《Engineering Applications of Artificial Intelligence》：A practical muscle-signal–driven control mechanism for an affordable robotic prosthetic hand
编辑推荐：
表面肌电信号处理框架优化机械臂控制，采用Chebyshev II滤波器与Daubechies4小波变换提升信号质量，结合多维度统计特征和多种机器学习模型（SVM/随机森林/MLP/KNN/CNN），其中CNN达到95.30%最高分类精度，并通过原型机械臂验证了实时控制的有效性。
蒂塔蓬·加诺克拉塔纳（Thittaporn Ganokratanaa）| 马哈萨克·凯查姆（Mahasak Ketcham）| 帕蒂尤特·普拉姆克奥（Patiyuth Pramkeaw）
泰国曼谷吞武里国王蒙固科技大学（King Mongkut’s University of Technology Thonburi）数学系，邮编10140
摘要
本研究提出了一个实用的信号处理框架，旨在提高表面肌电图（EMG）信号的识别能力，以便控制价格合理的机器人假肢手臂。该系统专注于抓取和张开等基本手部动作，使用低成本肌肉传感器和多级处理流程来提升信号质量并提取具有区分性的特征。通过使用50–500 Hz通带的切比雪夫II型（Chebyshev Type II）滤波器进行降噪处理，随后采用Daubechies 4小波进行九级离散小波变换（Discrete Wavelet Transform），以捕捉有意义的时间-频率模式。提取了包括均方根值（Root Mean Square）、平均绝对值（Mean Absolute Value）、积分肌电图（Integrated Electromyography）和波形长度（Waveform Length）在内的统计和时间描述符，并使用多种机器学习模型进行分类：支持向量机（Support Vector Machine）、随机森林（Random Forest）、多层感知器（Multi-Layer Perceptron）、K-最近邻（K-Nearest Neighbors）和卷积神经网络（Convolutional Neural Network）。实验结果表明，卷积神经网络的准确率最高，达到95.30%，优于其他所有分类器。该框架通过集成到机器人假肢手臂原型中并在实际运动场景中进行测试得到了进一步验证。不同电极位置的性能相当，表明其对信号幅度的变化具有鲁棒性。虽然该系统是通过假肢手臂控制的具体应用来展示的，但所提出的框架也为生物信号处理、康复设备、可穿戴界面和更广泛的人机交互应用提供了通用价值。
引言
泰国目前是全球事故率最高的国家之一，其中大部分事故来自道路交通事件和工业事故。这些事故导致了许多严重的伤害，如手臂、腿部或手指的丧失。截至2021年12月31日，泰国共有2,102,384名注册残疾人士，其中男性1,098,117人（52.23%），女性1,004,267人（47.77%）。根据残疾人赋权部门的数据，最大的残疾群体是行动或身体障碍者，共计1,054,786人（占所有残疾人的50.17%）。这些人员中有许多人因肢体丧失而面临功能限制，这对其独立性、就业机会、心理健康和整体生活质量产生了负面影响。尽管需求很高，但泰国现有的大多数假肢手臂仍然以美观为导向，缺乏有效的功能性。能够提供抓取、握持或操作能力的先进假肢手臂往往价格昂贵，大部分人无法负担。此外，现有的假肢设备通常缺乏感官反馈，难以控制，用户必须依赖响应有限的神经或肌肉信号。这些挑战凸显了开发价格合理、功能强大的假肢技术的迫切需求（Bojanic等人，2011年；Benedetti等人，1999年；Castellini和van der Smagt，2009年；Frigo和Crenna，2009年；Kawakami等人，2016年；Micera等人，2001年）。在过去的二十年里，物联网（Internet of Things）等技术逐渐融入医疗应用中，包括智能家居、可穿戴监测设备和诊断工具，显著提高了生活质量和患者治疗效果。人工智能进一步推动了医学进步，特别是在基于信号的诊断领域，如脑电图（electroencephalography）、心电图（electrocardiography）和肌电图（electromyography）。这些电生理信号为了解人类生理和肌肉功能提供了宝贵的信息，并被广泛用于检测异常、支持早期诊断和改善康复效果。特别是肌电图（EMG）已成为手势识别和假肢肢体控制的关键技术。该领域的研究在医学诊断、康复和人机交互方面展示了重要的应用。基于EMG的系统通过表面电极捕捉与肌肉收缩和放松相关的电活动。然而，EMG信号的质量受到多种因素的影响，如电极放置、肌肉疲劳、背景噪声和用户间的差异。用于测量EMG信号的设备通常价格昂贵，给发展中国家带来了使用障碍。鉴于泰国行动障碍者数量众多以及生物医学技术的巨大潜力，设计将生理信号转化为实用控制机制的低成本系统具有很强的必要性。EMG处理已被用于检测肌肉异常、支持康复训练和实现假肢肢体控制。研究表明，即使是有部分肢体损伤的人也能产生足够的EMG信号来控制机器人设备。然而，强大的信号处理对于解决噪声、幅度变化和电极放置不一致等问题至关重要。肌肉活动检测通常涉及识别肌肉收缩的起始和持续时间。尽管专家的视觉检查非常准确，但对于实时应用来说既复杂又不切实际。因此，已经研究了许多自动化的EMG处理方法，从滤波技术到先进的机器学习，以支持可靠的手势识别。EMG非常适合表面采集，在生物力学、康复工程和临床诊断中得到了广泛应用。尽管已经广泛探索了各种单独的滤波方法和机器学习模型，但本研究的创新之处在于开发了一个专为假肢手臂控制设计的完整、低成本的EMG处理框架。所提出的系统整合了多级小波特征提取、多种分类模型，并通过功能性的假肢手臂原型进行了实际验证。这种整体方法证明了基于EMG的假肢可以在成本效益和鲁棒性方面都具有优势，扩大了智能辅助技术的可及性。除了在生物医学工程领域的学术贡献外，这项工作对实际工作的工业工程师也有直接相关性。将EMG信号处理与智能控制相结合，符合当前工业机器人技术、人机交互和人体工程学设备设计的趋势。通过将理论原理与实际应用相结合，该框架展示了自适应控制机制如何在现实工程环境中部署（Hodges等人，2003年；Worsley等人，2013年；Micera等人，1998年；Xu等人，2013年；Hodges和Bui，1996年；Yang等人，2017年；Bonato等人，1998年；Severini等人，2012年；Di Nardo等人，2016年；Strazza等人，2017年；Rashid等人，2019年）。
本研究的创新之处在于它将成熟的EMG处理方法实际整合到了一个低成本、可重复且经过功能验证的假肢系统中，展示了以往研究中经常缺失的实际应用性。这项研究的总体目标是开发一种适用于上肢残疾人士的可穿戴机器人假肢手臂，特别是那些前臂中部缺失的人。该研究考察了肌肉功能、最佳电极放置以及与手腕屈曲、伸展和抓取相关的实时手势识别。最终目标是提高残疾人士的独立性、生活质量和技术可及性。
部分摘录
肌肉信号
肌肉由类似纤维的肌肉纤维组成。当电流刺激肌肉时，运动神经元向这些肌肉纤维发送冲动，导致肌肉纤维收缩。刺激会持续到肌肉产生完全或部分反应，从而在表面产生可观察到的电信号变化。这些信号可以通过肌电图（EMG）进行研究，肌电图有时也被称为肌电（Myoelectric）。
硬件
为截肢者3D打印假肢手和前臂的设计原则需要仔细选择材料。必须使用与3D打印技术兼容的材料，这些材料需要在灵活性、轻量化和耐用性之间取得平衡。具体来说，所选材料必须提供足够的结构完整性以承受日常使用，同时保持轻便的形式，确保用户的舒适度。
降噪频率滤波的选择结果
通过将电极放置在指浅屈肌（Flexor digitorum superficialis）上，使用EMG肌肉传感器模块（EMG Muscle Sensor Module）收集了EMG信号数据。记录的数据包含4767条记录，对应于各种手势。其中1492条记录是在握拳手势期间获得的，3274条记录是在张开手势期间获得的。为了过滤收集到的信号中的噪声，使用了无限脉冲响应（IIR）数字滤波器，特别是切比雪夫II型（Chebyshev Type II）滤波器。
卷积神经网络
在参数调整后，卷积神经网络（CNN）成为表现最好的模型，准确率达到了95.30%，远高于最初的81.34%。该模型的精确度（95.76%）、召回率（95.58%）和F1分数（95.29%）也非常稳健，尽管精确度和召回率之间存在轻微不平衡。总体而言，CNN在特征提取至关重要的复杂数据集中表现优于所有其他模型。
结论
本研究开发并验证了一个全面的信号处理和机器学习框架，用于基于EMG的假肢手臂控制。通过使用50–500 Hz通带的切比雪夫II型IIR滤波器实现了降噪，有效减少了运动伪影和高频干扰，将有效带宽从4800 Hz缩小到450 Hz。结合RMS、IEMG、SSI、ACC、MAV、WL和DWT的混合特征提取策略以及降维处理进一步提高了信号质量。
讨论
本研究的结果展示了EMG信号在控制假肢手臂方面的潜力，特别是通过将电极放置在指浅屈肌（Flexor Digitorum Superficialis）和二头肌（biceps）上。尽管指浅屈肌产生的信号幅度高于二头肌，但两种电极放置方式的假肢手臂控制准确率相似。这表明，信号幅度虽然反映了肌肉活动，但并不是决定控制效果的唯一因素。
CRediT作者贡献声明
蒂塔蓬·加诺克拉塔纳（Thittaporn Ganokratanaa）：撰写——初稿撰写、可视化、监督、软件开发、项目管理、方法论、资金获取、数据管理、概念构思。马哈萨克·凯查姆（Mahasak Ketcham）：撰写——审阅与编辑、可视化、验证、监督、软件开发、资源管理、方法论、资金获取、形式分析、概念构思。帕蒂尤特·普拉姆克奥（Patiyuth Pramkeaw）：撰写——审阅与编辑、验证、软件开发、资源管理、方法论、形式分析。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
在准备这项工作时，作者使用了Anthropic公司开发的人工智能语言模型Claude来协助工作。
致谢
该项目得到了曼谷吞武里国王蒙固科技大学（King Mongkut’s University of Technology Thonburi, KMUTT）、泰国科学研究与创新机构以及国家科学与创新基金（National Science, Research and Innovation Fund, NSRF）（2024财年，授权号197062），以及曼谷北国王蒙固科技大学（King Mongkut’s University of Technology North Bangkok, KMUTNB）的研究基金（授权号KMUTNB-FF-69-B-48）的支持。
