基于dsp的假手指運動控制

現在許多科學家已經對殘疾人進行了康復系統的研究。自從Wiener提出基于肌電信號控制假手這一概念后,出現了很多的肌電假手。先前大多數的肌電假手使用的是基于肌電模式識別的開/關控制或者依靠從肌電信號中估計到的力矩控制某一特殊關節。然而,隨著假手自由度的增多,很難以較高的準確率識別出操作者的動作,這主要歸咎于肌電信號的非線性和非平穩性。雖然在此后的研究中出現了很多新的信號處理方法提高了肌電模式識別的準確率,但這些方法往往只適合在PC機環境下運行(算法計算量較大),并不適合移植到DSP中實時運行。因此,對于嵌入式的多自由度肌電假手控制來說需要找到一種識別率較高而且計算量較小的方法。在作者早期的研究中,開發了一種新型的三自由度五指欠驅動仿人型肌電假手系統。該系統在PC機平臺上,利用兩個表面電極采集到的肌電信號實現了對人手拇指、食指和中指彎曲動作的識別,從而完成了對肌電假手的實時控制。模式分類器結合了自回歸(AR)參數模型和Levenberg-Marquardt(LM)算法的3層前饋神經網絡,對3個屈指動作的平均識別率可以達到99.49%,接近于100%。此后還將該算法成功地應用到了新研制的HIT-DLR假手中,實現了基于DSP的假手實時控制。控制芯片采用TMS320F2812,控制方式為:在PC機環境下訓練神經網絡參數,在DSP芯片內運行神經網絡(參數不變)。然而,當利用相同的特征提取方法,采用3個通道的肌電信號識別手指的6個動作時(拇指、食指和中指的彎曲與伸展),結果并不理想,平均識別率僅有86.67%,因此需要尋找一種新的控制方法來提高平均識別率。本文引入一種新的肌電信號非線性分析方法——樣本熵。采用AR參數模型和樣本熵進行特征提取,將彈性反向傳播(RP)算法訓練的3層前饋神經網絡進行特征分類。所建立的控制系統框圖如圖1所示。1dsp芯片pc機用來控制假手的肌信號來自于操作者的前臂肌肉,當操作者收縮肌肉控制手指運動時可以檢測到該信號。所選擇的前臂肌肉為拇長屈肌、指深屈肌和指伸肌。產生的肌電信號首先由3個OttoBock有源電極采集,然后通過A/D采集卡(采樣頻率為2000Hz)或手掌DSP的A/D端口輸入到PC機(P42.8G)或DSP內。PC機內的工作是確定神經網絡的權值和閾值,然后通過仿真器將這些參數寫入DSP內。而DSP芯片內的工作是實時采集肌電信號,并對其進行特征提取和特征分類,識別最終結果將用來控制假手電機的運動。為了識別操作者動作的開始,指定了一個上升沿閾值。當任何一個電極在50ms內的信號變化超過事先給定的閾值時,就判斷動作已開始。在這之后200ms內的信號將會被采集,作為動作輸入向量進行處理。為了避免不穩定的問題,閾值不能太小。但如果閾值過大,檢測的敏感性將會降低。因此,閾值的選擇為肌肉收縮時信號最大幅值的10%。采用該方法,將在信號出現最晚50ms內識別出有效信號的到來,加上信號采集時間200ms及信號處理時間(不超過150ms),完全可以認為控制是實時的。(1)ar模型參數的選取及模型擬合在很短的一段時間內,肌電信號可以看做是零均值白噪聲過程激勵的一個線性系統所產生的,因而可以用AR模型來分析。使用AR模型的優點是肌電信號能夠表示成模型參數的形式而不包含原始波形數據。因此,數據的數量可以急劇減少,而信號的特征可以加強。AR模型的定義為xk=Ρ∑i=1αixk-i+ek(1)xk=∑i=1Pαixk?i+ek(1)式中:xk和xk-i分別為第k個和k-i個采樣數據,采樣數據總數為400;αi(i=1,2,…,P)為AR模型的參數;ek為白噪聲信號;P為AR模型的階次。P的選取是一個重要的問題。很多學者利用各種準則確定肌電信號在采樣頻率為2000Hz時的最佳模型階次為4。作者早期的實驗也表明,AR模型的階次取為4時,對信號的分析和識別性能是最好的,更高階次的模型不會改善分類結果,而且會使得運算量增大,因此采用4階AR模型。對于3個電極而言,每個動作可以得到一個包含有12個AR模型參數的動作特征向量。AR模型參數的計算通常采用最小二乘參數估計,該方法需要對矩陣進行求逆運算。在早期的研究中發現,對于近似奇異的病態矩陣,在DSP內的運算過程中很難求出其逆矩陣。為回避矩陣求逆運算,在計算AR模型參數的過程中采用了最小二乘參數估計的遞推算法,詳細計算步驟見文獻,在此不贅述。(2)構建各向異性中nmi的向量熵原本是一個熱力學概念,是用來描述熱力學系統混亂(無序)程度的量度。在信息論建立以后,關于熵的概念和理論得到了發展。樣本熵是JoshuaS.Richman等人于2000年提出的一種新的生物信號處理方法。在他們文章中,將近似熵與樣本熵做實驗進行了比較,結果顯示樣本熵更適合用來研究生物時間序列。因此,本文也將其選擇為肌電信號特征參數提取方法,并與AR模型參數一起共同作為特征參數。樣本熵的定義如下:①假設有一個肌電信號時間序列含有N個數據,表示為{EMG(j):1≤j≤N}。②構建N-m個向量Xm(i),其中{i|1≤i≤N-m},而Xm(i)={EMG(i+k):0≤k≤m-1},是由EMG(i)到EMG(i+m-1)共m個數據所組成的向量。③定義兩個向量間的距離d為:d[Xm(i),Xm(j)]=max{|EMG(i+k)-EMG(j+k)|:0≤k≤m-1,1≤i≤N-m,1≤j≤N-m,i≠j},即為兩者對應元素中差值最大的一個。④給定域值r,對于每個i≤N-m的值,統計d[Xm(i),Xm(j)]<r的數目,記為Nm(i),定義如下函數:Brm(i)=Νm(i)Ν-m-1?Bm(r)=1(Ν-m)?n-m∑i=1Brm(i)Brm(i)=Nm(i)N?m?1?Bm(r)=1(N?m)?∑i=1n?mBrm(i)⑤增加維數到m+1,構建N-m個向量Xm+1(i),其中{i|1≤i≤N-m},而Xm+1(i)={EMG(i+k):0≤k≤m},計算Bm+1(r)=1(Ν-m)Bm+1(r)=1(N?m)·n-m∑i=1Br(m+1)(i)。由此,樣本熵可以表示為Esamp(Ν,m,r)=-ln(Bm+1(r)Bm(r))(2)在樣本熵的定義中有3個參數:N,m,r。每次計算時它們必須事先固定。在本文的計算中,N=400(2000Hz下每個電極200ms內采集的數據),m=2,r=0.2。在計算前,先將原始數據進行歸一化,使時間序列的標準偏差為1。對于每個手指動作,用樣本熵進行特征提取方法可以從每個電極采集到的信號中提取到1個特征參數。2神經網絡設計第1節所提到的特征提取方法只是基礎工作,能夠有效地對提取的特征進行分類才是關鍵所在,一種好的分類器可以為肌電假手提供更可靠的控制信號。采用不同算法訓練的3層前饋神經網絡來設計分類器。在實驗中發現,不同算法訓練的網絡與不同的特征參數配合其泛化能力是不同的。因此采用了3種網絡訓練算法進行比較實驗,即變學習速率(VLR)加動量項算法、RP算法和LM算法。選擇的神經網絡輸入層節點數為12(單獨采用AR參數模型)或15(采用AR參數模型和樣本熵);輸出層節點數為6(對應拇指、食指和中指的彎曲與伸展動作);隱層節點數采用實驗的方法確定,數量不超過35。網絡訓練的目標誤差值設為10-6(均方誤差)。(1)提高網絡的速度和收斂能力VLR神經網絡算法是在經典反向傳播(BP)算法的基礎上,在修改網絡權值和閾值時引入了變學習速率和動量項,使網絡的學習速度和收斂能力有了很大提高。對于VLR算法,設置學習速率初值為0.5,調整值為0.96和1.02,動量項參數0.95,神經網絡隱層和輸出層的變換函數均為Log-Sigmoid函數。(2)網絡偏微分的修正RP算法神經網絡是本文引入的一種新的網絡學習方法,它是為了解決經典BP算法修改網絡權值和閾值時利用了偏微分數值(梯度量)這一不利因素而產生的——當梯度值很小時網絡的更新將會很慢。因此,該方法提出只采用梯度的符號用來指引網絡更新的方向,權值和閾值的更改量是由獨立量Δji來完成的。當連續兩次的偏微分數值同號時,Δji將乘以一個η+;當連續兩次的偏微分數值異號時,Δji將乘以一個η-;當連續兩次的偏微分數值之積為零時,Δ保持不變,具體表述為Δ(n)ji={η+?Δ(n-1)ji如果?ξ(n-1)?w(n-1)ji??ξ(n)?w(n)ji>0η-?Δ(n-1)ji如果?ξ(n-1)?w(n-1)ji??ξ(n)?w(n)ji<0Δ(n-1)ji如果?ξ(n-1)?w(n-1)ji??ξ(n)?w(n)ji=0(3)式中:0<η-<1<η+;ξ為目標誤差函數;wji為網絡權值或閾值。Δji的修正規則可以表述如下:在每次學習時,如果某個權值或閾值的偏微分改變了符號,那么就表示上一次的修正量太大了,算法已經跳出了局部最小,那么Δji將會通過η-減小;如果此次偏微分的符號與上次的符號相同,那么Δji將通過η+加大,同時也加快了收斂的速度。到此,由Δji可以得到權值或閾值的修正量表達式為Δw(n)ji={-Δ(n)ji如果?ξ(n)?w(n)ji>0+Δ(n)ji如果?ξ(n)?w(n)ji<00如果?ξ(n)?w(n)ji=0(4)然而,這里還有一個例外:如果此次某個權值或閾值的偏微分改變了符號,這就意味著上一次的修正量太大錯過了最小點,那么在這次操作中就要恢復到上次操作前的狀況,由于進行了恢復操作,下次進行偏微分操作一定會導致變號的發生。為了避免這種對修正量重復的懲罰性操作,在下次操作時不應該更改修正量。在實際計算中,可以通過將當前的偏微分值設置為零來達到該目的。對于RP算法,取Δ初值為0.1,最大值為50.0,最小值為10-6,調整值分別為0.5和1.2,神經網絡隱層和輸出層的變換函數均為Log-Sigmoid函數。(3)非線性最小二乘問題的標準算法LM算法是高斯-牛頓法的改進形式,它既有高斯-牛頓法的局部特性,又有梯度法的全局特性,目前已成為非線性最小二乘問題的標準算法。LM算法在作者早期的研究中,取得了較好的應用效果。其具體計算方法在此不贅述,詳見文獻。對于LM算法,取μ的初值為0.01,β的值為10,神經網絡隱層的變換函數為Log-Sigmoid函數,輸出層變換函數為線性函數(輸出層采用Log-Sigmoid函數不易收斂)。3網絡識別能力經過不同樣本的訓練,神經網絡分類器可以適應不同的受試者,這在早期的實驗中已經驗證。為了驗證所建立系統的性能,實驗只對一健康受試者(具有豐富EMG控制經驗)進行。實驗的目的是驗證樣本熵特征參數的有效性和不同算法神經網絡分類器的性能。從受試者采集到的肌電信號分為兩部分:一部分為訓練樣本,用來確定網絡參數,包含有36組特征參數(每個手指動作有6組);另一部分為驗證樣本,用來驗證訓練后的網絡的識別能力,包含有60組特征參數(每個手指動作有10組)。首先基于4階AR模型特征參數,比較3種算法訓練網絡的識別能力,結果如表1所示。由表1可以看出,采用VLR加動量項算法訓練的網絡(訓練時間為5～8s)最高平均識別率可達86.7%,而在作者早期研究中表現非常好的LM算法訓練的網絡(訓練時間為9～20s),在識別6個動作時平均識別率最高僅能達到85%。這與神經網絡結構變大有關,過多的網絡權值和閾值造成了LM算法每次迭代所需時間變長、降低了效率,而且還影響了其泛化能力。而此次新引入的RP算法訓練的網絡平均識別率高可達88.3%,是3種算法中最好的。此外,其1～3s的訓練時間也是3種算法中最快的。接下來再基于4階AR模型特征參數和樣本熵,比較3種算法訓練網絡的識別能力,結果如表2所示。由表2可以看出,在加入樣本熵參數后,VLR加動量項算法和LM算法訓練的網絡,其識別能力略有下降。而對于RP算法訓練的網絡則正相反,加入樣本熵參數令平均識別率提高到91.7%,這是在網絡隱層節點數為25時達到的,此時分類器的結構也較簡單。由表1和表2還可以看到,網絡的識別能力與隱層的節點數并沒有規律可循:識別能力有時會隨節點數的增多而增大,有時則隨節點數的增多而減小