基于sEMG和变刚度控制的虚拟假手交互系统*

余伟杰, 曾 洪, 金伟明, 宋爱国

(东南大学 仪器科学与工程学院,江苏 南京 210096)

0 引 言

表面肌电(surface electromyography,sEMG)信号中蕴含了关节运动、肌肉伸缩等大量信息,且sEMG超前于实际运动,因此sEMG被广泛应用于人机交互领域[1]。通过sEMG控制虚拟假手的关键是由sEMG中识别出人的运动意图,包括离散动作分类和连续运动估计两类。离散动作分类一般通过模式识别技术从sEMG中提取离散手部动作,如握拳、伸掌等[2],从而控制虚拟假手做出相应的动作。离散动作分类的研究较多,方法较为成熟,识别率也较高,如张发辉等人[3]通过支持向量机(SVM)识别4种手势动作的识别率达99.3 %,宋佳强等人[4]通过线性判别分析(LDA)识别8种手势的识别率达97.5 %。但离散动作分类只能识别事先定义好的一定数量的手部动作,对于超出定义范围的离散动作以及连续动作的识别效果较差。连续运动估计则是通过sEMG提取肌肉激活度[5]或信号包络[6]进而估计关节运动量,估计结果作为参考输入来控制虚拟假手完成连续平滑运动。Li Z[7]与Han J等人[8]通过Hill模型来估计关节运动量,该模型能够解释运动的产生过程；Nakamura G等人[9]直接建立sEMG信号与关节运动量之间的回归模型,建模过程简单直接。将上述方法估计的连续运动量作为输入直接控制假手虽然可以实现假手与人的同步,但无法根据假手的交互力调节假手的运动状态,不具备柔顺性。人体肌肉和关节则具有刚度可调的特性,可以根据任务的变化通过拮抗肌肉对的共收缩来调节刚度[10],当需要实现与环境的柔顺力交互时主动减小刚度,当需要抵抗较强外部干扰力以实现精准控制时主动增大刚度[11]。

因此,本文实现了一种基于sEMG和变刚度控制的虚拟假手交互系统,首先,通过MYO肌电臂环采集人体前臂的sEMG,并从中估计人手的刚度水平和关节扭矩;然后,通过变刚度阻抗控制模型估计虚拟假手的关节角度;最后,使用估计的关节角度控制虚拟假手与虚拟环境中的物体进行交互,交互过程中根据虚拟假手与物体的交互力对关节角度进行动态调节,从而提高虚拟假手的柔顺性。

1 虚拟假手交互系统构建

1.1 系统的整体框架

系统整体框架如图1所示,主要包括sEMG采集与预处理、基于sEMG和变刚度控制的关节角度估计、虚拟假手交互环境3个模块。sEMG采集与预处理模块采集人体前臂的sEMG并进行预处理。基于sEMG和变刚度阻抗控制的关节角度估计模块,首先从预处理后的sEMG信号包络中估计人手关节扭矩和刚度水平,然后基于变刚度阻抗控制模型估计虚拟假手的关节角度。虚拟假手交互环境模块根据估计得到的关节角度控制虚拟假手与虚拟环境中的物体进行交互,并计算虚拟假手交互过程中的交互力,转换为关节阻抗控制模型中的外部扭矩。

图1 基于sEMG信号和变刚度阻抗控制的虚拟假手交互系统整体框架

1.2 sEMG信号采集及预处理

本文选用的sEMG传感器为加拿大Thalmic实验室于2013年推出的MYO肌电臂环。采集到的sEMG将通过低功率的蓝牙将信号传输给上位机。MYO肌电臂环8个电极通道的编号如图2所示。

图2 MYO臂环电极通道设置

本文要求所有用户统一将MYO臂环佩戴在前臂靠近肘关节的位置,且臂环的LED标识(位于第4通道)远离肘关节。与手指关节弯曲伸展相关的肌肉主要是位于前臂的指浅屈肌(flexor digitorum superficialis,FDS)和指总伸肌(extensor digitorum communis,EDC),其中，指浅屈肌的sEMG信号由MYO臂环的通道5和通道6采集,指总伸肌的sEMG信号由MYO臂环的通道3采集。

由于sEMG信号是运动单位产生的动作电位序列(motor unit action potential trains,MUAPT)在皮肤表面叠加而成的一种非平稳微弱信号[9],因此需要对采集的原始肌电信号进行预处理,提取sEMG信号包络。预处理过程包括全波整流、低通滤波和基于最大自主收缩(maximum voluntary contraction,MVC)的归一化3部分。其中，低通滤波采用二阶巴特沃兹低通滤波器,截止频率为5 Hz。

1.3 基于sEMG和变刚度控制的关节角度估计

关节角度估计方法的原理框图如图3所示,分为基于变刚度控制的虚拟假手关节角度估计和基于sEMG的人手关节扭矩和刚度水平估计两部分。

图3 基于sEMG和变刚度控制的虚拟假手关节角度估计方法的原理框图

1.3.1 基于变刚度控制的虚拟假手关节角度估计

当中枢神经系统(central nervous system,CNS)发出运动指令,产生肌肉控制信号分别作用于伸肌和屈肌,两块肌肉被激活后收缩产生肌力,在关节处产生关节扭矩,驱动关节运动。在进行抓握动作的过程中,关节的阻抗控制模型如下

τ-τE=M+B+K(θ-θ0)

(1)

式中θ和θ0为手部关节的实时角度与起始角度；和分别为关节角速度和角加速度；M,B,K分别为惯性、阻尼和刚度系数；τ为关节扭矩,τE为外部扭矩。

本文将假手与物体的交互力集中于手指与物体的接触点,根据式(2)计算假手与物体间的交互力,进而根据式(3)转换为关节的外部扭矩

Fint=kf(θ-θobject)

(2)

τE=lFint

(3)

式中l为手指与物体的接触点到关节的距离,Fint为手与物体的交互力,kf为交互力系数,θ为角度估计值,θobject为手与物体恰好接触时的关节角度。

在手部关节缓慢运动时,关节角加速度较小,惯性系数所引起的扭矩变化可忽略不计,故忽略式(1)中的惯性系数,并重新排列,得到式(4)

(4)

在离散时间系统中对角速度进行积分得到抓握运动过程中的关节角度估计值

(5)

式中T为相邻2次迭代的时间间隔,k为迭代次数。刚度系数K,阻尼系数B及关节扭矩τ从sEMG信号中估计得到。

1.3.2 基于sEMG的人手关节扭矩和刚度水平估计

当肌肉不处于干扰和疲劳的状态下时,sEMG与关节扭矩及刚度之间呈现近似线性的关系。根据sEMG与关节扭矩间的近似线性关系,使用修正的双曲正切模型[12]从sEMG信号中估计关节扭矩

τ=aτδ

(6)

δ=aq(1-e-bq(Af-Ae))/(1+e-bq(Af-Ae))

(7)

式中aτ为扭矩增益。δ为拮抗肌肉对的肌肉激活水平差,归一化至[0,1]的取值范围内,在肌肉处于放松状态时可以表示手指关节弯曲程度。aq和bq为常数,通过参数辨识实验确定。Af和Ae分别为与手指关节转动相关的拮抗肌肉对中指浅屈肌和指总伸肌的sEMG信号包络。

相应地,使用修正的双曲正切模型从sEMG中估计人手的刚度水平

Ks=ak(1-e-bk(Af+Ae))/(1+e-bk(Af+Ae))

(8)

式中ak和bk为常数,通过参数辨识实验确定。Ks为人手的刚度水平,取值范围为[0,1]。阻抗控制模型中的刚度系数K通过将刚度水平映射到人手的刚度区间内获得

K=(Kmax-Kmin)Ks+Kmin

(9)

式中Kmax和Kmin为手的最大刚度和最小刚度,通过最小二乘法确定。在抓握物体时,为满足稳定性要求,阻尼系数B与刚度系数K需满足式(10)中的关系

(10)

1.4 虚拟假手交互环境

本文利用Unity 3D建立了一个仅掌指关节可以转动的单自由度虚拟假手。并搭建了一个抓握物体的虚拟交互环境,根据上述基于sEMG和变刚度控制的手指关节角度估计方法得到的角度估计值控制虚拟假手的掌指关节转动以抓握虚拟物体,过程中根据式(2)计算虚拟假手与物体的交互力,抓握是否成功的判定条件为虚拟假手与虚拟物体的交互力超过交互力阈值(本文设置为7 N)2.5 s。

人手在抓握物体时,感知到无法将物体成功抓握时,会使用更大的握力直到能将其成功抓握。在控制虚拟假手抓握物体时,人手中没有物体,无法感知交互力,因此，在虚拟环境中将虚拟假手与虚拟物体的接触交互力集中于虚拟手指与虚拟物体的接触点,计算虚拟假手与物体的接触交互力,进一步转换为关节处的外部扭矩。

2 实验与结果

10名(年龄22～27岁,7男3女)均为右利手的健康被试参加了实验。

2.1 角度估计实验

在进行抓握控制实验前,被试首先在没有外力干扰的情况下进行手指关节的转动,评估基于sEMG和变刚度控制的关节角度估计值与真实测量值的标准化均方根误差(normalized root mean squared error,NRMSE),10位被试的平均NRMSE为0.164 1±0.023 6(均值±标准差),说明大部分被试可通过本文方法较准确地从sEMG信号中估计人手关节角度。关节角度估计值和关节角度测量值如图4所示,在10°～70°内,所提方法的关节角度估计效果较好。

图4 虚拟假手关节角度估计结果

2.2 虚拟假手交互实验

为了验证基于sEMG和变刚度控制的虚拟假手的抓握柔顺性和稳定性,本文进行了虚拟假手交互实验,被试通过上述方法估计得到的假手关节角度控制假手在3种不同的刚度模式下对圆柱形虚拟物体进行抓握：1)高刚度；2)低刚度；3)变刚度。其中，变刚度模式下将根据从sEMG信号中估计的人手刚度水平调节阻抗控制模型中的刚度系数及阻尼系数,高刚度模式和低刚度模式下刚度系数和阻尼系数将保持不变。实验将评估抓握成功率和抓握过程中的均值交互力及峰值交互力。

图5所示为被试佩戴MYO臂环,控制虚拟假手抓握虚拟物体。

图5 实验环境

如图5所示，被试在每种刚度模式下进行4次实验,共12次实验。为了最小化学习效应,被试在正式实验前将进行充分的训练,刚度模式顺序随机分配且不告知被试当前实验的刚度模式。

10位被试共120次实验中,其中失败次数为3次,实验模式均为低刚度模式,这说明在低刚度模式下,容易因无法提供所需的最小交互力导致无法成功抓握。10位被试进行抓握实验的均值交互力和峰值交互力如图6所示,高刚度模式下的交互力较大(均值为(14.84±1.26)N,峰值为(21.61±1.24)N),低刚度模式下的交互力较小(均值为(8.78±0.97)N,峰值为(14.23±1.36)N),变刚度模式下的交互力处于高、低刚度模式之间(均值为(10.40±0.65)N,峰值为(16.31±0.82)N)。

图6 抓握实验的均值交互力和峰值交互力

在显著性水平为0.05下对实验数据进行Kruskal-Wallis H检验的结果为不同刚度模式下,抓握过程中的均值交互力(P<0.01)和峰值交互力(P<0.01)均有显著性差异,然后进行了事后多重检验,为消除多重比较可能造成的统计学偏倚,根据Bonferroni法对P值进行了校正。检验结果表明，低刚度模式下的交互力与高刚度模式有显著性差异,变刚度模式与高刚度模式有显著性差异而低刚度模式下的交互力与变刚度模式没有显著性差异。这说明与高刚度模式相比,低刚度模式的虚拟假手能显著减小与物体间的交互力,而在变刚度模式下被试倾向于控制肌肉收缩程度维持在较低的刚度值以达到较小的交互力。

在高刚度模式下,假手与物体间的峰值交互力较大,容易造成物体的变形或损坏,低刚度模式下的交互力较小,可能因无法提供所需的最小交互力导致无法成功抓握。而在变刚度模式下,根据通过控制肌肉收缩程度来调节假手的刚度值在高、低刚度之间,在成功抓握的前提下产生尽可能小的交互力。

3 结 论

通过MYO肌电臂环采集人体前臂的sEMG信号,并从中估计人手的刚度水平和关节扭矩,然后，根据人手的刚度水平通过变刚度阻抗控制模型估计虚拟假手的关节角度,最后，将估计的关节角度用于控制虚拟假手与虚拟环境中的物体进行交互,交互过程中根据虚拟假手与物体的交互力动态调节关节角度。实验表明：与固定高刚度和固定低刚度相比,基于sEMG和变刚度控制的虚拟假手在进行抓握物体的交互任务时能够在成功抓握物体的基础上产生较小的交互力,从而实现柔顺、稳定的交互。