摘要
仿生假肢手及其控制系统的研究对于改善上肢截肢患者的生活具有非常重要的意义。目前，仿生假肢手的研究主要分为两个方向，一个是基于肌电信号的仿生假肢手控制，即把截肢患者残余肌肉产生的肌电信号作为假肢手控制信号的来源。由于肌电信号具有非线性、非平稳性和易受干扰等特点，且不同的截肢患者截肢程度不同、残余肌肉量不同，这就使得只依靠肌电信号来开发稳定的肌电假肢系统较为困难。另一个是在肌电信号的基础上，融合视觉传感器的信息来共同决策以稳定控制假肢手抓取物体，后者由于融合了多种传感器的信息，所以系统更加复杂，但是假肢手的控制鲁棒性更好，是目前医疗康复领域的研究方向之一。融合肌电信号和视觉信息的假肢手控制系统通常需要解决三个方面的问题:（1）截肢患者肌电信号的分类问题。通过表面肌电信号识别截肢患者残肢的动作意图是实现假肢手控制的关键环节，肌电信号的动作分类准确率决定了假肢手控制的准确性。（2）仿生假肢手柔顺抓取问题。仿生假肢手作为截肢患者的辅助抓取工具需要满足类人手的抓取功能，需要根据待抓取物体的强度来自主地控制抓取的力度，满足一定的柔顺性。（3）对视觉反馈信息的处理，以及对肌电信号和视觉信息的融合。 本文针对多传感器仿生假肢手展开研究，在肌电信号的基础上融合视觉传感器的信息来共同决策以稳定控制假肢手抓取物体，主要包含以下三个部分: （1）针对截肢患者肌电信号分类问题，首先搭建BP神经网络，进而对NinaproDB3截肢患者肌电数据集进行实验分析，研究截肢程度对肌电分类结果的影响，并与机器学习方法的分类效果进行对比。其次提出将卷积神经网络CNN和长短时记忆网络LSTM进行融合得到C-ConvLSTM和P-ConvLSTM网络，使卷积网络学习肌电信号的空间特征，长短时记忆网络学习肌电信号的时序激励，并借助NinaproDB3截肢患者肌电数据集，对比CNN、LSTM、C-ConvLSTM和P-ConvLSTM这四种网络在该数据集下的性能表现，验证所提方法的有效性及性能提高。最后分析时间窗大小的选取对分类性能的影响。 （2）针对假肢手的柔顺抓取问题，首先建立仿生假肢手的手指动力学模型并搭建Simulink仿真框图，分析导纳控制算法的目标惯性系数、目标阻尼系数、目标刚度系数和物体刚度对假肢手手指末端力控制性能的影响。最后在假肢手硬件平台上进行导纳控制算法的实验。 (3)为了验证肌电和视觉混合决策抓取的效果，首先搭建多传感器仿生假肢手的控制系统硬件平台。其次对肌电信号进行在线采集和在线分类应用，针对视觉部分，利用MobileNet-SSD物体检测算法获取待抓取物体的标签。最后，设计多传感器仿生假肢手混合抓取流程及方案，模拟截肢患者进行物体抓取实验，对比基于肌电信号进行抓取和混合肌电信号与图像信息进行抓取的结果，验证了混合抓取策略具有更好的鲁棒性和稳定性，且与人手自然抓取方式更加接近。
NETL