基于自适应增强分类器的多路反馈肌电控制假肢手及方法

摘要

本发明公开一种基于自适应增强分类器的多路反馈肌电控制假肢手及方法，其中，假肢手本体包括设于手掌平台上的多个独立运动的仿手指，仿手指由电机驱动模块控制运动；信号采集模块用于采集假肢手本体佩戴者的肌电信号；分类模块用于对肌电信号通过短时傅里叶变换和对数谱图像提取动作识别特征，对动作识别特征进行集成式筛选后，采用自适应增强分类器进行肌电分类，得到运动控制指令；电机驱动模块用于根据运动控制指令驱动仿手指动作；反馈模块用于根据仿手指动作时与物体的交互力、电机工作电流和关节位姿控制仿手指动作后电机的执行模式。在保证高准确率的情况下，最大限度地减少计算量，提高假肢手动作识别的速度与准确率。

说明书

技术领域

本发明涉及康复机器人技术领域，特别是涉及一种基于自适应增强分类器的多路反馈肌电控制假肢手及方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

佩戴仿生假肢手对于手部截肢患者来说是最直接有效的代偿方法。仿生假肢手外观上基本与人手相似；结构上模仿手掌和五指的生理结构，使用电机代替肌肉驱动手指关节的运动；功能上基本可以实现简单的抓握或是其他的动作。

但是据发明人了解，现有的假肢手(不包括机械臂)控制远没有达到灵活控制的水平。单独的假肢手多为单自由度控制，运动模式只有张开和闭合，与真正的灵活控制相差甚远；而多自由度的假肢更多的是设计成假肢手与机械臂的组合，或者将假肢手安置在一个巨大的底座上，患者很难真正地佩戴这样沉重的假肢手进行操作，尤其是对于手腕处截肢地患者，他们不需要复杂的机械臂，而是需要兼顾灵巧控制与轻量化设计的假肢手。

对于实时控制的问题，现有的基于分类或是回归的算法都需要在准确率与时效性上做出选择。信号滑窗的时候，窗长越大则包含的信息更为全面，准确率也更高，但是时间延迟也就更大，反之亦然。目前还没有非常优异的算法能够同时实现极高的准确率与时效性。

发明内容

为了解决上述问题，本发明提出了一种基于自适应增强分类器的多路反馈肌电控制假肢手及方法，实时采集假肢手佩戴者的运动意图信号，结合与物体的交互力、电机工作电流和关节位姿的反馈信息，控制假肢手的动作，实现日常生活中的操作需求，实现灵活控制、快速响应，提升用户体验感的效果。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于自适应增强分类器的多路反馈肌电控制假肢手，包括假肢手本体、电机驱动模块、信号采集模块、分类模块和反馈模块；

所述假肢手本体包括设于手掌平台上的多个独立运动的仿手指，所述仿手指由电机驱动模块控制运动；

所述信号采集模块用于采集假肢手本体佩戴者的肌电信号；

所述分类模块接收肌电信号，被配置为对肌电信号通过短时傅里叶变换和对数谱图像提取动作识别特征，对动作识别特征进行集成式筛选后，采用自适应增强分类器进行肌电分类，得到运动控制指令；

所述电机驱动模块被配置为根据运动控制指令驱动仿手指动作；

所述反馈模块被配置为根据仿手指动作时与物体的交互力、电机工作电流和关节位姿控制仿手指动作后电机的执行模式。

第二方面，本发明提供一种基于上述假肢手的控制方法，包括：

获取假肢手本体佩戴者的肌电信号；

根据对肌电信号的分类得到运动控制指令，并以此驱动仿手指动作；其中，对肌电信号通过短时傅里叶变换和对数谱图像提取动作识别特征，对动作识别特征进行集成式筛选后，采用自适应增强分类器进行肌电分类；

获取仿手指动作时与物体的交互力、电机工作电流和关节位姿，以此控制仿手指动作后电机的执行模式。

与现有技术相比，本发明的有益效果为：

本发明实现高自由度的全驱动假肢手，其中14个自由度(拇指2个，其余四指各3个)均由相应的编码器电机独立驱动，为使用者提供更加灵活准确的假肢手控制，解决具有多路反馈的灵活多自由度假肢手的设计与控制问题，区别于独立假肢手的多自由度，不需要复杂的基座来支撑。

本发明通过短时傅里叶变换以及对数谱图像提取特征，并进行集成特征选取后使用自适应增强分类器进行肌电分类，在保证高准确率的情况下，最大限度地减少计算量，提高假肢手动作识别的速度与准确率。

本发明采用肌电臂环作为控制假肢手的主信号源，通过力传感器、电机编码器以及电流反馈通路进行辅助控制，在运动过程中实时反馈假肢手的交互力、关节位姿和工作电流，以提高抓握动作的适用性和安全性，增进假肢手的使用效果。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的假肢手的多路反馈控制系统框图；

图2为本发明实施例1提供的假肢手整体结构；

图3为本发明实施例1提供的假肢手指关节结构示意图；

图4为本发明实施例1提供的肌电特征提取和分类流程图；

图5为本发明实施例1提供的集成式肌电特征筛选程序框图；

图6为本发明实施例1提供的反馈控制抓握运动流程图；

其中，1、手掌平台，2、假肢手拇指，3、假肢手食指，4、假肢手中指，5、假肢手无名指，6、假肢手小指，7、直流电机，8、主动齿轮，9、传动齿轮，10、关节从动轴，11、带轴指间关节，12、凹槽指间关节，13、掌指关节传动轴，14、带轴指尖关节，15、凹槽指尖关节。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1

本实施例提供一种基于自适应增强分类器的多路反馈肌电控制假肢手，包括假肢手本体、电机驱动模块、信号采集模块、分类模块和反馈模块；

其中，所述假肢手本体包括设于手掌平台上的多个独立运动的仿手指，所述仿手指由电机驱动模块控制运动；

所述信号采集模块用于采集假肢手本体佩戴者的肌电信号；

所述分类模块接收肌电信号，被配置为对肌电信号通过短时傅里叶变换和对数谱图像提取动作识别特征，对动作识别特征进行集成式筛选后，采用自适应增强分类器进行肌电分类，得到运动控制指令；

所述电机驱动模块被配置为根据运动控制指令驱动仿手指动作；

所述反馈模块被配置为根据仿手指动作时与物体的交互力、电机工作电流和关节位姿控制仿手指动作后电机的执行模式。

如图1所示为假肢手系统框图，在训练阶段，将肌电信号作为训练分类器的数据集，而在实际抓握操作阶段则是将其作为分类器的控制信号源；电机驱动模块根据运动控制指令向每一个编码器电机输出预先设置好的运动命令，控制电机运动到指定位置，即驱动仿手指动作；

同时，假肢手在抓握时也考虑到与物体的适应性交互，这主要是通过假肢手上的多路反馈实现；由于抓握姿势是预先设定的，是通用于所有交互物体的，且受限于使用者残肢的肌肉留存情况，其能产生的有效肌电激活模式并不足以分配给每种不同形状、质量、质地的物体，因此需要一定的反馈控制使得抓握更加的安全可靠；即假肢手运动姿态由电机中的绕阻编码器实时反馈，电机的工作电流由电机驱动模块的电流反馈电路实现，假肢手与抓握物体之间的交互由力传感器测量并反馈。

在假肢手内侧贴有柔性材质的覆盖层来增大与物体的接触面积，同时在该覆盖层与假肢手外壳之间放置有压电传感器，对于假肢手在运动过程中由于物体之间的干涉而导致接触力过大时，为了防止损伤抓握物体以及驱动电机，反馈力将使假肢手电机进入打嗝控制模式，在维持一定交互力的情况下防止电机堵转产生的强电流损害驱动系统，然而对于非力传感器范围内的环境接触或假肢手自身原因造成的干涉可通过电机驱动模块中的电流反馈模块直接向上位机发送指令及时停止动作；对于不存在交互的抓握情况，例如假肢手做出各种手势，此时没有力反馈的干预，假肢手在运动至指定位姿后即视为完成运动任务。

如图2所示，假肢手包括手掌平台1、假肢手拇指2、假肢手食指3、假肢手中指4、假肢手无名指5、假肢手小指6；掌指关节内固定的5个直流电机通过手掌平台1中的固定结构固定在手掌的内侧，其余9个指尖关节的直流电机固定在指尖关节内的相似结构中；柔性材质覆盖在假肢手的内侧面，以增大抓握时与物体的接触面积，实现均衡受力，压力传感器为条带状，分别固定在覆盖层的下方由指尖到掌指关节，以测量抓握时手与物体之间的力的交互。

在手掌平台上的五指对应位置依次设置连接拇指掌指关节与指间关节、食指掌指关节与指间关节、中指掌指关节与指间关节、无名指掌指关节与指间关节与小指掌指关节与指间关节，其中假肢手拇指对应两个编码器直流电机，分别来控制拇指掌指关节及一个指间关节，而其余四指均对应三个编码器直流电机，分别来控制掌指关节，近端指间关节和远端指间关节的运动，共计十二个编码器电机都通过相互独立的驱动模块进行运动控制。

如图3所示的手掌平台1、假肢手拇指2、直流电机7、主动齿轮8、传动齿轮9、关节从动轴10、带轴指间关节11、凹槽指间关节12、掌指关节传动轴13、带轴指尖关节14和凹槽指尖关节15；其中，假肢手食指3、假肢手中指4、假肢手无名指5和假肢手小指6结构完全一致，拇指的指间关节与指尖关节与其余四指结构完全一致，假肢手指关节均由带轴指间关节11和凹槽指间关节12组合而成，关节内置有一个直流电机用以驱动下一级关节运动，指尖关节由带轴指尖关节14和凹槽指尖关节15组合而成；

手掌平台在五指一侧设计有近端连接突出轴，五指近端连接突出轴与其假肢手手指相应位置的末端同轴相连以实现旋转运动，其中传动齿轮嵌套在该突出轴上；

假肢手食指、假肢手中指、假肢手无名指和假肢手小指的假肢单元均包括指尖关节突出构件、指尖关节嵌入构件、中间关节突出构件、中间关节嵌入构件、近端关节突出构件、近端关节嵌入构件、动力齿轮、传动齿轮和驱动轴；指尖关节通过与其锁死的驱动轴与传动齿轮在同一水平面啮合，而传动(锥)齿轮与动力(锥)齿轮则以90°的角度啮合，将电机产生的扭矩用来驱动指尖关节；

用于驱动指尖关节的电机位于中间关节的内部空间，驱动中间指关节的电机位于近端指关节内部，驱动近端指关节的电机则位于手掌平台内部，指尖关节作为手指最末端不设电机；

假肢手拇指仅有指尖关节与一节指间关节，包括指尖关节突出构件、指尖关节嵌入构件、近端关节突出构件、近端关节嵌入构件、动力齿轮、传动齿轮、驱动轴，其运动与传动方式与其余四指相同。

当编码器旋转电机运动时，其动力通过其上的锥齿轮传递给嵌套在该级指关节的传动齿轮上，再由传动齿轮带动与其啮合的驱动轴，驱动轴上一体打印了与传动齿轮啮合的结构，同时与下一级指关节在结构上锁死，使得驱动轴能够带动下一级指关节旋转弯曲或伸展。

以图3中假肢手食指为例，指间关节通过关节从动轴10与手掌平台1嵌合，同时指间关节与关节从动轴锁死，其余关节的设计也是如此；当直流电机7工作时，主动齿轮8带动传动齿轮9运动，再将力矩传递到关节从动轴10上，从动轴与指间关节锁死，最终由关节从动轴10驱动整个指间关节，实现关节的旋转运动。

如图4所示为肌电特征提取和分类流程图，表面肌电(Surface Electromyogrphy，sEMG)信号在诸多康复设备、人机交互、临床与生物医学等领域被广泛地应用；在康复设备，尤其是假肢手地控制命令分类中，sEMG信号是目前非侵入式设备的主流选择，可以在无创条件下记录反应不同手部肌肉活动的电信号；

本实施例提出一种基于sEMG信号的医学专家系统对使用者的抓握动作诱发肌电进行分类，以此增强假肢手使用中的动作分类准确性，主要由以下3个模块构成：基于频谱的对数变换图像信号(Logarithmic Spectrogram-Based Graph Signal,LSGS)、特征提取技术和自适应增强k-means(AdaBoost k-means,AB-k-means)分类器。

在实际使用过程中，对采集到的使用者的sEMG数据进行与训练数据集相同的预处理，然后对实时采集的数据点做同样的Hamming滑窗处理以及短时傅里叶变换，取得拉普拉斯矩阵及其特征值，计算相关的统计学特征；由于在训练阶段已经对效果较好的统计学特征进行了集成特征选择，在实际使用时就不再重复该步骤，直接将所取得特征值输入训练好的自适应k-means动作分类器获得运动指令。

本实施例对EMG进行滑窗后的短时傅里叶变换，通过频率密度谱作对数处理后获得谱图像及其权重矩阵，进一步获得其拉普拉斯特征矩阵与特征向量，从而计算各种统计学参数特征，最终所选择的分类特征需要综合卡方特征选择，互信息特征选择以及递归特征消除这三种方法，通过费舍尔公式得到最有效的数据特征；最后使用自适应增强k-means分类器进行分类，对表面肌电信号中提取出的特征进行分类识别，该算法通过对多个线性弱分类器的k-means分类最优化结果合并为一个强分类器。

具体地，对sEMG信号进行简单预处理，滤波降噪后作为运动模式分类的原信号；由于生理信号通常是不稳定且非线性的，因此应用LSGS模型从处理好的肌电信号中分析得到固定特征的激活模式，并对这些特征进行提取；对于提取出的具有较高权重的特征集合到特征提取算法中；最后在分类阶段采用新型分类模型AB-k-means将选定的sEMG特征映射到不同的抓握位姿中去，实现最终的分类结果；本实施例中所采用的分类器所学的特征数目较少，从而减小运算量和硬件需求，可以在更短的训练时间内提供更准确的结果。

对于EMG这种高维度的非平稳信号，本实施例采用对数域内的频谱图来对肌电信号进行时频转换以方便进一步处理；时频转换的具体操作是采用短时傅里叶变换(Short-Time Fourier Transform，STFT)，对数据做短时傅里叶变换需要对数据进行加窗处理，这里选用包含256个连续采样点的Hamming窗作为傅里叶变换的一个单元；每次窗移半个窗长，即128个采样点，来完整覆盖肌电信号以生成频谱图，其中，x代表原始的肌电信号输入，k代表离散时间的标签，z代表计算所选择的Hamming窗函数，K是代表窗长的常数为256；

因此，对每一窗信号的每个频率范围内均得到了X|f|，该频谱值为一个复数，将该复数值求取模值之后得到其对数谱密度S(f,j)；在对数谱密度的求算过程中，需要对对数谱密度进行时间帧j的标记以实现；

下一步是对对数谱密度图的绘制，如公式(1)所示：

IS(f,j)＝log(S(f,j))(1)

使用log函数来非线性地对对数谱密度进行放缩，同时还可以增强EMG信号所述频段的频谱分量，使用对数函数变换之后即可得到在频率与时间上的二维对数谱图IS(f,j)。

对于单次任务训练来说，几秒钟的动作可能记录下上千个数据采样点，对其作短时傅里叶变换、对数谱密度求算以及带时间标签的谱图绘制后，会得到一副分辨率较高的包含运动动作识别特征信息的IS(f,j)；为了方便模型训练以及后期的运动识别，本实施例将该谱图通过均匀采样的方式降维到50×50的分辨率，该图像对于不同动作的频率以及频率对应的STFT幅值较为敏感，可作为动作分类的可靠判据。

将降维后的对数谱图记为iS(f,j)，iS(f,j)是一个具有50×50的分辨率的常数矩阵，由于对时间变量以及频率变量进行降维，变量f和j不再代表频率与时间的尺度，因此这里仅作为对横坐标和纵坐标的代数表示。

进一步的，将对数谱图像iS(f,j)以逐行排列的形式从一个50×50的矩阵变为一个1×2500规模的行矩阵G，如公式(2)所示：

G＝[g

此时的谱图像已经失去了二维分辨率，G中相邻的元素在原二维对数谱图像中为相邻元素或是一行的末尾元素与下一行的首个元素；很明显，在生成加权矩阵时，这两种情况的权重计算中应有所区别，因此相应的生成一个G的同等规模的索引矩阵v，v中的每一个元素v

然后应用高斯核加权函数对不同节点之间的权重进行求算，如公式(3)-(4)：

其中，exp函数为以自然对数e为底数的指数函数，dist(v

对于元素的欧式距离或物理距离大于阈值h的情况，当i＝j时，p

w

在已知加权矩阵W的情况下，通过初等变换获得其衍生的对角矩阵D，求得拉普拉斯矩阵l即为D减去W的差值矩阵。

对拉普拉斯矩阵l做特征值分解来实现谱图像的变换，这需要先借助数学软件求解出l的全部特征值，并按照大小进行排序，得到N维特征值矩阵X＝{χ

L＝XΛX

其中，X

如图5所示，对上述步骤中所得到的运动识别特征进行选择，由于各种特征值选择方法各有其优势与不足，具体体现在数据类型的选择、准确性、时间、成本等诸多因素。因此，本实施例采用集成式特征选择方法，同时采用卡方特征选择、互信息以及递归特征消除方式进行整体的特征筛选，以获得特征集合。

为了降低从G中提取的特征值向量的维度，选取一组常用的统计特征，即：第一四分位数、第二四分位数、标准差、均值、最小值、众数、最大值、中位数、范围、变异系数、偏度、峰度、趋势、序列相关性、自相似性、周期性、均方根、百分位数；通过分别采用卡方特征选择、互信息以及递归特征消除方法对以上所有参数进行测试，并对最终特征进行基于费舍尔判据的阈值筛选得到最有效的分类特征，如公式(7)所示：

其中，p

其中，α的值设定为0.75，ρ是最终要保留的特征数量，v代表阈值所对应的特征；需要注意的是，特征数量过少会导致分类的信息不足，而过多的特征即会加大计算量，也会由对最终的结果带来过拟合的影响。

为了对提取筛选后的特征进行分类与识别，本实施例采用自适应增强(AdaBoost)迭代算法与k-means聚类的分类方法来进一步提高分类的准确率；具体来说，AdaBoost负责训练弱分类器来识别EMG相关的手部抓握姿势，而k-means用来学习分类模型以区分不同的手部抓握姿态；在k-means分类存在误判时，AdaBoost将会根据错误率来修改其权重，从而获得最优的单个弱分类器。

k-means的聚类原则为：首先在分类空间中选择K个点作为初始的质心；将每个对象分配给最接近它的质心；根据分配结果获得该区域新的质心；重复以上步骤直至质心不再改变。

自适应增强分类器是一种机器学习算法，用于训练一组弱分类器，它的分类器机制是在每次迭代后更新训练样本的权重和错误率，对于错误分类的训练集的增加其训练权重，正确分类的训练集的权重降低，通过负反馈的迭代实现弱分类器的有效组合，以设计出一个强分类器，如公式(9)：

其中，h

首先，将两组带标签的训练集数据M

然后对权重矩阵进行标准化，如公式(10)所示：

定义一个简单的弱分类器，如公式(11)：

h(v,f

其中，δ代表阶跃函数，当特征向量v的f阶分量大于预设的性能阈值时，函数值恒为1，否则恒为零；a和b是用来矫正错误的调整系数；

该分类器是一个简单的线性函数，分类效果较弱，应用加权矩阵w

其中，

本实施例所使用的表面肌电电极以500Hz的采样频率进行EMG信号采集，然后选择巴特沃兹带通滤波器滤除低于15Hz与高于500Hz的噪声信号，同时，为了消除供电线路的干扰还需要对肌电信号进行50Hz工频陷波。

使用者在使用假肢手之前需要采集肌电控制数据，熟悉不同肌电激活模式与假肢手的控制关系，训练分类模型的准确率，假肢手佩戴者根据自己残肢的肌肉存留情况动态地选择有效动作地数量，因为每一个抓握动作都需要有特异性地肌电激活模式与其匹配，这就要求每一个肌电激活模式都是独立的，可重复的且可以由使用者主动控制的；对于每一种肌电激活模式的重复性训练，允许使用者自行决定肌电激活时的速度与力量，只要保证运动的可重复性即可。

在运动过程中，使用者输入基本信息并经过训练之后，通过控制自身残肢的肌电激活来作为运动控制的主要信号来源，通过自适应增强k-means分类器对筛选过的特征进行分类后将结果输出作为最终的控制指令驱动假肢手。

在假肢手动作后，采用反馈信号作为运动的门控信号以对假肢手运动进行使能控制，如表1所示；其中，K

表1反馈控制

多路反馈共有三种形式：力反馈，编码器反馈，电流反馈。在假肢手控制系统当中，力反馈是为了防止抓握过程中交互力过载所造成的损伤；编码器反馈通过编码器绕阻的变化来判断电机旋转匝数，从而获得各个关节的旋转角度以及关节之间的相对位置；电流反馈是为了保障假肢手最基本的电气安全，防止故障烧毁假肢手及其电路；多路反馈可以为假肢手提供类似触觉与本体觉的感知反馈，还可以实时监测被控电机的工作状态，赋予了假肢手更高的可靠性和灵活性；

其中，压电力传感器成矩阵式排列，均匀分布在柔软假肢手内部，矩阵网络中的每一个节点都是一个压力敏感电阻，通过扫描行和列的电流变化来确定电阻阻值变化的大小与位置，从而确定假肢手与物体接触的位置与受力情况，压电传感器覆盖在手掌以及手指内侧，充当假肢手的“皮肤”，提供近似“触觉”的反馈信号。

编码器直流电机可以通过编码器电阻值的变化确定电机正旋或是逆旋行程，将电机行程转换成关节旋转的角度变化；综合14个关节的旋转姿态从而确定假肢手当前的运动姿态，传输给微控制器和上位机，电机编码器能够使控制系统实时获取假肢手关节的运动姿态，从而控制假肢手准确地运动到固定位姿，提供相当于“本体觉”的反馈信号。

电流反馈功能集成在电机驱动模块中，在假肢手正常运动的情况下，供电稳定，因此电流反馈反映了电机运转的功率；在假肢手电机运动受阻时，电流陡增，此时控制系统接收到过高的反馈电流会停止假肢手运动动作；电机驱动模块接受来自微控制器的信号输入，指令以脉冲宽度调制(Pulse Width Modulation，PWM)信号形式发送给电机驱动模块，电机的功率输入则通过外部供电来提供，PWM信号在电机驱动模块中转换成外部供电电平后驱动电机运动。同时模块上的电流反馈接口会将通过直流电机的电流反馈给上位机。

反馈信号对抓握过程的控制如图6所示，程序框图中的判断条件即是对反馈信号进行判断，其中不同的事件分支则涵盖了抓握的典型范式，具体地：

(1)预设电流阈值、力阈值和位姿状态阈值；假肢手在运动过程中，交互力与编码器反馈电流均在阈值内，当假肢手的各个关节到达预计运动位置时，通过编码器电机的关节运动状态反馈，可以判定一次正常的抓握运动结束。

(2)假肢手在运动过程中电流反馈高于阈值，代表电机出现一定程度的堵转；力反馈同样高于阈值，则可以认定假肢手与物体之间交互阻碍关节的进一步屈伸，此时抓握的目的已经达成，为了保护假肢手与抓握物体，电机进入打嗝控制的模式，维持必要的交互力同时防止过载电流。

(3)假肢手在运动过程中电流反馈高于阈值，但是反馈力较低，在不存在交互力的情况下，电流过载代表假肢手运动的故障，此时控制系统停止当前运动，并断开编码器电机来保证电气安全。

实施例2

本实施例提供一种基于上述假肢手的控制方法，包括：

获取假肢手本体佩戴者的肌电信号；

根据对肌电信号的分类得到运动控制指令，并以此驱动仿手指动作；其中，对肌电信号通过短时傅里叶变换和对数谱图像提取动作识别特征，对动作识别特征进行集成式筛选后，采用自适应增强分类器进行肌电分类；

获取仿手指动作时与物体的交互力、电机工作电流和关节位姿，以此控制仿手指动作后电机的执行模式。

在该控制方法中，确定使用者基本信息，控制系统初始化，为使用者佩戴上述的仿生假肢手以及肌电采集臂环，进行肌电激活模式的训练，设置预定的假肢手动作姿势，所选的肌电激活模式需要具有特异性，自发性和可重复性；

将使用者所能实现的有效肌电激活模式一一映射到预先假定的假肢手动作之中，并使使用者熟悉其中的控制联系；根据假肢手佩戴者的残肢激活情况来调整与之匹配的动作数量，能够提供足够的运动自由度来匹配所有可能出现的肌电激活模式。

进一步的，使用者熟悉操作假肢手的规则之后，进行预设集中动作的抓握测试，通过所得带标签的数据对分类模型进行训练；选择基于频谱的对数变换图像信号作为肌电分类的素材，将肌电信号通过滑窗短时傅里叶变换提取拉普拉斯矩阵，再得到特征矩阵的各个特征量，对其进行集成特征选择，作为分类的输入；最终选择自适应增强k-means算法训练若干线性弱分类器组合成自适应增强分类器，作为肌电分类的工具；

在运动过程中，使用者通过控制自身残肢的肌电激活来作为运动控制的主要信号来源，对该肌电信号进行分类后作为最终控制指令驱动假肢手，并通过反馈控制抓握实时监测假肢手位置信号，在假肢手运动到指定位置时结束运动，在反馈力与电流超过阈值时选择进行间歇性的打嗝控制或是断开电机来防止运动干涉造成的假肢手与抓握物体损伤。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。