基于神经网络的假肢无线控制系统的设计

彭子韬+许鹏+沈晓燕+吴芳

摘 要： 为了改善残疾人生活水平和促进医疗事业发展，提出一种基于神经网络的假肢无线控制系统设计方案。该系统以STM32为核心芯片，通过采集上肢肱二头肌、肱三头肌、指浅屈肌、指伸肌4块肌肉的肌电信号，使用BP神经网络与SOFM神经网络相结合对肌电信号进行模式识别，实时控制肌电假肢的完成伸臂、屈臂、腕内旋、腕外旋、握拳、张手6种动作行为。实验结果表明，该系统对6种动作的整体识别率可达97%，并且采用无线实时的控制方式，能够更方便地帮助部分肢体残疾患者完成这些基本的操作行为。

关键词： 神经网络； 肌电信号； 模式识别； STM32； 无线控制； 肌电假肢

中图分类号： TN711?34； TP27 文献标识码： A 文章编号： 1004?373X（2018）02?0063?05

Abstract： To improve the living standard of the disabled and promote the development of medical treatment cause， a design scheme of prosthesis wireless control system based on neural network is proposed. With STM32 as the core chip of the system， BP neural network and SOFM neural network are combined for pattern recognition of electromyography （EMG） signal which are collected from four muscles of biceps， triceps， superficial flexor and extensor. Six motions of arm stretching， arm bending， wrist pronating， wrist supinating， fist clenching and hand opening can be accomplished by means of real?time control of myoelectric prostheses. The experimental results show that the overall recognition rate of the system for the six motions can reach to 97%， and the wireless real?time control pattern can help disabled patients who lose part of their limbs perform these basic operations more conveniently.

Keywords： neural network； EMG signal； pattern recognition； STM32； wireless control； myoelectric prosthesis

0 引 言

近20年来，由于意外事故、先天缺陷、疾病、自然灾害等原因，我国肢体残疾人口增长迅速。根据中国残疾人联合会在2012年发布的数据显示，截至2010年末，我国仅仅肢体残疾的人数就已经达到2 472万人，相比1987年的755万人增长了两倍多 [1]。为了代替失去肢体的部分功能，使截肢者恢复一定的生活自理和工作能力，假肢应运而生。另外，某些特定作业需要在高温、严寒或高强度辐射等不适合人类进入的特殊环境中进行。为了避免危险环境对人们可能造成的伤害，可以通过安全区内的操作者以远程操控机械臂的方式，完成危险区域内的作业。因此，开展假肢无线控制系统的设计研究对于改善残疾人的生活水平和促进医疗事业发展具有十分重要的意义。

目前肌电假肢大多是基于阈值控制的，识别率比较低，并且操作灵活性差。针对这些问题，模式识别分类算法被应用到假肢控制中[2]，本文提出一种基于神经网络的假肢无线控制系统设计方案。该系统包括“肌电信号（Electromyography，EMG）”采集、模式识别和无线实时遥控系统，可对前臂截肢患者安装的假肢实现自主控制的6种动作；也可对高温、严寒或高辐射环境中的机械臂实现无线远程操控，完成特定任务。

1 系统总体设计方案

基于神经网络算法的肌电信号模式识别假肢无线控制系统的总体设计方案如图1所示。

使用者在使用肌电假肢之前需要通过肌电信号采集模块对不同类型的动作进行训练，相比目前肌电信号训练都在Matlab中完成，本系统对于肌电信号的训练在C语言中直接完成。训练结束后，系统就会采用神经网络算法，对采集到的肌电信号进行模式识别分类，从而对相应的动作做出区分。对不同动作进行赋予不同的编码，通过发送模块将编码发出。编码到达接收模块，首先进行解码行为，区分出不同的动作，再触发假肢驱动电路，完成相应的动作。

2 肌电假肢硬件设计

整个假肢控制系统由硬件系统和软件系统两个部分组成，肌电假肢硬件电路部分主要模块如图2所示，包括肌电信号采集模块、肌电信号处理模块、无线传输模块以及电源供电模块。

2.1 肌电信号采集

表面肌电信号（Surface electromyography，sEMG）是一种微弱的由肌肉收缩伴随产生的非线性非平稳生物电信号，包含着重要的神经肌肉运动信息，广泛应用于运动意图识别领域[3]。肌电信号采集模块的功能是将人胳膊上特定肌肉的肌电信号进行采集与处理，通过A/D转换，得到相应的数字信号。肌电信号属于高噪声背景下的低频微弱信号，因此肌电信号采集模块要尽可能地滤除噪声，保留有效信号[4]。endprint

本文使用EB?muscle Sensor V1.2肌电信号传感器完成信号采集。EB?muscle Sensor V1.2传感器使用双电源供电，最高3.5 V，最低-3.5 V，内置放大电路和滤波电路。

2.2 肌电信号处理模块

肌电信号处理模块是整个系统的核心部分，将整个系统的各个模块整合在一起，完成系统的各个功能。肌电信号采集完成后送入处理模块，在该模块里对肌电信号进行训练和识别，得到相应的分类数据，将这些数据编码通过无线发送模块输出，控制假肢完成对应的动作。本文采用ST公司的STM32F103ZET6作为系统核心芯片，其是32位基于ARM核心的带512 kB闪存的微控制器。芯片的选择基于以下三点：

1） 拥有ARM32位的Cortex?M3 CPU，最高工作频率可达72 MHz，对肌电信号这样复杂的数据进行算法处理提供足够的速度，完成实时控制的效果；

2） 集成了大量的外设，包括USB、CAN、11个定时器、3个ADC、13个通信接口，能很好地实现与外部电路通信、电源控制等功能；

3） 低功耗：有睡眠、停机和待机模式，延长工作时间。

2.3 无线传输模块

肌电信号采集后，经过神经网络模式识别分类算法计算出动作类型，将不同的动作进行编码，编码后通过无线发送模块发射出，接收模块在接收到编码后，进行解码处理，根据解码结果控制假肢完成相应的动作。本文使用的编解码器分别是PT2262和PT2272见图3。

图3a）为PT2262芯片，A0～A5作为地址位，A6 ～A11既可以作为地址位也可以作为数据位。图3b）中PT2272解码芯片分为4路并行数据型和6路并行数据型。采用6路并行数据时，对应的地址编码则变为6位。此时，只采用A0～A5引脚作为地址位，而A6～A11作为数据位，相应的PT2262编码芯片的地址位和数据位也需要与PT2272保持一致。

本文考虑到要识别6种动作，因此设计过程中采用6路并行数据，使用A6 ～ A11作为数据位，通过高低电位即可对不同动作进行编码，例如（1，0，0，0，0，0）对应屈臂动作，（0，1，0，0，0，0）对应伸臂动作。

3 肌电假肢软件设计

本文设计了一套基于神经网络算法的软件程序，协调硬件部分实现对肌电假肢的无线控制。软件可以完成三部分功能：肌电信号实时采集、神经网络模式识别以及无线控制。

3.1 肌电信号实时采集

肌电信号采集部分控制下位机采集肌电信号，通过串口将经处理过的肌电信号显示在计算机上，方便用户观察肌电信号的数值，同时也能对电极放置的情况进行调整。

3.2 肌电信号神经网络模式识别

由于腕外旋和握拳两种动作的肌电信号差异不明显，仅仅使用BP（Back Propagation）神经网络进行模式识别的识别率不够高，因此本文使用BP神经网络算法[5?7]与自组织特征映射网络（SOFM）神经网络相结合对采集到的肌电信号进行分类和模式识别，使用者首先需要对6种动作进行训练，训练过后会得到一组修正过的权值，将权值重新写入识别程序，从而完成对于不同动作的識别。

3.2.1 BP神经网络与SOFM神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，于1986年由Rumelhart和McCelland为首的科学家小组提出，是目前应用最广泛的神经网络模型之一。BP神经网络算法的学习规则是使用梯度下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小[8]。

自组织特征映射（SOFM）神经网络是自组织网络中的一种，所谓的自组织过程是指学习的结果总是使聚类区内各神经元的权重向量保持向输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起。这种结构的网络能够从输入信息中找出规律以及关系，并且根据这些规律来相应地调整网络，使得以后的输出与之相适应[9]。

3.2.2 BP?SOFM神经网络算法的实现

在训练阶段，使用6种动作的表面肌电信号样本进行BP神经网络训练，并且把腕外旋和握拳两种动作归类为一种输出。与此同时，使用腕外旋和握拳两种动作的表面肌电信号对SOFM神经网络进行训练。

在识别阶段，BP神经网络判断识别结果为曲臂、伸臂、腕内旋或张手四种动作中的一种，则直接输出识别结果。如果BP神经网络的判别结果为腕外旋和握拳两种动作合并后的这一类动作，则将该样本输入SOFM神经网络进一步识别，从而识别出这个动作是腕外旋还是握拳。

训练和识别过程分别如图4a）和图4b）所示。

BP神经网络利用一种激活函数来描述层与层输出之间的关系，从而模拟各层之间的交互联系。一种比较常用的激活函数称为S型函数：

当求出各层的权系数之后，可按照之前设置的精度参数或循环次数等判别是否满足要求，若满足要求，则算法结束，输出各层权值。

SOFM神经网络的实现过程与BP神经网络相似步骤如下：

1） 随机初始化权值，并输入样本矢量x，令t=0；

2） 式（9）计算x与所有前向权值矢量之间的距离；

5） 令，重新执行步骤2），当时，说明当前样本学习完成，继续返回步骤1）进行其他样本的学习，直到所有样本学习完毕。

4 系统测试与结果

系统硬件实物图如图5所示， 发送模块和接收模块硬件电路图如图6所示。

4.1 模式识别结果

实验时，在前臂肱二头肌、肱三头肌、指浅屈肌、指伸肌这四块肌肉贴上电极，采集伸臂、屈臂、腕内旋、腕外旋、张手、握拳6种动作时四块肌肉的肌电信号。重复实验200次，得到200组数据，其中150组作为训练样本，50组作为识别试样样本。仅仅使用BP神经网络识别结果如表1所示，使用BP?SOFM神经网络的识别结果如表2所示。endprint

对比表1和表2 可以看出，使用BP神经网络与SOFM神经网络相结合可以大大提高腕外旋和握拳两种动作的识别率。

4.2 在线识别结果

将修正后的权值送入STM32系统中，实现在线识别。在线实验中，每个动作做30次，观察串口得到的数据以及假肢的实时动作，结果如表3所示。

通过对表3中数据分析计算可知，利用神经网络算法的肌电信号识别率可达97%，相对于传统的阈值识别算法86.4%的识别率[10]高出了10%，大大提高了动作识别率。

5 结 语

本文设计了一套基于神经网络的肌电假肢无线控制系统，采集上肢4块肌肉的肌电信号，经过BP?SOFM神经网络算法模式识别，通过无线传输方式，实现了屈臂、伸臂、腕外旋、腕内旋、张手、握拳6种动作。整个系统软硬件相结合，对于肌电信号的识别率总体可以达到97%，并且识别速度很快，能够实现实时控制的目标。

参考文献

[1] 中国残疾人联合会.2010年末全国残疾人总数及各类、不同残疾等级人数[EB/OL].[2013?01?29].http：//www.cdpf.org.cn/sjzx/cjrgk/201206/t20120626_387581.shtml.

China Disabled Persons′ Federation. The total number of the disabled and the number of each level of the disabled in China at the end of 2010 [EB/OL]. [2013?01?29]. http：//www.cdpf.org.cn/sjzx/cjrgk/201206/t20120626_387581.shtml.

[2] LI G， SCHULTZ A E， KUIKEN T A. Quantifying pattern recognition?based myoelectric control of multifunctional transradial prostheses [J]. IEEE transactions on neural system and rehabilitation engineering， 2010， 18（2）： 185?192.

[3] 丁其川，熊安斌，赵新刚，等.基于表面肌电的运动意图识别方法研究及应用综述[J].自动化学报，2016，42（1）：13?25.

DING Qichuan， XIONG Anbin， ZHAO Xingang， et al. Research and application of motion intention recognition method based on surface electromyography [J]. Journal of automation， 2016， 42（1）： 13?25.

[4] 田岚，姜乃夫，李光林.基于微处理器的多功能肌电假肢控制系统[J].集成技术，2013，2（4）：14?19.

TIAN Lan， JIANG Naifu， LI Guanglin. Multifunctional myoelectric prosthetic control system based on microprocessor [J]. Integration technology， 2013， 2（4）： 14?19.

[5] 孙保峰. 基于神经网络的表面肌电信号分类方法研究[D].长春：吉林大学，2013.

SUN Baofeng. Classification of surface EMG signals based on neural network [D]. Changchun： Jilin University， 2013.

[6] ZHANG Q H， MENG X H， GUO H C， et al. Obstacles based on BP neural network pattern recognition [C]// Proceedings of 2012 International Conference on Mechatronics and Automation （ICMA）. Chengdu： IEEE， 2012： 2574?2581.

[7] LI Y， TIAN Y， CHEN W. Multi?pattern recognition of sEMG based on improved BP neural network algorithm [C]// Proceedings of Chinese Control Conference. Beijing： Chinese Academy of Science， 2010（7）： 2867?2872.

[8] 朱福珍，吴斌.SOFM网络及其在Matlab中的实现[J].微计算机信息，2005，21（12）：163?165.

ZHU Fuzhen， WU Bin. SOFM network and its implementation in MATLAB [J]. Microcomputer information， 2005， 21（12）： 163?165.

[9] 李萍，曾令可，税安泽，等.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件，2008，25（4）：149?150.

LI Ping， ZENG Lingke， SHUI Anze， et al. Design of BP neural network prediction system based on MATLAB [J]. Computer application and software， 2008， 25（4）： 149?150.

[10] 喻洪流，胡加华.基于动态阈值的肌电假手动作控制方法研究[J].现代科学仪器，2011（3）：43?45.

YU Hongliu， HU Jiahua. Research on control method of dynamic threshold based on the action of prosthetic hand [J]. Modern scientific instruments， 2011（3）： 43?45.endprint