一种仿生机械手肌电控制系统的设计与实现

崔雪渭，彭熙，2，3，颜顺，陈含丽子，杜笛箫，杨琬晨

（1 华中师范大学 计算机学院，武汉 430079；2 湖北省高等学校计算机基础实验教学示范中心，武汉 430079；3 湖北省人工智能与智慧学习重点实验室，武汉 430079）

0 引言

随着控制技术、信息技术等现代科技的飞速发展，拥有与人手相似结构的仿生机械手已具备很强的灵活性，因而可代替人手完成复杂操作，成为医疗保健、资源勘探、灾难救援等诸多领域的实用工具［1］。表面肌电信号（Surface Electromyography，SEMG）是肌肉收缩时伴随的电信号，是在体表无创检测肌肉活动的高效方法，在人机交互控制、手势识别等领域发挥着重要作用［2］。

在仿生机械手结构设计方面，Xu 等人［3］提出了一种与人手高度相似的仿生机械手结构。在肌电信号方面，程扬威［4］对基于多通道表面肌电特征图像的手势识别进行了深入研究，通过提取不同表征的肌电特征及深度学习，实现了对不同手势的精准识别。吴娜［5］也提出了一种基于一维卷积神经网络-独立循环神经网络（Conv1D-IndRNN）模型的手势识别算法，提升了通过表面肌电信号进行手势识别的准确率。但是对于如何将肌电信号处理与仿生机械手控制相结合，构成面向仿生机械手的肌电控制系统，却少见成熟可行的设计。

本文提出了一种面向仿生机械手的肌电控制系统的设计与实现，即仿生机械手能够实时模拟手部动作，可用于灾难救援、医疗恢复，也可用于排爆等高危环境中。

1 仿生机械手肌电控制系统的整体设计及分析

本文所设计的仿生机械手肌电控制系统大致可以分为3 个部分：肌电信号的采集、肌电信号的处理和动作匹配。首先，利用六导联肌肉电传感器搭配Arduino UNO 采集肌电信号；然后，树莓派接收Arduino UNO 传送的数据，进行数据处理和加工；最后由树莓派做出判断，向仿生机械手发出运动指令，使其执行相应的动作。各组成部分的结构框架如图1 所示。

图1 仿生机械手肌电控制系统的结构框架Fig.1 Structural framework of myoelectric control system of bionic manipulator

本文选用的肌电传感器为六导联肌肉电传感器，能够采集人体手臂或者腿部的表面肌电信号，并对其进行一系列的放大与滤波处理。还有2 种通道增益方式，也可结合Arduino UNO 输出原始肌电信号或者包络后的肌电信号。

树莓派是一款基于ARM 的微型电脑主板，以SD／MicroSD 卡为内存硬盘，不仅具备所有PC 的基本功能，还有着丰富的硬件接口。本文使用的树莓派四代B型，具有40 个引脚接口，不仅可以读取肌电传感器采集的肌电信号并进行处理匹配，还可以与仿生机械手进行串口通信，以控制仿生机械手做出与肌电信号相对应的动作。

本文选用了树莓派和并行舵机控制板协同工作的方式，根据通信原理及舵机控制指令对树莓派控制系统进行设计。即树莓派在对肌电信号加以处理后，将进行仿生机械手的动作匹配，再向并行舵机控制板发出相应命令，从而控制仿生机械手对动作进行实时模拟。

2 肌电信号的采集与处理

2.1 肌电信号

肌电信号，是人体运动时肌肉产生的生物电信号，能够反映肌肉动作的状态。当人的肌肉在运动时，相应的肌肉群会发生收缩。比如，当人的右手运动时，会受到大脑中枢神经系统的控制，右手骨骼肌的肌肉将会收缩以完成相应动作，此时就会在皮肤表面产生生物电信号。

肌电信号具有微弱性、低频性、易受干扰性等特点［6］，其幅值主要在100～5 000 μV，频率范围在0～1 000 Hz，信号中的主要能量和频谱主要集中在10～500 Hz。同时，采集肌电信号时易受电极位置、皮肤状态、场所噪音等影响。

2.2 肌电信号的采集

目前，肌电信号的采集方式主要有2 种：侵入式采集与非侵入式采集。两者的区别在于采集的位置和方式不同。其中，侵入式采集需要把针极刺入被试者的肌肉组织内部，这样一来信号采集的过程就不受外界干扰，但在一定程度上会对被试者造成伤害；非侵入式采集需要把电极贴片与被试者的皮肤表面接触，通过此种方式采集到的信号就是表面肌电信号。

本文选用六导联肌肉电传感器进行肌电信号的非侵入式采集。其前端采集电路通过1～6 通道采集人体手臂或者腿部的肌电信号，并对SEMG 进行一系列的放大与滤波；中端通过单刀双掷开关切换Envelope Mode 和RAW Mode 输出信号；后端采用Arduino UNO 采集中端的输出信号，并控制LED灯发光，可以通过其亮度快速得出SEMG 信号的强度。

肢体所完成的动作是依靠若干肌肉相互协调所致，并非其中一块肌肉单独引起的。人体手臂的肌肉分布如图2 所示。

图2 人体手臂肌肉分布示意图Fig.2 Schematic diagram of human arm muscles

经过反复的实验测试，发现指部的伸屈与肱桡肌、指浅屈肌、指深屈肌、尺侧腕屈肌和桡侧腕屈肌的关系更加紧密。故将肌电传感器的一次性贴片电极贴在上述肌肉组织上进行采集。该电极贴片与肌肉接触面积小，从而能够减少周边肌肉对选定肌肉的信号干扰。根据前人的医学研究发现，在被试者手臂上放置4～5 个电极片，可使动作识别率最大化。

2.3 肌电信号的处理

在多通道肌电信号的数据处理中，活动段检测是极其重要的一个部分，可以确定很多组手势中每一个手势动作的起始时刻和终止时刻，对每一个手势动作进行划分。信号的活动段检测能够对连续多个手势动作进行准确判别，直接影响着后期的特征提取和模式分类。本文使用移动平均法进行活动段检测。移动平均法是短时能量检测算法中一种典型方法，能够从连续的肌电信号中有效区分出活动段和静息段，方便不同手势动作的识别。

3 动作匹配算法

3.1 卷积神经网络

在初步采集中，共收集了3 个动作的39 445 条肌电信号数据。由于采集时肌电传感器使用了2 个通道，因此数据集的总维度是39 445×2，对应39 445个标签。此后，根据标签将数据转换为3 个部分，并在每个部分中进行分组操作，每200 个合并为一组，因此每一组的维度为200×2×1，作为卷积神经网络的输入。在训练过程中将数据集打乱，同时对标签数据进行one-hot 操作，并取80%作为训练集，20%作为测试集。在构建神经网络模型时使用了Python的Keras 模块，该卷积神经网络共有5 层、即3 层卷积层和2 层全连接层，如图3 所示。

图3 卷积神经网络模型图Fig.3 Convolution neural network model

每一层经过卷积操作后得到的特征图大小的计算公式如下：

特征图的数目由卷积核个数决定，因此每一次卷积操作之后得到的特征图大小为（高度，宽度，卷积核个数）。

本文中，选择了基于梯度优化算法的Adam 优化器，损失函数则选择了多分类研究任务中常用的categorical_crossentropy。训练过程共迭代100次，每次训练的数据样本量为64。训练后的损失值如图4 所示。

图4 训练集和测试集损失值Fig.4 Loss value of training set and test set

3.2 KNN 分类算法

考虑到树莓派达不到正常PC 机的算力，为了能够在用树莓派运行时取得实时的效果，本文采用了KNN 分类算法，KNN 算法作为最经典的机器学习算法之一，实现起来也十分简单。KNN 算法的核心思想为：如果2 个样本足够相似，即在特征空间中的距离足够近，则这2 个样本大概率属于同一类别。为了提高判断的准确率，在实际应用中通常寻找离待测样本最近的K个样本，根据K个样本的类别来判断待测样本的类别。在不考虑距离权重时，K个样本中哪种类别的样本数量最多，则待测样本同属于此类别。本文使用了Sklearn库中的KNeighborsClassifier 来实现KNN 算法。

首先是采集数据，将采集到的握拳、张开以及Yeah 手势的数据集分别设置标签，依据标签分成三大组。而后将一个标签中的数据视为KNN 中的一个点，将数据集中80%的数据设置为训练集，将数据集中20%的数据设置为测试集。

之后将数据进行存储后便可以进行K个预测投票，再利用测试集中的数据进行测试，发现精度达到96%，属于简单的学习任务，适用于KNN 算法。

用新数据预测时，可按行读取输入的数据，并按行投票判断归属于哪一类，最终将每一行的结果再依据类别进行累计，输出累计数目最多的结果。

4 机械手结构设计

4.1 整体设计

本机械手具有高度的仿生性能，根据人手手指关节的结构和运动自由度进行设计，采用了连杆结构，使得一个伺服舵机能够控制一个手指上3 个关节的运动，即伺服舵机通过主舵转动推动连杆使得一个手指向前弯曲，主舵反方向转动拉动连杆使得手指伸张，如图5 所示。这样的结构能够使仿生机械手比较轻巧灵活地实现人手的动作。

图5 机械手连杆结构Fig.5 Connecting rod structure of the manipulator

4.2 伺服舵机

仿生机械手使用的舵机是LX-224 双轴总线舵机，如图6 所示。LX-224 双轴总线舵机扭矩为20 kg，自由度为180°，能够充分满足手指关节的运动需求。

图6 LX-224 舵机Fig.6 LX-224 steering gear

该舵机为并行舵机，在舵机控制系统中，本文研制并开发了一款具有多并行舵机控制功能的舵机控制板。舵机控制板大多以单片机（STM32／STM8等）作为核心，本文的并行舵机控制板以单片机STM8S003 为主板。STM8S003 提供了10 比特模数转换器、3 个定时器、1 个串口、1 个IIC 等功能模块。同时并行舵机控制板内还集成了2 块PCA9685 作为驱动模块。驱动模块PCA9685 是一款IIC 总线控制的16 通道的PWM 波发生器，每个输出通道都有自己的12 位分辨率固定和频率单独的PWM 控制器，该控制器在典型的24～1 526 Hz 的可编程频率下运行，占空比在0%～100%范围内可调。PCA9685 还具有一个外部时钟输入引脚，可以接受用户提供的时钟（最大50 MHz），代替内部25 MHz振荡器，此功能允许同步多个设备。仅占用主控板的4 个引脚，通过IIC 通信协议就可以驱动16 台舵机。此外，可以通过级联的方式最多级联62 个驱动板。本机械手所使用的并行舵机控制板共级联了2个驱动板，可以驱动32 台舵机。

并行舵机控制板如图7 所示，控制板电路图如图8 所示。

图7 并行舵机控制板Fig.7 Parallel steering gear control board

图8 舵机控制板电路图Fig.8 Circuit diagram of steering gear control board

5 系统硬件设计

本文所涉及的系统主要由树莓派4B、并行舵机控制板、并行舵机、肌电传感器、Arduino 等部分组成。控制系统各模块硬件连接如图9 所示。

图9 控制系统各模块硬件连接图Fig.9 Hardware connection diagram of each module of control system

5.1 硬件的配置

为了满足本文硬件需要，树莓派需要设置开机自启动项，同时通过配置文件来修改树莓派的设备树，改变引脚的映射关系，将ttyAMA0 映射到引出的GPIO Tx ／Rx上，以此使用高性能的硬件串口。Arduino 需要使用A0～A5和D0～D13的引脚完成与肌电传感器的数据传输、控制LED 灯等功能。此外，还要使用USB 线将Arduino 与树莓派进行连接。

5.2 硬件通信模式设计

5.2.1 Arduino 与肌电传感器之间的通信

Arduino 与肌电传感器之间通过Arduino的D0和D1引脚来实现串口通信；通过D2～D4引脚分别实现移位寄存器的数据、时钟和锁存功能；通过D5和D6引脚来控制灯的按键；通过D7～D12引脚输出的数据来控制传感器上灯的颜色；通过D13引脚来使能控制灯的模块；通过A0～A5引脚来接收肌电传感器的包络信号。最终能够通过Arduino 读取肌电传感器的肌肉电信号数据。

5.2.2 树莓派与Arduino 之间的通信

树莓派与Arduino 之间通过USB 口进行连接，使用串口通信方式。连接后检查是否存在ttyACM0文件，存在即可正常使用。由于串口通信简单、并且能够实现远距离通信，符合项目要求，所以树莓派和Arduino 之间使用串口通信。串口通信主要就在于各类参数的匹配，例如波特率、数据位、奇偶校验。2个端口如要实现通信，这些参数必须匹配。

5.2.3 树莓派与舵机控制板之间的通信

本文选用了树莓派和并行舵机控制板协同工作的方式来控制机械手。并行传输相比于串行传输的优点在于易于实现和速度较快，虽然传输距离近，但对本系统来说已经足够，所以选择并行传输方式，并使用上述自主研制的并行舵机控制板。具体实现方式为：控制板的Tx 接树莓派的Rx，控制板的Rx 接树莓派的Tx。本次设计中，图9 中树莓派的8 号引脚（TXD）、10 号引脚（RXD）分别与并行舵机控制板的Rx、Tx 引脚相连。最后设置相同的波特率，即可将树莓派上的指令传输给舵机控制板，从而实现对舵机的控制。

6 测试及结论

本文针对仿生机械手肌电控制系统进行了测试与评估。5 名被试者首先进行表面皮肤处理，然后使用自主设计的上位机软件采集当前动作的肌电信号，如图10 所示。

图10 数据可视化及动作预测Fig.10 Data visualization and action prediction

测试中，握拳、五指张开和Yeah 手势每个动作各做20次，即每个动作都有100 组数据，分别统计每个动作正确识别的个数、错误识别的个数以及识别率见表1。

表1 测试实验结果统计Tab.1 Statistics of test results

从表1 可以看出，在进行测试的动作中，握拳的识别率最高，达93%，而张开和Yeah 手势识别率略低。考虑到被试者之间体质差异的问题，这样的误差可以理解。另外，实验过程中还发现，张开和Yeah 手势之间容易发生错误识别，经分析发现是由于两者肌电信号有时近似度较高。

另一个评估标准是系统的响应时间。实验中，发现仿生机械手反应相对迅速。为了实现定量分析，对每个动作从开始预测到输出结果的时间进行了统计。结果表明，系统的平均识别时间为12 s。而本系统每20 ms 采集一条肌电数据，即采集当前动作的400 条肌电数据需要8s，所以预测速度平均为4 s。进一步分析后可知，通过提高采集速度和优化匹配模型，能够更好、更快地得出结果。

综上所述，本文的仿生机械手肌电控制系统是合理的。

7 结束语

本文设计了一种基于肌电控制技术的仿生机械手肌电操控系统，由六导联肌肉电传感器、肌电信号传输导联线、Arduino UNO 单片机、上位机、树莓派4B、并行舵机控制板及仿生机械手构成，基本实现了对人手的实时模仿。后续可通过ZigBee 实现远程控制，进而用于排爆等高危行业和偏瘫患者的手部功能恢复等领域。目前由于只采集了3 个动作的肌电数据做测试，存在一定的局限性。但总体上对仿生机械手的后续发展与应用具有一定的借鉴意义。