一種仿生機械手肌電控制系統的設計與實現

崔雪渭，彭熙，2，3，顏順，陳含麗子，杜笛簫，楊琬晨

（1 華中師范大學 計算機學院，武漢 430079；2 湖北省高等學校計算機基礎實驗教學示范中心，武漢 430079；3 湖北省人工智能與智慧學習重點實驗室，武漢 430079）

0 引言

隨著控制技術、信息技術等現代科技的飛速發展，擁有與人手相似結構的仿生機械手已具備很強的靈活性，因而可代替人手完成復雜操作，成為醫療保健、資源勘探、災難救援等諸多領域的實用工具［1］。表面肌電信號（Surface Electromyography，SEMG）是肌肉收縮時伴隨的電信號，是在體表無創檢測肌肉活動的高效方法，在人機交互控制、手勢識別等領域發揮著重要作用［2］。

在仿生機械手結構設計方面，Xu 等人［3］提出了一種與人手高度相似的仿生機械手結構。在肌電信號方面，程揚威［4］對基于多通道表面肌電特征圖像的手勢識別進行了深入研究，通過提取不同表征的肌電特征及深度學習，實現了對不同手勢的精準識別。吳娜［5］也提出了一種基于一維卷積神經網絡-獨立循環神經網絡（Conv1D-IndRNN）模型的手勢識別算法，提升了通過表面肌電信號進行手勢識別的準確率。但是對于如何將肌電信號處理與仿生機械手控制相結合，構成面向仿生機械手的肌電控制系統，卻少見成熟可行的設計。

本文提出了一種面向仿生機械手的肌電控制系統的設計與實現，即仿生機械手能夠實時模擬手部動作，可用于災難救援、醫療恢復，也可用于排爆等高危環境中。

1 仿生機械手肌電控制系統的整體設計及分析

本文所設計的仿生機械手肌電控制系統大致可以分為3 個部分：肌電信號的采集、肌電信號的處理和動作匹配。首先，利用六導聯肌肉電傳感器搭配Arduino UNO 采集肌電信號；然后，樹莓派接收Arduino UNO 傳送的數據，進行數據處理和加工；最后由樹莓派做出判斷，向仿生機械手發出運動指令，使其執行相應的動作。各組成部分的結構框架如圖1 所示。

圖1 仿生機械手肌電控制系統的結構框架Fig.1 Structural framework of myoelectric control system of bionic manipulator

本文選用的肌電傳感器為六導聯肌肉電傳感器，能夠采集人體手臂或者腿部的表面肌電信號，并對其進行一系列的放大與濾波處理。還有2 種通道增益方式，也可結合Arduino UNO 輸出原始肌電信號或者包絡后的肌電信號。

樹莓派是一款基于ARM 的微型電腦主板，以SD／MicroSD 卡為內存硬盤，不僅具備所有PC 的基本功能，還有著豐富的硬件接口。本文使用的樹莓派四代B型，具有40 個引腳接口，不僅可以讀取肌電傳感器采集的肌電信號并進行處理匹配，還可以與仿生機械手進行串口通信，以控制仿生機械手做出與肌電信號相對應的動作。

本文選用了樹莓派和并行舵機控制板協同工作的方式，根據通信原理及舵機控制指令對樹莓派控制系統進行設計。即樹莓派在對肌電信號加以處理后，將進行仿生機械手的動作匹配，再向并行舵機控制板發出相應命令，從而控制仿生機械手對動作進行實時模擬。

2 肌電信號的采集與處理

2.1 肌電信號

肌電信號，是人體運動時肌肉產生的生物電信號，能夠反映肌肉動作的狀態。當人的肌肉在運動時，相應的肌肉群會發生收縮。比如，當人的右手運動時，會受到大腦中樞神經系統的控制，右手骨骼肌的肌肉將會收縮以完成相應動作，此時就會在皮膚表面產生生物電信號。

肌電信號具有微弱性、低頻性、易受干擾性等特點［6］，其幅值主要在100～5 000 μV，頻率范圍在0～1 000 Hz，信號中的主要能量和頻譜主要集中在10～500 Hz。同時，采集肌電信號時易受電極位置、皮膚狀態、場所噪音等影響。

2.2 肌電信號的采集

目前，肌電信號的采集方式主要有2 種：侵入式采集與非侵入式采集。兩者的區別在于采集的位置和方式不同。其中，侵入式采集需要把針極刺入被試者的肌肉組織內部，這樣一來信號采集的過程就不受外界干擾，但在一定程度上會對被試者造成傷害；非侵入式采集需要把電極貼片與被試者的皮膚表面接觸，通過此種方式采集到的信號就是表面肌電信號。

本文選用六導聯肌肉電傳感器進行肌電信號的非侵入式采集。其前端采集電路通過1～6 通道采集人體手臂或者腿部的肌電信號，并對SEMG 進行一系列的放大與濾波；中端通過單刀雙擲開關切換Envelope Mode 和RAW Mode 輸出信號；后端采用Arduino UNO 采集中端的輸出信號，并控制LED燈發光，可以通過其亮度快速得出SEMG 信號的強度。

肢體所完成的動作是依靠若干肌肉相互協調所致，并非其中一塊肌肉單獨引起的。人體手臂的肌肉分布如圖2 所示。

圖2 人體手臂肌肉分布示意圖Fig.2 Schematic diagram of human arm muscles

經過反復的實驗測試，發現指部的伸屈與肱橈肌、指淺屈肌、指深屈肌、尺側腕屈肌和橈側腕屈肌的關系更加緊密。故將肌電傳感器的一次性貼片電極貼在上述肌肉組織上進行采集。該電極貼片與肌肉接觸面積小，從而能夠減少周邊肌肉對選定肌肉的信號干擾。根據前人的醫學研究發現，在被試者手臂上放置4～5 個電極片，可使動作識別率最大化。

2.3 肌電信號的處理

在多通道肌電信號的數據處理中，活動段檢測是極其重要的一個部分，可以確定很多組手勢中每一個手勢動作的起始時刻和終止時刻，對每一個手勢動作進行劃分。信號的活動段檢測能夠對連續多個手勢動作進行準確判別，直接影響著后期的特征提取和模式分類。本文使用移動平均法進行活動段檢測。移動平均法是短時能量檢測算法中一種典型方法，能夠從連續的肌電信號中有效區分出活動段和靜息段，方便不同手勢動作的識別。

3 動作匹配算法

3.1 卷積神經網絡

在初步采集中，共收集了3 個動作的39 445 條肌電信號數據。由于采集時肌電傳感器使用了2 個通道，因此數據集的總維度是39 445×2，對應39 445個標簽。此后，根據標簽將數據轉換為3 個部分，并在每個部分中進行分組操作，每200 個合并為一組，因此每一組的維度為200×2×1，作為卷積神經網絡的輸入。在訓練過程中將數據集打亂，同時對標簽數據進行one-hot 操作，并取80%作為訓練集，20%作為測試集。在構建神經網絡模型時使用了Python的Keras 模塊，該卷積神經網絡共有5 層、即3 層卷積層和2 層全連接層，如圖3 所示。

圖3 卷積神經網絡模型圖Fig.3 Convolution neural network model

每一層經過卷積操作后得到的特征圖大小的計算公式如下：

特征圖的數目由卷積核個數決定，因此每一次卷積操作之后得到的特征圖大小為（高度，寬度，卷積核個數）。

本文中，選擇了基于梯度優化算法的Adam 優化器，損失函數則選擇了多分類研究任務中常用的categorical_crossentropy。訓練過程共迭代100次，每次訓練的數據樣本量為64。訓練后的損失值如圖4 所示。

圖4 訓練集和測試集損失值Fig.4 Loss value of training set and test set

3.2 KNN 分類算法

考慮到樹莓派達不到正常PC 機的算力，為了能夠在用樹莓派運行時取得實時的效果，本文采用了KNN 分類算法，KNN 算法作為最經典的機器學習算法之一，實現起來也十分簡單。KNN 算法的核心思想為：如果2 個樣本足夠相似，即在特征空間中的距離足夠近，則這2 個樣本大概率屬于同一類別。為了提高判斷的準確率，在實際應用中通常尋找離待測樣本最近的K個樣本，根據K個樣本的類別來判斷待測樣本的類別。在不考慮距離權重時，K個樣本中哪種類別的樣本數量最多，則待測樣本同屬于此類別。本文使用了Sklearn庫中的KNeighborsClassifier 來實現KNN 算法。

首先是采集數據，將采集到的握拳、張開以及Yeah 手勢的數據集分別設置標簽，依據標簽分成三大組。而后將一個標簽中的數據視為KNN 中的一個點，將數據集中80%的數據設置為訓練集，將數據集中20%的數據設置為測試集。

之后將數據進行存儲后便可以進行K個預測投票，再利用測試集中的數據進行測試，發現精度達到96%，屬于簡單的學習任務，適用于KNN 算法。

用新數據預測時，可按行讀取輸入的數據，并按行投票判斷歸屬于哪一類，最終將每一行的結果再依據類別進行累計，輸出累計數目最多的結果。

4 機械手結構設計

4.1 整體設計

本機械手具有高度的仿生性能，根據人手手指關節的結構和運動自由度進行設計，采用了連桿結構，使得一個伺服舵機能夠控制一個手指上3 個關節的運動，即伺服舵機通過主舵轉動推動連桿使得一個手指向前彎曲，主舵反方向轉動拉動連桿使得手指伸張，如圖5 所示。這樣的結構能夠使仿生機械手比較輕巧靈活地實現人手的動作。

圖5 機械手連桿結構Fig.5 Connecting rod structure of the manipulator

4.2 伺服舵機

仿生機械手使用的舵機是LX-224 雙軸總線舵機，如圖6 所示。LX-224 雙軸總線舵機扭矩為20 kg，自由度為180°，能夠充分滿足手指關節的運動需求。

圖6 LX-224 舵機Fig.6 LX-224 steering gear

該舵機為并行舵機，在舵機控制系統中，本文研制并開發了一款具有多并行舵機控制功能的舵機控制板。舵機控制板大多以單片機（STM32／STM8等）作為核心，本文的并行舵機控制板以單片機STM8S003 為主板。STM8S003 提供了10 比特模數轉換器、3 個定時器、1 個串口、1 個IIC 等功能模塊。同時并行舵機控制板內還集成了2 塊PCA9685 作為驅動模塊。驅動模塊PCA9685 是一款IIC 總線控制的16 通道的PWM 波發生器，每個輸出通道都有自己的12 位分辨率固定和頻率單獨的PWM 控制器，該控制器在典型的24～1 526 Hz 的可編程頻率下運行，占空比在0%～100%范圍內可調。PCA9685 還具有一個外部時鐘輸入引腳，可以接受用戶提供的時鐘（最大50 MHz），代替內部25 MHz振蕩器，此功能允許同步多個設備。僅占用主控板的4 個引腳，通過IIC 通信協議就可以驅動16 臺舵機。此外，可以通過級聯的方式最多級聯62 個驅動板。本機械手所使用的并行舵機控制板共級聯了2個驅動板，可以驅動32 臺舵機。

并行舵機控制板如圖7 所示，控制板電路圖如圖8 所示。

圖7 并行舵機控制板Fig.7 Parallel steering gear control board

圖8 舵機控制板電路圖Fig.8 Circuit diagram of steering gear control board

5 系統硬件設計

本文所涉及的系統主要由樹莓派4B、并行舵機控制板、并行舵機、肌電傳感器、Arduino 等部分組成。控制系統各模塊硬件連接如圖9 所示。

圖9 控制系統各模塊硬件連接圖Fig.9 Hardware connection diagram of each module of control system

5.1 硬件的配置

為了滿足本文硬件需要，樹莓派需要設置開機自啟動項，同時通過配置文件來修改樹莓派的設備樹，改變引腳的映射關系，將ttyAMA0 映射到引出的GPIO Tx ／Rx上，以此使用高性能的硬件串口。Arduino 需要使用A0～A5和D0～D13的引腳完成與肌電傳感器的數據傳輸、控制LED 燈等功能。此外，還要使用USB 線將Arduino 與樹莓派進行連接。

5.2 硬件通信模式設計

5.2.1 Arduino 與肌電傳感器之間的通信

Arduino 與肌電傳感器之間通過Arduino的D0和D1引腳來實現串口通信；通過D2～D4引腳分別實現移位寄存器的數據、時鐘和鎖存功能；通過D5和D6引腳來控制燈的按鍵；通過D7～D12引腳輸出的數據來控制傳感器上燈的顏色；通過D13引腳來使能控制燈的模塊；通過A0～A5引腳來接收肌電傳感器的包絡信號。最終能夠通過Arduino 讀取肌電傳感器的肌肉電信號數據。

5.2.2 樹莓派與Arduino 之間的通信

樹莓派與Arduino 之間通過USB 口進行連接，使用串口通信方式。連接后檢查是否存在ttyACM0文件，存在即可正常使用。由于串口通信簡單、并且能夠實現遠距離通信，符合項目要求，所以樹莓派和Arduino 之間使用串口通信。串口通信主要就在于各類參數的匹配，例如波特率、數據位、奇偶校驗。2個端口如要實現通信，這些參數必須匹配。

5.2.3 樹莓派與舵機控制板之間的通信

本文選用了樹莓派和并行舵機控制板協同工作的方式來控制機械手。并行傳輸相比于串行傳輸的優點在于易于實現和速度較快，雖然傳輸距離近，但對本系統來說已經足夠，所以選擇并行傳輸方式，并使用上述自主研制的并行舵機控制板。具體實現方式為：控制板的Tx 接樹莓派的Rx，控制板的Rx 接樹莓派的Tx。本次設計中，圖9 中樹莓派的8 號引腳（TXD）、10 號引腳（RXD）分別與并行舵機控制板的Rx、Tx 引腳相連。最后設置相同的波特率，即可將樹莓派上的指令傳輸給舵機控制板，從而實現對舵機的控制。

6 測試及結論

本文針對仿生機械手肌電控制系統進行了測試與評估。5 名被試者首先進行表面皮膚處理，然后使用自主設計的上位機軟件采集當前動作的肌電信號，如圖10 所示。

圖10 數據可視化及動作預測Fig.10 Data visualization and action prediction

測試中，握拳、五指張開和Yeah 手勢每個動作各做20次，即每個動作都有100 組數據，分別統計每個動作正確識別的個數、錯誤識別的個數以及識別率見表1。

表1 測試實驗結果統計Tab.1 Statistics of test results

從表1 可以看出，在進行測試的動作中，握拳的識別率最高，達93%，而張開和Yeah 手勢識別率略低。考慮到被試者之間體質差異的問題，這樣的誤差可以理解。另外，實驗過程中還發現，張開和Yeah 手勢之間容易發生錯誤識別，經分析發現是由于兩者肌電信號有時近似度較高。

另一個評估標準是系統的響應時間。實驗中，發現仿生機械手反應相對迅速。為了實現定量分析，對每個動作從開始預測到輸出結果的時間進行了統計。結果表明，系統的平均識別時間為12 s。而本系統每20 ms 采集一條肌電數據，即采集當前動作的400 條肌電數據需要8s，所以預測速度平均為4 s。進一步分析后可知，通過提高采集速度和優化匹配模型，能夠更好、更快地得出結果。

綜上所述，本文的仿生機械手肌電控制系統是合理的。

7 結束語

本文設計了一種基于肌電控制技術的仿生機械手肌電操控系統，由六導聯肌肉電傳感器、肌電信號傳輸導聯線、Arduino UNO 單片機、上位機、樹莓派4B、并行舵機控制板及仿生機械手構成，基本實現了對人手的實時模仿。后續可通過ZigBee 實現遠程控制，進而用于排爆等高危行業和偏癱患者的手部功能恢復等領域。目前由于只采集了3 個動作的肌電數據做測試，存在一定的局限性。但總體上對仿生機械手的后續發展與應用具有一定的借鑒意義。