一种肌电假手的自适应模糊控制方法

针对肌电假手的力控制问题,提出了一种基于肌电信号自适应学习的动作识别方法,同时结合模糊神经网络PID控制算法实现肌电信号对假手的控制.设计的肌电信号自适应学习动作识别方法在时域内进行,减小运算复杂度和计算量的同时保证了动作识别精度.采用模糊神经网络PID算法设计了假手握力控制器,在没有位置传感器的情况下保证了假手握力的控制精度.进行了肌电信号动作识别跟踪实验、假手握力跟踪实验、肌电信号控制假手抓取实验,实验结果证明了肌电信号自适应学习动作识别方法和模糊神经网络PID握力控制方法在肌电假手控制中的有效性.     

三自由度比例控制肌电假手的设计

针对电动假手的仿生控制问题,给出了一种三自由度实时比例控制肌电假手的设计方案。通过采集残臂上的4路表面肌电信号（SEMG）,采用能量时域分析法对信号进行了特征提取,并采用二叉决策树模式分类方法识别得到了手部3个自由度7个动作模式。由单片机构成的信号处理和控制电路,实现了三自由度电动假手的实时仿生控制;并根据表面肌电信号的强弱,采用多路SEMG能量加权法来求取多自由度假手的比例控制系数,实现了对电动假手的比例控制。试验结果表明,基于表面肌电信号的三自由度肌电假手响应速度快。动作准确率达到96％以上。     

基于sEMG和GRNN的手部输出力估计

针对智能肌电假手力控制的需要,提出一种基于表面肌电信号(s EMG)和广义回归神经网络(GRNN)的手部输出力估计方法。首先在介绍实验平台的基础上详细描述了肌电信号的采集和特征提取方法以及广义回归神经网络的构建;然后,通过在手臂8个不同部位粘贴肌电传感器来检测手部动作过程中的肌电信号;同时为了全面测量人手在三维空间中的输出力,采用三维力传感器对手部的输出力进行测量;在同步获得手臂上的多通道肌电信号(X)和手部三维力推拉信号(F)后,对采集得到肌电信号进行了特征提取得到特征矩阵X_F;将X_F和F用于构建GRNN网络,并用均方差和残差绝对值均值对手部输出力的估计结果进行评估。为验证该方法的有效性,进行了实验验证,结果表明,该方法能够很好地利用sEMG对手部的输出力进行估计。     

带触觉的肌电假手握力模糊控制方法

从注重残疾人本体感出发,提出了一种新的用于肌电假手握力控制的方法.该方法利用短时傅里叶变换思想对信号进行时间片分割,并对时间片内的信号分析选取了几个具有代表性的肌电信号参数,并用训练后的神经网络对其进行分析处理,进而估计出相应的肌肉用力大小.同时将肌电假手指端的力触觉传感器所得的力触觉信号和肌肉用力大小信号输入模糊控制器,根据设计好的模糊控制规则调节肌电假手驱动电机的转动速度从而控制握力大小.该方法可以有效减小个人差异性和肌电信号传感器检测位置不同对控制效果的影响,可以减小肌电传感器安装难度并可供不同的残疾人使用.实验结果证明了该握力控制方法的有效性.     

仿生电动假手的研究

设计一种带有触觉和滑觉传感器的肌电控制电动假手。触滑觉组合传感器采用PVDF作为敏感材料．柔顺的传感器表面和小巧的尺寸使之能完全应用于仿生假手的手指上。以AR模型特征分析方法与神经网络相结合的方法完成肌电信号的运动模式识别，并在电动假手的控制上，采用肌电信号与触滑感觉信号作为双重控制信号源，取得了良好的电动假手仿生控制效果。     

采用肌电信号控制残疾人假手的研究

介绍了采用肌电信号来控制假手的运动。手指部分的设计采用欠驱动机构和耦合原理，控制电路与机械结构进行系统化设计，假手由皮肤表面肌电（EMG）信号进行控制，肌电信号处理运算全部在DSP内完成。研究表明，该控制算法简单，特征识别成功率高。     

基于表面肌电信号的前臂手部多运动模式识别

基于表面肌电信号的肢体运动模式识别是假手仿生控制的基础，SEMG的个体差异与识别率是肌电假手实用化必须面对的问题。本文根据SEMG的频谱特性提出了一种新的特征提取方法——功率谱比值法。该方法的主要特点是以实时取得的SEMG功率谱信号为基础，确定最大功率谱附近的谱能量与全信号段谱能量之比为特征值，将人的个体差异影响降低到最低程度。模式分类器采用特别设计的Bayes统计决策算法，该方法在非特定人的条件下应用于前臂肌群的多运动模式识别时，识别正确率达到84％，已具备一定的实用性。     

基于双流卷积神经网络的肌电信号手势识别方法

面向高性能的肌电控制系统,提出一种基于双流卷积神经网络的肌电信号手势识别方法,其从原始表面肌电信号中提取离散小波变换系数,与原始表面肌电信号分别作为双流卷积神经网络两个分支的输入进行高层特征学习,最终通过一个高层特征融合模块对两个分支学习得到的高层特征进行融合.所提方法在3个包含50～52类手势动作表面肌电信号的大规模...     

肌电智能轮椅控制系统设计

为了实现轮椅多种运动状态的智能控制,设计了一种肌电臂环与安卓平台组成的肌电轮椅控制系统。通过采集不同手势动作时的人体前臂表面肌电信号,对其进行数据处理与模式识别,配合蓝牙无线通信,实现了轮椅前进、后退、左转、右转与停止五种状态的实时检测与控制。实验表明,系统响应时间短,在线识别率高,提供了一种稳定、廉价、可扩展的基于肌电信号的智能轮椅控制方案。     

机器人多指手预抓取模式聚类分析

提出一种基于计算机视觉的,以及改进的模糊C均值聚类算法的机器人多指手预抓取模式分类方法.根据人手抓取分类学,将抓取手势分为13类.选取若干具有代表性的不规则形状物体,先经视觉系统采集物体图像,然后运用数字图像处理方法提取物体的姿态、大小、形状和表面粗糙度等特征,最后利用改进后的模糊C均值聚类算法对待抓取物体进行聚类分析.实验结果表明:对比人类抓取策略,该方法具有理想的预抓取模式分类效果.     

多自由度假手控制和实验系统的设计

设计了多自由度假手控制系统,采用了分布式结构,有2个DSP分别进行假手的本体控制和基于EMG信号动作识别.建立了多自由度假手控制实验平台,可以进行离线训练和基于DSP的在线动作识别.     

假肢手恒定力量输出的诱发肌电反馈控制研究

肌电假肢手的连续动态控制有益于提高假肢手的使用性能和用户对假肢手的交互控制能力,产生持续稳定的力量是假肢手需要完成的一种常见任务,但是疲劳、注意力分散等诸多因素都可能导致肌电信号发生变化从而影响假肢手稳定力量输出。本文提出了一种基于电刺激诱发肌电的假肢手稳定力量输出控制方法,通过电刺激尺神经诱发肌电信号对假肢手恒定力量输出进行持续控制。为验证方法可行性,招募了7名健康被试,首先测试了稳定抓握过程中注意力分散对屈肌肌电活动水平的影响,并确定电刺激强度与诱发肌电(M波)幅度的关系模型;在此基础上,测试了电刺激在注意力分散过程中是否能诱发出预期的肌电信号。结果表明注意力分散会引起肌电信号幅度下降,通过电刺激方法可以得到恒定的肌电输出;同时,通过调节刺激参数可以控制诱发肌电强度,可为肌电假肢手的稳定力量输出提供有效的控制信号。     

基于肌电信号的仿人型假手控制

提出了一个表面肌电信号运动模式分类器，利用安置在拇长屈肌和指深屈肌上的2个电极所测得的肌电信号，该运动模式分类器能够成功的分辨出拇指、食指和中指的弯曲运动。完成了对所研制仿人型残疾人假手的控制。     

仿人型残疾人假手机构的研究

采用欠驱动原理和耦合原理研制了具有感知功能的集成化多自由度的假手,该手尺寸与成年人手相仿,具有抓握物体自适应能力,能够完成力量抓握和精确抓握。采用数学建模的方法设计了手指的四连杆机构,并进行了参数优化设计及静力学和运动学分析。     

A design approach for myoelectric arm with hand and wrist motions using single actuator

This paper relates to the development of prosthetic myoelectric hand that performs many functions of real human hand like opening and closing of fingers and wrist rotation. This dual movement of prosthetic hand is controlled by a single DC motor. Below-elbow amputee persons with missing limbs can append this prosthetic hand with the available stump and can do some of the hand operations with multiple degrees of freedom by voluntary activation of muscles using electromyogram (EMG) electrodes. To rehabilitate such a person, facilities like opening, closing, grasping, and lifting objects of different weight with variable grip force are available like natural hand. The main design consideration includes degrees of freedom, number of actuators, power of actuators, reliability, electronic control, light weight, economic viability, wrist rotation, variable grip force pattern, and ease of attachment with limb. Use of electromagnetic clutches along with the coupling logic of DC motor and microcontroller based on grip force generation and wrist rotation based on EMG signals imparts a new function to the device. It will be useful for both robotic and prosthetic industry.     

欠驱动假肢手的运动学与静力学仿真

应用虚功原理建立了SJT2欠驱动仿人假肢手的抓取静力学模型,实现了抓取操作过程中静力分配的仿真计算.利用Open inventor建立了假肢手的虚拟场景,同时利用Coldet完成了图形仿真系统的碰撞检测功能.利用虚拟仿真系统,实现了对圆柱形物体的抓取仿真.     

基于动态阈值的肌电假手动作控制方法研究

由于构成肌电信号采集电路的电子元器件性能不可能完全对称及干扰信号的存在,有时会导致两路肌电信号发生阈值不一致。这时仍采用固定阈值来对两路肌电信号控制的动作进行判别,会导致动作的误判率增加。为了提高对假手动作判别的正确率,本文提出了利用动态阈值对假手动作进行判别。实验结果表明,利用动态阈值对假手动作进行判别,能够提高对动作判别的正确率达约10%。     

基于组合RNN网络的EMG信号手势识别

肌肉计算机接口(MCI)系统是虚拟现实、人机交互研究的热点之一,其核心问题是EMG肌电信号分类,因而MCI系统可以与深度学习方法有效结合。表面EMG信号分为高密度瞬时信号与稀疏多通道信号,前者类似于图像,可以采用CNN网络处理;本文应用RNN网络对后者进行研究,并利用MYO臂环实现了相应MCI系统。稀疏多通道EMG信号是不定长时间序列信号,前后时间相关性高,采用RNN网络进行分类。通过对原始信号进行时域、时频域、频域特征拓展,获得原始信号的多流特征序列,并提出两类组合RNN网络架构处理相应多流信号。用户依赖时算法准确率达90.78%,非用户依赖的人群测试中手势识别准确率达78.01%,实时动作识别准确率达82.09%,算法能在61.7毫秒内识别手势动作。本文所提出的组合RNN网络方法可以有效区分基于EMG信号的不同动作,且所设计的MCI系统用户泛化性与工作实时性表现好。