面向仿生机械手的可穿戴便携式实时控制动作识别系统.pdf

《面向仿生机械手的可穿戴便携式实时控制动作识别系统.pdf》由会员分享，可在线阅读，更多相关《面向仿生机械手的可穿戴便携式实时控制动作识别系统.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010238380.8 (22)申请日 2020.03.30 (71)申请人 哈尔滨工业大学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 曹天傲刘丹王启松孙金玮 (74)专利代理机构 哈尔滨市松花江专利商标事 务所 23109 代理人 张利明 (51)Int.Cl. B25J 9/00(2006.01) B25J 9/16(2006.01) B25J 19/02(2006.01) (54)发明名称 面向仿生机械手的可穿戴便携式实时控制 动作识。

2、别系统 (57)摘要 面向仿生机械手的可穿戴便携式实时控制 动作识别系统， 涉及一种仿生机械手实时控制技 术， 为了解决现有的机械手成本高、 功能单一、 实 时性差以及采集与识别的精度偏低的问题。 本发 明通过分析表面肌电信号的产生机理和特点， 确 定了待识别动作、 采集的肌肉区域和电极的数量 及摆放位置。 使用实验室自主研发采集装置采集 了4通道前臂表面肌电信号， 并进行去干扰处理 后， 进行数据分窗， 特征值提取， 手势分类， 最终 实现对仿生机械手的控制。 有益效果为使用容易 方便、 成本低廉， 功能丰富， 实时性好， 采集与识 别精度高。 权利要求书1页 说明书8页 附图4页 CN 1。

3、11360792 A 2020.07.03 CN 111360792 A 1.面向仿生机械手的可穿戴便携式实时控制动作识别系统， 该识别系统用于采集实验 人员前臂表面的肌电信号， 并将实验人员前臂表面肌电信号的有效特征提取出来， 最终实 现对仿生机械手(5)的控制； 所述仿生机械手(5)包括舵机(5-1)和手指联动装置(5-2)； 舵机(5-1)用于输入动作信 号， 并根据该动作信号控制手指联动装置(5-2)做出动作； 其特征在于， 该识别系统包括USR-C322芯片(1)、 处理模块(2)、 采集电极(3)和电源模 块(6)； 所述USR-C322芯片(1)包括单片机(1-1)、 WIFI模。

4、块(1-2)、 模数转换器(1-3)、 和PGA放 大器(1-4)， 并在USR-C322芯片(1)的边缘处设有JTAG端口(1-5)； 电源模块(6)用于为单片机(1-1)供电； 采集电极(3)设置在实验人员前臂上， 用于采集实验人员前臂表面的肌电信号； JTAG端口(1-5)用于连接采集电极(3)与PGA放大器(1-4)； PGA放大器(1-4)用于放大采集电极(3)采集的肌电信号； 模数转换器(1-3)用于转换放大的肌电信号， 转换后的放大肌电信号通过单片机(1-1) 的控制， 并经过WIFI模块(1-2)无线传输至处理模块(2)； 所述处理模块(2)包括数据分窗模块(2-1)、 预处理。

5、模块(2-2)、 特征提取模块(2-3)、 分 类器(2-4)和动作标签模块(2-5)； 数据分窗模块(2-1)用于将WIFI模块(1-2)传输来的转换后的放大肌电信号进行分窗； 预处理模块(2-2)用于将分窗后的数据进行预处理， 去除噪声及其他干扰； 特征提取模块(2-3)用于将预处理后的数据进行特征提取； 分类器(2-4)用于将预处理后的数据进行动作分类， 区分出待识别的5个动作； 动作标签模块(2-5)用于将动作分类的结果以动作标签的形式输出至舵机(5-1)， 舵机 (5-1)根据动作标签控制手指联动装置(5-2)做出动作。 2.根据权利要求1所述的面向仿生机械手的可穿戴便携式实时控制动。

6、作识别系统， 其 特征在于， 该识别系统还包括SD卡(4)； 所述SD卡(4)用于将模数转换器(1-3)转换后的放大肌电信号存入其内部。 3.根据权利要求1所述的面向仿生机械手的可穿戴便携式实时控制动作识别系统， 其 特征在于， 所述处理模块(2)还包括训练网络存取模块(2-6)； 训练网络存取模块(2-6)用于存储分类器(2-4)输出的区分待识别的5个动作。 4.根据权利要求1所述的面向仿生机械手的可穿戴便携式实时控制动作识别系统， 其 特征在于， 所述电源模块(6)包括电池(6-1)和电源管理模型(6-2)； 电池(6-1)的电源输出端与电源管理模型(6-2)的电源输入端相连， 电源管理模。

7、型(6- 2)的端口输出端与单片机(1-1)的端口输入端相连； 所述电池(6-1)为430mAh/3.7V的Li-ion电池； 所述电源管理模型(6-2)分为充电模式、 正常模式和调试模式。 权利要求书 1/1 页 2 CN 111360792 A 2 面向仿生机械手的可穿戴便携式实时控制动作识别系统 技术领域 0001 本发明涉及一种仿生机械手实时控制技术。 背景技术 0002 手部的灵巧、 协调动作在人们的日常生活和人际交往上起着非常重要的作用； 但 是， 由于自然灾害、 事故、 先天性或后天性疾病等， 造成了一部分人肢体不同程度的残疾； 国 家卫生计委数据显示， 目前我国肢体残疾人数比例。

8、占总残疾人数30左右， 并且人数还在 持续攀升， 为社会和家庭带来巨大负担， 同时因为肢体残疾也对其心里造成不同程度的伤 害； 假肢是能让肢体残疾的人正常进行日常生活的其中一个重要手段， 而对于手部截肢的 患者， 使机械手能按照自身意图受控制， 满足日常生活基本抓握和人际交往手势需求， 可以 从很大程度上改善患者的生活质量。 0003 目前常见的商业机械手主要分为装饰机械手、 索控机械手和肌电机械手； 装饰机 械手只从外观上帮助患者恢复自然外表和身体平衡， 不能实现人手动作功能； 索控机械手 主要由患者通过残肢拉动绳索控制机械手， 不符合正常人体神经控制通路； 肌电机械手是 由人体肌肉自主收缩。

9、时产生的电信号进行控制机械手， 具有多种可控模式， 能够实现人手 基本手势， 更接近人手。 而表面肌电信号sEMG是肢体运动时对应肌肉收缩产生的电信号， 是 在体表无创检测肌肉活动的重要方法； 相比于植入式采集的肌肉电信号， 由于不带来外科 创伤、 与肌肉运动联系紧密， 表面肌电信号已经被广泛运用于康复医学领域； 某些患者失去 了手臂， 但并未损坏神经系统， 通过幻肢想象， 利用表面肌电信号中包含的信息准确识别大 脑意图， 先天性残疾的患者通过训练也可以产生相应的肌电信号， 从而控制假肢运动。 目 前， 一些公司和研究机构在多功能仿人型肌电机械手上做了很多研究， 使得机械手能在功 能上与人手接。

10、近。 很多商业型机械手采用肌电信号控制假肢， 使患者能通过自己的意图控 制机械手。 但其花费较高、 配置复杂， 目前还难以令大多数患者人群接收。 0004 尽管目前表面肌电信号应用与机械手的研究已经取得了一定的进展， 但还是存在 诸多需要解决的问题， 如对手势整体识别率不高且不稳定， 可识别动作有限， 软件训练平台 没有完整的配套采集设备等， 因此研究基于表面肌电信号的仿生机械手控制具有重要意 义。 发明内容 0005 本发明的目的是为了解决现有的机械手成本高、 功能单一、 实时性差以及采集与 识别的精度偏低的问题， 提出了一种面向仿生机械手的可穿戴便携式实时控制动作识别系 统。 0006 本。

11、发明所述的面向仿生机械手的可穿戴便携式实时控制动作识别系统， 该识别系 统用于采集实验人员前臂表面的肌电信号， 并将实验人员前臂表面肌电信号的有效特征提 取出来， 最终实现对仿生机械手的控制； 0007 所述仿生机械手包括舵机和手指联动装置； 舵机用于输入动作信号， 并根据该动 说明书 1/8 页 3 CN 111360792 A 3 作信号控制手指联动装置做出动作； 0008 该识别系统包括USR-C322芯片、 处理模块、 采集电极和电源模块； 0009 所述USR-C322芯片包括单片机、 WIFI模块、 模数转换器、 和PGA放大器， 并在USR- C322芯片的边缘处设有JTAG端口。

12、； 0010 电源模块用于为单片机供电； 0011 采集电极设置在实验人员前臂上， 用于采集实验人员前臂表面的肌电信号； 0012 JTAG端口用于连接采集电极与PGA放大器； 0013 PGA放大器用于放大采集电极采集的肌电信号； 0014 模数转换器用于转换放大的肌电信号， 转换后的放大肌电信号通过单片机的控 制， 并经过WIFI模块无线传输至处理模块； 0015 所述处理模块包括数据分窗模块、 预处理模块、 特征提取模块、 分类器和动作标签 模块； 0016 数据分窗模块用于将WIFI模块传输来的转换后的放大肌电信号进行分窗； 0017 预处理模块用于将分窗后的数据进行预处理， 去除噪声。

13、及其他干扰； 0018 特征提取模块用于将预处理后的数据进行特征提取； 0019 分类器用于将预处理后的数据进行动作分类， 区分出待识别的5个动作； 0020 动作标签模块用于将动作分类的结果以动作标签的形式输出至舵机， 舵机根据动 作标签控制手指联动装置做出动作。 0021 本发明的工作原理为： 将采集电极贴在实验人员前臂表面， 同时将采集电极通过 采集线连接在JTAG端口上， 以对表面肌电信号进行无创采集； 肌电信号通过差分方式输入， 由USR-C322芯片的PGA放大器进行简单的放大， 再经过模数转换器进行高精度模数转换， 输 入至单片机， 再通过WIFI模块无线传输到处理模块； 在处理。

14、模块中先由数据分窗模块进行 数据段分窗操作， 经由预处理模块进行信号预处理， 去除噪声及其他干扰， 再经过特征提取 模块提取出需要的特征， 最后经由分类器进行动作分类； 最终得到的分类结果是动作标签 形式， 在转换成相应控制命令直接控制仿生机械手中的舵机， 舵机带动手指联动装置使仿 生机械手做出相应的动作。 0022 本发明的有益效果是通过处理模块可以准确有效接收上传数据以及绘制数据的 实时波形， 可对数据进行特征提取、 分类训练、 存取特征与训练网络等操作， 集成了数据活 动段检测、 网络训练、 串口通讯等功能， 实现了对仿生机械手的实时控制； 使用容易方便、 成 本低廉， 功能丰富， 实时。

15、性好， 采集与识别精度高。 附图说明 0023 图1为具体实施方式一所述的面向仿生机械手的可穿戴便携式实时控制动作识别 系统的原理框图； 0024 图2为具体实施方式一中实验验证的动作识别系统结构框图； 0025 图3为具体实施方式一中实验验证的完整实时控制仿生机械手的流程图； 0026 图4为具体实施方式一中实验验证的平均准确率随时间变化的折线统计图。 说明书 2/8 页 4 CN 111360792 A 4 具体实施方式 0027 具体实施方式一： 结合图1至图4说明本实施方式， 本实施方式所述的面向仿生机 械手的可穿戴便携式实时控制动作识别系统用于采集实验人员前臂表面的肌电信号， 并将 。

16、实验人员前臂表面肌电信号的有效特征提取出来， 最终实现对仿生机械手5的控制； 0028 所述仿生机械手5包括舵机5-1和手指联动装置5-2； 舵机5-1用于输入动作信号， 并根据该动作信号控制手指联动装置5-2做出动作； 手指联动装置5-2为一种6自由度机械 手， 6自由度为五根手指运动和手腕转动； 0029 该识别系统包括USR-C322芯片1、 处理模块2、 采集电极3和电源模块6； 0030 所述USR-C322芯片1包括单片机1-1、 WIFI模块1-2、 模数转换器1-3、 和PGA放大器 1-4， 并在USR-C322芯片1的边缘处设有JTAG端口1-5； JTAG端口1-5为标准。

17、的20pin-JTAG端 口， 提高了兼容性和通用性； 单片机1-1的型号为CC3200； 模数转换器1-3的型号为ADS1299， ADS1299模数转换器1-3能够满足多通道肌电信号采集的需求， ADS1299模数转换器1-3是专 门用来采集生物电信号的AD芯片， 具有24位分辨率、 高精度、 低噪声的优点， 而且可以多通 道同步采集， 功能强大， 该模数转换器是三角积分形式， 晶振和基准电压均采用内置设计， 且内置了可编程增益放大器， 因此采集精度、 可靠性与稳定性均有保证； 该识别系统依靠 USR-C322芯片1的控制使各个功能部分依序工作， WIFI模块1-2用于与处理模块2进行通讯。

18、； 单片机1-1是基于Cortex-M4内核的单片机， 最高运行频率为80MHz； USR-C322芯片1中的 WIFI模块1-2为工业级WIFI模块， 是专门用来实现嵌入式系统设计的低功耗无线通信芯片； 0031 电源模块6用于为单片机1-1供电； 采集电极3设置在实验人员前臂上， 用于采集实 验人员前臂表面的肌电信号以控制仿生机械手5； JTAG端口1-5用于连接采集电极3与PGA放 大器1-4； PGA放大器1-4用于放大采集电极3采集的肌电信号； 模数转换器1-3用于转换放大 的肌电信号， 转换后的放大肌电信号通过单片机1-1的控制， 并经过WIFI模块1-2无线传输 至处理模块2； 。

19、采集电极3的采集信号输出端通过JTAG端口1-5与PGA放大器1-4的采集信号 输入端相连， PGA放大器1-4的放大信号输出端与模数转换器1-3的放大信号输入端相连， 模 数转换器1-3的模数信号输出端与单片机1-1的模数信号输入端相连， 单片机1-1的数据信 号输出端与WIFI模块1-2的数据信号输入端相连； 采集电极3用于采集仿生机械手5表面的 肌电信号， 采集电极3采用四通道差分输入的方式与JTAG端口1-5相连； 采用了20pin-JTAG 端口1-5作为采集信号输入端， 采集输入为8通道， 为了保证信号的稳定性及灵活性， 采用差 分输入方式， 共计16个端口用来接入采集电极线， 除。

20、去电源和接地端口， 剩下两个端口分别 为参考端和右腿驱动输入端； 0032 所述处理模块2包括数据分窗模块2-1、 预处理模块2-2、 特征提取模块2-3、 分类器 2-4和动作标签模块2-5； 分类器2-4为BP神经网络五分类器； 处理模块2是通过上位机实现 的， 在上位机中利用matlab进行带阻、 带通滤波、 中值滤波等信号预处理， 提取出需要的特 征， 在分类器中进行动作分类， 最终得到的分类结果去控制仿生机械手5； 数据分窗模块2-1 用于将WIFI模块1-2传输来的转换后的放大肌电信号进行分窗； 预处理模块2-2用于将分窗 后的数据进行预处理， 去除噪声及其他干扰； 特征提取模块2。

21、-3用于将预处理后的数据进行 特征提取； 分类器2-4用于将预处理后的数据进行动作分类， 区分出待识别的5个动作； 动作 标签模块2-5用于将动作分类的结果以动作标签的形式输出至舵机5-1， 舵机5-1根据动作 标签控制手指联动装置5-2做出动作； WIFI模块1-2的无线信号输出端与数据分窗模块2-1 说明书 3/8 页 5 CN 111360792 A 5 的无线信号输入端相连； 数据分窗模块2-1的分窗信号输出端与预处理模块2-2的分窗信号 输入端相连， 预处理模块2-2的预处理信号输出端与特征提取模块2-3的预处理信号输入端 相连， 特征提取模块2-3的特征信号输出端与分类器2-4的特。

22、征信号输入端相连， 分类器2-4 的分类信号与动作标签模块2-5的分类信号输入端相连， 动作标签模块2-5的动作信号输出 端与舵机5-1的动作信号输入端相连。 0033 在本实施方式中， 该识别系统还包括SD卡4； 0034 所述SD卡4用于将模数转换器1-3转换后的放大肌电信号存入其内部； 所述SD卡4 的采集数据信号输入端与模数转换器1-3的采集数据信号输出端相连； 在USR-C322芯片1所 在的板子上还配备了Micro-SD卡槽， 可将采集数据存入SD卡4中， 方便日后或离线分析； 模 数转换器1-3和SD卡4通过SPI总线进行通讯， 传输采集数据。 0035 在本实施方式中， 所述处。

23、理模块2还包括训练网络存取模块2-6； 0036 训练网络存取模块2-6用于存储分类器2-4输出的区分待识别的5个动作； 训练网 络存取模块2-6的存储信号输入端与分类器2-4的存储信号输出端相连； 训练网络存取模块 2-6用于存储分类器2-4输出的区分待识别的5个动作， 便于日后新数据的分类。 0037 在本实施方式中， 所述电源模块6包括电池6-1和电源管理模型6-2； 0038 电池6-1的电源输出端与电源管理模型6-2的电源输入端相连， 电源管理模型6-2 的端口输出端与单片机1-1的端口输入端相连； 0039 所述电池6-1为430mAh/3.7V的Li-ion电池， 具有低内阻、 。

24、高容量、 充放电迅速、 自 放电低、 高稳定性等优点； 0040 所述电源管理模型6-2分为充电模式、 正常模式和调试模式， USR-C322芯片1所在 的板子上设有micro-USB口， micro-USB口作为电路板的充电和程序调试端口， 用来给Li- ion电池充电以及下载程序到USR-C322芯片1中； 同时为了采集到干净、 高质量的肌电信号， 采用了正负电源对称设计的方式， 这种电源设计， 不仅对模数转换器1-3的稳定性、 参考电 压的准确性有提升， 同时还简化了静电屏蔽保护设计的难度； 电源管理模型6-2为电池监测 芯片， 其型号为LTC2942， 电源管理模型6-2与单片机1-1。

25、通过I2C总线的方式进行通讯。 0041 在本实施方式中， 采集电极3采集肌电信号的指标如表1所示， 需要分析的指标有： 肌电信号的采集精度、 系统稳定性以及续航能力； 续航方面， 最大功率情况下可以工作13小 时， 正常模式下则可长达24小时， 并且该电池6-1的选择可以随时更改。 0042 表1.肌电信号采集装置技术指标 0043 0044 在无线功率最大的情况下， 设置采样率为1kHz， 设置PGA放大器1-4放大倍数为6 倍， 并将模拟正负输入端电极短接， 此时设备采集到的便为干扰信号， 干扰噪声的平均峰峰 值大概在0.68 V左右， 并且即便在干扰比较强的情况下， 最大峰峰值也仅为4。

26、.29 V左右， 在 对肌电信号进行6倍放大后， 该干扰噪声几乎可以忽视； 视无电压输入的系统噪声为5 V， 肌 电信号幅值为5mV， 可以计算出信噪比SNR为60dB。 0045 为了确保数据传输过程稳定可靠， 并且降低采集设备的功耗， 需要设定数据通讯 的格式， 本装置所采的肌电数据长度及格式如表2所示。 说明书 4/8 页 6 CN 111360792 A 6 0046 表2.肌电信号数据格式表 0047 0048 考虑到用户数据包透传协议的问题， 整个采集系统的数据包格式如表3所示。 0049 表3.数据包格式 0050 0051 数据包中需要有2个Byte长度的起始位来用于解包处理；。

27、 2Byte的包编号unsigned int类型， 故最大值为65536， 若采样率为1kHz， 会在半小时左右循环一次； 3byte的状态用于 判定设备处于何种状态， 连接、 通讯、 断开以及电池剩余电量均通过该状态位来判断； 测试 数据的长度选择小于220Byte是为了确保采样设置改变时数据包协议依然有效， 不超出范 围， 并且便于将来延展功能留出10Byte空间， 最终由2Byte结束位来结束该次传输。 可以看 出数据包的长度最终是由上位机软件来控制的。 0052 通讯的稳定性意味着肌电信号采集过程可以保持多久的时间， 在经过5次将采集 设备工作在采集状态的实验后， 发现每次实验设备均正。

28、常工作到电池电量为零， 工作位置 距离上位机5m， 工作时长13小时左右， 可以证明采集设备有良好的稳定性。 0053 本可穿戴的采集电极3为贴片式， 为了便携性与易操控性， 尽量简化硬件电路的规 模， 信号采集设备为6.4cm*3.7cm*1.7cm尺寸的长方形盒子， 内置信号采集板及3.7VLi-ion 电池； 可以看到此电路高度集成化， 采集生理信号非常方便。 0054 当USR-C322芯片1与上位机的采集平台建立连接后， 便可将采集到的生理信号在 上位机的软件中由波形实时显示出来； 在信号可以有效采集后， 对手势动作按预设样本长 度进行了采集， 并对采集样本进行特征提取， 形成特征向。

29、量集输入到网络中进行分类训练； 分类器的动作分类结果设置为1、 2、 3、 4， 5， 分别对应于握拳、 张手、 屈腕、 伸腕， 数字六， 静止 动作单独对应0， 因为静止动作是计算出阈值用于判断是否有动作产生的， 所以不算在分类 动作内。 0055 选定窗口长度L11来进行中值滤波， 去除原始信号的基线漂移； 采用巴特沃斯陷 波器去除工频干扰： 阻带频率49-51Hz， 通带衰减rp1dB； 阻带衰减rs50dB； 采用切比雪夫 滤波器去除高频干扰， 通带频率10-300Hz， 滤波器阶数256。 0056 由于信号在采集的过程中要持续很长的时间， 若将该冗长的时间应用在实时控制 阶段， 必。

30、定会对动作改变产生极大的延迟， 所以将信号划分成一系列小窗口， 单独对每一个 窗口进行处理。 此外， 利用sEMG信号进行手势识别控制机械手时， 识别系统若接收到长时间 的连续sEMG信号， 处理速度就会降低， 实验人员会感受到明显的动作延迟。 本设计中采用了 重叠滑动窗方法对信号进行处理。 求出一个窗口的平均绝对值， 记做能量值Q。 如果此数值 大于某设定好的阈值A的次数超过N次， 便认为动作的起始阶段， 之后的采集过程中如果出 现Q小于A的情况， 便认为动作终止。 将窗口大小设定为128ms， 滑动步长50ms， 阈值A则设定 为Q值的1.5倍。 分窗后， 程序计算出阈值A， 并保存下来，。

31、 在之后的实时控制中用来判断动作 说明书 5/8 页 7 CN 111360792 A 7 的起始和终止。 0057 在信号预处理后， 需要进行特征提取。 表面肌电信号虽然是一种非平稳随机一维 生物电信号， 但是可以在短时间内作为平稳随机信号来处理。 本发明选定平均绝对值 (MAV)、 均方根(RMS)， 波形长度(WL)这三种特征值作为采集的表面肌电信号的特征提取方 法来进行手势动作的分类训练； 每个通道均提取这三种特征。 0058 假设x(i)|i1,2,.,N是采集装置采集到的单通道表面肌电信号， 那么该一 维信号的特征提取公式如下。 该式中N为采集到的表面肌电信号数据点数量， xi为该。

32、信号数 据序列中的第i个数据。 0059 (1)平均绝对值(MAV) 0060 0061 (2)均方根(RMS) 0062 0063 (3)波形长度(WL) 0064 0065 采取BP神经网络对动作特征进行模式识别， 本发明是选用三层网络来进行分类训 练的， 即隐含层定为1层。 当隐含层节点数为9时， 训练速度最快且识别率最高。 完整网络的 设定为一个12-9-5的结构。 输入节点对应4个通道的共12维特征， 输出节点对应待识别的5 个动作。 0066 实验验证： 0067 为了验证该识别系统能够实现对仿生机械手的控制； 0068 在上位机中软件选用matlab平台， 利用matlab平台，。

33、 将设备通讯、 信号采集与处 理、 实时控制等算法设计集成在一起， 便于一体化操作。 采集方面包括上位机与设备通过 UDP协议建立连接， 更改预设参数， 显示实时波形与存储等功能； 而算法设计包括模型训练 部分与实时控制部分； 设备通过组网将采集数据发送到上位机的采集软件中， 软件对其进 行中值滤波、 陷波、 带通滤波、 特征提取、 网络训练等操作， 并保存好训练完成的网络。 训练 网络准备就绪， 此时采集到的数据会直接输入进网络与训练好的数据进行对比， 生成手势 动作的分类标签， 将该标签转换成对应的机械手动作代码序列， 通过串口发送至仿生机械 手5， 便可使仿生机械手5做出相应的动作， 整。

34、体设计如图2所示。 0069 当选好采样率、 是否启动SD卡4参数设置后， 在上位机上建立采集平台与USR-C322 芯片1连接。 保证采集电极与上位机连接到了同一局域网中； 由于算法是根据静止状态的阈 值来判断是否有动作产生， 因此需要单独采集静止动作信号。 手臂保持静止动作后， 开始正 式采集手势动作信号。 然后对动作信号进行重叠滑动窗分析法， 每当动作信号大于静止状 态阈值， 动作窗口数增加1， 若动作窗口数大于等于滑动窗口数， 表示此次采集满足训练数 据样本容量， 同时提示采集完成； 若动作窗口数小于滑动窗口数， 则会提示采集信号不合 格， 需要重新进行采集。 设置采集通道数为4， 采。

35、集动作数为5。 本软件还设计了特征值的保 说明书 6/8 页 8 CN 111360792 A 8 存与读取、 离线数据的读取等功能。 这是为了保证软件关闭后， 只要不改变手臂上安放的电 极片位置， 就可以用保存的特征数据继续进行模式识别。 肌电信号采集完成后， 程序对每个 动作窗口都进行特征提取， 将对应通道的信号特征都提取出来后， 创建训练集与测试集的 矩阵， 将提取的特征放入训练集与测试集中， 并随机打乱顺序。 该部分同样加入了保存读取 功能， 可以将训练完成的BP神经网络的权值与阈值矩阵保存下来， 在贴片电极位置不变的 前提下， 可以利用此训练网络反复对机械手等外设进行控制。 0070。

36、 控制仿生机械手5时， 将串口的波特率设定为115200； 仿生机械手5由各自独立的 舵机5-1来控制手指的联动装置5-2， 由联动装置带动手指从而改变张合角度， 而张合角度 则是通过舵机5-1转动的角度来决定的； 为了控制仿生机械手5做出与人手相同的手势动 作， 首先需要将仿生机械手5对应于该动作的舵机角度指令保存下来， 然后给BP神经网络的 输出设定各手势动作的标签， 当网络识别出当前手势时， 便输出对应动作的标签， 接着程序 将该标签对应的仿生机械手5动作指令语句通过串口发送给仿生机械手5， 便可控制其做出 相应的动作； 在实际训练中可以通过多次训练以达到更好的结果。 0071 实验中通。

37、过采集电极3， 采集人体前臂中四处肌肉位置的肌电信号， 采用按扣式电 极， 配合自行设计的采集电极线与采集装置来获取肌电信号数据， 形成四通道信号输入。 设 定1000Hz采样率来对四通道肌电信号进行采集， 通过采集装置上的高精度ADS1299将模拟 信号转换成数字信号， 传输到上位机中， 并在上位机程序中对数字肌电信号进行中值滤波、 陷波、 带通滤波来滤除干扰噪声。 随后对信号数据进行滑动分窗处理， 求出窗口数， 并对每 个窗口进行平均绝对值MAV的计算， 若四通道肌电信号一个窗口的平均绝对值之和大于静 止状态一个窗口的平均绝对值大小， 也就是采集静止动作后计算出的阈值， 便判断为一个 动作。

38、， 提取该窗口内的特征； 若小于该阈值， 则程序直接判断为保持静止动作， 对机械手输 出静止信号。 在有动作产生时， 对动作窗口数据提取特征后， 四通道三特征一共形成12维的 特征向量矩阵， 将该矩阵送进已训练好的BP神经网络中， 进行在线分类。 然后对BP神经网络 输出的动作标签进行处理， 若输出动作标签是1， 则通过串口对机械手发送标签1所存储好 的动作编码： 握拳； 若输出动作标签是2， 则通过串口对机械手发送标签2所存储好的动作编 码： 张手； 若输出动作标签是3， 则通过串口对机械手发送标签3所存储好的动作编码： 屈腕； 若输出动作标签是4， 则通过串口对机械手发送标签4所存储好的动。

39、作编码： 伸腕； 若输出动 作标签是5， 则通过串口对机械手发送标签5所存储好的动作编码： 六手势； 若什么都不做， 保持静止动作， 则通过串口对机械手直接发送静止动作指令。 完整实时控制机械手流程如 图3所示。 0072 挑选共计4人参与实时控制实验， 年龄区间为21-27， 三名男生一名女生， 为便于操 控上位机进行实验， 采集的手臂均选择左手臂来进行， 实验参加人员均身体健康， 无任何肌 肉方面的疾病。 在开始采集前， 首先要保证参加人员的被采肌肉部位保持放松一段时间， 确 保肌肉没有疲劳， 随后对参加人员的手臂皮肤表面先清理毛发， 再用清洁液或酒精湿巾清 理， 去掉多余的角质层， 减少。

40、阻抗； 接着在贴片电极上涂抹导电胶， 增强导电性； 最后将采集 电极安放在所要求的位置上， 根据相关肌肉位置和做出动作的对应关系， 手指动作的识别 则需要采集拇长伸肌、 指伸肌、 掌长肌处的肌电信号。 由于本发明采用四通道差分输入设 计， 因此肌肉信号位置需要8个贴片电极， 同时选择不会受其他肌肉影响且肌肉分布较少的 肘部作为参考电极， 共计9片采集电极来进行实验。 实验人员首先需要采集12s的静止动作 说明书 7/8 页 9 CN 111360792 A 9 信号， 接着会对5种动作按照握拳、 张手、 屈腕、 伸腕、 数字六的顺序进行采集。 采集过程中， 受试者前臂平放在桌面上， 动作力度适。

41、中且尽量保持同一种动作模式之间的一致性。 实验 人员需要保持坐姿端正， 按照提示依次做出动作， 每种动作需要采集6次， 每次均为12s， 即 一个动作需要72s。 若中间没有停顿休息， 那么整个流程一共耗时为6分12秒。 当然若考虑肌 肉疲劳对信号质量和强度的影响， 可以每次采集完休息一下， 采集的开始暂停可以由实验 人员自行决定。 实验时通过matlab软件实时监测表面肌电信号的变化情况。 当肌电数据采 集完成后， 程序对其进行预处理、 特征提取等操作。 采集样本长度的滑动窗口数为1039个， 选择50个窗口作为测试样本， 其余均为训练样本来进行分类， 将4名实验人员的5种动作模 式识别的单。

42、独准确率和平均准确率列表统计， 并将实验进行三天， 即每天都进行一次完整 流程的采集实验， 结果如表4所示。 0073 表4.实验人员#1的3天模式识别准确率 0074 0075 由表4中可以发现， 虽然部分动作的准确率随着训练天数的增加有高有低， 但是整 体的准确率是有提升的， 握拳动作的识别率一直为100， 可以得知该动作是最容易分辨出 来的； 对四名实验人员的平均准确率数据以实验天数作为横坐标来绘制折线统计图， 纵坐 标为平均准确率， 结果如图4所示。 由图可以看出， 4名实验人员训练的天数增加后， 动作分 类的平均准确率也呈现上升趋势， 因此可以通过多次实验、 增加实验天数等方法来提高。

43、准 确率。 4名实验人员随实验天数的平均准确率如表5所示。 0076 表5.实验人员随实验天数的平均准确率 0077 0078 因此本发明采用的滑动分窗法以及实时控制算均考虑了运行时间的要求， 整个控 制流程从上位机接收到肌电信号、 计算平均绝对值判断是否大于阈值、 特征提取在线分类 输出动作标签串口发送控制指令的时间不到200ms， 小于人所能接受的延迟时间300ms， 故 完全满足延迟时间的要求。 故在实验中表现出来效果较好， 机械手产生动作迅速， 几乎和实 验人员的手部同步所以本发明设计的采集控制系统有效且合理。 说明书 8/8 页 10 CN 111360792 A 10 图1 说明书附图 1/4 页 11 CN 111360792 A 11 图2 说明书附图 2/4 页 12 CN 111360792 A 12 图3 说明书附图 3/4 页 13 CN 111360792 A 13 图4 说明书附图 4/4 页 14 CN 111360792 A 14 。