基于肌电和加速度自适应控制的智能轮椅控制系统

摘要

本发明公开了一种基于肌电和加速度自适应控制的智能轮椅控制系统，包括信号获取模块，信号处理模块和无线通信模块；信号获取模块包括肌电信号采集单元和加速度信号采集单元，利用肌电信号采集单元同步采集获得人体前臂的伸指总肌、尺侧腕伸肌和肱桡肌的表面肌电信号，利用加速度信号采集单元采集获得人体前臂的加速度信号。本发明以手势动作代替接触式控制方式，能有效提高人机交互体验质量和康复人群的康复积极性。

说明书

技术领域

本发明涉及轮椅控制系统，更具体地说是一种基于肌电和加速度自适应控制的智能轮椅控制系统。

背景技术

随着我国老年化社会的到来，老年人和残障人士生活质量也受到越来越多的关注。轮椅作为重要的代步和康复工具，已经得到广泛应用。当前的轮椅控制方式主要为操纵杆控制、按键控制、方向盘控制等控制方式，这些控制方式都能够让用户很轻松地使用轮椅。但是，对于一些身体严重瘫痪的残障人士，在完成一些只需花费很少力气的动作的时候，往往都十分困难，并且由于操作强度、难度或视力等因素造成部分用户无法完成轮椅的控制，因此探索新的控制方式十分必要。

系统的自适应性和鲁棒性是人机交互系统性能的重要指标。当前大多数表面肌电人机交互系统只能满足短时间的人机交互需求，这是因为在长期的交互过程中，除了电极片移位和电极电导率的变化的影响，肌肉疲劳也会对采集的表面肌电信号产生重要影响，并且单一信号可能造成的信息获取不充分，导致系统误分类，降低系统的鲁棒性，严重影响了人机交互体验。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种基于肌电和加速度自适应控制的智能轮椅控制系统，基于手势动作定义智能轮椅的控制方式，以手势动作代替接触式控制方式，提高人机交互体验质量和康复人群的康复积极性。

本发明为解决技术问题采用如下技术方案：

本发明基于肌电和加速度自适应控制的智能轮椅控制系统的特点是：所述系统包括信号获取模块，信号处理模块和无线通信模块；

所述信号获取模块包括肌电信号采集单元和加速度信号采集单元，利用肌电信号采集单元同步采集获得人体前臂的伸指总肌、尺侧腕伸肌和肱桡肌的表面肌电信号，利用加速度信号采集单元采集获得人体前臂的加速度信号；

所述信号处理模块，用于对采集到的表面肌电信号进行AD转换和通过IIC协议读取加速度信号，并分别提取特征值，利用所述特征值进行特定动作模式的模式识别，根据特定动作模式相应输出轮椅控制信号；

所述无线通信模块，用于将所述信号处理模块输出的控制信号传送至轮椅控制电路，实现轮椅前进、后退、左转、右转或停止的智能控制；

所述特定动作模式为手势动作，包括：伸腕、屈腕、伸掌和握拳；以伸腕动作对应控制轮椅前进；以屈腕动作对应控制轮椅后退；以伸掌动作对应控制轮椅停止；以握拳动作对应控制轮椅转弯，并针对加速度信号进行向量积计算判断旋转方向；设定：人体前臂顺时针旋转对应控制轮椅左转弯，人体前臂逆时针旋转对应控制轮椅右转弯。

本发明基于肌电和加速度自适应控制的智能轮椅控制系统的特点也在于：针对同步采集获得的伸指总肌、尺侧腕伸肌和肱桡肌的肌电信号分别进行加窗处理，一一对应计算获得各肌电信号窗内所有采样点的均方根，分别为伸指总肌肌电信号的均方根A、尺侧腕伸肌肌电信号的均方根B和肱桡肌肌电信号的均方根C；将均方根A、均方根B和均方根C求取平均值D；逐次移动窗函数并作如下判断：

若所述平均值D大于起始阈值则判断为活动点，当活动点连续个数达到6时，判断为动作开始；

在动作开始之后，若所述平均值D小于结束阈值则判断为结束点，当结束点连续个数达到5时，判断为动作结束，完成一次手势动作判断，定义自动作开始到动作结束为活动段，针对活动段进行手势动作和旋转方向的判断。

本发明基于肌电和加速度自适应控制的智能轮椅控制系统的特点也在于：按如下方式确定起始阈值和结束阈值：

在人体前臂呈静息状态下，获取伸指总肌的时长为1s的静息状态肌电信号，针对所述静息状态肌电信号计算获得其平均值和方差，同样方式分别获得尺侧腕伸肌和肱桡肌的静息状态肌电信号的平均值和方差；

取均值a为所述伸指总肌、尺侧腕伸肌和肱桡肌的静息状态肌电信号平均值的均值；

取均值b为所述伸指总肌、尺侧腕伸肌和肱桡肌的静息状态肌电信号方差的均值；

则起始阈值为a+5b，结束阈值为a+3b。

本发明基于肌电和加速度自适应控制的智能轮椅控制系统的特点也在于：按如下方式进行手势动作和旋转方向的判断：

针对所述活动段中伸指总肌、尺侧腕伸肌和肱桡肌的肌电信号分别进行特征值提取，所述特征值包括均方根、标准差和自回归模型系数，其中回归模型的阶数选为4。

由提取获得的活动段中的伸指总肌、尺侧腕伸肌和肱桡肌的所有特征值组成特征向量，将所述特征向量作为分类器的输入，通过分类器进行自适应模式识别，输出用于判断手势动作的分类结果向量；若判断手势动作为握拳，则针对活动段中所采集的加速度信号通过加速度向量的向量积运算，获得表征轮椅转弯方向的旋转特征值；

将所述分类结果向量和旋转特征值作为轮椅控制信号，实现针对特定动作模式的轮椅控制。

本发明基于肌电和加速度自适应控制的智能轮椅控制系统的特点也在于：按如下方式获得所述旋转特征值：

针对活动段中加速度信号，将相邻采样点的加速度向量进行向量积运算，获得向量积B，

若向量积B垂直于相邻加速度向量组成的平面且向上，则加速度信号对应为逆时针旋转；

若向量积B垂直于相邻加速度向量组成的平面且向下，则加速度信号对应为顺时针旋转；

定义：顺时针旋转表征值为1，逆时针旋转表征值为-1；

计算获得活动段中所有顺时针旋转表征值和逆时针旋转表征值的累加值，累加值大于0为顺时针旋转，累加值小于0为逆时针旋转，累加值等于0为不旋转，以所述累加值作为旋转特征值。

与已有技术相比，本发明有益效果体现在：

1、本发明基于日常常用的手势动作定义了智能轮椅的控制方式，以手势动作代替接触式控制方式，只需通过简单的手部动作即可实现相应的控制，具有简单、形象、直观等特点，而且不需要额外感官资源作为辅助，易于老年人和残障人士完成和掌握；使用肌电信号对手势动作进行识别，肌电信号可以反映精细的肌肉活动信息，有利于手势动作细节信息的获取；

2、本发明中加入加速度信号对手部动作的信息进行补充，避免因单一信号造成的信息获取不充分，导致的系统误分类；

3、本发明采用自适应分类模型进行模式识别，降低电极片移位、电极电导率以及肌肉疲劳对系统稳定性的影响，提高了动作识别的准确率；最后成功应用到智能轮椅上，实现了在长期人机交互过程系统的自适应性和鲁棒性。

附图说明

图1本发明系统结构示意图；

图2本发明系统控制方法流程图；

图3a、图3b、图3c和图3d为本发明中不同的手势动作示意图；

具体实施方式

参见图1、图2，本实施例中基于肌电和加速度自适应控制的智能轮椅控制系统包括信号获取模块，信号处理模块和无线通信模块。

信号获取模块包括肌电信号采集单元和加速度信号采集单元，利用肌电信号采集单元同步采集获得人体前臂的伸指总肌、尺侧腕伸肌和肱桡肌的表面肌电信号，利用加速度信号采集单元采集获得人体前臂的加速度信号。本实施例中，各表面肌电信号的采集可以采用已有的医用月牙形泡棉电极片，其具有很好的皮肤阻抗值，由PET膜、泡棉背衬、电极扣、导电压敏胶、以银/氯化银扣和防粘膜组成，差分电极间距为20mm(中心点至中心点)，粘贴在所采集的肌电信号对应的肌肉位置，加速度采集模块使用MPU6050模块，放置在伸指总肌处，能有效获取加速度信号。

信号处理模块，用于对采集到的表面肌电信号进行AD转换和通过IIC协议读取加速度信号，并分别提取特征值，利用特征值进行特定动作模式的模式识别，根据特定动作模式相应输出轮椅控制信号。

无线通信模块，用于将信号处理模块输出的控制信号传送至轮椅控制电路，实现轮椅前进、后退、左转、右转或停止的智能控制。

本实施例中，特定动作模式为手势动作，包括：伸腕、屈腕、伸掌和握拳，如图3a所示为伸掌，如图3b所示为握拳，如图3c所示为屈腕，如图3d所示为伸腕。

本实施例中定义：以伸腕动作对应控制轮椅前进，以屈腕动作对应控制轮椅后退，以伸掌动作对应控制轮椅停止，以握拳动作对应控制轮椅转弯，并针对加速度信号进行向量积计算判断旋转方向，设定：人体前臂顺时针旋转对应控制轮椅左转弯，人体前臂逆时针旋转对应控制轮椅右转弯。

具体实施中，相应的技术措施也包括：

针对同步采集获得的伸指总肌、尺侧腕伸肌和肱桡肌的肌电信号分别进行加窗处理，窗长为64，一一对应按式(1)计算获得各肌电信号窗内所有采样点的均方根，分别为伸指总肌肌电信号的均方根A、尺侧腕伸肌肌电信号的均方根B和肱桡肌肌电信号的均方根C；将均方根A、均方根B和均方根C按式(2)求取平均值D。

式(1)中，sEMG_rms为窗内肌电信号的均方根，M为窗长，x_i为表面肌电信号第i个采样值；式(2)中，sEMG_average为肌电均方根的均值，即平均值D，sEMG_rms(j)为肌肉j的的窗内肌电信号的均方根，肌肉j是指伸指总肌，或尺侧腕伸肌，或肱桡肌，N为采集的肌电信号个数，本实施例中针对伸指总肌、尺侧腕伸肌和肱桡肌，N的值为3。

按75％的相邻窗重叠率逐次移动窗函数并作如下判断：若平均值D大于起始阈值则判断为活动点，当活动点连续个数达到6时，判断为动作开始；在动作开始之后，若平均值D小于结束阈值则判断为结束点，当结束点连续个数达到5时，判断为动作结束，完成一次手势动作判断，定义自动作开始到动作结束为活动段，针对活动段进行手势动作和旋转方向的判断。在判断动作结束之后，间隔0.5s重新开始进行活动点判断；若活动段持续时间小于0.5s，则将其舍弃，以避免干扰。

本实施例中按如下方式确定起始阈值和结束阈值：在人体前臂呈静息状态下，获取伸指总肌的时长为1s的静息状态肌电信号，针对所述静息状态肌电信号计算获得其平均值和方差，同样方式分别获得尺侧腕伸肌和肱桡肌的静息状态肌电信号的平均值和方差；取均值a为伸指总肌、尺侧腕伸肌和肱桡肌的静息状态肌电信号平均值的均值，取均值b为伸指总肌、尺侧腕伸肌和肱桡肌的静息状态肌电信号方差的均值；则起始阈值为a+5b，结束阈值为a+3b。

本实施例中按如下方式进行手势动作和旋转方向的判断：

针对所述活动段中伸指总肌、尺侧腕伸肌和肱桡肌的肌电信号分别进行特征值提取，特征值包括均方根、标准差和自回归模型系数，其中回归模型的阶数选为4。

由提取获得的活动段中的伸指总肌、尺侧腕伸肌和肱桡肌的所有特征值组成特征向量，将所述特征向量作为分类器的输入，通过分类器进行自适应模式识别，输出用于判断手势动作的分类结果向量；若判断手势动作为握拳，则针对活动段中所采集的加速度信号通过加速度向量的向量积运算，获得表征轮椅转弯方向的旋转特征值；

将所述分类结果向量和旋转特征值作为轮椅控制信号，实现针对特定动作模式的轮椅控制。

本实施例中按如下方式获得旋转特征值：针对活动段中加速度信号，将相邻采样点的加速度向量进行向量积运算，获得向量积B；若向量积B垂直于相邻加速度向量组成的平面且向上，则加速度信号对应为逆时针旋转；若向量积B垂直于相邻加速度向量组成的平面且向下，则加速度信号对应为顺时针旋转。

定义：顺时针旋转表征值为1，逆时针旋转表征值为-1；

计算获得活动段中所有顺时针旋转表征值和逆时针旋转表征值的累加值，累加值大于0为顺时针旋转，累加值小于0为逆时针旋转，累加值等于0为不旋转，以累加值作为旋转特征值。

本实施例中，按如下步骤计算自回归模型参数：

建立肌电信号的AR模型为：

其中，x(m)为第m个采样点的表面肌电信号，x(m-1)为第m-1个采样点的表面肌电信号，a_i为自回归模型第i个系数，c(m)表示白噪声残差，n为回归模型的阶数，选为4。

根据yule-walker方程按式(3)求出自回归参数：

其中，a_p为自回归模型系数，Γ_p为自协方差矩阵，为Γ_p为的逆矩阵，γ_p为自协方差系数。

本实施例中，为实现系统的自适应的要求，分类器使用线性判别分析，即：LDA，Linear Discriminant Analysis，分类函数g(x)如式(4)所表征：

其中，μ_c为训练样本的均值向量，为μ_c的转置矩阵，ρ为训练样本的协方差矩阵，ρ^-1为ρ为的逆矩阵，x为特征向量；

由式(4)可知，分类函数由均值向量和协方差矩阵决定，不断更新均值向量和协方差矩阵，将之前与新计算得到的均值向量、协方差矩阵按照一定权值更新均值向量和协方差矩阵，以达到自适应的目的，从而实现在长期的手势动作中产生的肌肉疲劳和不同人群手部动作差异所引起的分类准确率降低的问题。

本实施例中按常规方式具体利用式(5)对均值向量进行更新，利用式(6)对协方差矩阵进行更新。

其中，为经计算当前得到均值向量，为经计算当前得到的协方差矩阵，为上一步计算得到的均值向量，为上一步计算得到的协方差矩阵，p为所选取的之前的训练模型的数量，根据经验选取最优值，r为权值，r选取0.5最为合适。

本实施例中对于相邻采样点的加速度向量的向量积运算按如下进行：

将活动段内t时刻手势动作产生的三轴加速度记为A(t)，A(t)＝[a_x(t),a_y(t),a_z(t)]，

其中，a_x(t)为空间直角坐标系x方向的加速度，a_y(t)为空间直角坐标系y方向的加速度，a_z(t)为空间直角坐标系z方向的加速度，则相邻时刻的三轴加速度分别为A(t)和A(t+1)；

定义相邻时刻的加速度向量的向量积运算结果为B(t)，B(t)＝A(t)×A(t+1)；

B(t)只有两种情况，一种是垂直于A(t)和A(t+1)组成的平面向上，则加速度信号从t到t+1为逆时针旋转；另一种是垂直于A(t)和A(t+1)组成的平面向下，则加速度信号从t到t+1为顺时针旋转；记旋转特征值顺时针为1，逆时针为-1。