本發(fā)明一種新型仿生假肢運(yùn)動(dòng)領(lǐng)域，尤其是一種能夠基于手機(jī)app的上下肢運(yùn)動(dòng)輔助方法。

背景技術(shù)：

假肢作為截肢者的必需品，在全球眾多肢體殘疾的患者中，僅有少數(shù)人能負(fù)擔(dān)得起佩戴假肢?，F(xiàn)在市場(chǎng)上的假肢大部分是裝飾性假肢，外觀設(shè)計(jì)跟真實(shí)手臂一樣，但沒(méi)有任何功能；部分假肢開(kāi)始嘗試通過(guò)生物電流信號(hào)來(lái)控制其運(yùn)動(dòng)，商業(yè)化后價(jià)格昂貴，且手勢(shì)單一，一般家庭難以承受。

在高端截肢設(shè)備中，還沒(méi)有利用手機(jī)作為算法運(yùn)算器去控制上下肢運(yùn)動(dòng)的裝置，僅僅是基于單片機(jī)等芯片開(kāi)發(fā)的控制系統(tǒng)，其芯片運(yùn)算能力有限，對(duì)肌電信號(hào)的分析精度低、實(shí)時(shí)性很差，且不具有通用性，發(fā)開(kāi)成本高，從而導(dǎo)致運(yùn)動(dòng)假肢價(jià)格昂貴，不適用廣泛的市場(chǎng)推廣。

除此之外，通過(guò)肌電或者腦電控制的仿生手/臂/腳/腿，存在著成本高，算法不穩(wěn)定，運(yùn)算時(shí)間長(zhǎng)。目前市場(chǎng)上的通過(guò)肌電的解決方案，一般直接對(duì)單一肌肉表面信號(hào)進(jìn)行信號(hào)幅度采集，用于作為肌肉觸發(fā)指定運(yùn)動(dòng)的指令。現(xiàn)存的方法會(huì)受到周?chē)姶判盘?hào)，本身人體運(yùn)動(dòng)低頻信號(hào)，電機(jī)帶入噪聲，其他肌肉族群信號(hào)，深部肌肉信號(hào)及白噪聲的影響。導(dǎo)致運(yùn)動(dòng)指令不明確和主觀意識(shí)運(yùn)動(dòng)不可按質(zhì)按量的完成。目前實(shí)驗(yàn)室的解決方案，為了避免上述的信號(hào)干擾，使得信號(hào)更加完整和精確，大量的運(yùn)行后臺(tái)算法，例如小波分析，而這樣大量的運(yùn)算對(duì)處理器的速度和能力要求很高，配置在現(xiàn)有的可穿戴假手/臂/腳/腿中雖然單一信號(hào)處理精度提高了，但成本大大提高，運(yùn)算穩(wěn)定性反而降低，僅適用于實(shí)驗(yàn)室科研，不適用廣泛的市場(chǎng)推廣。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種能夠基于手機(jī)app的上下肢運(yùn)動(dòng)輔助方法。

技術(shù)方案：為解決上述技術(shù)問(wèn)題，本發(fā)明提供的一種基于手機(jī)app的上下肢運(yùn)動(dòng)輔助方法，所述方法包括以下步驟：

步驟1)選取完成特定動(dòng)作的相關(guān)肌肉或肌肉群；

步驟2)利用表面電極提取表面肌肉信號(hào)；

步驟3)：將提取表面肌肉信號(hào)傳導(dǎo)至手機(jī)app，對(duì)輸入表面肌肉信號(hào)進(jìn)行采樣，采樣頻率需要大于1000hz，先對(duì)信號(hào)做初步處理，消除采樣中空的信號(hào)值，在對(duì)信號(hào)進(jìn)行濾波，消除白噪聲、環(huán)境電磁信號(hào)、自身肢體運(yùn)動(dòng)產(chǎn)生的低頻信號(hào)；

步驟4)：針對(duì)所采集的肌電信號(hào)(原文中4路肌電信號(hào))分別提取其時(shí)域特征和頻域特征；

所述時(shí)域特征包括：平均值(av)、積分肌電值(iemg)、均方根值(rms)、絕對(duì)值積分平均值(iav)、過(guò)零點(diǎn)數(shù)(zc)、方差(var)、willson幅值(wamp)、標(biāo)準(zhǔn)差(std)；

頻域特征包括：平均功率頻率(meanpowerfrequency，mpf)、中位頻率(medianfrequency，mf)；

步驟5)：建立模式分類模型；

步驟6)：選取肌電信號(hào)(4路信號(hào))的某一特征值作為輸入，輸入到步驟5)中的分類模型中，并計(jì)算出運(yùn)動(dòng)模式；

步驟7)：通過(guò)手機(jī)藍(lán)牙將運(yùn)動(dòng)模式發(fā)送給上下肢的外接控制器，該控制器包括主控芯片、藍(lán)牙通訊模塊、電機(jī)驅(qū)動(dòng)模塊等；

步驟8)：上下肢的外接控制器的主控芯片從藍(lán)牙通訊模塊中讀取到運(yùn)動(dòng)模式后，控制假手/臂/腳/腿完成肌肉輸出信號(hào)的指定動(dòng)作。

進(jìn)一步地，所述步驟5)中模式分類模型包括：反向傳播神經(jīng)網(wǎng)絡(luò)(bpnn)模型或支持向量機(jī)(svm)模型。支持向量機(jī)(supportvectormachine)可構(gòu)造一個(gè)超平面，在高維空間，其可以用于分類。它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，該算法為現(xiàn)有的公知的計(jì)算方法。

進(jìn)一步地，所述反向傳播神經(jīng)網(wǎng)絡(luò)(bpnn)模型步驟包括以下步驟：

步驟5.1)：建立模型；

確定模型層數(shù)，至少3層，包括第一層輸入層，有4個(gè)節(jié)點(diǎn)，分別輸入4路semg(surfaceelectromyography表面肌電信號(hào))的某一特征值；第二層是隱含層，隱含層可以是多層，隱含層節(jié)點(diǎn)根據(jù)經(jīng)驗(yàn)選取12個(gè)節(jié)點(diǎn)；第三層是輸出層，輸出層節(jié)點(diǎn)要根據(jù)經(jīng)驗(yàn)及需要識(shí)別的運(yùn)動(dòng)模式的數(shù)量進(jìn)行設(shè)定。這里選取2或者1個(gè)節(jié)點(diǎn)，，輸出運(yùn)動(dòng)模式；輸入層為4路肌電信號(hào)，輸入層和隱含層的各個(gè)節(jié)點(diǎn)采用雙極型s型函數(shù)。

步驟5.2)：訓(xùn)練模型；

對(duì)bpnn模型進(jìn)行訓(xùn)練，從樣本數(shù)據(jù)及其對(duì)應(yīng)的運(yùn)動(dòng)模式標(biāo)簽對(duì)bpnn的權(quán)值及線性偏置進(jìn)行調(diào)節(jié)，直到得到適合的輸入輸出關(guān)系，即網(wǎng)絡(luò)收斂為止。

進(jìn)一步地，所述運(yùn)動(dòng)模式包括握拳、展開(kāi)、表?yè)P(yáng)、ok、v型手勢(shì)，其中表?yè)P(yáng)為豎起大拇指，擴(kuò)展到腿腳部分，運(yùn)動(dòng)模式包括完全站立，半蹲下，完全蹲下等。。

有益效果：本發(fā)明相對(duì)于現(xiàn)有技術(shù)而言具有以下優(yōu)點(diǎn)：

本發(fā)明提供基于手機(jī)app的上下肢運(yùn)動(dòng)輔助方法，表面肌肉電信號(hào)提取和采集的精度提高了；環(huán)境信號(hào)，外周干擾信號(hào)，其它非參與肌肉信號(hào)被干凈排除；結(jié)合相對(duì)肌肉組信號(hào)對(duì)運(yùn)動(dòng)行為的發(fā)出明確的強(qiáng)度和時(shí)間的指令；用肌電信號(hào)直接控制，識(shí)別率高，實(shí)時(shí)性好，反應(yīng)靈敏，成本低，方便實(shí)用。

附圖說(shuō)明

圖1是本發(fā)明基于手機(jī)app的上下肢運(yùn)動(dòng)輔助方法示意圖。

圖2是小臂尺側(cè)腕伸肌和橈側(cè)腕屈肌示意圖。

圖3是反向傳播神經(jīng)網(wǎng)絡(luò)模型示意圖。

圖4是表面肌肉電信號(hào)原始采集信號(hào)曲線。

圖5是經(jīng)過(guò)處理的表面肌肉信號(hào)示意圖。

圖6是兩組肌肉群的積分肌電值(iemg)曲線。

圖7是兩組肌肉群的均方根值(rms)曲線。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作更進(jìn)一步的說(shuō)明。

如圖1所示，一種基于手機(jī)app的上下肢運(yùn)動(dòng)輔助方法，所述方法包括以下步驟：

步驟1)選取完成特定動(dòng)作的相關(guān)肌肉或肌肉群，這里選取兩路信號(hào)即兩組肌肉群，小臂尺側(cè)腕伸肌和橈側(cè)腕屈肌，如圖2，深色為選取的肌肉群；

步驟2)利用表面電極提取表面肌肉信號(hào)，如圖4表面肌肉電信號(hào)原始采集信號(hào)(雙通道/雙肌肉群)，圖4橫軸為時(shí)間，縱軸為原始肌電信號(hào)的幅值，即肌電信號(hào)隨時(shí)間變化的曲線，圖4是原始信號(hào)曲線，此步驟只是去除了采樣信號(hào)中的無(wú)效信號(hào)，此信號(hào)是提取自兩組不同肌肉群的原始的肌肉信號(hào)，基于表面肌肉信號(hào)的頻率一般在8hz-500hz之間，這里采用大于1000hz的采樣頻率，對(duì)模擬信號(hào)進(jìn)行采樣，并消除nan無(wú)效信號(hào)，生成如圖4所示的原始數(shù)字肌肉信號(hào)。

步驟3)：將提取表面肌肉信號(hào)傳導(dǎo)至手機(jī)app，對(duì)輸入表面肌肉信號(hào)進(jìn)行采樣，采樣頻率需要大于1000hz，先對(duì)信號(hào)做初步處理，消除采樣中空的信號(hào)值，在對(duì)信號(hào)進(jìn)行濾波，消除白噪聲、環(huán)境電磁信號(hào)、自身肢體運(yùn)動(dòng)產(chǎn)生的低頻信號(hào)，如圖5，橫軸為時(shí)間，縱軸為處理后肌電信號(hào)的幅值，即肌電信號(hào)隨時(shí)間變化的曲線，在完成手掌伸展和握和這一指定動(dòng)作時(shí)兩組肌肉群產(chǎn)生的表面肌肉信號(hào)，經(jīng)過(guò)頻域分析，濾波，除噪等一系列信號(hào)處理算法后，轉(zhuǎn)換回時(shí)域空間的信號(hào)表征。這里可以看到肌肉的反應(yīng)時(shí)間，收縮時(shí)間，收縮強(qiáng)度，和衰減時(shí)間，并且可以看到在同一時(shí)間點(diǎn)兩組不同的肌肉群肌肉作業(yè)時(shí)間和強(qiáng)度的區(qū)分；

步驟4)：針對(duì)所采集的肌電信號(hào)分別提取其時(shí)域特征積分肌電值(iemg)(如圖6)和均方根值(rms)(如圖7)，圖6橫軸為時(shí)間，縱軸為對(duì)應(yīng)時(shí)間點(diǎn)的積分肌電值，其中上面的曲線為第一路肌電信號(hào)積分肌電值隨時(shí)間變化的曲線，下面的曲線為第二路肌電信號(hào)積分肌電值隨時(shí)間變化的曲線；圖7橫軸為時(shí)間，縱軸為對(duì)應(yīng)時(shí)間點(diǎn)的肌電信號(hào)的均方根值，其中上面的曲線為第一路肌電信號(hào)均方根值隨時(shí)間變化的曲線，下面的曲線為第二路肌電信號(hào)均方根值隨時(shí)間變化的曲線；

步驟5)：建立模式分類模型；反向傳播神經(jīng)網(wǎng)絡(luò)(bpnn)模型。

步驟5.1)：如圖3所示，4路肌電信號(hào)作為輸入輸送給輸入層，輸入層各個(gè)節(jié)點(diǎn)均采用雙極型s型函數(shù)，各節(jié)點(diǎn)對(duì)其輸入進(jìn)行加權(quán)計(jì)算后判斷該節(jié)點(diǎn)是否激活，并將結(jié)果輸送給下一層對(duì)應(yīng)的節(jié)點(diǎn)。這里隱含層也采用雙極型s型函數(shù)。

建立模型；確定模型層數(shù)，至少3層，包括第一層輸入層，有2個(gè)節(jié)點(diǎn)，分別輸入2路semg的特征值iemg；第二層是隱含層，隱含層一層，12個(gè)節(jié)點(diǎn)；第三層是輸出層，有1個(gè)節(jié)點(diǎn)，輸出運(yùn)動(dòng)模式；

步驟5.2)：訓(xùn)練模型；

對(duì)bpnn模型進(jìn)行訓(xùn)練，從樣本數(shù)據(jù)及其對(duì)應(yīng)的運(yùn)動(dòng)模式標(biāo)簽對(duì)bpnn的權(quán)值及線性偏置進(jìn)行調(diào)節(jié)，直到得到適合的輸入輸出關(guān)系，即網(wǎng)絡(luò)收斂為止。

步驟6)：選取肌電信號(hào)(2路信號(hào))的某一特征值作為輸入，輸入到步驟5)中的分類模型中，并計(jì)算出運(yùn)動(dòng)模式；所述運(yùn)動(dòng)模式包括握拳、展開(kāi)、表?yè)P(yáng)、ok、v型手勢(shì)；

步驟7)：通過(guò)手機(jī)藍(lán)牙將運(yùn)動(dòng)模式發(fā)送給上下肢的外接控制器，該控制器包括主控芯片、藍(lán)牙通訊模塊、電機(jī)驅(qū)動(dòng)模塊等；

步驟8)：上下肢的外接控制器的主控芯片從藍(lán)牙通訊模塊中讀取到運(yùn)動(dòng)模式后，控制假手/臂/腳/腿完成肌肉輸出信號(hào)的指定動(dòng)作。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。