面向帶電作業(yè)的手臂末端輸出力評估方法

林子　熊鵬文　何孔飛　張發(fā)輝

摘要 為了解決帶電作業(yè)時手臂末端輸出力的準確控制，提出一種基于表面肌電信號（sEMG信號）和支持向量機回歸（SVR）實現(xiàn)對手臂末端施力的評估方法.通過手握機械手臂末端的手柄，做往復推拉運動，記錄此時手柄處的力傳感器的數(shù)據(jù)F，同時利用3組肌電信號傳感器同步采集手臂的肌電信號.將肌電信號提取特征后，與力F組合成樣本集合S，在樣本集合中隨機抽取50%的樣本數(shù)據(jù)作為訓練集，分別訓練BP神經(jīng)網(wǎng)絡、GRNN神經(jīng)網(wǎng)絡以及SVR神經(jīng)網(wǎng)絡.最后用訓練好的神經(jīng)網(wǎng)絡對整個樣本集中的力F進行預測，并用均方根誤差和相關(guān)系數(shù)評估模型的預測效果.結(jié)果顯示，SVR神經(jīng)網(wǎng)絡的預測效果較好，其均方根誤差為3.074 0，相關(guān)系數(shù)為0.951 7.

關(guān)鍵詞 帶電作業(yè);表面肌電信號;支持向量機;特征提取;回歸預測

中圖分類號 TP242

文獻標志碼 A

0 引言

電氣設備在長期運行中需要經(jīng)常測試、檢查和維修，帶電作業(yè)是能避免檢修停電，從而保證正常供電的有效措施[1].帶電作業(yè)根據(jù)人體與帶電體之間的關(guān)系可分為三類：等電位作業(yè)、地電位作業(yè)和中間電位作業(yè)[2].對于高壓帶電作業(yè)[3]，操作人員通常穿有絕緣衣和絕緣保護手套，以保證通過人體的電流限制到安全電流l mA或以下，將高壓電場限制到人身安全和健康無損害的數(shù)值內(nèi).帶電作業(yè)時，操作人員直接與帶電線路接觸，而穿著絕緣衣和絕緣手套的操作人員通常無法準確感知手臂末端的施力大小，稍有不慎就可能導致帶電作業(yè)失敗，其產(chǎn)生的誤操作可能帶來不可估量且不可逆的后果.因此，操作人員對于力的準確感知在帶電作業(yè)中是最為重要的技術(shù)指標之一.

表面肌電信號是肌肉收縮時多個活躍運動單元發(fā)出的動作電位序列經(jīng)由脂肪組織容積濾波后，在皮膚表面疊加的結(jié)果，它直接反映人體的運動意圖[4].隨著電子技術(shù)的發(fā)展使得sEMG（表面肌電信號）得以穩(wěn)定采集，因此越來越多的學者將其為接口信息構(gòu)建人機交互系統(tǒng)，以實現(xiàn)機械手臂的閉環(huán)控制[5-6].對于目前的高壓帶電操作機器人[7-8]，其控制方式較為單一，在高壓帶電操作作業(yè)上具有一定的局限性.而sEMG 信號在人體的行為識別[9]上已經(jīng)取得到了較好的應用效果，對于高壓帶電遙操作機器人，sEMG 信號具有良好的應用前景.在利用sEMG信號實現(xiàn)遙操作機器人的控制時，關(guān)鍵技術(shù)在于如何由采集到的sEMG信號準確識別出人體的運動意圖，主要包括動作類型、動作幅度大小、動作速度、輸出力等多個方面[10].基于sEMG信號的動作識別問題一直是當前的一個研究熱點[11-14].基于sEMG信號的輸出力大小的預測也是目前的研究熱點之一，然而多數(shù)對輸出力的研究都集中在預測手部握力以及抓取力的大小[15-17]，手臂末端的輸出力的預測研究卻較少.

針對帶電作業(yè)下的手臂末端輸出力的準確感知與控制，本文基于sEMG信號，利用支持向量機回歸模型，實現(xiàn)對手臂末端施力進行預測，將采集到的肌電信號提取特征后，與同步采集的力信號組合成一個樣本集S.在樣本集合中隨機抽取部分數(shù)據(jù)作為訓練集，用于訓練SVR回歸預測模型.最后用樣本集檢測預測模型，并評估模型的性能.

支持向量機回歸 （Support Vector Regression，SVR）算法可以任意精度逼近非線性函數(shù)，具有全局極小值點、收斂速度快等優(yōu)點.與常規(guī)人工神經(jīng)網(wǎng)絡方法相比，SVR不存在容易陷入局部最優(yōu)等問題，提高了泛化能力，因此有較大的優(yōu)越性[18].

采用ε-SVR算法建立回歸關(guān)系.首先建立線性回歸模型，線性函數(shù)為

y=w·x+b，

式中w為權(quán)向量，b為偏差.

考慮到擬合誤差ε的允許范圍，引入松弛因子ζi≥0，ζ*i≥0，則優(yōu)化目標變?yōu)樽钚』瘮?shù)：

2 陣列數(shù)學模型

在基于表面肌電信號對手臂控制的研究中，不僅需要利用肌電信號通過分類器對手部動作進行模式識別，同時，預測出手臂末端施力的大小也十分重要.由于肌電信號十分微弱，其幅值在0.01～10 mV，且具有復雜的非線性特性，因此無法直接用簡單的線性表達式來描述sEMG信號與手臂末端施力之間的關(guān)系.假設人手臂的末端施力F可用式（8）表示，則只需獲得非線性的映射函數(shù)，就可得到手臂末端施力的估計值：

3 實驗及評估方法

3.1 數(shù)據(jù)采集

人的肢體運動是通過控制各肌肉群的收縮和舒張，使得相應的骨骼繞關(guān)節(jié)運動以完成各種不同的動作的.因此，當肢體完成不同的動作時，往往參與運動的肌肉群以及其參與程度并不相同.為了保障能夠采集到幅值大、質(zhì)量高的sEMG信號，選擇合適的肌肉塊作為采集位置十分重要.經(jīng)大量試驗顯示，在手臂完成推拉動作時，三角肌、肱橈肌和肱側(cè)腕屈肌的表面肌電信號幅值變化較明顯，因此選擇這3處進行sEMG信號采集.肌電傳感器編號及其對應的粘貼位置如表1所示.

在貼電極片前，先用酒精棉對欲采集位置進行擦拭，除去皮膚表面的灰塵以及角質(zhì)皮，以減小對信號的影響.試驗中，分別做50組推拉動作，利用機械手臂的力反饋，測量手臂末端的推拉力大小.為降低肌肉疲勞對肌電信號的影響，每做完10組推拉動作，測試者休息10～20 min.

實驗對象手握圖2所示的機械臂的末端夾持器，做推拉往復運動驅(qū)動機械臂.與此同時，通過控制機械臂的阻尼力的變化，通過機械手臂末端的力傳感器記錄此時所受力的大小，即為手臂末端施加的力F的大小.同時利用肌電信號采集儀，記錄此時表面肌電信號的變化情況，如圖3所示.

3.2 提取特征值

由于采集到的肌電信號是一個時間序列信號，具有復雜的非線性和隨機性，不能直接用于神經(jīng)網(wǎng)絡模型的訓練和預測，因此需要進行特征提取.肌電信號的特征提取通常有時域方法、頻域方法、時頻域方法[20].由于實驗采集到的原始sEMG信號都是時間序列形式存在，時域特征計算簡單，不需要轉(zhuǎn)換而能夠直接通過計算得到，降低了復雜度且運算速度較快，因而被普遍應用.常用的時域特征提取方法包括絕對值均值（Mean Absolute Value，MAV，其量值記為MAV） 、方差（VAR）、過零點數(shù) （Zero Crossings，ZC） 、Willison幅值（Willison Amplitude，WA） 等.本文選用絕對值均值對原始肌電信號進行特征提取.

sEMG幅值的正負通常表現(xiàn)出一定的對稱性，可被看作均值為零的隨機信號，所以不能直接將均值作為特征值.通過絕對值運算，將肌電信號的幅值全部轉(zhuǎn)換成非負值，可以由絕對值均值的幅值直觀地反映肌肉的收縮力量的大小.絕對值均值的幅值越大，說明肌肉的收縮強度越大.滑動窗口下絕對值均值的數(shù)學表達式如下：

式中xj為當前采樣數(shù)據(jù)，N為滑動窗口長度.

本文窗口大小N設為100，實驗采集的原始肌電信號如圖4所示，采用絕對值均值對原始肌電信號進行特征提取如圖5所示.

4 結(jié)果與討論

4.1 建立模型

在建立預測模型時，將經(jīng)MAV特征提取后的肌電信號向量x定義為一維3元素的向量，每一個元素對應一個通道的采樣值，即x=[x1+x2+x3]，x∈R3.將每一組sEMG向量x對應一個手部推拉力的目標z∈R1，樣本集合定義為S=[x，z]，數(shù)據(jù)處理的目標是基于有限的{[x1，z1]，[x2，z2]，…，[xn，zn]}，建立從向量x到目標力z的關(guān)系f，使得z=f（x）.

ε-SVR預測模型選用徑向基核函數(shù)，待定參數(shù)為C、γ=0.5σ2、ε，其中ε控制擬合函數(shù)的允許誤差范圍，因而直接影響泛化能力和支持向量個數(shù).本文取ε=0.01，懲罰參數(shù)C和核函數(shù)參數(shù)γ采用K-CV算法進行優(yōu)化.

在樣本集合S中隨機抽取50%的樣本數(shù)據(jù)作為訓練集，用于訓練該預測模型.本文利用訓練集分別對BP神經(jīng)網(wǎng)絡、GRNN以及ε-SVR 3種回歸模型進行訓練.最后將肌電信號樣本集合中的sEMG向量x作為預測模型的輸入，并得到相應的輸出z即力F的預測值.

4.2 模型評價及預測結(jié)果

本文采用均方根誤差（Root Mean Square Error，RMSE，其量值記為ERMS） 和相關(guān)系數(shù)（Correlation Coefficient，R） 來衡量力估計的精度.均方根誤差估計值與真值偏差的平方與檢測樣本數(shù)n比值的平方根，RMSE 主要是為了說明樣本的離散程度，數(shù)值越小則表示預測模型的精度越高.

5 結(jié)論

本文針對帶電維修作業(yè)時的手臂施力控制問題，采用表面肌電信號對手臂實現(xiàn)力控制的需求，提出了一種基于 sEMG和SVR的手臂末端施力的估計方法.在手臂完成推拉動作的同時，對手臂相應肌肉塊的表面肌電信號和手部推拉力信號進行同步采集，并對采集到的原始肌電信號提取特征，再將sEMG的特征矩陣作為模型輸入，將力信號作為輸出目標分別對SVR神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡以及GRNN神經(jīng)網(wǎng)絡進行訓練，最終利用這些模型通過sEMG預測手臂末端施力的大小.實驗結(jié)果表明，利用SVR神經(jīng)網(wǎng)絡預測模型，基于表面肌電信號對手部施力的評估效果優(yōu)于另外兩種算法.

參考文獻

References〖HJ0.95mm〗

[1] 趙玲亞.高壓帶電作業(yè)機器人運動學分析與仿真[D].天津：天津大學，2007

ZHAO Lingya.Kinematics analysis and simulation of high-voltage live working robot[D].Tianjin：Tianjin University，2007

[2] Al-Timemy A H，Bugmann G，Escudero J，et al.Classification of finger movements for the dexterous hand prosthesis control with surface electromyography[J].IEEE Journal of Biomedical and Health Informatics，2013，17（3）：608-618

[3] 魯守銀，傅孟潮，厲秉強，等.DWR-I遙操作高壓帶電作業(yè)機器人[J].上海交通大學學報，2005，39（6）：910-913

LU Shouyin，F(xiàn)U Mengchao，LI Binqiang，et al.DWR-I teleoperation high voltage live working robot[J].Journal of Shanghai Jiaotong University，2005，39（6）：910-913

[4] 張啟忠，席旭剛，馬玉良，等.基于肌電信號的遙操作機器人控制技術(shù)[J].應用基礎(chǔ)與工程科學學報，2013，21（6）：1199-1209

ZHANG Qizhong，XI Xugang，MA Yuliang，et al.A control scheme based on EMG for teleoperation robot system[J].Journal of Basic Science and Engineering，2013，21（6）：1199-1209

[5] 羅志增，楊廣映.基于觸覺和肌電信號的假手模糊控制方法研究[J].機器人，2006，28（2）：224-228

LUO Zhizeng，YANG Guangyin.Prosthetic hand fuzzy control based on touch and myoelectric signal[J].Robot，2006，28（2）：224-228

[6] Zhang F，Li P F，Hou Z G，et al.sEMG-based continuous estimation of joint angles of human legs by using BP neural network[J].Neurocomputing，2012，78（1）：139-148

[7] 顧毅，楊汝清，宋濤，等.關(guān)節(jié)式帶電清掃機器人的絕緣性及安全性設計[J].機器人，2006，28（2）：149-153

GU Yi，YANG Ruqing，SONG Tao，et al.Insulation and safety design of articulated cleaning robot[J].Robot，2006，28（2）：149-153

[8] 焦向東，周燦豐，薛龍，等.遙操作干式高壓海底管道維修焊接機器人系統(tǒng)[J].焊接學報，2009，30（11）：1-4

JIAO Xiangdong，ZHOU Chanfeng，XUE Long，et al.Teleoperation dry high pressure submarine pipeline maintenance welding robot system.[J].Transactions of The China Welding Institution，2009，30（11）：1-4

[9] Feng D，Dai L，Chang W，et al.sEMG-Based identification of hand motion commands using wavelet neural network combined with discrete wavelet transform[J].IEEE Transactions on Industrial Electronics，2016，63（3）：1923-1934

[10] Ahsan M R，Ibrahimy M I，Khalifa O O.EMG signal classification for human computer interaction：a review[J].European Journal of Scientific Research，2009，33（3）：480-501

[11] 張啟忠，席旭剛，羅志增.基于非線性特征的表面肌電信號模式識別方法[J].電子與信息學報，2013，35（9）：2054-2058

ZHANG Qizhong，XI Xugang，LUO Zhizeng.A pattern recognition method for surface electromyography based on nonlinear features[J].Journal of Electronics & Information Technology，2013，35（9）：2054-2058

[12] Phinyomark A，Phukpattaranont P，Limsakul C.Feature reduction and selection for EMG signal classification[J].Expert Systems with Applications，2012，39（8）：7420-7431

[13] Young A J，Smith L H，Rouse E J，et al.Classification of simultaneous movements using surface EMG pattern recognition[J].IEEE Transactions on Biomedical Engineering，2013，60（5）：1250-1258

[14] 楊大鵬，趙京東，姜力，等.多抓取模式下人手握力的肌電回歸方法[J].哈爾濱工業(yè)大學學報，2012，44（1）：83-87

YANG Dapeng，ZHAO Jingdong，JIANG Li，et al.Force regression from EMG signals under different grasping patterns[J].Journal of Harbin Institute of Technology，2012，44（1）：83-87

[15] Cao H，Sun S，Zhang K.Modified EMG-based handgrip force prediction using extreme learning machine[J].Soft Computing，2017，21（2）：491-500

[16] Srinivasan H，Gupta S，Sheng W，et al.Estimation of hand force from surface electromyography signals using artificial neural network[C]∥Intelligent Control and Automation.IEEE，2012：584-589

[17] 楊杰，占君，張繼傳.MATLAB神經(jīng)網(wǎng)絡30例[M].北京：電子工業(yè)出版社，2014

YANG Jie，ZHAN Jun，ZHANG Jichuan.Thirty cases of MATLAB neural network[M].Beijing：Publishing House of Electronics industry，2014

[18] 王文劍，門昌騫.支持向量機建模及應用[M].北京：科學出版社，2014

WANG Wenjian，MEN Changqian.Support vector machines modeling and application[M].Beijing：Science Press，2014

[19] Zecca M，Micera S，Carrozza M C，et al.Control of multifunctional prosthetic hands by processing the electromyographic signal[J].Critical Reviews in Biomedical Engineering，2002，30（4/5/6）：459

Evaluation of output force at the arm end based on sEMG

LIN Zi1 XIONG Pengwen2 HE Kongfei2ZHANG Fahui2

1 Jiangxi Power Research Institute，Nanchang 330096

2 School of Information Nanchang on Engineering，Nanchang University，Nanchang 330031

AbstractTo facilitate accurate control of the output force at the arm end during live working，a prediction method for arm end force based on surface electromyography （sEMG） and support vector machine regression （SVR） is proposed.By forcing the handle at the end of the manipulator to provide the reciprocating push and pull movement，the data of the force sensor at handle Fare recorded.Simultaneously，the EMG signals of the arm are synchronously collected by three sets of EMG sensors.The feature extraction from the EMG signal and F are combined as sample set S inthe sample collection.Half of the sample data is randomly selected as the training set for different machine learning methods，and trained using the back propagation，generalized regression，and SVR neural networks.Finally，the trained neural network is used to predict force F in the whole sample set，and the prediction effect of the model is obtained by means of the root mean square error （RMSE） and correlation coefficient.The results show that the prediction effect of the SVR neural network is better，the RMSE is 3.074 0，and the correlation coefficient R is 0.951 7.

Key wordslive working;surface electromyography signal;support vector machines;feature extraction;regression prediction