2 K最近的邻居

3.3支持向量机9

3.4高斯分类器11

3.5硬件12

3.6软件12

3.7双极设置13

3.8电极放置13

4实验15

4.1特点…………15

4.2寻找肌肉位置…………15

4.3前臂设置…………19

4.4结果23

4.5讨论29

5结论和未来工作32

参考文献33

三

图和表

图表列表

1.1机械驱动的开源3D打印假手。2.

2.1神经元的组织[1]。3.

2.2动作电位：2.2a表示静息电位的方向。轴突内部带电

负的，因此内轴突和外轴突之间的电压−70毫伏。2.2b说明了

轴突内动作电位的传递。（图形必须从上到下解释）(

从左到右传输）2.2c说明了电流电势

在时间上。VS=阈值，VRP=静息电位[1]动作电位过程。4.

2.3传递神经元释放神经递质以触发接收神经元中的动作电位。

[1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.4骨骼肌的组织[1]。5.

2.5肌电信号是电机单元动作电位的组成[2]。6.

2.6两种不同的测量程序。6.

2.7肌肉收缩的原始肌电图信号[3]。6.

3.1此图说明了如何使用高斯函数近似原始信号。9

3.2该图说明了将两个类加（+）和减（-）分开的超平面。这是一个

例如二维情况。圈出的数据点是支持向量[4]。超平面

由w描述⊤x+b=0，边距宽度d=2m

||w||…………10

3.3 32位OpenBCI板[5]。12

3.4设置14

4.1前臂肌肉的解剖学[6]。17

4.2前臂顶部…………18

4.3实验期间测量并分类了四种不同的手部运动。最下面一行

显示了相关的机器人运动。19

4.4此图显示了不同的处理和分类组合。12条路径中的每一条都是一条

结合体每个信号由截止频率为45Hz和50Hz的阻带滤波。KNN有

已申请K∈ {1, 2, 4,8}. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.5此图显示了未乘以权重的（x）函数。x轴表示数字

y轴表示电压，单位为μV。（x）的数目为d＝20。每个（x）是高斯

分布，2=0.05。期望值均匀分布在x轴上。20

4.6该图将原始肌电信号与拟合曲线w进行比较⊤（x）21

4.7不同的噪音水平取决于位置。22

4.8此图显示了前臂设置的原始测量值。这些行代表了

升序（见图4.2）。列按字母顺序表示移动（请参见

图4.3）。每个图表都显示了取决于样本的电压。样品数量为750

采样率为250Hz，持续时间为3秒。注：每种颜色代表一次试验。24

4.9此图显示了前臂设置的带通滤波测量。这些行表示

肌肉按升序排列（见图4.2）。这些列按字母顺序表示移动

（见图4.3）。每个图表都显示了取决于样本的电压。样品数量为750

采样率为250Hz，持续时间为3秒。注：每种颜色代表一次试验。

带通滤波器截止频率：0.2Hz和124Hz…………25

4.10此图说明了前臂设置的带通滤波测量。这些行表示

肌肉按升序排列（见图4.2）。这些列按字母顺序表示移动

（见图4.3）。每个图表都显示了取决于样本的电压。样品数量为750

采样率为250Hz，持续时间为3秒。注：每种颜色代表一次试验。

带通滤波器截止频率：10Hz和124Hz…………26

四

4.11此图说明了前臂设置的带通滤波和RMS测量。行

以升序表示肌肉（见图4.2）。这些列表示

按字母顺序排列（见图4.3）。每个图表都显示了取决于样本的电压。这个

采样数为750，采样率为250Hz，持续时间为3秒。注：每个

颜色代表试验。带通滤波器的截止频率：10Hz和124Hz。窗口长度

均方根：30…………27

4.12本图说明了使用两个预处理步骤的不同分类器的精确度

带通和带通+权重空间。滤波器参数：0.2Hz，124Hz。28

4.13本图说明了使用两个预处理步骤的不同分类器的精确度

带通和带通+权重空间。滤波器参数：10Hz、124Hz。28

4.14本图说明了预处理步骤和分类器训练的流程。29

4.15带通上的SVM、GC、KNN（K=1）、KNNN（K=2）、K1（K=4）和KNN的混淆矩阵

过滤+RMS数据集。预处理=预测类，act.=实际等级…………..30

4.16具有RMS的SVM、KNN和GC的精度。31

4.17本图说明了最终预处理步骤。SVM、KNN（K=1）和KNN

被确定为最佳分类器。31

表格列表

3.1本表说明了一条消息的数据格式。字节1是起始字节，字节33是停止字节。这个

字节3-26是表示EMG数据的字节。每个通道由三个字节编码。13

4.1本表显示了肌肉及其运动之间的关系。肌肉可以在

图4.1 16

4.2本表显示了肌肉及其运动之间的经验确定关系。肌肉

可以在图4.1中找到。桡侧屈肌和尺骨屈肌在

此设置。16

v

缩写、符号和运算符

缩写词表

符号描述

肌电图肌电图

GC高斯分类器

KNN K最近邻居

rms均方根

SEMG表面肌电图

SVM支持向量机

1.

1简介

1.1动机

最近，制作三维印刷假手变得越来越流行。3D模型和组件3D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

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