STM32的肌电假肢手控制

1万 · 2019-6-28 15:49

1万 · 2019-6-28 15:50

丹阳假肢厂有限公司从1980年就开始研发、生产、销售上肢假肢，目前属于
国内生产上肢假肢品种较全、生产规模较大的厂家，主要生产肌电控制电动假肢、
开关控制(压控式)电动假肢、索控式假肢以及其他假肢相关产品。图1.8左所示，
为前臂一自由度双通道肌电控制假肢，使用性能较为稳定，且可选配触觉传感器。
图1.8右所示，为其最新推出的FSQ-1前臂智能仿生假肢手，功能如下:使用肌
电控制或开关控制，能实现日常生活中常用的五个典型的抓取动作;五指同时弯曲
或伸展;拇指与食指和中指单独捏合;拇指与食指和中指捏合;食指单独伸展，其
余四指弯曲;拇指单独外展或内收动作，且腕关节可实现被动旋转[[21]

1万 · 2019-6-28 15:50

1万 · 2019-6-28 15:54

从国内外肌电假肢手的研究可以看出，众多从事肌电假肢手研究的科研机构
和企业虽然己经取得许多令人瞩目的成绩，但是仍存在许多待解决问题[}22}，例如
许多己商业化的肌电假肢单自由度较少、灵活度不高，且控制算法简单、功能不完
善等问题，需要对其进行更深入、更全面的研究。将一些问题总结如下:
①目前，商业化的肌电假肢中有相当大的产品都属于单自由度假肢手，只能完
成简单的张开和闭合运动，灵活度不够。即便是一些较为成熟的具有较较多自由度
肌电假肢，即使拥有五个能独立运动的手指，仍然采用的是顺序控制、阂值判断或
是不同模式之间切换等一些相对不灵活和不直观的的控制方法实现，不能较好满
足截肢患者的使用。
②虽然有许多识别精度较高但十分复杂的手势识别算法被一些研究机构提出，
但局限于肌电假肢手处理器处理能力有限，难以在肌电假肢手中实现。
③目前很多研究机构的肌电假肢手都暂时处于理论的研究阶段，其假肢手高
识别率都主要是在仿真实验中得到，离截肢患者实际使用还有一定距离。
④目前大部分的己商业化的肌电假肢手价格高昂，也让许多截肢患者望而却
步。

1万 · 2019-6-28 15:55

根据上述提到的对肌电假肢手研究现状中存在的一些问题，本文致力于研究
出一套低成本其有一定实用价值的肌电假肢控制系统的实时系统，能够采集截肢
患者前臂残肢的表面肌电信号并通过模式识别完成对机械假肢手的驱动，同时具
有手指运动位置检测和接近觉感知的能力。

1万 · 2019-6-28 15:55

1万 · 2019-6-28 15:56

由于本文主要侧重于完成假肢手控制系统的研制，机械部分的设计由实验室
其他成员完成，所以这里只对机械结构作简单的介绍。如图2.1所示，为实验室正
在制作的假肢手机械结构的三维模型图。五个手指中大拇指设计有两个自由度，其
余四个手指均只设计有一个自由度，腕关节具有两个自由度，共有八个自由度。如
图2.2所示为大拇指机械结构三维模型图，具有两个自由度以实现大拇指的旋转和
张开/闭合，分别由一个直流电机和直流伺服电机驱动。每个手指均采用欠驱动的
方式，由手指基关节的直流伺服电机驱动并通过拉索带动整个手指的运动，食指和
大拇指指尖留有安装接近觉传感器的位置，每个手指基关节留有安装位置传感器
的空间。

1万 · 2019-6-28 15:58

1万 · 2019-6-28 16:00

该假肢手的整体尺寸约为人手的1.4倍，大拇指内旋关节和腕关节所使用的
N20直流减速电机作为驱动电机，工作电压12V，空载转速300rpm/min,额定电
流300mA，电机长24.3mm，宽12mm，高1 Omm如图2.3左所示。五个手指使用
MAXONZ RE13直流伺服电机作为驱动电机，工作电压12V，空载转速780rpm/min,
额定功率为2.8W，并带有_512位的AB相编码器，直径13mm，总长度_59mm，如
图2.3右所示。

1万 · 2019-6-28 16:00

1万 · 2019-6-28 16:02

在肌电假肢手的设计过程中，驱动和控制系统起着至关重要的作用。假肢手控
制系统的主要包括硬件和软件两大部份。目前，大部分的假肢手控制系统主要采用
基于DSP&FPGA的控制系统、基于MCU的控制系统和基于DSP的控制系统这三
种[}ZO}2o}。考虑到假肢手控制系统的要求，本文采用基于MCU的控制系统。

1万 · 2019-6-28 16:02

肌电假肢手控制系统功能复杂[[24]，既要采集表面肌电信号进行手势动作的识
别，又要驱动假肢手的电机完成相应动作，同时还需不断检测传感器的信号对系统
进行反馈。为此，本控制系统采用具有处理速度快、结构灵活等优点的分布式控制
系统，使用STM32F407作为主控制器、STM 85207作为五个手指的控制器。
STM32F407是ST公司推出的基于ARM Cortex-M4的32位RISC内核的**能
MCU，工作频率可高达168MHz，具有丰富的外设，并支持所有的ARM数据处理
指令和数据类型、单精度的浮点运算单元(FPU)以及DSP指令。STM8S207是
ST公司采用130nm技术、具有先进的核架构的八位单片机，在24MHz主频时，
指令执行速度高达20MIPS，所以该系列微控制器稳定性和可靠性高，且运算速度
J决。本文使用STM32F407&STM8S207搭建的假肢手控制系统，价格低廉且性能优
良，相比使用FPGA+DSP搭建控制系统能一定程度的降低假肢手制作成本。

1万 · 2019-6-28 16:03

1万 · 2019-6-28 16:03

肌电假肢手控制系统总体框图如图2.4所示。上位机主要完成手势动作模式分
类器的训练及测试，并最终生成供假肢手控制系统手势动作识别使用的支持向量
机分类器模型。同时，在Visual studio 2010平台上设计的上位机的调试软件可以
用来完成后期假肢手的调试。
假肢手的控制系统采用分布式结构，包括手掌主控制模块、五个手指控制模块、
传感器模块和电源模块等。其中手指控制模块采用STM8S207单片作为主控芯片，
主要负责对直流伺服电机的驱动控制、对手指位置信息的获取、电机电流信号的采
集以及电机编码器信号的处理等。手掌主控制模块采用STM32F407作为主控芯片，
主要任务包括:采集肌电信号并进行手势动作的模式识别，协调五个手指的运动，
对接近觉传感器的信息读取和分析，以及对腕关节的电机控制和位置传感器的接
收。手指控制模块与主控制模块之间使用RS48_5总线进行通信[[23]。为了方便肌电
假肢手与PC机的通信，主控制模块集成了USB转串口接口。

1万 · 2019-6-28 16:04

在人体组织结构中，由多重含多条肌纤维的肌束构成的骨骼肌是辅助人体做
出基本动作所必不可少的部分。骨骼肌在神经的控制下产生收缩，并带动骨骼运动，
从而使躯体完成相应的动作。骨骼肌在神经支配下产生动作的过程中，单个运动单
位支配所有参与运动的单个肌纤维，并产生相应的电位位变化，从而使动作得以完
成。同时，多个运动单位持续被激励将会产生运动单位动作电位序列[[25]
肢体肌肉和皮肤的多个反应的综合促成了肌肉收缩的过程，这些反应由内到
外分别是肌肉收缩时神经细胞内的电化学反应、肌纤维内部产生的生物化学反应
以及在最终在皮肤表面产生的物理反应[}26}。使用电子仪器，对肌肉收缩的整个过
程中产生的一系列的电化学反应导致的肌肉表面微弱的电位变化进行采集，并以
波形图的形式显示出来，得到到就是肌电信号[f2}lf2sl。而表面肌电信号是在肌肉收
缩过程中，使用表面电极对皮肤表面的电信号进行采集得到信号，具体过程如图
2._5所示。

1万 · 2019-6-28 16:04

总的来说，大脑发出的运动指令经中枢神经传导到人体相关肌肉时，肌肉处会
产生连续的动作电位，并引发肌肉收缩。在皮肤表面处被电极所检测到的该电位信
号经过皮下组织的传导后的信号，即被称为表面肌电信号[[29][30]。以脉冲波形进行
显示的表面肌电信号在一定程度上可以作为人体动作的的一种外在表现形式，不
仅可以反映不同肌肉运动状态下神经和肌肉之间的相关联系[[31 ]，而且也能够反映
不同动作与肌肉强度之间的变化关系。作为人体的一种重要生理特征信息，表面肌
电信号具有信号易被干扰、幅值变化较大、信号主要集中在低频段(有用频率通常
在0'" 1000Hz范围内)、信号极其微弱(幅值一般在100^}SOOOu V之间)和阻抗
较高等特点[32][33]

1万 · 2019-6-28 16:05

在20世纪70年代初，受限于处理器的计算能力不高、表面肌电信号采集装
置体积庞大，基于肌电信息的模式识别方法虽然己被提出，但难以在假肢手的实时
控制系统中得以实现。近年来，得益于机械、自动化控制、电子信息、生物医学工
程等各个学科的快速发展，越来越多肌电信号分析和假肢手控制应用到了模式识
别方法，对于基于肌电信号的模式识别方法目前应用比较多的包括线性分类器、人
工神经网络、支持向量机和模糊控制器等。
使用统计学的分析方法对待识别类型进行判断分类的线性分类器，其大致原
理是首先将特征值向量从高维度投射到低维度空间，然后利用一些统计学的分析
方法使得不同类别的样本得以尽量分开。虽然线性分类器的实现较为简单，但如果
遇到不同类型之间的差距较小的情况时，由于此时整个分类过程对特征值向量要
求较高，识别准确率会遭遇大幅度的下降。
模糊分类器也是在表面肌电信号的模式识别中被经常使用到的分类方法，其
原理是通过构建隶属密度函数去将不能类别的数据区分开来。其中，隶属度函数的
构建可以是对整体的特征，也可以是主体的特征。同时，该模式识别方法对训练样
本要求较低，能容忍一定程度的畸变、干扰。

1万 · 2019-6-28 16:06

另一种被广泛使用的基于表面肌电信号的模式识别方法是人工神经网络。在
人工神经网络使用的早期，Hiravwa利用BP神经网络完成了对_5种手部运动模式
识别，虽然整体的识别率仅为62 070，但他这个实验验证了人工神经网络在表面肌
电信号模式识别的可行性。在他之后，许多改善模式识别效果的基于表面肌电信号
的人工神经网络模式识别算法被提出。清华大学的王人成等人利用BP神经网络，
以较高的识别率完成了对屈腕、伸腕、内向旋腕和外向旋腕这四个手部动作的模式
识别。上海交通大学的朱向阳等人利用多层的神经元感知器完成了对九种手部动
作模式识别，亦取得了较高的识别效果。但人工神经网络分类算法一般结构比较复
杂，实现难度较大。同时使用人工神经网络进行识别过程需要消耗大量的时间，若
是应用在实时的肌电假肢手，实时性可能不能满足肌电假肢手的设计要求。
对高维数、小样本和非线性类型信号的模式识别具有很大优势的支持向量机
(Support Vector Machine,SVM)分类方法，在众多的模式识别方法中脱颖而出，许多
研究者使用该方法在不长的时间里取得了令人满意的研究成果[[34]。例如Shuji等人
和Rekhi等人均利用支持向量机模式识别方法，完成了基于表面肌电信息的手势
识别[[35] [36]，并达到了较高的识别率。支持向量机的算法具有鲁棒性好、训练时间
短等优点，在模式识别、函数估计等领域被广泛应用，而且在文本识别、基因分类、
人脸识别等领域也得到了普遍应用。所以本文设计的肌电假手手控制系统，采用支
持向量机的模式识别方法完成基于表面肌电信号的手势动作的识别。

1万 · 2019-6-28 16:06

①支持向量机原理
支持向量机在199_5首次被提出，其对于小样本、非线性及高维度的模式识别
问题的解决具有许多独特优势。支持向量机属于二类分类模型，可以将两类别进行
分类。为了达到更好的分类效果，必须使数据点之间的间隔最大化，并在超平面上
求解得到间隔最大的分类器。
基于统计学习理论的新型模式识别分类技术的支持向量机方法，由一个三层
网络下的多输入单输出学习结构构成，其工作原理结构如图2.6所示:原始数据经
过预处理之后，将使用合适的核函数对输入空间进行低维度到高维度的隐性转换，
而隐性转换能够通过内积构造高维空间，使其避免了映射函数表达式难以显示的
问题，使其变为线性可分((RKHS )}2s}。然后，通过对支持向量进行搜索，在高维空
间中构造最优分离超平面，并由此学习机完成训练。构造好的学习机以后，同理便
可以将经过相同预处理的未知类别数据，输入到构造好的学习机中，对其进行分类
识别，得到识别结果。

1万 · 2019-6-28 16:07