2008年度從“衡量上肢義肢成功標準”到肌電控制/動力假肢進程的座談會于2008年8月13-15號在加拿大新不倫瑞克省的弗雷德里頓舉行。
應用于減少前臂肌電圖交叉效應的先進的信號處理技術(shù)
摘要
盡管義肢在機械和電子元件方面有了巨大的進步，但是它們與真正的人類的手相比仍舊缺乏高度自由度。那不是因為技術(shù)的缺乏，而是因為當在前臂殘肢或其它人工傳感器上使用表面肌電圖時可用獨立控制信號數(shù)量的大大減少。在相鄰肌肉間產(chǎn)生干擾的交叉效應隱藏了表面肌電圖的目標肌肉和減少選擇性。
在一個單一的個案研究中，當測試者完成十一個不同的等長收縮時，從一個健全測試者的前臂上獲得的表面肌電圖信號會記錄在一個表面的5x13電極陣列上。為了減少不同肌肉的表面肌電圖信號的交叉效應，我們應用了一個稱作為JADE的盲信號分離技術(shù)(BSS)。
盡管沒有完全確定結(jié)果，但是他們指出BSS技術(shù)可以明顯減少表面肌電圖信號的交叉效應并且因此BSS能夠增加對肌電控制的選擇性記錄。
引言
當前的肌電義肢通常只有一或二個自由度(DOF)，各種運動非常有限。而且，它們的控制只是開-關(guān)或簡單比例模式。因此，使用者還不能很自然的控制它們。這就是為什么大多數(shù)用戶盡管有很高的技術(shù)水平還是選擇不依賴肌電來控制假手。
另一方面，機器人手和手臂有好幾個自由度;然而， 它們不是很適合裝在膝蓋或假肢連接處，主要因為控制它們需要很多的信號。
嘗試著結(jié)合機器人手和義肢的特點，幾個實驗室已經(jīng)研究出了高自由度(甚至在10以上)的新型義肢。為了能以自然的方式控制那些設備(舉例來說，通過受體激動劑-拮抗劑的成對肌肉)，需要從位于使用者殘肢的肌肉中收集比往常的兩個多許多的獨立肌電信號。
在前臂中有19對肌肉，所有的肌肉都很小，緊挨著彼此，并且經(jīng)常交叉和重疊。因此，當我們嘗試著記錄表面肌電圖信號時，不得不面對在不同的肌肉之間形成的一個很高程度的交叉效應。
在近的工作中，我們通過使用BSS來試著解決前臂肌肉產(chǎn)生的交叉效應;聯(lián)合近似對角化(JADE)[1]。我們已經(jīng)用JADE來使表面肌電圖信號分離成組成部件(運動單元動作電位序列)[2]。另外，其他研究人員已經(jīng)令人滿意的運用了減少前臂表面肌電圖信號的交叉效應的其他BSS技術(shù)[3]。
然而，他們使用的這個技術(shù)也以從頻率域獲得的信息采集為基礎(chǔ)，由于隨著時間和疲勞此類因素使得表面肌電圖改變的頻率特性，可能使得這個技術(shù)不適合長期記錄[4]。
方法
數(shù)據(jù)采集
經(jīng)協(xié)商，選定一個健康的男性受試者進行測試。請他坐在椅子上，姿勢以他舒適為準，將其右臂固定在我們的機械裝置上，保證手掌和手腕不會亂動(見圖1)，每一個等距收縮測量外露的力矩，它組成了：指骨2 到 5(從食指到小拇指)的末端指骨彎曲，然后是中間指骨;之后，手腕外展，內(nèi)縮;，手腕(前臂)內(nèi)轉(zhuǎn)。每一次的收縮運動都進行3次，對稱，10秒，向上&向下彎曲達到一半受試者的肌肉隨意收縮力(MVC);每一個動作獨立重復，間歇3秒適當進行放松。
給每一個等長力矩制定s-EMG記錄，一個13×5的電極排列(OT Bioelettronica, Torino, 意大利模型 ELSCH064)放在前臂的前面部分，如圖2所示，使用單極模式(遠程參考電極——ARBO 兒科 ECG-放置到腕部)。每一個孔有一個特色的金屬環(huán)，粘有傳導凝膠;電極間距離是8mm。以2048 samples/s的速度采集。
信號處理
首先，通過列減法(方向垂直于肌肉纖維)將65通道的單極記錄轉(zhuǎn)到雙極60通道的信號中。將JADE 應用到60通道，每一個有11種不同的收縮，為每一個收縮獲取各自的通道。得到分離矩陣(在混合過程中帶來逆矩陣)，之后會用到，經(jīng)過標準處理后，創(chuàng)建重量矩陣，代表每一個收縮“指紋”通道的線性組合。圖3 所示為獲取的重量矩陣的二維代表，對應每一個收縮。一個“重要”矩陣創(chuàng)建成功，用于它的每一個線中，如果是JADE，則為1×60矩陣。這一矩陣可應用到每一個記錄中，是輸出(嚴格意義上講是較高的均方根值)強大的通道，可作為代表性收縮，因此是強大的活動。
結(jié)果分析和討論
圖 4 顯示了已識別的收縮。在11種收縮外，6個被正確分類。其余的4個只達到 10%，比起獲勝的收縮強度差一些，其中的一個和公認的收縮一樣強大。但它沒有什么作用，整個進程都是自動的，無需進行更正，如，JADE算法還不能作為s-EMG活動的目標收縮代表。因為若加入一些進一步的信號處理，如過濾處理，可獲得更好的結(jié)果。
結(jié)論
這種方法是可減少s-EMG 信號中發(fā)生串道的頻率，是一個很有前景的法案。與其他復雜的統(tǒng)計或者人工神經(jīng)網(wǎng)絡算法相比，這也是分類肌肉活動更快、 更經(jīng)濟的方式。使用一些額外的處理程序，可以進一步改善這些結(jié)果。
致謝
實驗是在教授Merletti’s LISiN 實驗室 (Torino, Italy)進行的。作者在此對他和其團隊表示感謝，尤其是感謝Introzzi博士，Vieira博士，和Mesin博士的大力幫助和投入。
