一种基于脑-肌电信号控制模式的新型智能上肢假肢的制作方法

1.本发明涉及信号处理及人工智能技术领域，具体涉及一种基于脑-肌电信号控制模式的新型智能上肢假肢。


背景技术：

2.残疾人是世界上最大的少数群体。全球每年因工伤、疾病、交通意外、战争等因素而造成了大量人员不同程度的身体残疾。肢体功能的丧失给广大的肢体残疾人的生活、工作和学习带来了诸多不便，极大地降低了他们的生活质量，也给其心理、家庭和社会带来了极大的负担。
3.为了能让截肢者融入正常的生活和生产之中，需要使用外部设备来帮助残疾者重建正常肢体功能。而截肢者提供多功能和智能化的假肢是帮助他们恢复肢体功能的主要手段。目前市面之上也存在各式的功能性假肢。主要分为两类，一种是依靠患者肢体残端力量的被动型假肢，其存在易引发疲劳和产生的动作不自然等问题。另一种是能够为患者提供辅助动力并且与患者能够进行交互，能协调自然完成一些复杂动作的主动型假肢。主动型假肢可以读取患者残肢附近的肌电信号，并且根据残留肌肉发出的肌电信号，来对残疾者的运动意图进行简单的识别，帮助残疾者完成一些如手掌的抓握等生活必须活动。目前商业化的肌电假肢通常采用一对残留肌肉(主缩肌与拮抗肌)控制一个运动自由度(关节)。而如果需要多个自由度就需要多对残留肌肉。但由于残疾者的截肢程度不同，其残留的肢体肌肉也就不同，也就导致了截肢者所残留的肌电信号源不同。对于肩关节以下的臂截肢者，由于他们失去了整个手臂，导致了能用于假肢控制的肌电信号源几乎全部丧失。但他们需要恢复的运动功能却包括上肢的所有四个关节(手、腕、肘和肩)。对于此类情况，目前肌电假肢系统主要是通过模式切换(按钮、开关)等途径来实现多自由度的动作。但该方法的操作过程缓慢，动作僵硬不自然，给使用者带来了极大的负担。
4.此外，对于目前基于体表肌电模式识别的智能假肢，也由于对于残留肌肉过少，不能为肌电假肢提供足够的控制信号；并且其分类器的性能容易受到肌肉疲劳、电极位置变化、力度变化等因素的影响。导致了该类型的肌电假肢不能满足临床应用的要求。
5.因此，如何提供一种可以更快、更准确并且能够稳定自然地完成动作的新型智能上肢假肢是本领域技术人员亟需解决的问题。


技术实现要素：

6.有鉴于此，本发明提供了一种基于脑-肌电信号控制模式的新型智能上肢假肢，在肌电信号识别的基础之上，加入运动想象时的脑电信号作为联合控制信号源，添加到识别模型之中。提高动作识别率，使假肢使用者可以更快、更准确并且能够稳定的、自然而直接的完成他们想要进行的动作。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种基于脑-肌电信号控制模式的新型智能上肢假肢，包括肌电信号采集模块、脑
电信号采集模块、控制器、执行机构和上肢假肢；其中，
9.所述肌电信号采集模块用于实时采集运动想象行为时的肌电信号；
10.所述脑电信号采集模块用于实时采集运动想象行为时的脑电信号；
11.所述控制器接收肌电信号采集模块、脑电信号采集模块发送的肌电信号和脑电信号，分别提取特征值，输入分类识别模型进行动作识别，并向所述执行机构发送控制信号；
12.所述上肢假肢在所述执行机构的带动下执行所述动作。
13.优选的，所述上肢假肢为具有多关节的假肢，所述执行机构控制所述多关节分别执行动作。
14.优选的，所述肌电信号采集模块包括电极丝，以及与所述电极丝电连接的放大电路，所述放大电路用于对采集的肌电信号进行放大。
15.优选的，还包括滤波器，用于接收放大后的肌电信号，并对干扰信号进行剔除，剔除后的信号输入至所述控制器进行特征提取；所述干扰信号包括电磁波、工频干扰和/或环境噪声。
16.优选的，所述脑电信号采集模块包括电极，以及与所述电极电连接的放大电路，所述放大电路用于对采集的脑电信号进行放大。
17.优选的，还包括滤波器，用于接收放大后的脑电信号，并对干扰信号进行剔除，剔除后的信号输入至所述控制器进行特征提取；所述干扰信号包括眼电、电磁波、工频干扰和/或环境噪声。
18.优选的，所述控制器根据时域和频域提取肌电信号的多种肌电特征值；所述控制器根据时频域和非线性神经动力学提取脑电信号的多种脑电特征值；所述控制器将所述多种肌电特征值和所述多种脑电特征值归一化处理后，按照分类识别模型中预设的不同动作标签对应的特征组合方式，将归一化处理后的特征值进行特征联合，得到多组特征组，分别输入至所述分类识别模型进行动作识别分类。
19.优选的，所述分类识别模型训练步骤如下：
20.利用肌电信号采集模块、脑电信号采集模块采集不同截肢程度的使用者在进行不同运动想象行为时的肌电信号和脑电信号；
21.将在不同动作下采集的得到的肌电信号和脑电信号赋予与动作相应的标签，提取预处理之后的多种肌电特征和多种脑电特征；
22.对多种肌电特征和多种脑电特征归一化处理后进行组合搭配，得到不同训练样本组和测试样本组；
23.在svm分类器中根据不同动作标签对不同训练样本组进行分类训练，得出分类识别模型；
24.利用测试样本组来测试得出识别率最高的一组特征组合，作为当前运动想象行为的分类识别特征组。
25.优选的，所述肌电特征值包括：肌电信号的均方根值即rms、方差即var、中值频率即mf或样本熵；所述脑电特征值包括：脑电信号的短时功率、小波熵、样本熵即sampen或近似熵。
26.优选的，所述特征组包括：rms var sampen、rms mf sampen、mf var sampen或rms mf var sampen。
27.经由上述的技术方案可知，与现有技术相比，本发明的有益效果包括：
28.本发明将脑肌接口技术引入到现有的基于肌电信号智能上肢假肢中，通过采集患者肌电信号和运动想象时的脑电信号，分别提取残疾者在想象不同运动行为时肌电信号和脑电信号的相关特征，利用两者联合特征来对残疾者的运动行为进行识别，提高现有智能假肢的识别精度，克服了现有智能假肢信号源单一且易受各种主客观因素的影响等问题。
附图说明
29.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图；
30.图1为本发明实施例提供的一种基于脑-肌电信号控制模式的新型智能上肢假肢的工作流程图；
31.图2为本发明实施例提供的放大电路逻辑电路图。
具体实施方式
32.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.本实施例公开的一种基于脑-肌电信号控制模式的新型智能上肢假肢。针对现有基于模式识别的肌电假肢易受到信号源不足、电极位置变化和力度变化等各种主客观因素的影响等问题，构建了一种基于脑-肌电信号作为联合信号源的新型智能假肢。通过采集上肢残疾者的肌电信号和运动想象时的脑电信号，并提取肌电信号的均方根值(rms)，方差(var)，中值频率(mf)，样本熵特征，脑电信号的短时功率，小波熵，样本熵(sampen)和近似熵特征。将提取的特征利用归一函数进行归一化处理，得到同一范围的特征值。利用两者联合特征来对患者的运动行为进行识别，提高了智能假肢的动作识别精度，以及使用者的舒适性和系统稳定性。
34.参见图1为本实施例的工作流程图。基于脑-肌电信号控制模式的新型智能上肢假肢，包括肌电信号采集模块、脑电信号采集模块、控制器、执行机构和上肢假肢；肌电信号采集模块用于实时采集运动想象行为时的肌电信号；
35.脑电信号采集模块用于实时采集运动想象行为时的脑电信号；控制器接收肌电信号采集模块、脑电信号采集模块发送的肌电信号和脑电信号，分别提取特征值，输入分类识别模型进行动作识别，并向执行机构发送控制信号；上肢假肢在执行机构的带动下执行动作。
36.本实施例中，执行机构主要包括大功率小型马达。分别将合适大小的马达放在假肢的肘关节、腕关节和手指的各个指间关节处。其可以根据控制器发出的不同指令，让驱动装置驱动安装在不同关节处的马达。让马达以特定的转速来带动假肢的各关节的运动。根据各个关节的配合可以辅助假肢完成抓握、伸手、抬臂、放手等一系列的动作。
37.控制器中主要包括微型处理器、驱动装置和电子控制线路三部分。微处理器向驱动装置发送动作执行指令，驱动装置通过电子控制线路将动作执行指令转化为对执行机构的执行指令。
38.在微型处理器中预先设置好所确定的动作(如抓握、伸手、抬臂、放手等)对应的编码值，之后由微型处理器根据分类器所得出的分类结果的编码值与预先设置好的编码值进行匹配，根据匹配的结果再由微型处理根据预先编制好的控制程序来确定需要驱动哪部分关节处马达。
39.所编写的程序主要实现的功能是：
①
对分类器输出的编码值与预置的编码值进行匹配，判断得出使用者想要进行的动作
②
设置好每种动作电路驱动模块，完成一种动作需要驱动哪处关节的马达，各处马达驱动的先后顺序以及需要驱动的时间。之后再由微型处理器发出控制指令来通过控制各关节处马达所在的控制线路中电源的通断来完成。
40.在一个实施例中，上肢假肢为具有多关节的假肢，执行机构控制多关节分别执行动作。选用金属钽通过3d打印技术来制作上臂具有多关节的假肢，金属钽ta与人体具有很好的生物相容性且具有较高的表面摩擦系数有利于骨整合。
41.在一个实施例中，控制器是智能假肢的计算处理中心，肌电信号和脑电信号通过a/d转换装置传输至控制器，控制器通过adc采集接口实现肌电信号和脑电信号的读取、存储与各种计算。之后控制器通过d/a转换装置下发dac控制信号给上臂假肢执行机构来完成各种动作。
42.在一个实施例中，肌电信号采集模块包括电极丝，以及与电极丝电连接的放大电路，放大电路用于对采集的肌电信号进行放大。上肢肌肉肌电信号通过将电极丝植入至上肢中在上肢运动中起关键作用肌肉上，实现肌电信号采集。由于肌电信号强度微弱，为mv级，需要在肌电信号采集模块中设置放大电路来对采集的肌电信号进行放大，以此来解决信号强度微弱的问题。参见附图2，为放大电路逻辑电路图，该电路有前置差分放大电路，阻容耦合电路和后级放大器组成。该电路能够隔离直流信号，消除极化电压，以及具有共模抑制比高的特点，同时可以调节仪用放大器外接电阻来调节放大倍数，可将肌电信号按所需强度放大。
43.本实施例中，还包括滤波器，用于接收放大后的肌电信号，并对干扰信号进行剔除，剔除后的信号输入至控制器进行特征提取；干扰信号包括电磁波、工频干扰和/或环境噪声。
44.由于在肌电信号的采集过程中，会受到电磁波、工频干扰及各种环境噪声的干扰，因此需要在采集模块中设计各种滤波器(如带通滤波器，带通频段为20-500hz，用于去除直流分量和高频干扰；陷滤波器，陷波频段为50hz，用于去除工频干扰等)来去除这些干扰带来的影响。
45.在一个实施例中，脑电信号采集模块包括电极，以及与电极电连接的放大电路，放大电路用于对采集的脑电信号进行放大。可以使用专用的脑电采集系统，如neuroscan公司的脑电采集设备。电极的放置方式可以遵照临床神经生理学国际联合会提出来的10/20系统标准。又因为所采集的脑电信号也较为微弱，因此也需要放大电路来对采集的信号进行放大，放大电路可采用肌电信号采集模块中的放大电路。
46.本实施例中，还包括滤波器，用于接收放大后的脑电信号，并对干扰信号进行剔
除，剔除后的信号输入至控制器进行特征提取；干扰信号包括眼电、电磁波、工频干扰和/或环境噪声。
47.由于所采集的脑电信号易受到眼电、电磁波、工频机各种噪声的干扰，因此需要进一步对脑电信号进行预处理。如利用独立成分分析算法来进行眼电的去除，利用带通滤波器(脑电信号频带范围为0-100hz，因此带通滤波起的频带范围为0.5-100hz)滤除信号中的直流分量。此外，还需设计陷滤波器来去除工频干扰。
48.在一个实施例中，控制器根据时域和频域提取肌电信号的多种肌电特征值；控制器根据时频域和非线性神经动力学提取脑电信号的多种脑电特征值；控制器将多种肌电特征值和多种脑电特征值归一化处理后，按照分类识别模型中预设的不同动作标签对应的特征组合方式，将归一化处理后的特征值进行特征联合，得到多组特征组，分别输入至分类识别模型进行动作识别分类。
49.在一个实施例中，分类识别模型训练步骤如下：
50.s1、利用肌电信号采集模块、脑电信号采集模块采集不同截肢程度的使用者在进行不同运动想象行为时的肌电信号和脑电信号。
51.在执行此步骤时，通过设计生活中经常使用的上肢动作，即抬手，放手，抓握，伸手，缩手动作，并通过图片的形式让实验者观看，让其想象并去做出相应的动作，并让实验者通过提示反复训练这几类动作，每个动作重复多次，采集足够样本量的肌电信号和脑电信号。使用模型时采集上肢残疾者做出这些特定运动想象动作时的肌电信号和脑电信号。
52.s2、将在不同动作下采集的得到的肌电信号和脑电信号赋予与动作相应的标签，提取预处理之后的多种肌电特征和多种脑电特征。
53.adc以1000hz的采样频率采集的得到脑电信号及肌电信号需要进行一定的预处理。可以在控制器的中央处理器之中使用iir滤波算法设置上述所提到的不同通带的带通滤波器和陷滤波器，用于去除脑电信号和肌电信号中存在的直流分量、高频噪声和工频干扰。此外，还需设置独立成分分析算法来去除脑电信号中存在的眼电干扰。之后便可得到去除各种干扰之后的肌电信号和脑电信号。
54.s3、对多种肌电特征和多种脑电特征归一化处理后进行组合搭配，得到不同训练样本组和测试样本组。
55.本步骤中，从时域和频域的角度来提取肌电信号的特征值，肌电特征值包括：肌电信号的均方根值即rms、方差即var、中值频率即mf或样本熵；从时频域和非线性神经动力学的角度来提取特征值，脑电特征值包括：脑电信号的短时功率、小波熵、样本熵即sampen或近似熵。
56.s4、在svm分类器中根据不同动作标签对不同训练样本组进行分类训练，得出分类识别模型。
57.基于以上提取的脑电信号和肌电信号的特征值，首先将提取得到的特征值进行归一化处理，之后分别对两种信号归一化处理后的的特征值进行组合搭配，其搭配方式可分为rms var sampen、rms mf sampen、mf var sampen、rms mf var sampen等几组。将所提取的不同动作下的肌电信号特征和脑电信号特征按照4：1的比例随机分为训练样本组和测试样本组。
58.s5、利用测试样本组来测试得出识别率最高的一组特征组合，作为当前运动想象
行为的分类识别特征组。
59.选用线性核函数的svm分类器，利用训练样本组在svm分类器中根据之前不同动作标记好的标签进行多分类，得出分类识别模型。最后利用测试组样本来测试得出识别率最高的一组特征组合。
60.基于上述训练好的分类识别模型，将其应用到智能假肢的动作模式识别之中。根据不同截肢程度所想要进行的不同动作，通过智能假肢系统进行识别，判断得出使用者想要进行的动作，并由控制器给出控制信号，使执行机构来帮助使用者完成该动作。
61.以上对本发明所提供的基于脑-肌电信号控制模式的新型智能上肢假肢进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
62.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。