D模型和组件

大规模部署低成本假肢的手册现在可以在互联网上找到。网站，如

e-NABLE[7]提供了机械式假肢制造手册。其中一种设计是

如图1.1所示。弯曲手腕或肘部可通过电缆结构触发假手闭合。

手允许使用者将假肢装置用于简单的应用，例如，握住物体或骑马

自行车。像伸展食指按下按钮或做手指手势这样的精细动作是不可能的。

图1.1：一个开源3D打印假手机械驱动。

因此，需要另一种控制假肢的方法。肌电图（EMG）是一种很有前途的技术向量x与

计算训练集D。考虑K个最小距离。如果测试和培训属于同一类

指标函数（3.8）为1。将正确分类的总和除以K，得出c类的概率。

p（y＝c|x，D，K）=

1.

K

十、

我∈NK（x，D）

I（yi=c）（3.7）

我（e）=

¨

1如果e为真

0 i f e为假

(3.8)

如果训练数据D属于一个假定类别c，则该等式给出了可能性

必须计算组合。之后，属于最大似然的类是预测类。

c∗ = arg最大值

c∈C

{p（y＝c|x，D，K）}，（3.9）

其中c∗ 是预测类[4]。当K＝1时，该算法被简单地称为最近邻（NN）。在这种情况下，

这个决定是基于一个简单的观点。在有噪声的数据中，神经网络往往表现得很差，因为它过盈。另一方面

过大的K值会平滑决策边界，并对分类的分辨率产生不利影响。

3.3支持向量机

在最简单的形式中，支持向量机（SVM）是一种二进制分类器，它可以区分两个线性

可分离类。如果在训练之前对数据应用核函数，它也可以用作非线性分类器

以及测试。由于支持向量是在训练步骤期间计算的，这表示

对于时间关键型应用，SVM可能比KNN更快地进行分类。

9

图3.2：该图显示了将两个类加（+）和减（-）分开的超平面。这是一个例子

二维情况。圈出的数据点是支持向量[4]。超平面由

w⊤x+b=0，边距宽度d=2m

||w||。

支持向量机背后的思想是找到一个将两个类分开的决策边界

边界的宽度尽可能宽。超平面

w⊤x+b=0，（3.10）

其中w是正态项，b是偏置项。边距的宽度是距离

之间

w⊤x+b+m＝0和

w⊤x+b− m＝0。

(3.11)

其定义如下

d天=

200万

||w（重量）||

. (3.12)

为了最大化决策边界，||w||必须最小化，因此1

2||w||2也可以最小化[4]。这导致

遵循二次约束优化问题

（w）∗, b∗) = arg最大值

w、 b）

1.

2.

||w||2（3.13）

服从yi（w·x

我− b）≥ 1, 1 ≤ 我≤ n

它可以用拉格朗日函数求解

（w，b，1，…，n）=

1.

2.

||w||2−

Xn公司

i=1

i（yi（w·x

我− b）− 1)

=

1.

2.

||w||2−

Xn公司

i=1

依（w·x

i）+

Xn公司

i=1

i一b+

Xn公司

i=1

我

=

1.

2.

w·w−w（重量）·

‚

Xn公司

i=1

依依

x（x）

我

Œ

+b）

‚

Xn公司

i=1

依依

Œ

+

Xn公司

i=1

（3.14）

为了最大化拉格朗日函数，必须计算关于w和b的梯度。

∇w、 b）

（w，b，1，…，n）=0

(3.15)

10

求解所得方程组

@ 

@w（重量）

= 0

@ 

@b）

= 0 (3.16)

w−

Xn公司

i=1

i yi xi=0

Xn公司

i=1

i yi=0（3.17）

给出w=

Pn公司

i=1

我易xi和

Pn公司

i=1

对于最大值（w，b，1，…，n），i yi=0。随后，拉格朗日函数将

用方程系统的输出代替。

（1，…，n）=

1.

2.

Xn公司

i=1

我易xi·

Xn公司

i=1

我易xi−

Xn公司

i=1

我易xi·

Xn公司

i=1

依依

x（x）

i+b

Xn公司

i=1

0 +

Xn公司

i=1

我

= −

1.

2.

Xn公司

i=1

我易xi·

Xn公司

i=1

依依

x（x）

我+

Xn公司

i=1

我

= −

1.

2.

Xn公司

i=1

Xn公司

j=1

我一喜一喜

x（x）

j中+

Xn公司

i=1

我

(3.18)

现在独立于w和b

∗

1, ...,∗

n=最大arg

∗

1.

,...,∗

n

−

1.

2.

Xn公司

i=1

Xn公司

j=1

我一喜一喜

x（x）

j中+

Xn公司

i=1

我

服从于≥ 0,1 ≤ 我≤ n和

Xn公司

i=1

i yi=0。（3.19）

使用w=

Pn公司

i=1

i yi xi确定了决策边界。

从本质上讲，SVM只能区分两个类。它们可以扩展为使用

一对一方案[4]。简言之，假设将训练z个二进制分类器，第一个分类器将C1与

C2，…，Cz，第二个将C2与其余部分分开，以此类推[4]。这一方法将在本文中用于分类

手的不同动作。

3.4高斯分类器

高斯分类器需要少量的训练数据来估计参数，并且可以提供软边界

在班级之间。高斯分类器对噪声具有鲁棒性[17]。

假设每个类都是高斯分布模型。高斯分类器确定一个测试x的类别ci

属于。维数为d的高斯分布的一般形式为

p（x|μ，）=

1.

（2）d/2检测（）1/2

exp（试验）



−

1.

2.

（x）− μ)⊤−1（x− μ)

‹

, (3.20)

其中x是n维向量，μ是高斯的n维中心，=（i j）协方差矩阵。

P（x|μ，）是x属于分布的概率。协方差矩阵是一个平方矩阵，它包含

x元素之间协方差的所有组合。因此，的对角线都是x的方差。

由于μ和是针对每个类指定的

i） =P（x|ci）适用。使用B

以控制假肢或机器人手臂[8]。表面肌电图（SEMG）是一种非侵入性方法，因此

无需任何医疗干预即可轻松使用[3]。对于截肢者，肌电图允许使用测量

与曾经用于移动失去的肢体的同一肌肉的激活信号相同。可以说，这使得

与（例如）弯曲手腕闭合时相比，人工机器人装置的自然和直观控制

手。阻碍肌电图信号广泛用于控制假肢装置的一个技术障碍是

并且干净的信号需要昂贵的硬件[9]。

最近，OpenBCI等设备被引入[5]。这是一种低成本的脑机接口（BCI）

也可用于测量EMG信号。值得注意的是，德州仪器于2012年推出ADS1299[10]，

一种专门用于生物电势测量的集成电路，集成了运算放大器和数模转换器

这使得低成本和便携式BCI设备的设计成为可能[10]。OpenBCI是一种低成本便携式BCI

基于ADS1299的设备（约600美元），可用于测量肌电图信号，数量级为

幅度比传统的肌电图机便宜[11]。与新一代开源3D打印相关

假肢、低成本的肌电信号测量方法可以对这些人的生活质量产生深远影响

他们无法获得昂贵的假肢。然而，使用这种低成本设备的代价很低

通常具有较差的信噪比和较大的漂移。目前尚不清楚是否

新一代低成本BCI设备对于控制致动假体是有用的。机器的研究领域

然而，学习提供了许多分类方法，可以缓解分类问题。本论文旨在

通过测量和分类代表运动的信号来评估这种低成本肌电图设备的可行性

这对于控制截肢者的机器人手臂是有用的。特别是对于失去手的人，肌电图可以被使用

以控制假手。控制手的必要肌肉位于前臂中，

可以通过EMG测量来访问。因此，本论文主要研究手的测量和分类

以及前臂运动。

如果肌电信号能够分类，我们就可以赋予被驱动的假肢智能和自适应控制

方法。在本论文中，我们展示了使用KUKA LWR7轻型手臂作为高级假肢装置的代理。

不仅残疾人可以从低成本的BCI系统中受益。一种可能的情况是控制机器人手臂

并与机器人的环境交互。例如放射性污染中的相互作用

区域是可能的，这有助于将灾难降到最低。通过EMG的控制提供了更自然的用户

因为自然运动可以通过肌肉激活传递并应用于机器人。

2.

2背景

2.1肌电图信号生物学

为了理解肌电信号的本质，我们对肌肉收缩的生物学机制进行了概述。

人体的每一个过程，包括肌肉收缩，都是由神经元控制的。这些单元格由一个输入组成

和一个输出。如果输入信号的幅度超过某个阈值，则单元传送输入。频率

对信息[1]进行编码。

传入的信号在树突处被接收并传递到体细胞（见图2.1）。在轴突小丘上

求和为一个信号。动作电位（AP）由这些相加信号产生。AP将通过轴突传递

神经递质会在突触中释放出来，从而影响

跟随神经元。图2.1显示了该组织[1]。

图2.1：神经元的组织[1]。

神经元的默认状态是静息电位。当细胞不受刺激时发生。内部电荷

神经元在re中为阴性用于EMG信号的在线分类，在[9,8]中用于控制机器人手臂。本论文如下

5.

图2.5:EMG信号是电机单元动作电位的组成[2]。

（a） 单极测量检测并放大

肌肉和参考之间的电压

点[13]。

（b） 双极测量检测并放大

同一肌肉上的点之间的电压。

两个电极并排放置

[13].

图2.6：两种不同的测量程序。

图2.7：肌肉收缩的原始肌电图信号[3]。

6.

[8]中提出的方法。也就是说，我们关心的是对由

从纯数据驱动的观点来看，选择的手势数量。也就是说，没有明确的肌肉建模

并且考虑所涉及的力。然而我们的目标是用低成本的BCI实现合理的分类率，

与[9]相反，OpenBCI硬件使用无源电极。

7.

3方法和实验装置

3.1处理数据

带通

EMG数据的频谱在10Hz和250Hz之间[3]，为设计滤波器提供了一些初始值。它是

将EMG设置为带通配置的情况下使用巴特沃斯滤波器的常见做法[14]。低频切割是

有助于消除EMG中典型的信号的缓慢变化漂移。高频切割设置为清洁

来自高频噪声的信号。此外，由于信号的大小

50Hz和60Hz之间的频率范围可以很明显，在这种情况下，添加了第二个带通（陷波）滤波器。

均方根（RMS）

计算时间窗上的均方根是处理肌电信号的常用方法[3]。在里面

为了计算RMS，离散信号S（b）将被分割成J段，J＝N

wl，其中wl是时间窗口

RMS。以下等式表示一段的RMS

S（b）rms（j）=

Æ

平均值[j·j]=

及物动词

j·j

无线局域网

, (3.1)

其中j是具有尺寸wl的一个段，S（b）rms（j）是该段的rms值。所有分段将

以获得时间窗wl[15，4]上的RMS接近信号。

径向基函数回归（RBF）

EMG信号的测量具有较高的采样频率（通常为数百赫兹量级）

被高水平的噪声破坏。回归方法，特别是使用径向基函数，对于减少

数据的维度，现在具有相同数量的特征，并且还可以过滤由于“清理”而产生的噪声

效应设d为每个时间步骤n定义的特征数

d（xn），则测量数据可表示为

y（x，w）=w0+w1



1（x）+w2



2（x）+…+wD



D（x）（3.2）

基于最小二乘法，观测值tn与近似数据之间的平方误差

E（w）=

1.

2.

XN个

n=1

｛tn−w⊺（x）

n） 2（3.3）

必须最小化。N是数据的初始维度，（xn，tn）是数据的第N个数据点，w是

权重和（x）是非线性函数的向量。关于w的误差的推导提供了

E′（w）=

XN个

n=1

｛tn−w⊺（x）

n） {（x

n）⊺}

E′（w）=

XN个

n=1

吨

（x）

n）⊺ −

XN个

n=1

｛w⊺（x）

n） }。

(3.4)

将此等式设为零并求解w得到

w=（⊺)−1⊺t、 （3.5）

(⊺)−1⊺ 称为Moore-Penrose伪逆[16]。它用于反转非二次NxM矩阵

称为设计矩阵。

 =







1(1) 

2(1) · · · 

D（1）

...

...

. . .

...



1（N）

2（N）··

D（N）





(3.6)

8.

中的每一列表示高斯分布，如图3.1所示

由D加权高斯分布表示。

图3.1：该图说明了如何使用高斯函数近似原始信号。

3.2 K最近邻居

本文中使用的第一个分类器是K最近邻（KNN）。这是最简单的机器学习算法

执行。它是一种非参数分类器，其特点是无需提前进行计算

在测试阶段。训练阶段（d）的计算成本主要与数据存储有关。这减少了

训练的持续时间，并且可以向训练集添加新数据。对于小型数据集

这使得KNN适合于在线分类[4]。

由于每个数据都表示为向量，因此可以计算两个数据之间的欧几里德距离。基本上

计算标记训练数据的每个矢量与测试数据矢量之间的距离。随后编号

将比较K个最短距离的类别。给定一个训练集D和一个测试用例x

指示了KNN分类器的推导。向量x与

计算训练集D。K个最小距离为c