隋修武,劉乃嘉,喬明敏,李昊天

(1.天津工業(yè)大學機械工程學院,天津 300387;2.天津工業(yè)大學天津市現(xiàn)代機電裝備技術重點實驗室,天津 300387)

通過有效的肌肉電信號控制智能假肢已成為了目前的研究熱點,肌電假肢直接由大腦控制,控制靈活,直觀性強,是現(xiàn)代假肢的一個重要的研究發(fā)展方向[1-3]。英國Touch Bionics、德國Ottobock等假肢生產公司僅使用簡單的閾值控制實現(xiàn)對多自由度肌電假肢的控制,其控制簡單,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。目前,很多學者對肌電信號的模式識別控制進行了深入的研究。Benatti[4]等人利用支持向量機和自定義控制策略融合的方法實現(xiàn)對假手五種動作的控制。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別率。上述方法雖可在上位機中達到較高的識別精度,但對高運算能力依賴強,不利于實現(xiàn)假手的實時控制。且目前帶有模式識別功能的肌電假手僅能完成簡單的動作,缺少對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,造價高,適應性差,普通消費者無法承擔。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控制功能的肌電假手,引入神經網絡分析方法和模糊控制方法,調節(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的影響,滑覺信號判別方式也僅從時域或頻域進行特征提取,對不同程度的滑動識別效果較差,且應用對象多為閾值控制的肌電假手,缺少在模式識別假手上的實際應用。

針對上述問題,本文提出一種集模式識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)化后的支持向量機進行手部動作分類,實現(xiàn)假手的在線模式識別控制。出現(xiàn)抓握意圖時,根據物體硬度、滑動程度的不同,加載合適的握力,實現(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)主要包括信號的采集模塊、上位機離線分析系統(tǒng)和假手控制模塊三部分組成。對手部握拳、張開動作的肌電信號進行特征提取,利用基于粒子群優(yōu)化的支持向量機(Particle Swarm Optimization Support Vector Machine,PSO-SVM)算法對手部動作進行識別并實現(xiàn)對肌電假手的動作在線控制。當假手抓握物體時,通過手指上的傳感器組采集物體的滑覺與硬度信息,對滑覺信號進行經驗模態(tài)分解(Empirical Mode Decomposition,EMD),引入模糊邏輯控制,對滑度、硬度不同的物體實現(xiàn)握力的自適應調節(jié),實現(xiàn)在模式識別假手上的多感知反饋控制。

圖1 系統(tǒng)總體方案框圖

2 模式識別算法

2.1 支持向量機算法原理簡介

支持向量機的基本理論是通過尋找最優(yōu)分類面來實現(xiàn)對未知樣本數(shù)據的分類。即在特征空間中尋找一個最優(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,對樣本集數(shù)據(xi,yi),i=1,2,…,n,x∈Rd,y∈{+1,-1}進行分類,2/‖ω‖為兩樣本數(shù)據到超平面的幾何距離。分類間隔最大就等價于最小化‖ω‖,因此得到一個帶約束的優(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。

對于支持向量機的線性不可分問題,應當引入松弛變量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化算法。算法結構簡單,涉及的參數(shù)少,計算復雜程度低且容易實現(xiàn)。經過粒子群優(yōu)化的SVM分類器,在新的特征空間中分類更精確,訓練時間更短。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 首先載入訓練集與測試集樣本數(shù)據并初始化SVM模型參數(shù);

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

Step 3 計算粒子群中每個粒子的適應度;

Step 4 將每個粒子當前最優(yōu)位置pBest與粒子群最優(yōu)位置gBest比較,將最優(yōu)解設置為當前最好位置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,用訓練集訓練模型,判斷模型識別率是否為最優(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重新計算粒子適應度。

3 肌電假手控制策略

圖3為該系統(tǒng)的控制方案流程圖,分為動作識別、觸覺判別、硬度感知、滑覺感知、加載力估算五個階段。通過控制電機運轉達到最適合的握力值,保證物體的穩(wěn)定抓握。

圖3 控制系統(tǒng)軟件設計流程圖

3.1 傳感器的選擇

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

3.2 觸覺信號判斷原理

肌電假手與物體接觸時,PVDF壓電傳感器受力變形產生電荷,經電荷放大后產生一個幅值較大的電壓脈沖信號。通過對不同物體進行抓握接觸對比后,選取合適的觸覺閾值進行觸覺判斷。當PVDF壓電傳感器信號大于觸覺閾值xa時,即判斷假手與物體接觸。

3.3 軟硬度信號判斷原理

物體的軟硬度是物體屬性中的一個重要方面,軟硬度實則為物體抵抗變形的能力。以同樣的速度抓握不同物體時,形變大的較軟,反之則較硬。同時,PVDF傳感器產生的壓電信號是一個正比于接觸壓力的值,與較硬物體接觸時壓電信號上升快。將觸覺閾值xa后固定時刻內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為信號采樣值,i為接觸時刻,n為采樣長度。

3.4 滑覺信號判斷原理

物體滑動時,壓阻傳感器會產生幅值較小的高頻摩擦振動信號。僅從時域中對滑動信號進行特征提取,通過閾值選擇的方法會出現(xiàn)嚴重的誤判問題。利用經驗模態(tài)分解法對滑覺信號在時頻域上進行特征提取,與其他特征提取方法相比,經驗模態(tài)分解法更加直觀、直接、自適應[13-15]。

經驗模態(tài)分解(EMD)是Norden E Huang等人提出的一種新的信號處理方法,將信號中存在的不同尺度下的波動或變化趨勢逐級分解開來,產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)。對于非平穩(wěn)的滑動信號,經過EMD方法得到的各階IMF分量都是平穩(wěn)的,是從滑動信號本身的特征時間尺度出發(fā)對信號進行分解,沒有固定的基函數(shù),自適應強,得到的每個IMF分量具有明顯的物理意義,體現(xiàn)了滑動的真實過程,如圖4所示。

圖4 經驗模態(tài)分解算法流程圖

EMD具體步驟如下:

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

h1=X(t)-m1

(6)

若h1存在負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X(t),重復上述步驟直至滿足上述兩個條件時,將其記為第一階IMF,記為IMF1。

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

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

(7)

③當滿足終止條件時,循環(huán)結束?；X信號X(t)可表示為n個IMF分量和一個殘余項的和,即:

(8)

式中:rn(t)表示殘量,代表信號中的平均趨勢,IMFj(t)則分別代表信號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計

正常人手抓握物體時,為保持抓握穩(wěn)定,對剛度較強的物體會施加更大的握力,而對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輸入分量:滑動程度量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,通過控制電機轉動到達合適的抓握力。

圖5 加載力模糊控制模型

將輸入變量和輸出變量模糊化,對輸入變量進行模糊語言的設定,根據輸入輸出變量的分級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,推理結果采用重心法反模糊化,控制器的輸入輸出關系圖如圖6所示。圖中坐標分別為物體硬度量K、滑動程度量Q和加載力F。

圖6 模糊控制輸入輸出關系圖

4 實驗及結果

為驗證PSO-SVM及反饋控制在假手上的控制效果,設計了PSO-SVM動作模式識別實驗、硬度特征分析實驗、滑覺特征分析實驗、和基于PSO-SVM的多感知反饋控制實驗。實驗中采用丹陽假肢廠生產的三自由度肌電假手為控制對象。

4.1 PSO-SVM動作模式識別實驗

將電極貼合在尺側腕伸肌、尺側腕屈肌表面,經過信號調理后,完成對兩種動作肌電信號的采集。將每名受試者150組特征向量作為訓練集,構建標準粒子群支持向量機(PSO-SVM)后將其植入至PSoC片上系統(tǒng)中,控制肌電假肢實現(xiàn)在線動作。每名受試者每個動作做50次并觀察假手的實時動作,在線控制識別結果如下:

表1 肌電假手在線識別正確率

從表1中的識別結果可以得到,三名受試者握拳、張開動作的在線識別正確率高達93.3%、94%。總體識別率高達93.6%,假手控制效果穩(wěn)定,控制實時性高,其中一名受試者控制假手的效果如圖7。

圖7 假肢兩種動作控制效果圖

圖8 抓握實驗

4.2 硬度特征分析實驗

以固定初始握力抓握不同物體,實驗現(xiàn)場如圖8。通過多次抓握,選擇合適的觸覺閾值xa,對觸覺閾值xa后的128個點的求和即為軟硬度特征值,如圖9所示,本文觸覺閾值設置為2.35 V。

圖9 軟硬度特征值

由圖9可見,假手對硬度不同的物體識別程度高,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 滑覺特征分析實驗

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。對采集的滑覺信號進行經驗模態(tài)分解后發(fā)現(xiàn),IMF2分量可以有效的對滑動程度進行區(qū)分,為使效果明顯,以每216點abs(IMF2)的和為滑覺特征值。如圖10所示為40組在不同滑動程度下的滑覺特征值。實驗結果顯示,經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,可以明顯的對滑覺狀態(tài)進行區(qū)分。

圖10 滑覺特征值分布圖

圖11 實驗結果

4.4 基于PSO-SVM肌電假手的多感知反饋控制實驗

為了測試整個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驗。受試者通過肌肉控制假手抓握不同物體,進入抓握穩(wěn)定狀態(tài)后,加載重量不等的砝碼以測試整體控制性能,實驗結果如圖11所示。

實驗結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;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程度的增加差異越來越明顯。同時,在PSoC Creator編譯環(huán)境中對該系統(tǒng)進行在線仿真測試,系統(tǒng)從AD采集開始到控制結果需要226 ms,小于300 ms,符合假肢控制的實時性要求。

5 結論

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算法對手部2種動作進行識別,將其植入本系統(tǒng)后識別率達到93.6%;有抓握意圖時,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,建立模糊邏輯控制,對硬度、滑動程度不同的物體實現(xiàn)握力的自適應調節(jié)。該方法模仿人的抓握方式,具有很強的適應性并給殘疾人提供更好的本體感受,實現(xiàn)了假肢在抓握目標過程中及時、精確的響應控制。能夠可靠的完成抓握控制任務,具有較高的穩(wěn)定性,實現(xiàn)了滑覺、硬度反饋在模式識別假肢上的實際應用。