为帮助上肢功能障碍患者进行康复训练，本文设计了一种4自由度上肢外骨骼康复机器人，并实现了语音和肌电两种控制方案。本文基于RSC-4128语音芯片，实现了对特定人的识别。另外自制表面肌电（sEMG）信号采集电极，采集sEMG信号，并通过信号处理、时域特征提取、固定阈值算法等实现模式识别，还利用脉冲宽度调制（PWM）算法实现了对系统运动速度的调节。最后，对系统进行了语音和肌电控制的测试。结果表明语音控制平均识别率达93.1%，肌电控制平均识别率达90.9%，验证了系统控制方案的可行性，为上肢康复机器人控制系统的进一步完善奠定了理论基础。
引用本文： 王露露, 胡鑫, 胡杰, 方又方, 何荣荣, 喻洪流. 一种上肢外骨骼康复机器人的控制系统研究. 生物医学工程学杂志, 2016, 33(6): 1168-1175. doi: 10.7507/1001-5515.20160185 复制
引言
近年来，脑卒中已成为威胁人类身心健康和生命安全的主要疾病之一，据2015年中国卒中大会《中国脑卒中防治报告2015》报告，我国40岁以上人群中约有15%的人群处于脑卒中高风险区，脑卒中已呈年轻化趋势。脑卒中患者发病后通常会留下许多后遗症，其中，约85%的患者伴有一侧上肢功能障碍[1-2]，这主要因为中风时大脑中动脉供血区易发生病变导致[3]。现有的医学理论和实践已证明，早期的康复治疗对脑卒中患者恢复其运动功能起着至关重要的作用[4]。
传统上肢康复治疗，主要依靠医师对患者进行一对一的连续被动训练，这种训练模式耗时耗力，且缺乏量化和客观评价。随着机器人技术的不断发展，机器人技术与医学理论的结合，为康复治疗提供了新的途径。研究显示，利用康复机器人技术对肢体功能障碍患者进行康复训练具有重要意义[5]。目前上肢康复机器人已经成为康复领域的研究热点，涌现了许多相关研究成果，其中比较有代表性的有瑞士Hocoma公司研发的上肢外骨骼康复机器人Amero power，Amero power功能较为全面，技术较为成熟，但装置较为复杂[6]；美国华盛顿大学设计了一款7自由度(degrees of freedom,DOF)外骨骼动力臂CADEN-7，该动力臂利用绳索和滑轮组成传动机构，可实现肩、肘、腕关节的复合运动，同时整合了多种上肢运动数据库，训练模式丰富，但其整体结构比较复杂，而且绳索易发生磨损及变形，控制精确度易受影响[7]；瑞士苏黎世大学研发了ARMin系列上肢外骨骼康复机器人，其中ARMin III为最新一代[8]；此外，还有国内哈尔滨工业大学的5-DOF上肢外骨骼康复训练器、华中科技大学的基于人工气动肌肉驱动的3-DOF上肢康复机器人及安阳神方公司的6-DOF上肢外骨骼康复机器人等[9-11]。经研究不难发现，目前国内外上肢康复训练设备多为台式训练设备，结构复杂、体积庞大、不便移动，同时控制方法也比较单一，这在极大程度上限制了上肢康复机器人进入社区、甚至家庭的可能。
针对上述问题，本文设计了一种4-DOF可穿戴式上肢外骨骼康复机器人，并基于此机器人，选取实用性强的语音控制和肌电控制，并将两种控制方式结合起来，实现了对上肢外骨骼康复机器人的联合控制。该机器人采用简化机构设计，因此具有结构简单、便于穿戴、控制以及训练模式多样等特点，更加人性化，可帮助上肢功能障碍患者进行康复训练，从而促进其早日康复。同时，本文提出的控制方法可为上肢康复机器人控制系统的进一步完善奠定相应的理论基础。
1 系统结构和功能简介
本文设计的可穿戴式上肢外骨骼康复机器人，主要用于帮助上肢功能障碍患者进行上肢康复训练。该机器人肩关节具有3个DOF、肘关节具有1个DOF，在肩关节和肘关节处各安装了一个驱动电机，可辅助患者进行肩关节屈/伸训练、肘关节屈/伸训练、肩肘关节同步屈/伸训练等被动训练，也可辅助患者进行主动训练。该机器人采用模块化设计，主要包括语音控制模块、肌电控制模块、电源模块、肩部训练模块和肘部训练模块。此外，该机器人的肩宽和两臂长度均可调，能较好地适应不同患者的需求，其整体结构如图 1所示。
图1
系统整体结构图
Figure1.
Overall structure of the system
在控制系统方面，该上肢外骨骼康复机器人设计了两种控制模式：语音控制模式和肌电控制模式。结合两种控制模式，可以更好地适应不同患者的实际情况。
2 控制系统总体设计
上肢外骨骼康复机器人控制系统总体设计框图如图 2所示，其中上位机通过蓝牙/ WiFi向主微控制器单元(microcontroller unit,MCU)模块发送指令，选择当前采用何种控制方式；语音控制模块、肌电控制模块分别用于采集及处理患者的语音指令、表面肌电(surface eletromyogram,sEMG)信号，两者采用RS-485标准通讯协议将数据传输至MCU模块，RS-485标准是一种半双工通信协议，数据信号采用差分传输方式传输，其通信接口具有物理连接方便、抗干扰能力强、传输距离远等特点[12]；MCU模块主要用来分析语音模块、肘关节肌电模块、肩关节肌电模块传输过来的数据，产生相应指令，从而控制电机驱动模块来驱动电机运转，完成训练动作，同时还可以向上位机实时反馈各个关节的角速度、角位移和人体肌电信号等信息，以便医生对患者进行实时监测和康复评估。MCU模块与电机驱动模块之间也是采用RS-485通讯方式进行数据传输。需要注意的是，电机驱动模块中，肩部和肘部电机均采用直流电机和带有电流闭环、速度闭环和位置闭环的集成电机驱动器，电机内置的增量式光电编码器反馈信号可直接进入驱动器。此外，为了保证数据传输的安全性和准确性，本系统选用Modbus协议作为RS-485网络的应用层通信协议。Modbus协议是应用于电子控制器上的一种通用语言，通过此协议，控制器相互之间、控制器经由网络(例如以太网)和其它设备之间可以通信[13]。
图2
控制系统总体设计结构图
Figure2.
Configuration diagram of general design of control system
3 语音控制模块设计
3.1 语音控制模块硬件设计
本设计采用特定人语音识别技术，所选语音芯片为美国Sensory公司的RSC-4128[14-15]。语音识别模块结构如图 3所示，其中电源模块为整个系统正常工作提供合适电源；麦克风语音处理模块用于采集并处理语音信号；系统代码存储模块由美国SST公司的闪速型存储器芯片SST39VF020 [16]和外围电路构成，用于存储语音系统控制程序代码；语音模板存储模块采用美国微芯科技公司的串行电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)24LC128存储语音模板数据；指示灯模块包括电源指示灯和语音核心模块的工作状态指示灯；功能按键模块具有复位整个系统、启动擦除EEPROM语音模板的数据和录入新的语音模板程序的功能；音频输出是指系统的语音提示模块，如以语音提示用户进行语音模板的录入、提示录入是否成功、提示康复训练时用户输入语音指令等。
图3
语音识别模块结构图
Figure3.
Configuration diagram of speech recognition module
处理完语音信号后，通过输出接口与MCU模块进行数据通信，MCU模块对所接收的数据进行处理并输出相应的执行命令。
3.2 语音控制模块软件设计
本控制系统语音模块可收录7个语音指令，分别为弯曲、伸展、向上、向下、快速、慢速以及停止，分别对应肘关节屈/伸、肩关节屈/伸、肩肘关节同步屈/伸和停止功能。语音控制部分有两种工作模式，分别是训练模式和识别模式。本系统具有对特定人进行识别的功能，每当一个新的患者使用这套设备时，首先需要进入训练模式，录制语音控制指令模板，为后面的模式识别提供准确的模板库，否则系统将无法成功识别正确的语音控制指令。训练模式下，系统以语音提示患者输入命令，患者输入命令后，系统将提取并保存该命令，若成功，系统会再次提示要求重新输入该指令，将前后两个指令进行比对，若匹配，则将结果存入存储器中，并进入下一个指令的训练；反之，继续本命令的训练。7个语音指令均训练完毕之后，系统可进入识别模式，患者开始根据自己的需求进行常规的康复训练。在识别模式中，患者可输入7个语音指令中的任何一个指令，系统会读取当前指令，并与系统存储器中的指令对比，若相同，则输出对应结果。
4 肌电控制模块设计
4.1 sEMG信号的采集
为了采集患者的前臂和上臂拮抗肌上的sEMG信号，本文自制了sEMG信号采集电极，电极检测出的信号好坏对后续处理至关重要。肌电信号是一种微弱的生物电信号，信号幅度范围为100~5 000 μv[17]，其能量通常集中在20~500 Hz之间[18-20]，在传递过程中易受到噪声的干扰，因此必须进行放大、滤波及抑制干扰等处理。
sEMG信号采集电极部分的电路如图 4所示。其中放大电路方面，电极采集的两个信号J1和J2，首先分别经过一级由美国TI公司生产的TLC2252I运算放大器和外围电路构成的高输入阻抗缓冲放大电路，其作用是使信号与差分放大器输入端阻抗匹配，减小信号失真、抗干扰；之后信号进入由美国ADI公司生产的AD620AR构成的差分放大电路中，AD620AR为高精度仪表放大器，它具有高共模抑制比，可将输入的差分信号进行放大得到单端输出信号；经差分放大后，后续还设有增益可调放大电路和后级放大电路对信号进行进一步放大。滤波电路方面，通过电阻和电容(resistor-capacitor,RC)高通滤波器，滤除20 Hz以下的信号；通过RC低通滤波器，滤除500 Hz以上的信号；采用两个TLC2252I放大器及外围电路组成50 Hz陷波电路抑制50 Hz工频干扰。
图4
sEMG信号采集电极模块结构图
Figure4.
Configuration diagram of sEMG extraction electrode module
4.2 sEMG信号的处理
经过上述sEMG信号采集电路提取的信号为正负交变的交流信号，需要对该信号进行进一步的处理，依次通过绝对值电路、积分电路、放大器、缓冲放大器等。首先，绝对值电路对来自sEMG信号采集电极部分的输出信号进行全波整流；其次，积分电路对全波整流后的信号进行积分，得到与sEMG信号强度呈线性关系的直流电信号；接着，放大电路对信号进行进一步放大；缓冲放大器接收放大电路输出的直流电信号，同时还接收调零信号，保证当输入的直流电信号为0时，缓冲放大器输出为0，当输入不为0时，输出与输入信号呈线性关系的直流电信号。处理完以后的信号经过由美国Atmel公司生产的嵌入式微控制器ATMEGA16A-AU进行模/数(analog/digital，A/D)转换后，通过RS-485接口传输给MCU模块，由MCU模块完成对sEMG信号的特征提取及模式识别处理，由识别结果决定输入到驱动电路的控制信号，进而驱动上肢外骨骼机器人执行相应的动作。
4.3 特征提取及模式识别
特征提取的目的是提取隐藏在sEMG信号中的有用信息而去除不必要的信息和干扰[21]，适当特征的选取是提高模式识别的关键，提取特征时常用分析方法包括时域、频域、时频域等[22-23]，其中时域分析方法计算复杂度较低，应用广泛。本文选取时域分析方法进行特征提取，并用固定阈值算法实现模式识别，下面以肘关节的屈曲/伸展为例。
(1) 特征提取：① 信号分组。将两块分别位于尺侧腕屈肌、桡侧腕屈肌上经sEMG信号电极采集的信号经过上述sEMG信号处理、A/D转换进入单片机后得到的两路信号分别记为S1和S2。从同一时刻的采样点开始，对两路信号分别以k个采样点为一组，进行信号判断。令两路信号第i组第j个采样点的幅值分别x1ij和x2ij (其中i=1，2，3，…，n；j=1，2，3，…，k)。
② 限幅处理。考虑到信号中可能存在一些幅值异常大或者比较小的噪声干扰数据，会对特征提取造成一定影响，因此本设计在提取特征之前对信号进行限幅处理。
具体限幅方法为：若采样值小于信号幅值下限，则令采样值等于0，若采样值大于信号幅值上限，则令该采样值等于幅值上限值。设信号S1和S2的幅值下限分别为x1min和x2min，幅值上限分别为x1max和x2max。以信号S1为例，若x1ij＜x1min，则令x1ij=0；若x1ij＞x1max，则，令x1ij=x1max。
③ 特征提取。本设计选取经过上述信号处理后的信号的平均值作为特征值，进行后续判断。将两路信号第i组信号的平均值，分别记为 x1i和 x2i，由下列公式计算：
| $\overline{{{x}_{1i}}}=\frac{1}{k}\sum\limits_{j=1}^{k}{{{x}_{1ij}}~\left( i=1,2,3,\ldots ,n \right)}$ |
| $\overline{{{x}_{2i}}}=\frac{1}{k}\sum\limits_{j=1}^{k}{{{x}_{2ij}}~\left( i=1,2,3,\ldots ,n \right)}$ |
(2) 模式识别：计算出信号的特征值后，可利用特征值进行模式识别，模式识别包含两层判别：首先判断信号是否为有效的sEMG信号，其次判断动作的方向，即肘关节动作为屈曲还是伸展，从而确定电机的转向。判断方式如下：
① 有效sEMG信号判断。通常若sEMG信号幅值小于sEMG信号发生阈值，则认为没有采集到有效的sEMG信号，不执行任何动作；反之，则认为采集到有效的sEMG信号。
本设计中采用固定阈值算法，即设信号S1和S2的信号发生阈值分别为M10和M20 (注意：M10＞0且M20＞0)。以信号S1为例，若 x1i＜M10，则认为没有采集到有效的sEMG信号，不执行任何动作；若 x1i≥M10，则认为采集到有效的sEMG信号，可进入下一步。
② 动作方向判别。本设计通过对比两路sEMG信号幅度均值大小，并判断两路sEMG信号均值的差值是否在设定阈值范围内，来实现动作方向判别。
若 x1i =x2i，则不执行任何动作；若x1i＞x2i，则计算信号差值P，P=x1i－x2i，若P＞N1(N1为设定阈值，且N1＞0)，且过载标志位未置位，则驱动肘关节屈曲，反之，不执行任何动作；若x1i＜x2i，则计算信号差值Q，Q=x2i－ x1i，若Q＞N2(N2为设定阈值，且N2＞0)，且过载标志位未置位，则驱动肘关节伸展，反之，不执行任何动作。
4.4 实时调速功能
本文利用脉冲宽度调制(pulse-width modulation，PWM)算法实现康复训练时的速度调节功能，其特征是输出的PWM信号频率一定，占空比随采集到的sEMG信号强度发生改变。PWM信号占空比的改变，引起驱动电路中的电机驱动电压有效值发生改变，从而实现速度调节。本文根据采集到的sEMG信号幅度均值大小，相应的改变驱动电路中PWM的占空比，设两路sEMG信号最大幅度均值为M1max、M2max (M1max、M2max可通过试验测得)，最大sEMG信号幅度均值和sEMG信号发生阈值之间数据段所对应的PWM信号占空比为1，占空比η计算方式如下：
| $\eta = \left\{ {\begin{array}{*{20}{l}} {\frac{{\overline {{x_{1i}}} - {M_{10}}}}{{{M_{1\max }} - {M_1}}} \times 100\% } & {\left( {\overline {{x_{1i}}} \overline {{x_{2i}}} } \right)}\\ {\frac{{\overline {{x_{2i}}} - {M_2}}}{{{M_{2\max }} - {M_{20}}}} \times 100\% } & {\left( {\overline {{x_{1i}}} \overline {{x_{2i}}} } \right)} \end{array}} \right.$ |
本肌电控制系统以美国Keil Software公司的KEIL软件作为编程平台，以C语言编程完成了对两电极采集的sEMG信号的A/D转换、阈值比较、sEMG信号幅度均值的等值比较和作差、差值驱动能力判定、过载标志位检测以及占空比计算等过程的处理，从而实现了对上肢外骨骼康复机器人肩关节和肘关节运动方向的判断和训练速度的调节。
5 系统试验测试
5.1 实验样机的试制
根据上述内容，本文课题组制作了sEMG信号采集电极、上肢外骨骼康复机器人语音控制和肌电控制电路板实物、上肢外骨骼康复机器人整体样机，如图 5所示。
图5
系统实验样机
Figure5.
System prototype
5.2 语音控制系统测试
选取5名健康志愿者进行语音控制试验，设定环境为较为安静的室内环境，让每位受试者经过训练后，重复试验20次，每次试验分别依次完成弯曲、伸展、向上、向下、快速、慢速、停止等7个语音指令，控制外骨骼康复机器人分别执行肘关节屈曲、肘关节伸展、肩关节屈曲、肩关节伸展、肩肘关节同步屈曲、肩肘关节同步伸展、停止等对应动作。以语音指令成功控制外骨骼康复机器人执行对应动作为1次正确识别，试验情况如表 1所示。
表1
语音指令正确识别率
Table1.
Recognition rate of voice control
试验结果显示，不同语音指令的识别存在一定差异，慢速和停止语音指令的识别率要略高于其他语音指令，分析差异原因可能与受试者熟练程度及环境等因素有关，与语音控制系统本身相关性不大。对整个语音控制系统来说，语音控制正确识别率均在90%以上，平均控制成功率为93.1%，具有较高的可靠性，通过语音控制模块可以帮助因患者sEMG信号太弱而无法被检测到的患者有效地进行康复训练。
5.3 肌电控制系统测试
选取5名健康志愿者，进行肌电控制试验，试验要求各位受试者分别将sEMG信号采集电极佩戴在肱二头肌/肱三头肌拮抗肌组和尺侧腕屈肌/桡侧腕屈肌拮抗肌组上(肱二头肌/肱三头肌拮抗肌组控制肩部电机；尺侧腕屈肌/桡侧腕屈肌拮抗肌组控制肘部电机)，单独进行肩关节屈曲、肩关节伸展、肘关节屈曲、肘关节伸展动作各50次，试验情况如表 2所示。
表2
sEMG信号正确识别率
Table2.
Recognition rate of sEMG signal
由试验情况表可知，肩关节动作识别率均在90%以上，平均正确识别率为92.6%；肘关节动作识别率均在86%以上，平均正确识别率为90.2%。如表 2所示，肘关节的正确识别率略低，分析其原因可能是控制肘关节电机的尺侧腕屈肌/桡侧腕屈肌拮抗肌组最佳位置不易寻找，但总的来说，肌电控制平均成功率为90.9%，可以满足使用需求，验证了肌电控制方案的可行性。
6 总结
目前国内外上肢康复训练设备大多结构复杂、体积庞大，同时控制方法也比较单一，不够人性化，因此本文提出一种新型的穿戴式上肢外骨骼康复机器人，并基于此机器人完成了其语音控制系统和肌电控制系统设计。该机器人结构简单、便于穿戴、且控制方式和训练模式多样，能较好地适应不同患者的实际情况。其语音控制系统实现了对特定人的识别，保证了患者训练的安全性；其肌电控制系统可实现患侧肢控制的主动训练和健侧肢带动患侧肢的镜像训练，提高患者进行康复训练的积极性。
经测试，该机器人的语音、肌电控制模块软硬件工作正常，安全可靠，具有良好的控制效果，可以与机械机构良好地配合，能辅助上肢功能障碍患者完成肩关节屈/伸、肘关节屈/伸、肩肘关节同步屈/伸等相关康复训练，有助于患者的早日康复。
引言
近年来，脑卒中已成为威胁人类身心健康和生命安全的主要疾病之一，据2015年中国卒中大会《中国脑卒中防治报告2015》报告，我国40岁以上人群中约有15%的人群处于脑卒中高风险区，脑卒中已呈年轻化趋势。脑卒中患者发病后通常会留下许多后遗症，其中，约85%的患者伴有一侧上肢功能障碍[1-2]，这主要因为中风时大脑中动脉供血区易发生病变导致[3]。现有的医学理论和实践已证明，早期的康复治疗对脑卒中患者恢复其运动功能起着至关重要的作用[4]。
传统上肢康复治疗，主要依靠医师对患者进行一对一的连续被动训练，这种训练模式耗时耗力，且缺乏量化和客观评价。随着机器人技术的不断发展，机器人技术与医学理论的结合，为康复治疗提供了新的途径。研究显示，利用康复机器人技术对肢体功能障碍患者进行康复训练具有重要意义[5]。目前上肢康复机器人已经成为康复领域的研究热点，涌现了许多相关研究成果，其中比较有代表性的有瑞士Hocoma公司研发的上肢外骨骼康复机器人Amero power，Amero power功能较为全面，技术较为成熟，但装置较为复杂[6]；美国华盛顿大学设计了一款7自由度(degrees of freedom,DOF)外骨骼动力臂CADEN-7，该动力臂利用绳索和滑轮组成传动机构，可实现肩、肘、腕关节的复合运动，同时整合了多种上肢运动数据库，训练模式丰富，但其整体结构比较复杂，而且绳索易发生磨损及变形，控制精确度易受影响[7]；瑞士苏黎世大学研发了ARMin系列上肢外骨骼康复机器人，其中ARMin III为最新一代[8]；此外，还有国内哈尔滨工业大学的5-DOF上肢外骨骼康复训练器、华中科技大学的基于人工气动肌肉驱动的3-DOF上肢康复机器人及安阳神方公司的6-DOF上肢外骨骼康复机器人等[9-11]。经研究不难发现，目前国内外上肢康复训练设备多为台式训练设备，结构复杂、体积庞大、不便移动，同时控制方法也比较单一，这在极大程度上限制了上肢康复机器人进入社区、甚至家庭的可能。
针对上述问题，本文设计了一种4-DOF可穿戴式上肢外骨骼康复机器人，并基于此机器人，选取实用性强的语音控制和肌电控制，并将两种控制方式结合起来，实现了对上肢外骨骼康复机器人的联合控制。该机器人采用简化机构设计，因此具有结构简单、便于穿戴、控制以及训练模式多样等特点，更加人性化，可帮助上肢功能障碍患者进行康复训练，从而促进其早日康复。同时，本文提出的控制方法可为上肢康复机器人控制系统的进一步完善奠定相应的理论基础。
1 系统结构和功能简介
本文设计的可穿戴式上肢外骨骼康复机器人，主要用于帮助上肢功能障碍患者进行上肢康复训练。该机器人肩关节具有3个DOF、肘关节具有1个DOF，在肩关节和肘关节处各安装了一个驱动电机，可辅助患者进行肩关节屈/伸训练、肘关节屈/伸训练、肩肘关节同步屈/伸训练等被动训练，也可辅助患者进行主动训练。该机器人采用模块化设计，主要包括语音控制模块、肌电控制模块、电源模块、肩部训练模块和肘部训练模块。此外，该机器人的肩宽和两臂长度均可调，能较好地适应不同患者的需求，其整体结构如图 1所示。
图1
系统整体结构图
Figure1.
Overall structure of the system
在控制系统方面，该上肢外骨骼康复机器人设计了两种控制模式：语音控制模式和肌电控制模式。结合两种控制模式，可以更好地适应不同患者的实际情况。
2 控制系统总体设计
上肢外骨骼康复机器人控制系统总体设计框图如图 2所示，其中上位机通过蓝牙/ WiFi向主微控制器单元(microcontroller unit,MCU)模块发送指令，选择当前采用何种控制方式；语音控制模块、肌电控制模块分别用于采集及处理患者的语音指令、表面肌电(surface eletromyogram,sEMG)信号，两者采用RS-485标准通讯协议将数据传输至MCU模块，RS-485标准是一种半双工通信协议，数据信号采用差分传输方式传输，其通信接口具有物理连接方便、抗干扰能力强、传输距离远等特点[12]；MCU模块主要用来分析语音模块、肘关节肌电模块、肩关节肌电模块传输过来的数据，产生相应指令，从而控制电机驱动模块来驱动电机运转，完成训练动作，同时还可以向上位机实时反馈各个关节的角速度、角位移和人体肌电信号等信息，以便医生对患者进行实时监测和康复评估。MCU模块与电机驱动模块之间也是采用RS-485通讯方式进行数据传输。需要注意的是，电机驱动模块中，肩部和肘部电机均采用直流电机和带有电流闭环、速度闭环和位置闭环的集成电机驱动器，电机内置的增量式光电编码器反馈信号可直接进入驱动器。此外，为了保证数据传输的安全性和准确性，本系统选用Modbus协议作为RS-485网络的应用层通信协议。Modbus协议是应用于电子控制器上的一种通用语言，通过此协议，控制器相互之间、控制器经由网络(例如以太网)和其它设备之间可以通信[13]。
图2
控制系统总体设计结构图
Figure2.
Configuration diagram of general design of control system
3 语音控制模块设计
3.1 语音控制模块硬件设计
本设计采用特定人语音识别技术，所选语音芯片为美国Sensory公司的RSC-4128[14-15]。语音识别模块结构如图 3所示，其中电源模块为整个系统正常工作提供合适电源；麦克风语音处理模块用于采集并处理语音信号；系统代码存储模块由美国SST公司的闪速型存储器芯片SST39VF020 [16]和外围电路构成，用于存储语音系统控制程序代码；语音模板存储模块采用美国微芯科技公司的串行电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)24LC128存储语音模板数据；指示灯模块包括电源指示灯和语音核心模块的工作状态指示灯；功能按键模块具有复位整个系统、启动擦除EEPROM语音模板的数据和录入新的语音模板程序的功能；音频输出是指系统的语音提示模块，如以语音提示用户进行语音模板的录入、提示录入是否成功、提示康复训练时用户输入语音指令等。
图3
语音识别模块结构图
Figure3.
Configuration diagram of speech recognition module
处理完语音信号后，通过输出接口与MCU模块进行数据通信，MCU模块对所接收的数据进行处理并输出相应的执行命令。
3.2 语音控制模块软件设计
本控制系统语音模块可收录7个语音指令，分别为弯曲、伸展、向上、向下、快速、慢速以及停止，分别对应肘关节屈/伸、肩关节屈/伸、肩肘关节同步屈/伸和停止功能。语音控制部分有两种工作模式，分别是训练模式和识别模式。本系统具有对特定人进行识别的功能，每当一个新的患者使用这套设备时，首先需要进入训练模式，录制语音控制指令模板，为后面的模式识别提供准确的模板库，否则系统将无法成功识别正确的语音控制指令。训练模式下，系统以语音提示患者输入命令，患者输入命令后，系统将提取并保存该命令，若成功，系统会再次提示要求重新输入该指令，将前后两个指令进行比对，若匹配，则将结果存入存储器中，并进入下一个指令的训练；反之，继续本命令的训练。7个语音指令均训练完毕之后，系统可进入识别模式，患者开始根据自己的需求进行常规的康复训练。在识别模式中，患者可输入7个语音指令中的任何一个指令，系统会读取当前指令，并与系统存储器中的指令对比，若相同，则输出对应结果。
4 肌电控制模块设计
4.1 sEMG信号的采集
为了采集患者的前臂和上臂拮抗肌上的sEMG信号，本文自制了sEMG信号采集电极，电极检测出的信号好坏对后续处理至关重要。肌电信号是一种微弱的生物电信号，信号幅度范围为100~5 000 μv[17]，其能量通常集中在20~500 Hz之间[18-20]，在传递过程中易受到噪声的干扰，因此必须进行放大、滤波及抑制干扰等处理。
sEMG信号采集电极部分的电路如图 4所示。其中放大电路方面，电极采集的两个信号J1和J2，首先分别经过一级由美国TI公司生产的TLC2252I运算放大器和外围电路构成的高输入阻抗缓冲放大电路，其作用是使信号与差分放大器输入端阻抗匹配，减小信号失真、抗干扰；之后信号进入由美国ADI公司生产的AD620AR构成的差分放大电路中，AD620AR为高精度仪表放大器，它具有高共模抑制比，可将输入的差分信号进行放大得到单端输出信号；经差分放大后，后续还设有增益可调放大电路和后级放大电路对信号进行进一步放大。滤波电路方面，通过电阻和电容(resistor-capacitor,RC)高通滤波器，滤除20 Hz以下的信号；通过RC低通滤波器，滤除500 Hz以上的信号；采用两个TLC2252I放大器及外围电路组成50 Hz陷波电路抑制50 Hz工频干扰。
图4
sEMG信号采集电极模块结构图
Figure4.
Configuration diagram of sEMG extraction electrode module
4.2 sEMG信号的处理
经过上述sEMG信号采集电路提取的信号为正负交变的交流信号，需要对该信号进行进一步的处理，依次通过绝对值电路、积分电路、放大器、缓冲放大器等。首先，绝对值电路对来自sEMG信号采集电极部分的输出信号进行全波整流；其次，积分电路对全波整流后的信号进行积分，得到与sEMG信号强度呈线性关系的直流电信号；接着，放大电路对信号进行进一步放大；缓冲放大器接收放大电路输出的直流电信号，同时还接收调零信号，保证当输入的直流电信号为0时，缓冲放大器输出为0，当输入不为0时，输出与输入信号呈线性关系的直流电信号。处理完以后的信号经过由美国Atmel公司生产的嵌入式微控制器ATMEGA16A-AU进行模/数(analog/digital，A/D)转换后，通过RS-485接口传输给MCU模块，由MCU模块完成对sEMG信号的特征提取及模式识别处理，由识别结果决定输入到驱动电路的控制信号，进而驱动上肢外骨骼机器人执行相应的动作。
4.3 特征提取及模式识别
特征提取的目的是提取隐藏在sEMG信号中的有用信息而去除不必要的信息和干扰[21]，适当特征的选取是提高模式识别的关键，提取特征时常用分析方法包括时域、频域、时频域等[22-23]，其中时域分析方法计算复杂度较低，应用广泛。本文选取时域分析方法进行特征提取，并用固定阈值算法实现模式识别，下面以肘关节的屈曲/伸展为例。
(1) 特征提取：① 信号分组。将两块分别位于尺侧腕屈肌、桡侧腕屈肌上经sEMG信号电极采集的信号经过上述sEMG信号处理、A/D转换进入单片机后得到的两路信号分别记为S1和S2。从同一时刻的采样点开始，对两路信号分别以k个采样点为一组，进行信号判断。令两路信号第i组第j个采样点的幅值分别x1ij和x2ij (其中i=1，2，3，…，n；j=1，2，3，…，k)。
② 限幅处理。考虑到信号中可能存在一些幅值异常大或者比较小的噪声干扰数据，会对特征提取造成一定影响，因此本设计在提取特征之前对信号进行限幅处理。
具体限幅方法为：若采样值小于信号幅值下限，则令采样值等于0，若采样值大于信号幅值上限，则令该采样值等于幅值上限值。设信号S1和S2的幅值下限分别为x1min和x2min，幅值上限分别为x1max和x2max。以信号S1为例，若x1ij＜x1min，则令x1ij=0；若x1ij＞x1max，则，令x1ij=x1max。
③ 特征提取。本设计选取经过上述信号处理后的信号的平均值作为特征值，进行后续判断。将两路信号第i组信号的平均值，分别记为 x1i和 x2i，由下列公式计算：
| $\overline{{{x}_{1i}}}=\frac{1}{k}\sum\limits_{j=1}^{k}{{{x}_{1ij}}~\left( i=1,2,3,\ldots ,n \right)}$ |
| $\overline{{{x}_{2i}}}=\frac{1}{k}\sum\limits_{j=1}^{k}{{{x}_{2ij}}~\left( i=1,2,3,\ldots ,n \right)}$ |
(2) 模式识别：计算出信号的特征值后，可利用特征值进行模式识别，模式识别包含两层判别：首先判断信号是否为有效的sEMG信号，其次判断动作的方向，即肘关节动作为屈曲还是伸展，从而确定电机的转向。判断方式如下：
① 有效sEMG信号判断。通常若sEMG信号幅值小于sEMG信号发生阈值，则认为没有采集到有效的sEMG信号，不执行任何动作；反之，则认为采集到有效的sEMG信号。
本设计中采用固定阈值算法，即设信号S1和S2的信号发生阈值分别为M10和M20 (注意：M10＞0且M20＞0)。以信号S1为例，若 x1i＜M10，则认为没有采集到有效的sEMG信号，不执行任何动作；若 x1i≥M10，则认为采集到有效的sEMG信号，可进入下一步。
② 动作方向判别。本设计通过对比两路sEMG信号幅度均值大小，并判断两路sEMG信号均值的差值是否在设定阈值范围内，来实现动作方向判别。
若 x1i =x2i，则不执行任何动作；若x1i＞x2i，则计算信号差值P，P=x1i－x2i，若P＞N1(N1为设定阈值，且N1＞0)，且过载标志位未置位，则驱动肘关节屈曲，反之，不执行任何动作；若x1i＜x2i，则计算信号差值Q，Q=x2i－ x1i，若Q＞N2(N2为设定阈值，且N2＞0)，且过载标志位未置位，则驱动肘关节伸展，反之，不执行任何动作。
4.4 实时调速功能
本文利用脉冲宽度调制(pulse-width modulation，PWM)算法实现康复训练时的速度调节功能，其特征是输出的PWM信号频率一定，占空比随采集到的sEMG信号强度发生改变。PWM信号占空比的改变，引起驱动电路中的电机驱动电压有效值发生改变，从而实现速度调节。本文根据采集到的sEMG信号幅度均值大小，相应的改变驱动电路中PWM的占空比，设两路sEMG信号最大幅度均值为M1max、M2max (M1max、M2max可通过试验测得)，最大sEMG信号幅度均值和sEMG信号发生阈值之间数据段所对应的PWM信号占空比为1，占空比η计算方式如下：
| $\eta = \left\{ {\begin{array}{*{20}{l}} {\frac{{\overline {{x_{1i}}} - {M_{10}}}}{{{M_{1\max }} - {M_1}}} \times 100\% } & {\left( {\overline {{x_{1i}}} \overline {{x_{2i}}} } \right)}\\ {\frac{{\overline {{x_{2i}}} - {M_2}}}{{{M_{2\max }} - {M_{20}}}} \times 100\% } & {\left( {\overline {{x_{1i}}} \overline {{x_{2i}}} } \right)} \end{array}} \right.$ |
本肌电控制系统以美国Keil Software公司的KEIL软件作为编程平台，以C语言编程完成了对两电极采集的sEMG信号的A/D转换、阈值比较、sEMG信号幅度均值的等值比较和作差、差值驱动能力判定、过载标志位检测以及占空比计算等过程的处理，从而实现了对上肢外骨骼康复机器人肩关节和肘关节运动方向的判断和训练速度的调节。
5 系统试验测试
5.1 实验样机的试制
根据上述内容，本文课题组制作了sEMG信号采集电极、上肢外骨骼康复机器人语音控制和肌电控制电路板实物、上肢外骨骼康复机器人整体样机，如图 5所示。
图5
系统实验样机
Figure5.
System prototype
5.2 语音控制系统测试
选取5名健康志愿者进行语音控制试验，设定环境为较为安静的室内环境，让每位受试者经过训练后，重复试验20次，每次试验分别依次完成弯曲、伸展、向上、向下、快速、慢速、停止等7个语音指令，控制外骨骼康复机器人分别执行肘关节屈曲、肘关节伸展、肩关节屈曲、肩关节伸展、肩肘关节同步屈曲、肩肘关节同步伸展、停止等对应动作。以语音指令成功控制外骨骼康复机器人执行对应动作为1次正确识别，试验情况如表 1所示。
表1
语音指令正确识别率
Table1.
Recognition rate of voice control
试验结果显示，不同语音指令的识别存在一定差异，慢速和停止语音指令的识别率要略高于其他语音指令，分析差异原因可能与受试者熟练程度及环境等因素有关，与语音控制系统本身相关性不大。对整个语音控制系统来说，语音控制正确识别率均在90%以上，平均控制成功率为93.1%，具有较高的可靠性，通过语音控制模块可以帮助因患者sEMG信号太弱而无法被检测到的患者有效地进行康复训练。
5.3 肌电控制系统测试
选取5名健康志愿者，进行肌电控制试验，试验要求各位受试者分别将sEMG信号采集电极佩戴在肱二头肌/肱三头肌拮抗肌组和尺侧腕屈肌/桡侧腕屈肌拮抗肌组上(肱二头肌/肱三头肌拮抗肌组控制肩部电机；尺侧腕屈肌/桡侧腕屈肌拮抗肌组控制肘部电机)，单独进行肩关节屈曲、肩关节伸展、肘关节屈曲、肘关节伸展动作各50次，试验情况如表 2所示。
表2
sEMG信号正确识别率
Table2.
Recognition rate of sEMG signal
由试验情况表可知，肩关节动作识别率均在90%以上，平均正确识别率为92.6%；肘关节动作识别率均在86%以上，平均正确识别率为90.2%。如表 2所示，肘关节的正确识别率略低，分析其原因可能是控制肘关节电机的尺侧腕屈肌/桡侧腕屈肌拮抗肌组最佳位置不易寻找，但总的来说，肌电控制平均成功率为90.9%，可以满足使用需求，验证了肌电控制方案的可行性。
6 总结
目前国内外上肢康复训练设备大多结构复杂、体积庞大，同时控制方法也比较单一，不够人性化，因此本文提出一种新型的穿戴式上肢外骨骼康复机器人，并基于此机器人完成了其语音控制系统和肌电控制系统设计。该机器人结构简单、便于穿戴、且控制方式和训练模式多样，能较好地适应不同患者的实际情况。其语音控制系统实现了对特定人的识别，保证了患者训练的安全性；其肌电控制系统可实现患侧肢控制的主动训练和健侧肢带动患侧肢的镜像训练，提高患者进行康复训练的积极性。
经测试，该机器人的语音、肌电控制模块软硬件工作正常，安全可靠，具有良好的控制效果，可以与机械机构良好地配合，能辅助上肢功能障碍患者完成肩关节屈/伸、肘关节屈/伸、肩肘关节同步屈/伸等相关康复训练，有助于患者的早日康复。