英语原文共 10 页
上肢截肢者两种自由度的直观，在线，同时和比例肌电控制
Ning Jiang，IEEE会员，Hubertus Rehbaum，IEEE学生会员，Ivan Vujaklija，Bernhard Graimann和Dario Farina，IEEE高级会员
摘要——我们提出了一种使用表面肌电信号对手腕的两个自由度（自由度）进行在线同步和比例肌电控制的方法。该方法基于腕部肌肉激活的非负矩阵分解（非负矩阵分解），以提取由用户翻译成运动学变量的低维控制信号。该过程不需要已知运动学的信号训练集（标记为数据集），因此无需监督（尽管它需要在没有标记信号的情况下进行初始校准）。使用非负矩阵分解的估计控制信号用于直接控制两个手腕的自由度。该方法对7名患有上肢缺陷的受试者和7名身体健全的受试者进行了测试。受试者使用两个自由度对虚拟对象进行在线控制，以实现面向目标的任务。以任务完成率，任务完成时间和执行效率来衡量的两个主题组的表现没有统计学差异。对该方法进行了比较，并证明其优于工业最先进方法的在线控制。这些结果表明，这种新方法与先前的肌电假体控制系统相比具有几个优点，有可能为截肢者提供直观和灵巧的肢体控制。
索引术语 - 肌肉协同作用，肌电信号处理，非负矩阵分解，假体控制。
I 介绍
几十年来，肌电信号（肌电）已被用作多功能假体的控制源。为了控制不同的功能，在当前的商业设备中需要仔细选择独立的信号部位，这需要假肢医师的丰富经验。
此外，由于残肢处的独立部位有限，商业手/假肢大多数一次控制一个自由度（自由度），并且需要选择机制来在不同的自由度之间切换（例如，手腕到手）。
为了增加肌电控制的上肢假肢的功能，研究工作集中于表面肌电图的高级处理，从而可以提取更多的神经控制信息。为此，模式识别算法已被广泛研究[1]。然而，经过几十年的研究和开发，这些算法提供的控制方案仍然是顺序的（一次只能表达一个功能）和开/关（任何功能可以开启或关闭）。虽然组合函数或运动可以被视为附加类[2]，但是当离散函数的数量增加时，这种方法可能需要广泛的训练。此外，基于模式识别算法的比例控制已经在分类步骤[3]之后作为单独的步骤实现，通常使用基于类的信道系数（互斥方法），如[4]中所述。
与通过模式识别提供的顺序开/关控制相反，神经肌肉系统同时且成比例地激活自由度。控制范式中的这种鲜明对比是目前没有基于模式识别方法的商业假体的主要原因之一[5]。因此，非常希望在多个自由度上实现直观，同时和比例的肌电控制。
最近，通过肌电信号的非负矩阵分解（非负矩阵分解）探索的肌肉协同概念已被确定为用于解码来自肌电信号的多个自由度的有前景的方法[6]。例如，可以从11个静态手势中的11个肌内肌电信号中提取出8种肌肉协同作用[7]。这些协同作用可用于预测多达20种新手姿势的肌肉活动。然而，仅考虑静态姿势（无比例分量），并且未证明该方法用于同时控制的潜力。
在本研究中，我们提出了一种生物学启发的方法，用于从表面肌电信号中估计腕手运动学。所提出的方法基于我们之前的研究[6]，其中静态力在健康受试者中离线估计并且将其扩展到在线运动学，在线，在截肢者中的估计，将结果与工业状态进行比较。假肢控制艺术。该方法基于肌肉协同模型，其中腕部的低维神经命令（控制信号）被转换成涉及动态，无约束腕部牵引的肌肉活动。因此，高维表面肌电信号被分解成一组低维控制信号和协同矩阵，其模拟控制信号到高维神经驱动到个体肌肉的转换。控制信号由用户在在线范例中直接使用，其中视觉反馈表示特定的假体命令。由于它是基于因子分解的，因此这种方法原则上是无监督的，尽管我们将其应用于校准阶段。该算法在线实施并由具有经桡动脉肢体缺陷和健全对照受试者的受试者使用。这项研究的初步结果早先已在抽象版本中报道[8]。
表1 总结肢体缺陷的受试者的特征
II 方法
A 主题
7名单侧肢体缺陷（14-72岁）的男性参加了这项研究。其中四人进行了经桡动脉截肢，两例先天性畸形，手腕上没有手。第七个跨性截肢患者参加了。表1总结了肢体缺陷患者的特征。此外，7名身体健康的受试者（3名女性，4名男性，25-56岁）作为对照受试者参与了研究。所有受试者阅读并签署知情同意书，该研究得到当地伦理委员会的批准。
B 实验协议
在实验期间，受试者舒适地坐着，两个上肢处于中立位置（残肢指向下方，身体侧面）。与先前需要逐个样本标记数据[6]，[9] - [11]的方法不同，其中肌电信号与运动学同时记录以获得训练信号集，当前方法不需要标记数据集。如在II-C部分中所讨论的，在受试者的多个自由度处的预期激活基于来自肌电信号的潜在协同作用矩阵的估计，其被假定为在不同收缩时是恒定的。可以通过分解任何多通道表面肌电信号而无需任何运动学参考来估计协同作用矩阵。
1）肌电采集：
由于实验发生在两个位置，因此采用两种不同的肌电电极和采集系统进行测量。对于所有完整的肢体受试者，16个单极电极（Ambu Neuroline）在左前臂的最厚部分等距离成对放置。从鹰嘴突到尺骨的茎突过程测量，该位置约为远端的1/3。电极间距平均为23毫米。对于AG2和AG3，在残肢上使用与健全受试者相同的电极放置。对于AG1，由于残肢的周长有限，仅以相同的方式等距放置14个单极电极。在这些受试者（intactlimb，AG1，AG2，AG3）中，表面肌电信号由商业生物信号放大器（OT Bioelettronica EMGUSB2, Italy）以2048Hz的采样率获得并且使用12位用于A D转换，3-900 Hz带通，增益为500。对于AV1-AV4主题，使用专有信号检测和采集系统（Otto Bock Axon-Bus）获取表面肌电，其中8个有源双极商用通过定制的安全带将修复电极放置在残端周围。信号通过可变增益放大，并由集成A/D转换器以1000 Hz和10位进行采样。双极系统的电极间距离为20毫米。
2）校准阶段：
在该研究中，通过使用在短校准阶段中获取的数据估计潜在协同作用矩阵来获得用户意图，即，在不同自由度处的预期激活水平。与先前的研究相反，动力学[6]，[9]或运动学标记[10]，[11]用于训练估计，在当前的方法中不需要这些逐个样本的标签。因此，校准仅包括在受试者的自由动态运动期间的肌电信号记录。对这些运动施加的唯一限制是每个单独的自由度一次被激活。对于除AV4以外的所有受试者，所选择的自由度是腕屈曲/伸展（自由度1）和腕关节内旋/旋后（自由度2），因为这两个自由度在功能上对于经桡动脉截肢者[12]而言比内在手功能更重要，最近有人试图实现对这两种自由度进行主动控制的假体[13]。对于AV4（经颅截肢），两个关节式自由度是肘关节屈伸/伸直和手开/关，因为这是截肢后靶向肌肉神经再支配术（TMR）[14]后可用的唯一功能，并且在功能上最重要对于这个用户。在这个阶段进行的收缩被称为校准收缩，并且每个自由度为4（具有完整的运动范围）。所有校准收缩的执行需要不到3分钟，并且在校准阶段没有记录运动学/动力学数据。在此阶段获得的原始肌电信号在MATLAB平台上用定制包记录，并用于校准非负矩阵分解（非负矩阵分解）估计器（参见第II-C节）。校准估算器后，在线验证阶段开始。
图1.验证阶段对象的在线反馈
给出了三种类型目标中的每一种的一个示例。目标1和2是仅需要激活一个自由度的那些示例，而目标3需要同时激活两个自由度。所示的图示用于左手拍摄对象，并且右手拍摄对象的功能方向相反。
3）在线验证阶段：
在校准之后，指示受试者进行在线验证测试，其中受试者控制PC的监视器上的反馈箭头。该反馈箭头的水平位移和旋转角度由控制信号确定，从表面肌电在线提取，伴随协同矩阵的反演（参见第II-C节）。它实际上是一种位置控制方法，即，当没有表面肌电活动时，箭头将返回其初始位置。对于除AV4之外的所有受试者，箭头的左右移动表示腕部屈曲和伸展，而顺时针和逆时针旋转表示腕部旋后和内旋。对于受试者AV4，箭头的左右移动表示肘部弯曲和伸展，而顺时针和逆时针旋转表示手打开和关闭。对于每个受试者，此时确定校正因子[见（6）]，以便可以校正潜在的方向反转（由于非负矩阵分解的不确定性），并且可以达到每个自由度的全部运动范围。这个过程通常不到一分钟。然后，指示每个受试者将箭头的尖端放置在屏幕上不同位置随机出现的圆形目标内（图1）。
目标区域占整个工作空间的1.4％。如果在20秒的时间间隔内将尖端放置在目标圆内超过300毫秒，则认为该任务已成功完成。否则，该尝试被视为失败。在受试者的达到范围内呈现三组目标。第一组的目标位于具有随机旋转角度的单位圆上，因此受试者可以通过仅表达自由度2（旋前/旋后）来完成任务，从而旋转箭头;第二组中的目标具有与箭头长度相同的水平高度，具有随机的左右位移，因此受试者可以通过仅表达自由度1（屈曲/伸展）来完成任务，从而向左或向右移动箭头;第三组的目标是随机放置的，使得受试者必须同时清楚地表达两个自由度，以完成至少一部分任务以成功击中圆圈。这是因为在位置控制模式中，不可能通过顺序地关联自由度来击中目标。向每个受试者呈现每组10个目标。为了测量这些任务的性能，计算了三个指标：任务完成率，任务完成时间和效率系数。任务完成率定义为已完成任务的数量超过尝试任务总数。任务完成时间是主题完成成功尝试所需的时间。效率系数定义为从初始点到目标的最佳路径的长度（图2中的虚线）与受试者采用的实际路径的长度之间的比率（值100％表示完美执行），类似于[15]中的定义。然而，当前设置中的最佳路径不同于[15]中定义的最短路径，即从起始点到目标点的直线路径。这是因为在当前设置中，控制变量是两个自由度中的角度而不是笛卡尔坐标，如[15]中所示。由于使用的仪器不同，未对受试者AV1-AV4测量。
图2.实验验证阶段任务的代表性轨迹，包括所有三种控制方法。
显示的数据来自受试者AG3。（a）向主题显示的轨迹。主题的任务是移动箭头（最初处于垂直位置）以击中目标（圆圈）。最佳轨迹由虚线指示，并且来自三个控制方法的轨迹分别由实线（工业技术标准），暗虚线（非负矩阵分解速度）和光线虚线（非负矩阵分解位置）线指示。计算（a）中轨迹的两个自由度处的控制信号分别在（b），（c）和（d）中显示工业技术标准，非负矩阵分解速度和非负矩阵分解位置[见（4）-（6）]。任意常数R用于表示箭头的长度（见图1）。对于所示数据，三种控制方法的分别为12.6 s，3.54 s和4.77 s。三种控制方法的分别为88.5％，89.5％和44.7％。注意（B）中模式切换所需的长时间，从8.7秒到9.9秒。
算法
基本协同矩阵估计算法基于最小监督的非负矩阵分解算法，如[6]中所提出的。为了完整起见，此处简要介绍了算法。通道表面肌电的均方根（rms）值，表示为，可以通过一维潜在控制信号和协同矩阵向量的乘积来近似。
（1）
在当前的研究中，rms值是通过非重叠的100ms处理窗口获得的。以这种方式，每100ms（10Hz）有效地采样控制信号。（1）右侧的两个术语是未知的，但所有元素都被认为是非负的。对于非负假设，第个自由度的激活可以分别由第二个自由度的正负方向的两个非负控制信号和表示。由此得出（1）成为
（2）
通常，（2）有无数个解，这被称为非负矩阵分解的不确定性。因此，不可能在肌电控制的情况下直接使用非负矩阵分解算法来提取有意义的控制信号。为了解决这个问题，应用先验信息来约束（2）在“分而治之”方法中的可能解决方案。这是通过专门设计的实验方案完成的，其中受试者在校准阶段进行选择性激活单个自由度的运动[见第II-B（2）节]。该约束将可能解决方案的空间限制为仅一个（除了控制信号的尺度不确定之外）。考虑到仅关联自由度的情况（如当前研究的校准阶段），中的所有元素应为零，除了和和（2）减少到
（3）
其中表示当仅第i个自由度被铰接时N通道表面肌电的均方根。在该方法中，求解（1）的问题被简化为求解（3）的个实例，其中的所有列可以以自由度方式估计。因此，不确定性在（3）中的个别问题中受到限制，并且如后面所述（第II-D部分）将在后验中简单地解决。为了增强在线性能的稳健性，使用了多层非负矩阵分解程序[16]，其中连接了许多非负矩阵分解因子分解。第一个非负矩阵分解的输入是记录的肌电信号的均方根，其输出是第二个非负矩阵分解的输入，依此类推。通过对试验数据的初步分析确定非负矩阵分解程序的最佳数量，并且对于所有后续分析将其设定为100。这种自由度智能非负矩阵分解算法的详细信息，专门用于同步和比例肌电控制，可以在[6]中找到。
C. 在线估计控制信号
使用上述算法，从校准数据估计（1）中的协同矩阵。为了估计与关节式自由度的预期激活水平相关的控制信号，应用逆模型。为此，使用Moore-Penrose算法[17]计算的伪逆,并应用于控制信号的估计。
（4）
当
（5）
注意，（5）中的每个分量相对于其各自的最大值进行标准化。这种分量标准化是为了确保没有任何组件由于其大小的差异而被其他组件遮蔽，因此在随后的计算中[见下面的（6）]，每对和可以被组合作为一个自由度的控制信号。在当前的应用中，,因为涉及两个自由度，并且因为当需要的同时需要独立地控制每个自由度。基于单个自由度激活，校准阶段反映了对独立控制的需求。通过这种方法，先前已经证明肩肘复合体的协同作用数量始终是
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
