文摘

一种低成本的光纤力myography传感器提出了非侵入性的手的姿势识别。10毫米的换能器由周期性石英多模光纤微弯设备安装在PVC板,提供0.05 N⁻¹灵敏度/ ~ 20 N范围。接下来,传感器是附加到用户前臂的肩带为了监控后近端径向,前内侧尺,和后远端径向肌肉,和获得消费品光信号相关的手势使用5隐藏层,执行20-neuron与反向传播人工神经网络分类器架构,紧随其后的是一个竞争层。9姿势和6科目的总体结果显示敏感性和99.7%的平均精度为98.4%,与肌的方法。此外,在当前设置相比,提出的方法可以识别提出了具有不同配置的手指和腕关节位移的利用率只有3传感器和一个简单的审讯计划,适合进一步应用在人机接口。

1。介绍

直观的和可行的传感器的设计和技术手姿态检测中扮演一个重要的角色在建立先进的人机接口,进一步应用于遥操作(1)、医疗(2)和康复机器人(3),仿生假肢控制(4],手势识别为消费电子产品(5]。

如今,用不同的方法已经开发出来的直接评估手部运动,主要由光学跟踪(6)和glove-based传感器(7]。尽管这些技术可以为实际应用提供合理的结果,限制仍然观察到关于闭塞,复杂性,和限制用户动作(3,6,7]。

另外,myographic技术可以用于监控的手势和力量的无创性方法通过检测用户前臂的肌肉活动,所以还可以检索残疾人运动意图的科目。表面的肌电图(表)是最普遍的方法构成估计(8),在肌肉收缩产生的电信号被记录电极放置在用户皮肤,然后处理来确定相关的手的动作。尽管一些作品报道面肌假肢控制的应用(9,10),这些技术仍然是成本和可靠性方面的限制。肌电图信号由电磁噪声严重影响,汗水和传感器位置的变化。此外,特征提取的应用程序需要大量的通道上为了解码主体运动与一个合适的灵敏度(11,12]。在这种背景下,不同的方法如mechanomyography [13],sonomyography [14],光学myography [15,16力,myography(消费品)[17)提出了为了克服的缺点肌电的情况。

消费品可以视为机械对应表,检索的手部运动的前臂肌肉,引起径向力产生的结果与电的方法(18]。与其他技术相比,消费品的由传感器位置变化的影响较小,表现出更高的鲁棒性和稳定性,不需要昂贵的硬件实现。机械刺激通常用数组的力传感电阻(FSR)或电容传感器连接到用户前臂的矫形器或肩带18,19),为特定的手配置提供压力分布地图。然而,这样的传感器表现出滞后的缺点,漂移,易受电磁干扰(20.),也是影响皮肤阻抗的变化。

在这种情况下,光纤传感器(OFS)被认为是有前途的替代生物力学测量,提供内在的灵活性等特点,重量轻、灵敏度高,分布式传感能力,和对电磁干扰的免疫力。此外,硅纤维化学和生物惰性21]。目前,几个例子的OFS应用程序已报告在人体系统的接口,包括生命体征监测医疗(22],触觉矩阵[23),和glove-based传感器(24]。此外,利用光纤传感器的消费品测量提出了在最近的研究中,提供89.9%的准确率在单个手指运动的预测25]。

在这篇文章中,一个灰度光纤消费品传感器姿态识别算法。光机位的传感器连接到前臂的肩带测量前臂肌肉产生的力量,因此输出信号相关的手通过人工神经网络(ANN)构成。利用光纤传感器提供了几个优势,通常采用FSR数组的收益率更高的灵敏度和汗水和电气噪声免疫力。此外,与之前报道的纤维specklegram消费品传感器(25),目前设置显示改进的健壮性(引导光线不受振动和温度波动(26])和一个简单的审讯设置(因为没有必要处理空间信息的散斑场(25])是适合进一步应用在实际仿生假肢控制。

2。光纤消费品传感器

2.1。传感器设计

光机位传感器(图1)是由一对60×10×1毫米³聚氯乙烯(PVC)与10毫米板长度、直径0.5毫米的石墨棒固定在内部面临等距的分布(10毫米周期性)装配变形器结构。传感器连接到2米长,62.5μ米直径硅多模光纤,使期刊机械扰动沿波导长度。根据微弯的效果,弯曲半径上的连续变化产生core-propagating模式之间的耦合和包层辐射模式(27),导致光衰减可以调制的应用力和位移的大小。因此,用户的设备被连接到特定位置前臂通过尼龙搭扣皮带为了评估肌肉活动。

测量设置如图2。连续的白色LED光源发出的光耦合到多模光纤使用测微的阶段。透射光强度调制的微弯传感器,进一步由CCD摄像机检测到(u-EYE IDS ui - 2230 se - c -总部,1024×768像素分辨率,15 fps率)。plane-polished纤维端面孔是一致的,固定在一个稳定的支持,从镜头放置5厘米。然后,设置封闭在一个黑盒来消除外部照明效果和保存在一个环境免受机械振动。额外的参考光纤也用于补偿源波动。最后,获得了光学信号处理例程在MATLAB编程,MathWorks,平均强度我评估通过计算每一帧所对应的意思是40×40像素内的光纤输出光斑点。

2.2。描述

为了确定传感器的响应,设备受到控制的部队应用的机械阶段提供负载细胞。传感器特性的实验装置如图3。2.5毫米直径的致动器探头由spherical-shaped结构由一个螺丝机制,这是对齐到变形器板中心集中载荷。测微的阶段被激活,致动器位置中流离失所y方向,导致传感器压和生产光学衰减。然后,机械刺激是衡量负载细胞,产生作用力值,而由CCD输出光连续监控,这可能与平均强度我与输入的力量。

静态特性是由对微弯传感器3高档和低档次的周期,与应用程序的负载从0 ~ 22 N。一旦改变了致动器的位置,力水平保持静态的~ 100年收购帧数。最后,校准曲线可以得到平均每个恒力强度值对于所有高档/低档次的周期间隔,和灵敏度是由调整实验数据的线性函数。

传感器的静态响应如图4,而变化我重复加载周期如图5。设备提出了~ 0.05 N⁻¹敏感性的研究范围。相比FSR [20.),光纤传感器表现出低滞后线性误差可以忽略不计,适合评估力大小通常施加的前臂肌肉伸展和收缩的肌肉和重复周期(28]。尽管可靠的结果,值得注意的是,传感器的响应可能是退化的情况下变形器结构的变化严重的负荷条件,而强度输出值可以通过变化影响纤维力学特性和macrobending [27]。

3所示。姿态识别的消费品

3.1。测量协议

传感器的性能评估在9姿势的识别,如表所示1和图6。相对姿态的检索信息,系统使用3实现传感器位于监控后近端径向(T1),前内侧尺骨(T2)和后的前臂远端径向(T3)部分。在实践中,随着肌肉在分层结构(29日),测量机械刺激将相当于整个肌肉产生的径向力封闭在每个带而不是单个组织的激活。

6健康受试者实验(5男1女,29±4岁,也就是说,S1 S6)伦理委员会的建议后,通过严格调整肩带创建一个温和的预加载,但保留用户的舒适。传感器的位置是由肌肉触诊,所以最终变化的位置传感器不同主题的预期。测试中,志愿者被要求与中性旋后保持手腕/内转和肘部弯曲保持前臂水平悬浮在空气中。接收视觉命令后,用户执行一系列的手的姿势( 期间,保持静态的手条件)~ 100年收购帧。最后,每个姿势都有窗的收购数据删除强度信号的瞬态成分(由于手工配置更改),然后减少为每个时间间隔计算平均值。每个学科实验重复10次,光信号的同步采集,并进一步通过时间同步相关输入的姿势,也就是说,由于每个构成特定的帧间隔期间进行,相应的强度值可以通过索引检索正确初始和最终帧数据获得的光学数据数组中的每个姿势。

3.2。数据分析

为了检索提出了从消费品数据执行,ANN分类器是由解决了设计的平均强度值输入到网络,和目标姿态匹配的程度(从0到1)输出,如图7。为了简单起见,分类器是使用个人网络开发的处理每一个姿势,由竞争产生9子系统集成层。安是实现根据前馈反向传播体系结构(30.),利用5 20隐藏层神经元和tangent-sigmoidal转移函数,而训练函数设置为按比例缩小的共轭梯度限于3000时代和0.05目标错误。随后,输出匹配率是提交给一个赢家通吃的竞争层,最后返回分类估计从消费品输入信号。

评估网络响应,每个主题后的分类进行了10倍交叉验证分析(31日]。鉴于真阳性的数量(TP),真阴性(TN),假阳性(FP),和假阴性(FN)预测,一个折叠的性能指标可以表达的(32] tp是真阳性率(灵敏度),fp是假阳性率,和ac的准确性。因此,分数为特定的姿势可以通过计算得到的平均10倍,而整体性能可以从所有志愿者的平均估计。

3.3。结果

手造成的影响对传感器响应一个主题(S3)如图8,在那里我₁,我₂,我₃对应的归一化强度值通过传感器获得T1, T2和T3。的瞬态部分曲线变化导致的手在姿态转换配置。此外,静态反应被发现几乎不变,与微妙的变化可能是由不自觉的收缩引起的,犹豫,和疲劳18]。

所有志愿者的平均结果(图9),它是观察到传感器的光学衰减T1增加手腕和手指弯曲,可以联系到激活的superficialis屈肌腱牵向前(FDS)和profundus屈肌腱牵向前(FDP)的肌肉,而我₂和我₃目前改善反应感觉联合扩展由于普通的伸肌肌腱牵向前的贡献(EDC)。例如,握紧姿势B, F和H,以及手腕弯曲D,原因我₁减少,我₂和我₃增加,表明激活屈肌和伸肌的肌肉放松,分别。相反,执行打开手的姿势用手指绑架/内收或手腕扩展产生衰减的条件我₂和我₃和恢复我₁的水平。关于绑架/内收的动作,拇指行动可以被认可我₃值,如传感器T3位于靠近外展/全身肌肉(AEP),而其他数字的影响是通过T2反应检测,发现在姿势E和G,鉴于手指绑架EDC /内收辅助。

除了生理差异,结果可能会有所不同,由于传感器固定位置,影响预加载和压力分布在微弯设备。此外,尽管严格的协议下的实验,测量也将改变控制力量的大小,以及前臂屈曲和手腕旋转的程度。特别规定的条件相对困难的姿势N(放松),所以这种情况下的强度值的偏差。此外,您可能会注意到,系统提出了考虑所有的科目,除了可再生的结果我₂价值,提出C,产生很大的偏差。这种效应可以归因于不受控制的变化程度的手腕扩展,以及部队参与的大小这样的姿势。另一个可能的方面是无意识的手指绑架在手腕运动以来EDC也有关绑架/内收掌指的关节。

前臂的肌肉结构非常复杂,是由两种和屈肌实体以分层的方式排列。虽然消费品传感器设计监控负责手指和手腕的肌肉运动,结构与屈肘和前臂旋转,如肱桡肌和旋前肌圆柱状的,分别也产生机械刺激由于他们的激活29日),影响的程度和范围消费品信号相关具体的手的姿势。可以证实这个事实sEMG-based研究中实验对于更复杂的场景,包括顺序手臂动作和机械负载的应用,因此,整体性能恶化是由于变化对上肢配置(33]。这样的问题可能的解决方案包括从输出波形中提取附加信息或最终将互补传感器提供一个完整的描述的评估。

关于应用的影响力量,微妙的变化预计由于疲劳和与主体相关的不确定性。对肌肉力量和上肢配置之间的关系,据报道,面肌电反应计划可以影响肌肉长度和弹性性能、疲劳、收缩速度和类型,肌腱和韧带的贡献(34]。此外,控制力量的大小和范围也受到了前臂和手腕的配置(35]。

安分类结果为所有姿势和主题是总结表2,而混淆矩阵如图10。该系统提供了一个可靠的整体性能,产生98.4±1.7%敏感性和99.7±0.4%的平均精度。特别是科目S3和S4呈现一个完美的分数,而最贫穷的结果观察S1,结果98.9±1.2%的精度,这可能是由于错误的传感器位置或应用程序的过度的力量在手指屈曲姿势F, G, h .大多数分类发生的手势和E,包括开放的手与手指的存在与否绑架/内收,分别。正如上面提到的,掌指的产生的数字分离(MCP)可以从EDC检索肌肉关节,但这样的运动是有界的近端指间关节(PIP)的扩展,所以姿势之间的分化和E变得非常微妙。幸运的是,拇指绑架激活AEP肌肉;因此,绝大多数可以解决基于模棱两可我₃值,也观察提出了B和h .此外,值得注意的是,手腕扩展(C)和弯曲(D)成功歧视从手指运动(A和B, resp),尽管这种位移是部分由同一组肌肉(EDC FDS, resp)。一个可能的解释是由不同的力大小和激活肌肉的数量在每个情况下由于光纤传感器实际测量的整体受力分析所有封闭的肌肉。分类也成功关于姿势F和G,特点是相同的配置除了无名指弯曲或扩展,分别展示该技术能力单个数字的运动跟踪。最后,你可以观察到总体敏感性造成N减少由于手头中性配置变化,正如前面解释道。

编译不同的方法评估的手势myographic技术总结了表3。必须要强调的一点是,表的目的3仅仅是信息之间的直接比较技术应该考虑在相同条件下的实验和分析。

利用面肌电信号的识别手姿势已经提出了几个工作,观察到(36),这是基于2电极结合线性贝叶斯分类器应用于评估16手配置,提供~ 85%平均精度。另一个研究表明5面肌的组合电极和一个3 d加速计来确定18姿势,包括动态手势(37]。通过应用隐马尔科夫模型数据融合技术,可以获得97.6%的平均精度。与力学分析,为肌电信号处理需要从嘈杂的数据特征提取,有必要提高测量的检测方案和增加渠道以达到更高的命中率。

详细对比表和消费品也提出了(18),电气测量进行了10电极排列沿着一条,而肌肉机械力量得到使用6 FSR附加到一个矫正法。系统检测识别单个手指的弯曲和岭回归方法,收益归一化均方根误差(nRMSE)从10到20%。尽管类似的表演,面肌电极通常更昂贵比FSR不稳固,使机械方法更适合消费者应用程序。此外,消费品不需求带来的波形特征提取分类,如图所示在目前的研究。

关于消费品实现,在19),一个8 FSR带是用于区分6手势,包括屈肘和手腕旋转。基于电子机器学习分类器,92.33%的准确率提供了实时性能的方法。另外,17手姿势组成组合的识别提出了弯曲的手指在12]。系统设计使用32 FSR插座由支持向量机和信号处理,收益率> 99%的准确率。然而,这种方法需要过多的压阻传感器和信号通道,让他们实现更复杂的拟议的工作相比,在测量可以只使用3传感器来完成。

最后,对前一版本的光纤消费品传感器(25),使用4微弯传感器的测量进行了基于specklegram审讯和安处理。关于识别精度达到89.9% 11个人手指弯曲的手势,但后天斑纹字段是强烈影响机械和热扰动沿纤维长度,所以系统必须定期调整。此外,提出了灰度的方法是更健壮的和可以实现一个更简单的设置。

虽然光纤消费品传感器提出了有前景的结果,某些方面的分析必须考虑更全面的姿势。例如,识别的角度位移由一个特定的手指关节需要利用额外的传感器和更密集的校准,由于数字的个人运动通常是有界不同的肌肉。此外,由于前臂屈肌的分层结构和两种,每一块肌肉的激活不能检索分离形式通过使用消费品传感器,因此有必要结合来自多个传感器的信息为了正确估计手的动作。幸运的是,应用程序相关的假肢控制和人机交互可以有效地实现根据事件驱动的有限状态机(edf) [38];因此,多个机械手操作可以由一组有限的输入手的姿势。

最后,值得注意的是,必须重复校准时传感器连接到用户前臂由于传感器特性可以影响他们的位置和预加载应用水平。在这种背景下,一个交互式的界面可以实现传感器校准,用户的请求执行预定义的动作生成数据库应用于安分类器训练。一旦完成这个初步的步骤,消费品传感器可以用于检索手势,直到没穿衣服或者传感器系统是关闭的。为了使这个过程更乏味,可以使用缩写词的处理时间早停止训练常规或减少类的数量(姿势),适用于edf控制方法。

4所示。结论

光纤消费品传感器被成功地应用于识别手姿势基于一个简单和低成本的设备。9手势进行的分析灵敏度和准确性分别占98.4%和99.7%的平均6个科目,与表设置。与其他消费品方法相比,基于FSR数组,该方法只使用3传感器实现,而不需要信号特征提取中的应用程序。此外,相比之前的纤维specklegram传感器设置,当前系统更健壮且容易实现,作为光信号由机械振动和温度波动的影响较小,可以处理和数据根据平均强度值;因此,没有必要计算输出散斑的空间信息领域。

尽管有前景的结果,更多的发展可能是必要的为了检测个人的手关节运动,以及补偿肘屈曲的影响,前臂旋后,和的大小控制军队的成就中运动,导致传感器校准曲线的偏差。

目前的应用提出了多点的控制技术在仿生假肢是正在开发的39]。根据初步研究,光纤消费品传感器系统能够提供实时响应识别4键姿势,被用于根据一个edf机器开关的操纵行为。在这种背景下,进一步的研究将集中在改善消费品传感器可靠性和实用的设计实现该技术领域的人机交互。

的利益冲突

作者宣称没有利益冲突,关于这篇文章的出版。

确认

这项工作是支持的圣保罗研究基金会(FAPESP)必须占州政府批准号2014/25080-0,部分被蹂躏Nacional de Desenvolvimento Cientifico e学府(CNPq),并在一定程度上通过Coordenacao para Melhoria Pessoal做教学优越(披肩)。