一種基于手機APP的上下肢運動輔助方法與流程

本發明一種新型仿生假肢運動領域，尤其是一種能夠基于手機app的上下肢運動輔助方法。

背景技術：

假肢作為截肢者的必需品，在全球眾多肢體殘疾的患者中，僅有少數人能負擔得起佩戴假肢。現在市場上的假肢大部分是裝飾性假肢，外觀設計跟真實手臂一樣，但沒有任何功能；部分假肢開始嘗試通過生物電流信號來控制其運動，商業化后價格昂貴，且手勢單一，一般家庭難以承受。

在高端截肢設備中，還沒有利用手機作為算法運算器去控制上下肢運動的裝置，僅僅是基于單片機等芯片開發的控制系統，其芯片運算能力有限，對肌電信號的分析精度低、實時性很差，且不具有通用性，發開成本高，從而導致運動假肢價格昂貴，不適用廣泛的市場推廣。

除此之外，通過肌電或者腦電控制的仿生手/臂/腳/腿，存在著成本高，算法不穩定，運算時間長。目前市場上的通過肌電的解決方案，一般直接對單一肌肉表面信號進行信號幅度采集，用于作為肌肉觸發指定運動的指令。現存的方法會受到周圍電磁信號，本身人體運動低頻信號，電機帶入噪聲，其他肌肉族群信號，深部肌肉信號及白噪聲的影響。導致運動指令不明確和主觀意識運動不可按質按量的完成。目前實驗室的解決方案，為了避免上述的信號干擾，使得信號更加完整和精確，大量的運行后臺算法，例如小波分析，而這樣大量的運算對處理器的速度和能力要求很高，配置在現有的可穿戴假手/臂/腳/腿中雖然單一信號處理精度提高了，但成本大大提高，運算穩定性反而降低，僅適用于實驗室科研，不適用廣泛的市場推廣。

技術實現要素：

發明目的：為了克服現有技術中存在的不足，本發明提供一種能夠基于手機app的上下肢運動輔助方法。

技術方案：為解決上述技術問題，本發明提供的一種基于手機app的上下肢運動輔助方法，所述方法包括以下步驟：

步驟1)選取完成特定動作的相關肌肉或肌肉群；

步驟2)利用表面電極提取表面肌肉信號；

步驟3)：將提取表面肌肉信號傳導至手機app，對輸入表面肌肉信號進行采樣，采樣頻率需要大于1000hz，先對信號做初步處理，消除采樣中空的信號值，在對信號進行濾波，消除白噪聲、環境電磁信號、自身肢體運動產生的低頻信號；

步驟4)：針對所采集的肌電信號(原文中4路肌電信號)分別提取其時域特征和頻域特征；

所述時域特征包括：平均值(av)、積分肌電值(iemg)、均方根值(rms)、絕對值積分平均值(iav)、過零點數(zc)、方差(var)、willson幅值(wamp)、標準差(std)；

頻域特征包括：平均功率頻率(meanpowerfrequency，mpf)、中位頻率(medianfrequency，mf)；

步驟5)：建立模式分類模型；

步驟6)：選取肌電信號(4路信號)的某一特征值作為輸入，輸入到步驟5)中的分類模型中，并計算出運動模式；

步驟7)：通過手機藍牙將運動模式發送給上下肢的外接控制器，該控制器包括主控芯片、藍牙通訊模塊、電機驅動模塊等；

步驟8)：上下肢的外接控制器的主控芯片從藍牙通訊模塊中讀取到運動模式后，控制假手/臂/腳/腿完成肌肉輸出信號的指定動作。

進一步地，所述步驟5)中模式分類模型包括：反向傳播神經網絡(bpnn)模型或支持向量機(svm)模型。支持向量機(supportvectormachine)可構造一個超平面，在高維空間，其可以用于分類。它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，該算法為現有的公知的計算方法。

進一步地，所述反向傳播神經網絡(bpnn)模型步驟包括以下步驟：

步驟5.1)：建立模型；

確定模型層數，至少3層，包括第一層輸入層，有4個節點，分別輸入4路semg(surfaceelectromyography表面肌電信號)的某一特征值；第二層是隱含層，隱含層可以是多層，隱含層節點根據經驗選取12個節點；第三層是輸出層，輸出層節點要根據經驗及需要識別的運動模式的數量進行設定。這里選取2或者1個節點，，輸出運動模式；輸入層為4路肌電信號，輸入層和隱含層的各個節點采用雙極型s型函數。

步驟5.2)：訓練模型；

對bpnn模型進行訓練，從樣本數據及其對應的運動模式標簽對bpnn的權值及線性偏置進行調節，直到得到適合的輸入輸出關系，即網絡收斂為止。

進一步地，所述運動模式包括握拳、展開、表揚、ok、v型手勢，其中表揚為豎起大拇指，擴展到腿腳部分，運動模式包括完全站立，半蹲下，完全蹲下等。。

有益效果：本發明相對于現有技術而言具有以下優點：

本發明提供基于手機app的上下肢運動輔助方法，表面肌肉電信號提取和采集的精度提高了；環境信號，外周干擾信號，其它非參與肌肉信號被干凈排除；結合相對肌肉組信號對運動行為的發出明確的強度和時間的指令；用肌電信號直接控制，識別率高，實時性好，反應靈敏，成本低，方便實用。

附圖說明

圖1是本發明基于手機app的上下肢運動輔助方法示意圖。

圖2是小臂尺側腕伸肌和橈側腕屈肌示意圖。

圖3是反向傳播神經網絡模型示意圖。

圖4是表面肌肉電信號原始采集信號曲線。

圖5是經過處理的表面肌肉信號示意圖。

圖6是兩組肌肉群的積分肌電值(iemg)曲線。

圖7是兩組肌肉群的均方根值(rms)曲線。

具體實施方式

下面結合附圖對本發明作更進一步的說明。

如圖1所示，一種基于手機app的上下肢運動輔助方法，所述方法包括以下步驟：

步驟1)選取完成特定動作的相關肌肉或肌肉群，這里選取兩路信號即兩組肌肉群，小臂尺側腕伸肌和橈側腕屈肌，如圖2，深色為選取的肌肉群；

步驟2)利用表面電極提取表面肌肉信號，如圖4表面肌肉電信號原始采集信號(雙通道/雙肌肉群)，圖4橫軸為時間，縱軸為原始肌電信號的幅值，即肌電信號隨時間變化的曲線，圖4是原始信號曲線，此步驟只是去除了采樣信號中的無效信號，此信號是提取自兩組不同肌肉群的原始的肌肉信號，基于表面肌肉信號的頻率一般在8hz-500hz之間，這里采用大于1000hz的采樣頻率，對模擬信號進行采樣，并消除nan無效信號，生成如圖4所示的原始數字肌肉信號。

步驟3)：將提取表面肌肉信號傳導至手機app，對輸入表面肌肉信號進行采樣，采樣頻率需要大于1000hz，先對信號做初步處理，消除采樣中空的信號值，在對信號進行濾波，消除白噪聲、環境電磁信號、自身肢體運動產生的低頻信號，如圖5，橫軸為時間，縱軸為處理后肌電信號的幅值，即肌電信號隨時間變化的曲線，在完成手掌伸展和握和這一指定動作時兩組肌肉群產生的表面肌肉信號，經過頻域分析，濾波，除噪等一系列信號處理算法后，轉換回時域空間的信號表征。這里可以看到肌肉的反應時間，收縮時間，收縮強度，和衰減時間，并且可以看到在同一時間點兩組不同的肌肉群肌肉作業時間和強度的區分；

步驟4)：針對所采集的肌電信號分別提取其時域特征積分肌電值(iemg)(如圖6)和均方根值(rms)(如圖7)，圖6橫軸為時間，縱軸為對應時間點的積分肌電值，其中上面的曲線為第一路肌電信號積分肌電值隨時間變化的曲線，下面的曲線為第二路肌電信號積分肌電值隨時間變化的曲線；圖7橫軸為時間，縱軸為對應時間點的肌電信號的均方根值，其中上面的曲線為第一路肌電信號均方根值隨時間變化的曲線，下面的曲線為第二路肌電信號均方根值隨時間變化的曲線；

步驟5)：建立模式分類模型；反向傳播神經網絡(bpnn)模型。

步驟5.1)：如圖3所示，4路肌電信號作為輸入輸送給輸入層，輸入層各個節點均采用雙極型s型函數，各節點對其輸入進行加權計算后判斷該節點是否激活，并將結果輸送給下一層對應的節點。這里隱含層也采用雙極型s型函數。

建立模型；確定模型層數，至少3層，包括第一層輸入層，有2個節點，分別輸入2路semg的特征值iemg；第二層是隱含層，隱含層一層，12個節點；第三層是輸出層，有1個節點，輸出運動模式；

步驟5.2)：訓練模型；

對bpnn模型進行訓練，從樣本數據及其對應的運動模式標簽對bpnn的權值及線性偏置進行調節，直到得到適合的輸入輸出關系，即網絡收斂為止。

步驟6)：選取肌電信號(2路信號)的某一特征值作為輸入，輸入到步驟5)中的分類模型中，并計算出運動模式；所述運動模式包括握拳、展開、表揚、ok、v型手勢；

步驟7)：通過手機藍牙將運動模式發送給上下肢的外接控制器，該控制器包括主控芯片、藍牙通訊模塊、電機驅動模塊等；

步驟8)：上下肢的外接控制器的主控芯片從藍牙通訊模塊中讀取到運動模式后，控制假手/臂/腳/腿完成肌肉輸出信號的指定動作。

以上所述僅是本發明的優選實施方式，應當指出：對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。