文摘

许多研究人员感兴趣的提高假肢手的控制策略,使其功能和使用更方便。最常用的控制方法是基于前臂肌肉活动,名为“肌”(EMG)信号。然而,这些生物信号非常敏感许多干扰和通常是不可预测的,类型和水平。这导致不准确的识别用户的意图和威胁到假肢控制的可靠性。本文提出了一种实时故障检测与定位方法应用于手写设备在飞机上。这种方法允许连接输入(IEMG信号)/输出(笔提示坐标)的数据为参数模型-旨在(MIMO)系统。该方法被认为是model-independent突然的或间歇性故障检测方法和作为替代解决不可预测的输入基于观察者的技术,没有任何可观测性要求。这种方法允许检测,实时,几种类型的错误在一个或两个输入信号和在相同或不同的瞬间。我们的研究是适合许多快速扩张的领域和实践,包括生物医学工程、机器人技术、生物反馈治疗甚至军事应用。

1。介绍

在过去的几十年里,机器人控制被认为是一个重要的研究领域,特别是对于机器人干预日常生活的任务(机器人援助、社会机器人、服务机器人、临床应用机器人,等等)。许多研究人员感兴趣的提高假体的质量,使其功能和使用更方便。功能的增加主要是基于控制策略的发展。最常用的控制方法是基于放大器电活动的肌肉,命名为肌电信号(EMG),它允许直接编码生成的订单大脑(1- - - - - -4]。

这些生物信号的大量的信息导致一些研究提出的方法基于控制肌肉活动。例如,在[7]十肌肉的肌电图信号用于控制一个人工用四个手指的手。舒尔茨等人提出,在8),用液压驱动的多功能人工手。在这种背景下,不同的评论中提出了由电气控制肌肉活动(9- - - - - -12]。

然而,肌电图对许多干扰非常敏感肌电图记录和通常是不可预测的,类型和水平。肌肉活动的特征很容易受到许多因素的影响,如记录层的肌肉,脂肪,和组织,突然改变电极的位置,汗水的假肢穿戴者在录制现场,电极阻抗的变化,过滤方法,测量噪声、干扰和用户疲劳(13- - - - - -15]。所有这些条件导致不准确的识别用户的意图和威胁到假肢控制可靠性(16- - - - - -20.]。

为了解决这些问题,软件集成肌(IEMG)传感器和智能技术,在21),以取代物理传感器。也用作故障检测方法的一部分,与相应的输出的传感器。

在[22),张等人提出了一个实用的容错模块健壮的肌电图,基于Mahalanobis距离分析(23]。中使用张断层方法,蕾斯尼克(24)故障检测模块检测到错误的输入信号(EMG)。2018年,黄提议EMG探伤仪,只考虑三种信号故障(例如,EMG信号漂移和饱和,额外的噪音,和肌电图的变化大小)(25]。

事实上,如今,故障检测和诊断(FDD)生成的日益增长的兴趣在几个领域,特别是在bio-robotics的新兴领域。由于这些原因,这个话题一直在解决许多以前的作品。从这个意义上说,一个文献回顾可重构容错控制方法提出了(26]。在[27),提出了一种数据映射故障检测的方法来检测机器人机械手的执行机构故障。事实上,FDD通常可以分为两个不同的类:基于模型的和模范自由方法。基于模型的类,不同的方法使用数学模型已经开发在27- - - - - -32]。此外,基于系统建模方法不使用一般智能方法如神经网络和模糊逻辑的概念。在一些作品,深入学习了计算残差和检测传感器或执行器故障为不同类型的系统(线性、非线性电气、液压等),提出了(33,34]。

本文的主要贡献是实时故障检测与定位方法的建议应用于手写设备允许生产草书字母和几何形状突变信号的只有两个前臂肌肉。正如前面提到的,这些信号受到的不确定性和内部/外部干扰。

从这个意义上说,预测模型是特别具有挑战性的估计错误的不可预测的输入。这个模型允许连接输入(IEMG信号)/输出(笔提示坐标)的数据为参数模型-旨在(MIMO)系统。之后,递归最小二乘(RLS)算法用于识别模型的参数。以后,我们的重点将是使用规范化的残留检测实时执行器故障引起的不同的研究设备。

不同于以往的故障检测研究,为肌假肢和设备确保开发简单的运动(开启,关闭),书写系统的开发方法提出了使我们产生草书和复杂的模式,尤其是草书阿拉伯语字母,ح,«哈»和س,«罪»由联合运动,垂直、水平、倾斜等。

另一方面,我们的研究被认为是model-independent突然的或间歇性故障检测方法和作为替代解决不可预测的输入基于观察者的技术,没有任何可观测性要求。

事实上,不可预测的特点和生理参数的变化,有关书法的过程,就像肌肉和肌肉疲劳,干扰生理和心理变化的脚本编写,使建模复杂、繁琐的任务。因此,在这种情况下自由模型方法是可取的。提出了故障检测方法是这类模型的一部分。

此外,开发了故障检测方法允许检测几种类型的错误在一个或两个输入信号和在相同或不同的瞬间。这些错误可能是由于技术问题(缺陷电极)、物理(汗),甚至损坏组件,这些组件构成了系统的监督。

本文组织如下:在介绍书法实验方法的第二部分,第三部分着重于研究和分类不同的故障能被探测到的笔迹中行动。第四部分显示了执行机构的发展在线故障建模方法使用损坏检测错误的输入输出。

2。实验方法

在飞机上书写运动,(x, y),被认为是一个复杂的运动基于两个肌电图信号,EMG1 EMG2,最活跃的前臂肌肉,即“外展全身长肌”和“伸肌Capri Ulnaris”[5,35]。第一个肌肉负责垂直位移和水平运动的第二个。

在这个意义上,提出了一种实验方法,在广岛大学的城市,记录在同一瞬间草书阿拉伯语字母或几何形式和两个前臂肌电图信号(35]。

事实上,测量数据被发送同步信号从一步并行接口端口数据记录器在电脑上。这个实验需要以下设备:(我)数字表的品牌“WACOM, kt - 0405 - rn”。(2)前置放大器”问题,AR-C2EMG1”。(3)数据记录器”问题,DR-C2”。(iv)双极电极表面(传感器N-00-S MEDICOTEST,蓝色)。(v)电脑。

图1表明作者的手臂上电极的定位。电极,由“ch1”表示,相对于第一个肌肉和那些相对于第二个肌肉是由“ch2”表示5]。


图1
实验装置和作者的胳膊上电极的位置5]。

在图2阿拉伯语字母,记录数据,ح提出了,“哈”(35]。

(一)
(一)
(b)
(b)
(c)
(c)
图2
这封信,ح«哈»。(一)平面上的运动(x,y)和肌电图信号。(b) IEMG信号。(c)的形式。

然而,很难从肌肉活动得到有用的信息。因此,各种信号处理技术用于制造EMG波形更容易解释。的确,肌电图的波动大小可以筛选获得新的曲线称为综合肌电图(IEMG),由曲线如图红色虚线表示2 (b)(35]。

我们注意IEMG1 IEMG2,分别集成EMG1和EMG2信号。

研究系统对不同类型的故障是由于许多问题:电子,数学,生物,等等。肌电图信号是直接关系到几个形态影响这些信号的质量和技术性能(过滤方法,噪音和干扰,距离传感器和电极的肌肉的肌肉活动,等等)。

一个不受欢迎的偏差可以出现在书面形状如果故障出现在手写输入过程。最后,故障损害EMG信号影响笔迹模型的输出,这将进一步使研究系统重构错误的图形的痕迹。

图3显示了错误的输入对写作质量的影响。它提出了一些错误的反应两个cursives阿拉伯语字母ح,“哈”图3(一个),س,“罪”在图3 (b)。实验记录数据,在无故障情况下,是由不连续线。模型的输出,错误的输入,反应是由一个连续的行(6]。

(一)
(一)
(b)
(b)
图3
受损的阿拉伯语字母由于错误的输入。(一)阿拉伯语字母,ح,«哈»。(b)阿拉伯语字母,س,«罪»(6]。

然而,肌电图信号被认为是一个复杂的信号变化根据作家的特殊性,生产形式的性质,甚至个人的身体和心理状态的变化。总之,几个扭曲突变信号非常敏感,因此故障检测的方法是必要的,以确保研究过程的功能。

在这个意义上,我们建议在图引入的新的故障检测方法4使用参数识别模型,基于预测模型的重建不健康的输入(IEMG信号)的笔迹援助系统使用写作坐标(x,y)飞机。


图4
天气模式的故障检测方法。

该技术适用于几种故障和可能是有用的在很多应用程序中,如手假肢,智能电极维护,和军事应用。

3所示。缺陷研究和分类

之前描述提出的故障检测方法,我们将在本节中,最常见的错误可能发生在写作。事实上,我们可以提出三个主要类型的错误(36- - - - - -49:技术、神经性和建模类。

(我)技术课程的情况下,错误的IEMG信号提出了减少/从一个名义IEMG振幅增加。例如,我们可以把muscles-electrodes距离,距离电极和纤维方向对齐,从他们的初始位置位移电极,和传输电缆。

(ii)在神经源性或肌原性的类的情况下,相关的神经和肌肉的问题,信号故障导致记录一个贫穷的肌肉活动增加IEMG信号振幅的名义,如肌肉的温度变化、形态变异,疲惫的肌肉,和移动电极的写作行为。

(3)的情况下建模类与建模问题,模型参数的变化。

4所示。错误的输入估计的输出

在这项研究中,我们感兴趣的是学习技术类的错误。知道这些缺点IEMG相关信号,我们选择考虑所有扭曲执行机构故障。

图4描述了基于数学模型的方法进行了研究(1块)由Chihi et al。5),让我们模仿笔迹运动。否则,这个模型估计坐标图形状的飞机(x, y从IEMG信号)。然而,这个模型的性能取决于IEMG信号的质量,通过表面电极记录。正如我们已经提到的,这些信号可以存在几个缺点和扭曲。

提出了故障检测系统的目的是检测和定位的测量IEMG信号,考虑辅助笔迹系统的输入。

因为它是呈现在图4,检测故障的主要思想在这个复杂的过程是提出一个预测模型(2块)估计错误的输入(IEMG信号)只能从书面的坐标平面上的形状。故障诊断算法也是基于绝对差的分析(3块)之间的估计em1和e平方米和参考数据,er1和er2前臂IEMG的信号。这些信号被记录在良好的条件没有缺点。然后提出定义残渣计算过程r1和r2(4块),用于决定和产生故障预警(5块)。

残留物,r如果, ,相比,是一个阈值值检测和隔离故障。阈值作者是一个参数调整。事实上,每个人提出自己的参考IEMG信号,即。某些范围的振幅。

我们注意到,r如果是绝对错误的和正常的肌电图信号之间的差异(5),r我是归一化残渣(6)。 图5介绍了拟议中的故障检测算法的流程图,根据绝对剩余计算进一步允许定义一个规范化的残渣更好的即时故障外观及其持续时间。


图5
流程图的故障检测和隔离程序基于结构计算残留。

提出了预测模型的错误的输入(块2的图4)是一种四阶模型的输入和输出是相互关联的。这个模型估计IEMG信号在同一时间。它是基于写作的速度,Vx和Vy,根据x和y坐标,分别。事实上,写作速度激发了许多研究人员解决各种问题的笔迹,如快速人类运动的研究(50),模式识别(51,52),甚至笔迹建模和控制53- - - - - -55]。 在哪里 , 的速度是错误的坐标,x和y分别 , 是估计IEMG信号, , , , 和 , , , 估计参数,相对于em1和e平方米,分别。

经典模型参数识别是基于遗忘因子的递归最小二乘(RLS)算法等于0,95,执行以下操作来更新研究模型的参数(55- - - - - -58]。 在哪里 是向量的估计参数, 是适应矩阵, 系统的实际输出是识别, 是观测矩阵, 是估计错误。

用于识别的模型结构的笔迹系统动力学-旨在给出如下(55- - - - - -58]: 在哪里 是误差向量,相对于 和 信号,分别 矩阵的元素相对于 和 信号,分别。

4.1。仿真结果

为了验证该故障检测策略,几个模拟进行了Matlab / Simulink仿真与实际测量文件EMG信号及其相应的笔尖运动坐标。

我们注意到,ed是错误的输入信号,它总结了常见技术故障,可以尝试书写过程,并给出了模型的每一个36- - - - - -49]。

以下4.4.1。例1:一个错误的输入

在第一次的分析中,我们认为一个故障会影响只有一个IEMG信号,用表面电极。因此,我们建议这些缺点:学习步骤,减少振幅,坡道,随机,断断续续的。

对数字6- - - - - -8,我们注意到,估计IEMG信号提出了红线的恒星和实际信号是连续的蓝线。曲线(a)现在IEMG信号无过错(蓝色实线)和错误的输入与恒星(红线)。曲线(b)显示实际(蓝色实线)和估计的错误的输入与恒星(红线)使用模型(3)。

(一)
(一)
(b)
(b)
图6
一步错IEMG信号。(一)健康和IEMG故障信号。(b)和估计错误的输入。
(一)
(一)
(b)
(b)
图7
减少IEMG信号振幅的错的。(一)健康和IEMG故障信号。(b)和估计错误的输入。

图8
归一化残渣的步骤,减少振幅的缺点。

(我)步骤的错。一步错,表达的(9),主要是由变形引起的电极,可以保持被产生一个恒定的振幅,人物6。 f是常数,tk是谨慎的瞬间,tf是即时发生的故障,e输入是不健康的。

图6(一)显示了估计的信号之间的区别(由红色恒星曲线)及其相应的参考数据(由连续的蓝色曲线)。图6 (b)介绍了该方法的预测能力IEMG信号,尽管研究信号的突然改变。

(2)减少振幅的错。在这项研究中,我们考虑的缺点大多数肌假肢,总结在电极之间的距离的变化或muscles-electrodes之间,纤维方向的一致性等。

这些断层的影响在IEMG信号可以表示为振幅的降低,数字7。

这种类型的失真会导致问题在假肢的控制精度,为用户这是非常尴尬的。

规范化的残渣r我在故障发生等于1。图8介绍了残留相对振幅的情况下步骤,减少错误。

(3)坡道的错。失真由于电子元器件的老化可以表示为一个斜坡函数(10)。图9显示良好的这种类型的故障估计使用该方法。

(一)
(一)
(b)
(b)
图9
斜坡断层在IEMG信号。(一)健康和IEMG故障信号。(b)和估计错误的输入。

(iv)随机故障。错误的输入也估计随机变形的存在,可以传输电缆引起的技术问题,或一个未知的外部干扰,等等。通常随机故障是很难估计的;然而该方法显示了良好的一致性和真实之间的估计错误的信号,图10。规范化的残图所示11。

(一)
(一)
(b)
(b)
图10
一步错IEMG2信号。(一)健康和IEMG故障信号。(b)和估计错误的输入。

图11
归一化残渣的步骤,减少振幅的缺点。

(v)间歇性故障。输入估计的间歇性故障(11)也考虑在内。削减实际上,微电极的瞬时位移,甚至不可预测的变化,IEMG信号可以被看作是一个间歇故障(坡道,一步,随机等)。 tf1和tf2瞬间的开始和结束的错。

图12显示了很好的一致性之间真正的输入和估计的信号。规范化残留在故障发生,等于1图13。

(一)
(一)
(b)
(b)
图12
随机故障IEMG1信号。(一)健康和IEMG1故障信号。(b)和估计错误的输入。

图13
归一化残渣IEMG2间歇性故障的信号。
4.1.2。案例2:两个错误的输入

在第二个分析,我们假设连续两个输入都是敏感的缺点。

为了显示该方法的相关性,我们从案例开始IEMG信号只有一个错误,图10 ()。图10 (b)介绍了估计和真正的不健康信号的两个缺点在每个肌电信号。

规范化残留给信息故障的发生时间和持续时间。残留的每个输入不同于零的任何类型的故障,数据14(一)′和14(b)′。


图14
两个错误IEMG信号(a)一个在每个信号故障,(b)两个故障信号(a)′规范化残渣(a)、(b)′规范化(b)的残留。

评估提议的故障检测方法,一个或多个IEMG信号测试数据集的人为扭曲。因此,一步,坡道、间歇和随机故障调整模拟不同干扰常见EMG信号。该方法显示了良好的一致性估计错误的记录从受损的肌肉活动形状平面上的坐标。

为了使书法实践和电动机提供的赤字,实际写作的挑战导致变形EMG信号必须被克服。这项工作旨在解决这些挑战提出了故障检测的方法来模拟个体的行为扭曲的EMG信号。

这项研究的结果证明设计故障检测方法的许多好处,如适当纠正突然信号干扰模拟在目前的研究和检测的可能性,一个或多个扭曲EMG信号。

提出的故障检测方法被认为是一个可选择的解决方案基于未知输入观测器技术允许model-independent故障检测没有任何可观测性要求。

5。结论

目前的工作开发了一种新的模范自由不可预知的故障检测技术生物输入。为此,我们提出一个分类研究的不同类型的故障会影响写作过程。参数识别模型与RLS算法重建故障综合肌电图信号。之后,从断层重建结果,规范化的剩余计算,以方便故障检测过程从损坏的系统输出。

提出了故障检测方法显示高性能探测断层的不同类型和一个或多个扭曲EMG信号。

这些有前途的结果会通知临床可行的肌电图的设计评估和最终受益个人汽车赤字。

数据可用性

(EMG信号和对应的字母坐标)数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。