吳常鋮 熊鵬文 曾洪 徐寶國 宋愛國

假手是一類典型的人機交互設備,對于輔助手臂截肢患者恢復手部功能有著重要的作用.針對殘疾人的需求,國內外學者開展了大量的研究工作[1?5],研制了眾多的假手,包括:美容師式假手、拉索控制式假手、開關控制電動假手、肌電控制假手.其中基于肌電控制的假手由于動作自然、符合人體的操作習慣而受到廣泛的關注.

為全面描述肌電假手的控制過程,Losier提出了一種包含3個大層共8個子層的肌電假手控制模型[6],該模型明確了肌電假手各個環(huán)節(jié)的任務和功能.按可活動關節(jié)的數量分類,肌電假手可以分為單自由度假手和多自由度假手,目前學者更多地關注多自由度假手的研究.基于肌電信號的多自由度假手研究中,常用的方法有人工神經網絡(Arti ficial neural network,ANN)[7?9]、支持向量機 (Support vector machines,SVM)[9?12]、局部加權投影回歸(Locally weighted projection regression,LWPR),線性映射等,這些方法的目的都是在于尋找一種從肌電信號特征到人體肢體動作的映射關系.國內外學者利用多層感知器網絡(Multi-layer perception network,MLP)[13?18]和遞歸神經網絡(Recurrent neural network)在該領域做了大量的研究.此外,文獻[19]基于肌電信號的生成模型并采用非負矩陣分解方法(Nonnegative matrix factorization,NMF)從多通道肌電信號中同步識別肢體的多關節(jié)運動信息;文獻[16,20?22]采用線性分類方法實現(xiàn)上肢多關節(jié)的同步運動識別,并將線性分類識別的結果與MLP、ANN和SVM的識別結果進行比較,其結果顯示線性映射的訓練時間遠遠小于ANN、SVM等復雜的方法所需的訓練時間,同時線性映射方法也表現(xiàn)出了較好的運動意圖識別效果.

總結現(xiàn)有研究文獻,多自由度肌電假手的控制依賴于多通道的肌電信號,對于截肢后肌肉出現(xiàn)萎縮、截肢部位較高等情況的患者,他們手臂上殘留的可以進行肌電信號測量的部位較少,無法采用多個傳感器測量多路信號來進行動作模式的識別,給假手的使用帶來困難.本文針對這一類患者的需求,提出了一種基于腦電信號(Electroencephalogram,EEG)與表面肌電信號(Surface electromyogram signal,sEMG)結合的假手控制策略.本文采用1個便攜式腦電傳感器和1個表面肌電傳感器實現(xiàn)了二自由度假手的控制.腦電傳感器用于捕獲頭部前額區(qū)域的EEG信號,將從中提取到的眨眼信息用于假手動作的編碼;表面肌電傳感器用于捕獲手臂上的肌電信號,經過處理后用于估計手部動作的強度;為了實現(xiàn)EEG和sEMG在假手控制中的協(xié)同工作,設計了用于觸覺反饋的振動袖帶,袖帶可向佩戴者提供假手當前的動作模式,便于佩戴者及時調整假手的控制模式以達到最佳控制效果.

1 控制策略設計

EEG是人機交互中常用的一種信號,基于EEG的假手控制,最大的優(yōu)勢在于不受限于肢體的殘疾程度,即使是手臂高位截肢的殘疾人,只要其腦功能完整,能夠發(fā)出肢體的控制指令就可以利用EEG來實現(xiàn)假手的控制.但是,與sEMG相比,基于EEG的肢體運動意圖識別準確率較低,存在較大的隨機性,表情、情緒、注意力等的改變都會影響到大腦產生的EEG信號.為此,本文提出一種基于EEG和sEMG協(xié)同控制假手的方法.

本文設計的假手控制策略框圖如圖1所示,主要包括基于EEG的動作類型判別、基于sEMG的動作強度估計和動作類型的觸覺提示等幾個部分.

圖1 控制策略框圖Fig.1 Diagram of the control strategy

首先,當用戶需要控制假手時,根據預先編碼做出相應的動作,控制器根據EEG信號進行特征提取和動作類型判別.然后通過觸覺反饋將動作的類型反饋給用戶,用戶在接收到觸覺反饋后可以根據需要對動作進行確認和取消;若用戶確認,則控制器根據sEMG信號對動作的期望強度進行估計,并控制假手動作的強度;若用戶取消,則控制器重新檢測用戶期望的動作類型.

1.1 動作類型編碼

在測試者的頭皮粘貼導電電極來捕獲信號是腦電信號測量的常用方法,這種方法需要專業(yè)人士操作,且操作過程復雜、測量設備龐大,給實際應用帶來了不便.本文采用Neurosky公司生產的便攜式測量設備MindWave進行腦電信號的測量,由于MindWave只在測試者前額設置一個測量點,因此很難從測量得到的信號中提取到腦部的運動想象信號.通過觀察信號發(fā)現(xiàn),眨眼動作的信號可以在MindWave的測試中明顯地體現(xiàn)出來,因此本文擬從測試者前額的EEG信號中提取眨眼動作的信息,并將單位時間內檢測到的眨眼信息用于假手動作的編碼.

本文設計基于單位時間內眨眼次數的假手動作編碼,如圖2和表1所示.動作編碼分兩個環(huán)節(jié)進行,第一環(huán)節(jié)為手爪動作和手腕動作的判別,第二環(huán)節(jié)為具體動作類型(手爪張開、合,手腕順、逆旋轉)的判別.后續(xù)實驗中本文選擇單位時間長度為2s.

圖2 動作編碼環(huán)節(jié)Fig.2 Process of the motion coding

當用戶有手部動作需求時,根據預設的編碼作出相應的眨眼動作,控制器通過分析EEG信號的特征來進行動作的判別.本文選取方差作為特征來進行眨眼動作的檢測.

表1 單位時間內眨眼次數與假手動作類型的關系Table 1 The relationship between the blink times and the motion type of the prosthetic hand

其中,Et為當前采樣時刻的EEG信號,N為窗口長度,AE為EEG信號的均值.

MindWave測量得到的EEG信號以及信號的方差如圖3所示.通過統(tǒng)計EEG方差信號中極值點的數量即可得到單位時間內受試者的眨眼次數.

圖3 MindWave測量得到的EEG信號及其方差Fig.3 EEG signal and its variance

1.2 動作強度估計

表面肌電信號(sEMG)是由肌肉興奮時所募集的運動單元產生的一個個動作電位序列(Motor unit action potential trains,MUAPT)在皮膚表面疊加而成,是一種非平穩(wěn)的微弱信號.它既與肌肉本身的組織生理特性有關,也與神經控制系統(tǒng)有關.

由于肌電信號存在很強的個體差異,不同測試者在手臂相同位置測量得到的肌電信號差異較大;測量部位不確定,同樣會帶來肌電信號的差異,如圖4所示,在人體手臂尺側腕屈肌上粘貼兩個肌電傳感器,測量得到的兩路信號如圖5所示,從圖中可以看出,同一佩戴者在其手臂同一塊肌肉不同位置測量得到的肌電信號是存在差異的,而在使用過程中,傳感器在手臂上的貼合位置不可避免地會發(fā)生變化,這導致使用過程中肌電信號會發(fā)生變化;此外由于環(huán)境溫、濕度的變化會引起傳感器和皮膚之間阻抗的變化,從而導致測量得到的肌電信號發(fā)生變化.這些因素導致殘疾人在安裝佩戴假手時,需要先對其殘臂上的肌電信號進行測量,然后根據其肌電信號的強度對假手的控制參數進行調整,并且往往需要經過一段較長時間的訓練和適應,佩戴者才能夠較為靈活地控制假手.而且對于同一個佩戴者,在使用假手一段時間后,其假手的控制參數也可能需要重新進行調整,這給假手的使用帶來極大的不便.

圖4 肌電傳感器貼合位置示意圖Fig.4 Sketch of the measurement locations of the sEMG sensors

圖5 同一塊肌肉不同位置測量得到的兩路肌電信號Fig.5 Two channels of sEMG captured from different locations of the same muscle

為了消除肌電信號個體差異和傳感器測量位置差異等因素給假手控制帶來的不便,本文采用自適應方法進行假手開合速度/握力的估計[23],如圖6所示.圖6中傳感器采集得到肌電信號經過絕對值均值處理后送入肌電記錄器,肌電記錄器實時記錄并更新肌電絕對值均值的最大值和最小值,并將其用于調整比例因子KE.

圖6 基于肌電信號的手部動作強度估計Fig.6 Action strength estimation based on sEMG

傳感器采集得到原始肌電信號,在幅值上表現(xiàn)出很強的隨機性,無法直接用于假手的控制.肌電信號的絕對值均值(Mean absolute value,MAV)是能夠直觀地反映出肌肉的收縮強度的一個時域特征,因此本文選用MAV進行動作強度的估計,MAV的計算如下:

其中,EMG(i)為第i個采樣時刻采集得到的肌電信號,N為滑動窗口的長度.

設計調節(jié)因子KE為

其中,K為預設的常數,MaxE和MinE分別為肌電絕對值均值的最大值和最小值.MaxE和MinE的更新過程如下:

步驟1.計算MAV的均值

其中,MAV(t)為當前采樣時刻的 MAV值,MAV(t?n)為前n采樣時刻的MAV值.

步驟2.數據更新

為了減少假手佩戴者的手臂在放松狀態(tài)下由于微小干擾而造成假手誤動作,在動作強度估計中增加了去抖動環(huán)節(jié)f(E)[24].

其中,E0為手臂放松狀態(tài)下測量得到的肌電信號的絕對值均值.

動作強度的估計值為

將Fd對應于假手手爪的開合速度、握力、手腕旋轉速度,即可實現(xiàn)假手動作強度的控制.對于手爪而言,在自由空間內Fd對應于手爪的期望開合速度,在約束空間內對應于手爪的期望握力;對于手腕而言,Fd對應于手腕的旋轉速度.本文后續(xù)實驗中采用文獻[25]中所述的基于剛度模糊觀測的反演控制方法進行假手動作的控制.

1.3 觸覺提示

人體皮膚表面分布有大量的觸覺感受器,能夠感知外界的刺激.在觸覺刺激的研究中,常用的方法有電刺激、頂針刺激、熱刺激和振動刺激等,其中機械振動刺激是一種較為理想的觸覺刺激方式,其裝置簡單小巧、感知舒適性好、響應速度快、可調范圍大、平均功耗低、一致性好且易于驅動控制.振動刺激裝置產生的機械振動作用于人體不同部位皮膚,可以通過控制機械振動信號的波形、頻率、幅值和作用方式等產生不同的觸覺刺激.因此,本文選擇振動刺激來實現(xiàn)向人體進行信息反饋.

為了便于使用,本文將觸覺提示裝置設計成袖帶形式,如圖7所示,主要包括4個微型振動器、振動器驅動模塊、控制模塊、藍牙模塊以及鋰電池等.藍牙模塊接收假手當前的動作信息并輸入控制模塊,控制模塊根據接收到的信息輸出相應的振動編碼控制振動器的振動.振動器在袖帶上的位置可以根據需要進行調整,使用時將袖帶綁在測試者的上臂,調整振動器的位置即可得到如圖8所示的振動器分布.

圖8 振動器分布示意圖Fig.8 Distribution sketch of the vibrators

振動器是本文觸覺提示裝置的核心,選用振動型空心杯電機作為振子,直徑10mm,厚度4mm,該電機最大工作電壓為5V,最大工作電流100mA,由脈沖寬度調制PWM控制.本文依據前人研究采用頻率100Hz,占空比50%,電平5V的PWM控制振動器的振動[26].

本文設計振動袖帶的目的在于實現(xiàn)EEG和sEMG對假手的協(xié)同控制.為了便于測試者準確把握假手當前的狀態(tài),設計了6種振動刺激編碼用于向佩戴者反饋假手當前的工作狀態(tài).如圖9所示,設計的6種振動刺激分別對應于手爪動作、手腕動作、手爪閉合、手爪張開、手腕順時針旋轉、手腕逆時針旋轉.

圖9 觸覺反饋提示編碼Fig.9 Coding of the tactile feedback

2號和4號振子同時振動代表動作類型為手爪開合動作,只有2號振子振動代表動作類型為手爪的閉合動作,只有4號振子振動代表動作類型為手爪的張開動作.

1～4號振子同時振動代表動作類型為手腕的旋轉動作,4個振子的振動順序為1-2-3-4時代表動作類型為手腕的逆時針轉動,4個振子的振動順序為1-4-3-2時代表動作類型為手腕的順時針旋轉.

圖10為本文設計的EEG和sEMG協(xié)同控制流程.控制器首先進行手爪動作和手腕動作的判別,并給出相應的觸覺提示,隨后進行具體動作類型(手爪張開、合,手腕順、逆旋轉)的判別.

以手爪閉合動作為例,用戶首先眨眼兩次,觸覺反饋系統(tǒng)會控制振動袖帶中2號和4號振子振動,提示用戶當前為手爪動作;用戶繼續(xù)眨眼三次,觸覺反饋系統(tǒng)會控制振動袖帶中2號振子振動,提示用戶當前為手爪閉合動作;隨后控制器根據sEMG信號對動作的期望強度進行估計,并控制假手動作的強度;閉合動作完成后,用戶只需再眨眼三次即可停止當前的動作.

2 實驗

為驗證該控制策略的可行性,進行了實驗.10名健康受試者(5男,5女;年齡:22～29歲)參與了本文實驗.實驗包括動作編碼實驗、觸覺感知實驗和假手取物實驗.實驗場景如圖11所示.

實驗中采用MindWave測量EEG信號,如圖12所示,該設備將一個干電極貼合在測試者前額部位進行EEG信號的測量,設備通過藍牙接口實時輸出采樣率512Hz的腦電信號.

實驗中采用實驗室自行研制的表面肌電傳感器進行sEMG信號的測量,如圖13所示.該傳感器在一個3.5cm×5cm的塑料板上設置兩個用于連接電極片的按扣,兩個按扣的中心距為2.5cm,所用的電極片為上海鈞康醫(yī)用設備有限公司生產的JK-1(A)型一次性電極片,該電極片由Ag/AgCl電極板、導電膠和背襯等組成,背襯粘貼面積為3.4cm×4.8cm,能夠很好地滿足粘貼要求.使用時將該傳感器粘貼在手臂肱側腕屈肌皮膚表面即可進行肌電信號的測量,實驗中設置sEMG信號的采樣率為512Hz.

實驗中所用的假手為實驗室與丹陽假肢廠有限公司聯(lián)合研制的假手,如圖14所示.該假手為二自由度假手,由兩個直流電機分別控制手爪開合機構和手腕旋轉機構的動作,戴上硅膠手套后該假手具有與自然人手一樣的外形.

2.1 動作編碼實驗

動作編碼實驗過程中,受試者根據電腦屏幕的動作提示,結合圖2和表1所示的編碼流程進行眨眼動作.電腦屏幕隨機輸出4種動作提示,每種動作輸出25次,對于每個電腦屏幕給出的動作,要求受試者在5秒鐘內完成相應的眨眼動作.圖15為某受試者對手爪閉合動作進行眨眼編碼時測量得到的EEG數據.

圖10 EEG和sEMG協(xié)同控制流程圖Fig.10 Flow chart of the coordinated control based on EEG and sEMG

圖11 實驗場景Fig.11 Experimental scene

圖15中,T1時間段內眨眼兩次代表選擇的動作為手爪動作,T2時間段內振動袖帶中的2號和4號振動器會發(fā)生振動提示用戶當前的動作類型為手爪動作,T3時間段內眨眼3次代表選擇的動作為手爪閉合,T4時間段袖帶中的2號振動器會發(fā)生振動提示用戶當前動作為手爪閉合,T5時間段內眨眼3次代表取消了手爪的動作.

統(tǒng)計10位受試者的實驗結果如表2所示.從表2可以看出,10位受試者對手部4個動作進行眨眼編碼的平均正確率均達到92%以上,受試者可以很好地通過眨眼來實現(xiàn)手部動作的編碼.

圖12 EEG測量設備Fig.12 EEG measuring device

圖13 表面肌電傳感器Fig.13 sEMG sensor

圖14 兩自由度假手Fig.14 Two DOF Prosthetic hand

圖15 對手爪閉合動作進行眨眼編碼時測量得到的EEGFig.15 EEG captured in the process of blink coding of the hand closing

2.2 觸覺感知實驗

將振動袖帶佩戴于受試者的上臂,觸覺感知實驗過程中(如圖8所示),計算機通過藍牙接口隨機向振動袖帶發(fā)送6種振動編碼,每種編碼發(fā)送20次,受試者根據自身感覺記錄當前振動編碼對應的動作類型.統(tǒng)計10位受試者的實驗結果如表3所示.從表3可以看出,10位受試者對手部動作的觸覺編碼感知的平均正確率均達到98.33%以上,受試者可以很好地分辨出4種手部動作對應的觸覺編碼.

2.3 假手取物實驗

進行動作編碼實驗和觸覺感知實驗后,進行了假手取物實驗,即受試者采用本文提出的控制策略控制假手抓取物體.實驗前每位受試者有5分鐘時間熟悉假手的控制,實驗內容分為硬物抓取實驗和紙杯抓取實驗,如圖16所示.

表2 手部動作識別結果Table 2 Results of the hand motion recognition experiments

表3 觸覺感知實驗結果Table 3 Results of the tactile perception experiments

硬物抓取實驗:要求每位受試者控制假手抓取并移動重量為200g的砝碼20次,砝碼掉落視為抓取失敗,統(tǒng)計10位受試者的實驗結果如表4所示.

紙杯抓取實驗:要求每位受試者控制假手抓取并移動裝有水的紙杯20次,紙杯掉落或杯中的水溢出視為抓取失敗,統(tǒng)計10位受試者的實驗結果如表5所示.

圖16 物品抓取實驗場景Fig.16 Experimental scene of the grasping objects

表4 砝碼抓取實驗結果Table 4 Results of the grasping weights

表5 紙杯取實驗結果Table 5 Results of the grasping paper cups

從表4和表5可以看出,在硬物(砝碼)的抓取實驗中,10位受試者的抓取成功率均達到90%以上,在紙杯的抓取實驗中,10位受試者的抓取成功率均達到70%以上.紙杯抓取實驗的成功率明顯低于砝碼抓取實驗的成功率.紙杯抓取過程中受試者由于緊張等因素易造成手臂上的sEMG出現(xiàn)波動,從而導致將抓取失敗.

3 結論

本文針對殘臂較短或殘臂上肌電測量點較少的殘疾人使用假手的需求,提出了一種基于EEG和sEMG協(xié)同處理的假手控制策略,僅用1個肌電傳感器和1個腦電傳感器實現(xiàn)了多自由度假手的控制.從頭部前額捕獲腦電信號并從中提取出眨眼動作信息,提取得到的眨眼動作信息用于假手動作的編碼;從人體手臂上獲取肌電信號,經過自適應處理后用于估計手部動作的強度;設計用于觸覺反饋的振動袖帶,可將假手當前的動作類型反饋給假手的佩戴者,佩戴者在振動袖帶的幫助下可以及時把握當前假手的動作模式,以便更好地控制假手.為驗證該控制策略的有效性,進行了實驗,實驗結果表明本文提出的方法具有有效性.

References

1 Maat B,Smit G,Plettenburg D,Breedveld P.Passive prosthetic hands and tools:a literature review.Prosthetics and Orthotics International,2018,42(1):66?74

2 Clement R G E,Bugler K E,Oliver C W.Bionic prosthetic hands:a review of present technology and future aspirations.The Surgeon,2011,9(6):336?340

3 Brunelli D,Tadesse A M,Vodermayer B,Nowak M,Castellini C.Low-cost wearable multichannel surface EMG acquisition for prosthetic hand control.In:Proceedings of the 6th IEEE International Workshop on Advances in Sensors and Interfaces.Gallipoli,Turkey:IEEE,2015.94?99

4 Tong Li-Na,Hou Zeng-Guang,Peng Liang,Wang Wei-Qun,Chen Yi-Xiong,Tan Min.Multi-channel sEMG time series analysis based human motion recognition method.Acta Automatica Sinica,2014,40(5):810?821(佟麗娜,侯增廣,彭亮,王衛(wèi)群,陳翼雄,譚民.基于多路sEMG 時序分析的人體運動模式識別方法.自動化學報,2014,40(5):810?821)

5 Wu C,Song A,Ji P.A control strategy for prosthetic hand based on attention concentration and EMG.In:Proceedings of the 8th International Conference on Intelligent Robotics and Applications.Portsmouth,UK:Springer,2015.307?318

6 Losier Y G.Shoulder Complex Motion Based Input Strategies for Prosthetic Limb Control[Ph.D.dissertation],University of New Brunswick,Canada,2009.

7 Tamura H,Gotoh T,Okumura D,Tanaka H,Tanno K.A study on the S-EMG pattern recognition using neural network.International Journal of Innovative Computing,Information and Control,2009,5(12):4877?4884

8 Caesarendra W,Lekson S U,Mustaqim K A,Winoto A R,Widyotriatmo A.A classi fication method of hand EMG signals based on principal component analysis and arti ficial neural network.In:Proceedings of the 2016 International Conference on Instrumentation,Control,and Automation(ICA).Bandung,Indonesia:IEEE,2016.22?27

9 Yang S X,Yang G Y.Emotion recognition of EMG based on improved L-M BP neural network and SVM.Journal of Software,2011,6(8):1529?1536

10 Elhariri E,El-Bendary N,Hassanien A E.A hybrid classi fication model for emg signals using grey wolf optimizer and SVMs.In:Proceedings of the 1st International Conference on Advanced Intelligent System and Informatics(AISI2015).Cham,Germany:Springer International Publishing,2016.297?307

11 Alkan A,Günay M.Identi fication of EMG signals using discriminant analysis and SVM classi fier.Expert Systems with Applications,2012,39(1):44?47

12 Li N,Yang D P,Jiang L,Liu H,Cai H G.Combined use of FSR sensor array and SVM classi fier for finger motion recognition based on pressure distribution map.Journal of Bionic Engineering,2012,9(1):39?47

13 Ziai A,Menon C.Comparison of regression models for estimation of isometric wrist joint torques using surface electromyography.Journal of Neuroengineering and Rehabilitation,2011,8:Article No.56

14 Nielsen J L G,Holmgaard S,Jiang N,Englehart K,Farina D,Parker P.Enhanced EMG signal processing for simultaneous and proportional myoelectric control.In:Proceedings of the 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Minneapolis,MN,USA:IEEE,2009.4335?4338

15 Nielsen J L G,Holmgaard S,Jiang N,Englehart K B,Farina D,Parker P A.Simultaneous and proportional force estimation for multifunction myoelectric prostheses using mirrored bilateral training.IEEE Transactions on Biomedical Engineering,2011,58(3):681?688

16 Fougner A,Kyberd P J,Stavdahl ?.EMG feature selection for simultaneous proportional control of multifunctional upper-limb prostheses.In:Proceedings of the 13th World Congress of the International Society for Prosthetics and Orthotics(ISPO).Leipzig,Germany:ISPO,2010.

17 Pulliam C L,Lambrecht J M,Kirsch R F.Continuous and simultaneous EMG-based neural network control of transradial prostheses.In:Proceedings of the 2011 MEC011 conference.Fredericton,Canada:University of New Brunswick,2011.

18 Muceli S,Farina D.Simultaneous and proportional estimation of hand kinematics from EMG during mirrored movements at multiple degrees-of-freedom.IEEE Transactions on Neural Systems and Rehabilitation Engineering,2012,20(3):371?378

19 Jiang N,Englehart K B,Parker P A.Extracting simultaneous and proportional neural control information for multiple-DOF prostheses from the surface electromyographic signal.IEEE Transactions on Biomedical Engineering,2009,56(4):1070?1080

20 Fougner A L.Proportional Myoelectric Control of a Multifunction Upper-Limb Prosthesis[Master dissertation],Institutt for Teknisk Kybernetikk,Norway,2007.

21 Kyranou I,Krasoulis A,Erden M S,Nazarpour K,Vijayakumar S.Real-time classi fication of multi-modal sensory data for prosthetic hand control.In:Proceedings of the 6th IEEE International Conference on Biomedical Robotics and Biomechatronics(BioRob).Singapore,Singapore:IEEE,2016.536?541

22 Geethanjali P.A mechatronics platform to study prosthetic hand control using EMG signals.Australasian Physical and Engineering Sciences in Medicine,2016,39(3):765?771

23 Wu C C,Song A G,Ling Y,Wang N,Tian L.A control strategy with tactile perception feedback for emg prosthetic hand.Journal of Sensors,2015,2015:Article No.869175.

24 Wu Chang-Cheng,Song Ai-Guo,Zhang Hua-Tao.Adaptive fuzzy control method for EMG prosthetic hand.Chinese Journal of Scienti fic Instrument,2013,34(6):1339?1345(吳常鋮,宋愛國,章華濤.一種肌電假手的自適應模糊控制方法.儀器儀表學報,2013,34(6):1339?1345)

25 Wu Chang-Cheng,Song Ai-Guo,Zhang Hua-Tao,Feng Chao.A backstepping control strategy for prosthetic hand based on fuzzy observation of stiffness.Robot,2013,35(6):686?691(吳常鋮,宋愛國,章華濤,馮超.基于剛度模糊觀測的假手反演控制策略.機器人,2013,35(6):686?691)

26 Sherrick C E.A scale for rate of tactual vibration.Journal of the Acoustical Society of America,1985,78:78?83