通過(guò)傅里葉變換將時(shí)域信號(hào)變成頻域信號(hào)，在頻域明顯可以看到每種手勢(shì)之間的區(qū)別。為了提高識(shí)別率，需要將時(shí)域信號(hào)和頻域信號(hào)結(jié)合起來(lái)。6種手勢(shì)肌電信號(hào)的時(shí)、頻域圖如圖5所示。

根據(jù)此次肌電信號(hào)特征，為了減少計(jì)算復(fù)雜度，設(shè)計(jì)選擇7個(gè)輸入節(jié)、6個(gè)輸出節(jié)點(diǎn)的三層神經(jīng)網(wǎng)絡(luò)模型。根據(jù)相關(guān)文獻(xiàn)、經(jīng)驗(yàn)得知，隱藏層節(jié)點(diǎn)個(gè)數(shù)從3個(gè)開(kāi)始為最佳，依次加1，最大到8個(gè)節(jié)點(diǎn)。訓(xùn)練識(shí)別結(jié)果如表1所示。

根據(jù)表1的統(tǒng)計(jì)結(jié)果可知，隱藏層節(jié)點(diǎn)的個(gè)數(shù)6個(gè)為最佳，所以這次實(shí)驗(yàn)選擇7個(gè)輸入節(jié)點(diǎn)、6個(gè)隱藏層節(jié)點(diǎn)、6個(gè)輸出層節(jié)點(diǎn)的BP網(wǎng)絡(luò)模型。因?yàn)闀r(shí)域特征和頻域特征合在一起共有7個(gè)特征值，有6種手勢(shì)需要分辨。該模型訓(xùn)練結(jié)果如圖6所示：此次神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練了10 000次，可以明顯看出前期訓(xùn)練次數(shù)較少的時(shí)候，效果比較明顯，到了大概8 000次左右，曲線呈水平狀。經(jīng)修改，最終機(jī)器學(xué)習(xí)次數(shù)為8 000次，一方面可以減少訓(xùn)練時(shí)間，另一方面防止出現(xiàn)過(guò)擬合。

圖6 BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果誤差

按照之前的采集數(shù)據(jù)操作過(guò)程進(jìn)行模型驗(yàn)證。圖7所示為6種手勢(shì)所對(duì)應(yīng)的機(jī)械手動(dòng)作。6種手勢(shì)分別對(duì)應(yīng)的機(jī)械手臂的動(dòng)作如表2所示。

表2 手勢(shì)動(dòng)作對(duì)應(yīng)

實(shí)驗(yàn)中通過(guò)手部的動(dòng)作和機(jī)械手的動(dòng)作進(jìn)行對(duì)比，來(lái)判斷識(shí)別是否準(zhǔn)確。如果機(jī)械手的動(dòng)作和對(duì)應(yīng)手部動(dòng)作相同，則認(rèn)為識(shí)別成功，反之則識(shí)別失敗。一共實(shí)驗(yàn)了600次，每個(gè)動(dòng)作識(shí)別100次，表3為每個(gè)動(dòng)作的成功次數(shù)統(tǒng)計(jì)。

表3 實(shí)驗(yàn)結(jié)果

從統(tǒng)計(jì)結(jié)果可以看到：伸掌和握拳這兩種手勢(shì)識(shí)別的準(zhǔn)確率高達(dá)90%多，相對(duì)于其他手勢(shì)來(lái)說(shuō)識(shí)別效果較好，其他手勢(shì)的識(shí)別率平均也達(dá)到了80%。那兩個(gè)手勢(shì)識(shí)別率高的原因應(yīng)該是選取的測(cè)試肌肉區(qū)域?qū)@兩種手勢(shì)反應(yīng)比較強(qiáng)烈，其他的手勢(shì)就沒(méi)有那么大的反應(yīng)。數(shù)據(jù)可以證明設(shè)計(jì)的正確性。

6 結(jié)論

設(shè)計(jì)了基于sEMG信號(hào)和BPNN算法的機(jī)械臂控制系統(tǒng)，對(duì)肌電信號(hào)的采集、識(shí)別和機(jī)械手臂的控制等工作進(jìn)行了深入研究。通過(guò)對(duì)實(shí)時(shí)控制機(jī)械手臂的結(jié)果分析，6種手勢(shì)平均識(shí)別率在80%以上，可以證明設(shè)計(jì)的正確性。