13
8 第二章 基於 EMG 之機器臂定位系統 文獻中探討提及許多使用 EMG 訊號來操控復健裝置或多功能義肢的研究, 一般而言其系統架構可分為四個部分:訊號量測、訊號處理、分類器設計以及裝 置控制,我們的系統也是基於這種架構基礎而建立,本論文的分類器是利用類神 經網路達到期望效果,而系統方塊圖如圖 2.1 所示。在訊號量測部分會透過 EMG 訊號量測系統來擷取原始的 EMG 訊號,將之傳送到電腦端進行下一步的訊號處 理,此處理步驟主要為了濾除雜訊,並透過特徵擷取來分析 EMG 訊號的特性, 接著以特徵處理後的 EMG 訊號與手臂彎曲的角度做為類神經網路的輸入,經過 訓練完成的類神經網路,我們可以得到控制機器臂的角度,使機器臂跟隨著操控 者做出相對應的運動,操控者可利用視覺回饋來評估機器臂的活動狀況,進而決 定下一步動作,透過這樣的系統便能夠根據操控者的意圖靈活操控機器臂。 為了建構出完整的系統,我們必須先了解每個環節背後的原理與方法,首先 訊號量測時要了解運動時所使用的肌肉或肌群,以期將電極安置在正確的位置, 此部份將於 2.1 節詳細討論,而手臂角度的測量將在 2.2 節討論,藉由電極收集 EMG 訊號含有許多雜訊,因而必須知道量測時伴隨發生的雜訊,以期做出正 確的 EMG 訊號判讀,並針對不同雜訊設計適合的濾波器設計,濾波後的 EMG 訊號將經由特徵擷取來分析 EMG,觀察其隨著不同運動所伴隨發生的變化狀 況,此部分將在 2.3 節討論,最後根據不同運動所表現出來的特徵變化輸入到類 神經網路來決定機器手臂的運動,此部份將在 2.4 節予以討論,而機器臂的控制 部分我們將在第三章介紹。

第二章 基於 EMG 之機器臂定位系統 · 8 第二章 基於EMG 之機器臂定位系統 文獻中探討提及許多使用EMG 訊號來操控復健裝置或多功能義肢的研究,一般而言其系統架構可分為四個部分:訊號量測、訊號處理、分類器設計以及裝

Embed Size (px)

Citation preview

8

EMG

EMG

2.1 EMG

EMG

EMG

EMG

2.1 2.2

EMG

EMG EMG

EMG

2.3

2.4

9

2.1

EMG

EMG [31] ICA

[32]

2.2

Biceps brachii

BrachialisBrachioradialis 2.3

TricepsAnconeus 2.4

Pronator quadratusPronator

2.5Biceps brachii

Supinator 2.6

EMG

2.1

10

EMG

EMG

Biceps brachii

BrachialisBrachioradialis

TricepsAnconeus

(11))

EMG

crosstalk

(2)

(3)

Biceps brachii

EMG [2]

EMG [33]

11

2.2 [33]

2.3 [33]

2.4 [33]

12

-

2.5 [33]

2.6 [33]

13

2.2

(

S3 S2 S1) 2.7

(a) (b) 2.7 : (a)(b)

1Vv

= 1S - 2S (2.1)

2Vv

= 3S - 2S (2.2)

cos = 21

21

vvvvvv

vv

= 1cos (21

21

vvvvvv

vv

)

EMG

EMG

S1

S2

S3

S1

S2

S3 1

2

(2.3)

(2.4)

14

2.3

EMG EMG

EMG EMG

2.8 EMG ECG

crosstalk60Hz

ECG ECG

crosstalk

ECG crosstalk ECG

crosstalk 60Hz

[29,30][2]

EMG 50~150Hz

EMG

0~20Hz EMG

EMG

EMG

EMG

15

2.8 EMG [8]

16

EMG 0-500Hz

50-150Hz

0-20Hz

Butterworth

20Hz 400Hz

MAV

[1,3,15,26]VAR[9,14,20,25]ZC[1,9,14,20] WAMP[14,20]

2.1 kX k EMG N

EMG

2.1

1. MAV (Mean Absolute Value)

1

1 Nk

kMAV X

N ==

3. BZC (Bias Zero-Crossing)

[ ]11

sgn ( 0.4) ( 0.4)

1 , if 0sgn( )

0 , others

N

k kk

BZC X X

xx

=

=

>=

2. VAR (Variance)

2

1

11

N

kk

VAR XN =

=

4. WAMP (Willison Amplitude)

11

( );

1 , if ( )

0 , if otherwise

N

k kk

WAMP f X X

x thresholdf x

=

=

>=

17

2.1 MAV N

VAR EMG

MAV VAR

BZC [14] ZC

0.4

EMG

WAMP ZC

MAV

MAV EMG window 200EMG

2.4

(supervised learning) MLP (Multilayer Perceptron) RBF (Radial

Basis Function)

(backpropagation algorithm)

(unsupervised learning)

SOM(Self-Organizing Map)(Adaptive Reasonance Theory)

(learning vector quantization)

(clustering)

18

EMG

EMG SOM

(Mapping)(short-term

memory) Barreto

Self-Organizing Map (SOM) Vector-Quantized Temporal Associative

Memory (VQTAM) [10] Win

Wout Win Wout

SOM

MLP RBF

MLP RBF 2.9

2.9

( )nX in MAV EMG ( )nX out

2.9

19

101 ( )nX in j *

j * = arg min , j = 1,2.n (2.5) ( )nX in ( )nX out (2.6)

(2.7)

)(n : 40)exp(-time/*0.7)( =n time (2.8)

*, jj

= 2

2*,

*, 2exp)(

jjjj

dn (2.9)

35))^2exp(-time/*((N/2)= N

( ))()( **, nrnrd jjjj = (2.10)

)(nrj joutput array )(* nrj output

arrayEMGy: (2.11)

VQTAM

outjW

EMG injW

outjW

EMG

3090 150 EMG 2.10

EMG

EMG

( ))()()()()()1( *, nWnxnnnWnW outjoutjjoutjoutj +=+

outjWy *=

)()( nWnx injin

( ))()()()()()1( *, nWnxnnnWnW injinjjinjinj +=+

20

EMG

EMG

0 100 200 300 400 500 600 700 800 900 10000

20

40

60

80

100

120

140

160

time

degr

ee

degree

0 100 200 300 400 500 600 700 800 900 10000

0.5

1

1.5

2

2.5EMG

time

EM

G a

mpl

itude

EMG

(a) (b) EMG

2.10 EMG

20 EMG EMG

EMG

2.11

EMG

EMG

2.11 ()