【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、皮膚表面電極から検出された筋電信号を高速フ―リエ変換して周波数解析したパタ―ンを神経回路網によって認識して、指曲げ角度認識値で制御動作を行う学習型筋電パターン認識ロボットハンド制御装置に関する。

【０００２】

【従来の技術】筋電信号によって人工の手としてのロボットハンドまたは義手を制御する着想は、Ｎ． Ｗinerによって１９４８年に発表され（Ｃybernetics，Ｔhe
Ｍ． Ｉ． Ｔ． Ｐress， １９４８年参照）、その後、
種々の装置が実際に開発された。 筋電義手について鑑みれば、切断部位断端の筋電位により義手操作を制御する方法であり、通常、断端から数対の皮膚表面電極を介して１００ないし１０００マイクロボルト程度の筋電位を検出し、増幅器で増幅して電気的前処理（整流、平滑化等）を行い、処理後の信号を認識、識別することにより義手の手先具の手指または間接継手の動作を制御するものであり、世界的に普及している。

【０００３】従来の筋電義手は、研究レベル、実用レベルを問わず、動作制御の対象とする目的において２種類に大別される。

【０００４】第１は、検出された筋電から制御する対象として前腕用手先具の動作を目的とするもので、通常、
機能を１自由度に限定して義手（手先具）の手指の動作の開閉を行うことを対象とする。

【０００５】１自由度の制御方法は、オン・オフ制御方式、比例制御方式の２種が代表的である。

【０００６】オン・オフ制御方式では、断端部の残存屈筋と伸筋の２箇所の電極から検出された筋電から同相のノイズ信号を除去し、整流、平滑化した２つの信号から差信号を作り、義手手指の開閉を行うものである（日本整形外科学会、日本リハビリテ―ション医学会編集、義肢装具のチェックポイント、医学書院、１９８７年、第５９頁〜第６８頁参照）。

【０００７】比例制御方式は、積分した筋電信号と筋緊張との間には、ほぼ比例関係が成り立つという神経生理学的に公知の事実を利用して、義手手指の開閉速度、把持力の調整を行う方式である。 比例制御方式は、パルス幅変調を利用するもので、筋電信号が弱いと義手開閉動作用モ―タは僅かな時間オンになり、筋収縮が増すとオンの時間が長く、パルス幅も大きくなり、モ―タ回転数がより増して義手手指の開閉速度が速くなるものである。

【０００８】このようなオン・オフ制御方式および比例制御方式は、いずれも整流、平滑化された筋電信号に対し、しきい値を設定してスイッチングするものであって、装着時にしきい値を設定してしまうと、装着者の体調や、切断後の時間経過に伴う筋電のレベル変化に対応できずに、装着者の意図通りに動かないという問題がある。

【０００９】通常、筋電義手の装着までの訓練過程において、幻肢の手関節の屈曲運動を行い、片側切断では、
健常側上肢、切断肢ともに前に出して、上記運動を行わせ、筋電検出計を装着予定者に観察させながら、義手の筋電識別回路の認識するレベルに適合する筋電がでるように訓練させる。 しかしながら、訓練しても屈筋、伸筋の２チャンネルの筋電が別々に弁別して発生することのできない装着予定者は、筋電義手を扱う対象とならないという前腕切断者にとっては死活問題とさえいえる欠点がある。

【００１０】第２は、検出された筋電から同時に何自由度制御するかに重点をおく方式であり、肩甲胸郭切断等の高位切断者を対象とした上腕用義手の制御を目的とするものである。

【００１１】多自由度制御のための筋電識別方法の１つに、多電極から検出された筋電信号を平滑、整流して、
一定時間毎に時間平均した信号をパ―セプトロンに入力し、動作を教師信号として与えて学習させる例がある（鈴木良次、末松辰美、Ｌink−８を用いた筋電流パタ―ンの学習識別、医用電子と生体工学、第７巻、第１
号、１９６９年、第４７頁〜第４８頁参照）。 この例では、皮膚表面電極を相違なる３ケ所の筋肉の直上に装着して、７種類の動作を識別させたが、パ―セプトロンの線形分離不可能なパタ―ン分離ができない性質により、
電極の装着位置や、動作の種類が増すと実用的に動作識別ができないという問題がある。

【００１２】多自由度制御のための筋電識別方法の他の例としては、前記例と同様に、相異なる４ケ所の筋肉の直上に皮膚表面電極を装着して、整流平滑処理した筋電に対して、１次の線形識別関数によって肩の５種の動作識別を試みた例があるが（谷和男、他７名、義手制御のための筋電パタ―ン識別学習、バイオメカニズム５、東京大学出版会、１９８０年、第８８頁〜第９５頁参照）、学習筋電パタ―ンが多くなると、識別関数の収束に時間がかかり、線形分離できない場合が多かったり、
学習パタ―ン、認識用パタ―ンともにノイズがはいると、学習が収束しなかったり、または動作を認識できないというような問題がある。

【００１３】前記２つの多自由度制御の方法では、多動作識別において多チャンネルの電極の装着を必要とする問題が共通してある。

【００１４】多自由度制御のための筋電識別方法の第３
番目の従来技術として、同一部位からの筋電が動作により相異なる周波数特性を示す事実を利用して、前腕とう側手根屈筋から検出した１チャンネルの筋電に帯域フィルタをかけて、１０分割した筋電の周波数スペクトルに対して１次および２次の線形識別関数によって４種類の前腕の動作識別を試みた例があるが（榊原久司、他３
名、筋電の周波数情報を用いた多機能前腕義手の制御、
バイオメカニズム４、東京大学出版会、１９７８年、第１３１頁〜第１３８頁参照）、線形識別関数を使用しているために、識別関数の学習用筋電パタ―ンを作成するにあたって、通常、協調動作で行われている手の動作を単純な動作に分解して、手の動作を行うように、被験者が訓練しなければならないという問題がある。 但し、本例では、筋電の周波数特性が筋収縮力の強弱、筋疲労によっての変化が小さいという特性を利用しているので、
動作識別における再現性がよいという利点がある。

【００１５】

【発明が解決しようとする課題】以上、手指開閉動作制御を目的とした１自由度の制御方法および上腕または前腕の動作を目的とした多自由度の制御方法はともに、従来の学習能力のない筋電の認識、識別方法によって動作させる方法であり、装着者自身が認識、識別装置に適合する筋電が発生できるように自分自身が既に形成したボディイメ―ジ（成長によって獲得された自分の意志に応じて体の各部位の筋肉の協調動作を無意識的に行う能力）を再構成しなおさなければならないという問題がある。 また、筋電を認識、識別して手の動作パタ―ンに変換する過程に学習機能を持たせた従来の線形識別関数またはパ―セプトロンによる方法では、識別すべき動作パタ―ンが多くなると、パタ―ンが線形分離できない確率が高くなり、動作パタ―ンの既知な筋電信号の学習時に、学習が収束しない場合が多く、特に筋電デ―タにノイズが入ると、学習が永遠に収束しない（谷和男、他７
名、義手制御のための筋電パタ―ン識別学習、バイオメカニズム５、東京大学出版会、１９８０年、第８８頁〜
第９５頁参照）ために実用的でない。

【００１６】また、学習が収束しても筋電のア―チファクト等、ノイズが混入した場合には、識別が不可能であるという問題がある。

【００１７】更に、認識、識別する動作パタ―ンが多くなると、装着すべき電極が多すぎて実用的でないという問題もある。

【００１８】また、手指動作の開閉だけでない各指の動作を分離して認識、識別することは、従来の筋電信号の識別では不可能であるという問題がある。

【００１９】こうした問題点を解決する手段として、高速フーリエ変換（ＦＦＴ）処理された筋電パターンをパターンの非線形分離能力を有する神経回路網（バックプロパゲーション）で認識する筋電制御学習型ロボットハンドが、本願出願人から提案されているが（特願平１−
１１４２１５）、その認識は、どの指を曲げたか曲げないかの２値の弁別を定常的な状況で各指について行うもので、各指の動的かつ連続した動作を、連続した指曲げ角度の認識として行うものではなかった。

【００２０】この発明は、上記に鑑みてなされたもので、その目的とするところは、認識手段として学習性と雑音に強い神経回路網を導入し、この神経回路網の学習に用いる教師信号パターンの生成をユーザの手指動作から連続して時系列的に検出して行い、各指の動的かつ連続した指曲げ動作を、連続した指曲げ角度の認識として的確に行う学習型筋電パターン認識ロボットハンド制御装置を提供することにある。

【００２１】

【課題を解決するための手段】前記目的を達成するためにこの発明は、皮膚表面電極と、この皮膚表面電極から検出された筋電信号を増幅する増幅器と、この増幅器で増幅された前記筋電信号の低周波成分および高周波成分を除去するフィルタ手段と、前記フィルタ手段で低周波成分および高周波成分を除去された筋電信号を高速フ―
リエ変換して周波数解析する高速フ―リエ変換手段と、
このフ―リエ変換手段で周波数解析された筋電信号のバンド幅別の信号成分レベルを数値マトリックスパタ―ンに変換するパタ―ン変換手段と、複数のユニットとこの複数のユニットを結ぶ重み付けのリンクとからなる学習機能を有する神経回路網で構成され、前記数値マトリックスパタ―ンを入力として、このパタ―ンに対応する指の曲げ角度デ―タを出力する認識手段と、指曲げ角度教師値を時系列的に認識する指曲げ角度教師値認識部を備えてこの指曲げ角度教師値認識部により認識された指曲げ角度教師値を教師データとして前記認識手段に出力する教師信号生成手段と、前記認識手段から出力される指の曲げ角度デ―タに基づく動作指令信号を出力するロボットハンド制御手段と、このロボットハンド制御手段から出力される動作指令信号に基づいて動作を行うロボットハンドとを有する構成としてある。

【００２２】

【作用】この発明の学習型筋電パターン認識ロボットハンド制御装置では、健常者または前腕切断者が自分自身の意図する手の運動において生じる筋電を運動に関与する筋肉の近傍に装着した皮膚表面電極によって検出し、
この検出した筋電信号を高速フ―リエ変換して、周波数解析したパタ―ンを、線形分離不可能なパタ―ンを各パタ―ンの属性別に分離する能力を有する神経回路網に、
複数回教師あり学習させる。 この学習過程において、ユーザの指曲げ角度教師値を連続して時系列的に認識する指曲げ角度教師値認識部を有し、前記指曲げ角度教師値を神経回路網に呈示するのに、サンプリングした指曲げ角度教師値を時間平均してから神経回路網に呈示するので、複数の指曲げ角度を筋電パターンから時系列的に連続して認識でき、対応する指の動作パタ―ンを認識、識別してロボットハンドを的確に制御する。

【００２３】

【実施例】以下、この発明の実施例を図面に基づき説明する。

【００２４】図１は、この発明の第１実施例に係わる学習型筋電パターン認識ロボットハンド制御装置の全体構成を示すブロック図である。 同図において、ロボットハンド操作予定者であるユーザＡは、手首の総指伸筋付近に皮膚表面電極１，３を、同手首の浅指屈筋付近に皮膚表面電極５，７をそれぞれ装着するとともに、公知の技術である指曲げ角度認識センサ付き手袋（例えば、商品名“データグローブ“、ＶＰＬ社製、手袋表面に装着された光ファイバに光を通し、ファイバの曲げに伴う光の減衰から指の関節曲げ角度を認識するもの）８をはめる。 ここで、健常者の場合には操作する方の手にはめ、
切断者の場合には残存している側の手にはめる。

【００２５】９，１１は、皮膚表面電極１，３、５，７
で検出された筋電信号ａ ₁ ，ａ ₂を増幅する増幅器、１
３，１５は増幅器９，１１で増幅された筋電信号ｂから低周波成分を遮断するロ―カットフィルタ、１７，１９
はロ―カットフィルタ１３，１５で低周波成分を遮断された筋電信号ｃから高周波成分を遮断するハイカットフィルタ、２１，２３はハイカットフィルタ１７，１９で高周波成分を遮断された筋電信号ｄを高速フ―リエ変換して周波数解析し、筋電信号パタ―ンｅに変換する高速フ―リエ変換部（ＦＦＴ）、２７は高速フ―リエ変換部２１，２３で周波数解析された筋電信号パタ―ンｅのバンド幅別の信号成分レベルを数値マトリックスパタ―ンｆに変換するマトリックスパタ―ン変換部、２９は複数のユニットとこれらのユニットを結ぶ重み付けのリンクからなる学習機能を有する神経回路網で構成され、前記マトリックスパタ―ン変換部２７からの数値マトリックスパタ―ンｆを入力として、その数値マトリックスパタ―ンｆに対応する手の動作デ―タｈを出力する認識部、
３１は、ユーザの指曲げ角度教師値を連続して時系列的に認識する指曲げ角度教師値認識部および、指曲げ角度教師値認識部で認識したユーザの指曲げ角度教師値を時間平均して前記神経回路網に呈示するインタフェース部を備え、前記認識部２９に対し教師データを生成して指曲げ角度教師信号パターンｇとして出力して指曲げ角度教師値を連続して時系列的に認識させる指曲げ角度教師値呈示インタフェース部、２５は、指曲げ角度教師値呈示インタフェース部３１での指曲げ角度処理を、同期信号ｊ，ｋ，ｍ，ｎにより筋電信号ｅの処理と同期をとるための信号統括部、３３は前記認識部２９からの手指の曲げ角度動作デ―タｈを入力し、この手指の曲げ角度動作デ―タｈに対応する動作指令信号ｉを出力するロボットハンド制御部、３５はこのロボットハンド制御部３３
からの動作指令信号ｉに基づいて手指の動作を再現するロボットハンドである。

【００２６】図２は、図１の認識部２９の神経回路網３
７による構成を示す図である。 同図において、３９は前記マトリックスパタ―ン変換部２７および指曲げ角度教師値呈示インタフェース部３１からの各信号ｆ、ｇの入出力パターンのペアを取り込む入出力パターン記憶部、
４１は入出力パターン記憶部３９から供給される数値マトリックスパタ―ンｆである認識用入力信号パタ―ン、
４３は手指の曲げ角度動作デ―タｈとして出力される出力パタ―ン、４５は前記指曲げ角度教師値呈示インタフェース部３１から供給される曲げ角度教師信号デ―タｇ
である学習用指曲げ角度教師値パタ―ン、４７は神経回路網３７の入力層ユニット、４９は中間層ユニット、５
１は出力層ユニットであり、これらの層間のリンクによる結合の重み付けが出力パタ―ン４３の結果により更新されるようになっている。

【００２７】図３（ａ）は認識部２９における神経回路網３７のユニットの入出力関係、図３（ｂ）は神経回路網３７の神経細胞ユニットの構造をそれぞれ示しており、入力層ユニット４７に入力されたバンド幅別レベルパターンに対して、出力層ユニット５１が発火する。 出力層ユニット５１は、それぞれ各指の第１，第２関節の指曲げ角度に出力が対応し、５本指各２関節で合計１０
関節である。

【００２８】図４〜図８は、高速フ―リエ変換部２１，
２３から出力される筋電信号パタ―ンｅ、すなわち高速フ―リエ変換部２１，２３で高速フ―リエ変換され、１
／３オクタ―ブ周波数解析された筋電信号パタ―ンｅを示す図であり、図４は５本の指すべてを曲げた状態の筋電信号パタ―ンｅ、図５は人差し指のみを曲げた状態の筋電信号パタ―ンｅ、図６は中指のみを曲げた状態の筋電信号パタ―ンｅ、図７は親指のみを曲げた状態の筋電信号パタ―ンｅ、図８はすべての指を開いた状態の筋電信号パタ―ンｅを示している。

【００２９】次に、上記のように構成された学習型筋電パターン認識ロボットハンド制御装置の作用を、認識部２９の神経回路網３７における学習モードと、発生した筋電信号から意図する手の動作を認識する認識モードとの２つに分けて説明する。

【００３０】まず、認識部２９の学習モードについて説明する。 ここでは、２チャンネルの皮膚表面電極１，３
および５，７の筋電信号を検出して、片側の手の指の第１，第２関節の合計１０関節の指曲げ角度を認識する例について説明する。 ユーザＡは、動作を意図する手の動作を数分間連続して行う。 このとき、健常者の場合には実際に手を動かし、前腕切断者の場合には、幻肢として手の動作を頭の中でイメ―ジしてもらうか、または皮膚表面電極１，３，５，７の装着された反対側の健常腕と実際には存在しない切断側の手をイメ―ジ上で左右対称に動かすようにする。 この動作の中で、皮膚表面電極１，３，５，７で検出された筋電信号ａ ₁ ，ａ ₂は増幅器９，１１によって増幅され、時系列筋電信号ｂとしてロ―カットフィルタ１３，１５およびハイカットフィルタ１７，１９をそれぞれ通過して低周波成分および高周波成分が遮断され、時系列筋電信号ｄとなって、高速フ―リエ変換部２１，２３に供給される。

【００３１】高速フ―リエ変換部２１，２３においては、各指のそれぞれの動作状態において検出された筋電信号ｄの１／３オクタ―ブ周波数解析され、前述した図４〜図８に示すような筋電信号パタ―ンｅに変換され、
マトリックスパタ―ン変換部２７においては、筋電信号パタ―ンｅは各バンド幅別に、その信号成分レベルが数値マトリックスパタ―ンｆに変換される。 図９はこのように各バンド幅別に信号成分レベルと手の動作の関係を示す数値マトリックスパタ―ンｆを示す一例であり、同図においてinput の次の横１行が１動作のパタ―ンに対応している。

【００３２】マトリックスパタ―ン変換部２７からの数値マトリックスパタ―ンｆは、認識部２９の神経回路網３７に入力される。 また、これと同時に認識部２９には数値マトリックスパタ―ンｆに対応した動作が、指曲げ角度教師値呈示インタフェース部３１より曲げ角度教師信号パターンｇとして与えられる。

【００３３】ここで、認識部２９に入力される数値マトリックスパターンｆと、曲げ角度教師信号パターンｇとのタイミングの対応について図９〜図１１に基づき説明する。 なお、ここでは高速フーリエ変換部２１，２３
は、時系列筋電信号ｄに対してフレーム長５００msec，
フレーム周期２５０msecで高速フーリエ変換し、一方指曲げ角度教師値のサンプリングは、毎秒３２点で行うこととする。 また、時系列筋電信号は、ハイカット周波数３０００Ｈｚ、ローカット周波数５０Ｈｚで漉波し、高速フーリエ変換部２１，２３は１／３オクターブ分析を１０バンド（中心周波数６３，８０，１００，１２５，
１６０，２００，２５０，３１５，４００，５００Ｈ
ｚ）で解析する。

【００３４】まず、図１０に示すように前述の条件下では、認識部２９は毎秒４点のパターンについて認識を行う。 時系列の筋電，教師の各信号ｆ，ｇは、図１０のように両者の観測窓が一致するように開き、それぞれが認識部２９に与えられる。 時系列筋電信号ｄは、図１０に示すように、５００msecの観測窓を開いて高速フーリエ変換部２１，２３に取り込んだものが、図４〜図８に示されるような筋電信号パターンｅとなる。 さらに、これをマトリックスパターン変換部２７によって図９のinpu
t 次の横一列の数値パターンに変換する。

【００３５】図１０において、筋電信号ｆがＥＭＧ(1)
のときは、時間的に対応する指曲げ角度教師値信号ｇ
は、Teacher (1) が対応する。 ＥＭＧ(2) ，(3) のときも同様にTeacher (2) ，(3) がそれぞれ対応する。 このとき、指曲げ角度教師値のサンプリングレートは、認識部２９のサンプリングレートとは異なるので、両者のサンプリングレートが一致するように、指曲げ角度教師値を時間平均する。 この時間平均処理は、図１１に示すように、毎秒３２点サンプリングしている指曲げ角度教師値に対して、高速フーリエ変換処理する時系列筋電信号と同じ長さの時間窓を開いて１６点の信号を取り込み、
これら１６点の信号の和の１／１６をとって時間平均する。 こうした、指曲げ角度教師値の処理は、指曲げ角度教師値呈示インタフェース部３１で信号統括部２５の同期信号ｊ，ｋ，ｍ，ｎに基づき、筋電信号ｆの処理と図１０のように同期をとりながら行う。

【００３６】図１１に示す通り、図１０のｔ(1) のときの認識部２９に対しては、図１１のｔ(1) のときの指曲げ教師値を、ｔ(2) のときの認識部２９に対してはこれに対応するｔ(2) の指曲げ教師値をそれぞれ与えるものとする。 図９は、指曲げ角度教師値を指曲げ角度教師値呈示インタフェース部３１で変換したｇと、対応する高速フーリエ変換された数値マトリックス筋電パターンｆ
を認識部２９の学習用入出力パターンとして示したものであり、teacher の次の行一列が、変換された指曲げ角度教師値パターンである。 ここでの変換は、指曲げ角度０度から１２０度を、数値−０．５から＋０．５まで比例的に変換してある。

【００３７】認識部２９における神経回路網３７の学習は、図１２のフローチャートに基づき行う。 まず、認識部２９の神経回路網３７の各ユニット間の重みと、各ユニットのオフセットを欄数で初期化する（ステップ１１
０）。 次に、ユーザは手の動作を数分間繰り返し（ステップ１２０）、前述したようにして処理された筋電信号ｆと指曲げ角度教師値ｇの入出力パターンのペアを認識部２９の入出力パターン記憶部３９に取り込む（ステップ１３０）。 手の動作が終了すると（ステップ１４
０）、入出力パターン記憶部３９から入出力パターンのペアを引き出して、神経回路網３７の学習を例えばバックプロパゲーション法（中野馨監修 “ニューロコンピュータ“ 技術評論社 １９８９年 第４７頁参照）により行い（ステップ１５０）、神経回路網３７の各ユニット間の重みの更新と、各ユニットのオフセットの更新を行う（ステップ１６０）。

【００３８】具体的には、図９に示した、入出力パターンのペアを上から下へ順々と神経回路網３７に与えて学習を行い、最後の入出力ペアに達したら、再度初めのペアから学習を繰り返すものとする（ステップ１７０〜１
９０）。 繰り返し行われた学習回数が、所定の制限回数を超えたら（ステップ２００）学習を終了する。

【００３９】次に、認識部２９の認識モード、すなわち皮膚表面電極１，３，５，７を装着してロボットハンドを制御するモードを、図１３のフローチャートに基づき説明する。 この認識モードでは、まずユーザＡは指曲げ角度認識センサ付き手袋８を外す。 ユーザが健常者の場合には、皮膚表面電極１，３，５，７を装着する側の手を動かし、切断者の場合には、幻肢により頭の中で手を動かすことをイメージする（ステップ２１０）。

【００４０】この手の動作もしくはイメージ中に皮膚表面電極１，３，５，７によって検出された筋電信号は、
学習モード時と同様に増幅器９，１１で増幅され、ロ―
カットフィルタ１３，１５およびハイカットフィルタ１
７，１９でそれぞれ低周波成分および高周波成分が遮断されて、時系列筋電信号ｄとして高速フ―リエ変換部２
１，２３に供給される。 この筋電信号ｄは，学習モードと同じ条件下で時間軸上に開いた高速フ―リエ変換の時間窓数単位毎に離散化して周波数解析され、マトリックスパタ―ン変換部２７に筋電信号パタ―ンｅとして供給される（ステップ２２０）。

【００４１】その後、筋電信号パタ―ンｅはマトリックスパタ―ン変換部２７において前述した学習モ―ドの場合と同様に数値マトリックスパタ―ンｆに変換され、認識部２９の神経回路網３７に入力される（ステップ２３
０）。 数値マトリックスパタ―ンｆは学習モ―ドにおいて既に学習したパタ―ンに基づき、対応する指の曲げ角度値を指の曲げ角度デ―タｈとして認識し（ステップ２
４０）、ロボットハンド制御部３３に出力する（ステップ２５０）。 ロボットハンド制御部３３は、指の曲げ角度デ―タｈに基づき形成した動作指令信号ｉをロボットハンド３５に出力し、ロボットハンド３５は動作指令信号ｉに基づいて手の動作を再現する（ステップ２６
０）。 使用を継続する場合には、ステップ２２０に戻って同様の動作を繰り返し（ステップ２７０）、そうでない場合には手の動作を終了する（ステップ２８０）。

【００４２】図１４は、学習済みの認識部２９に対して未学習の手の指曲げ動作の２チャンネルの筋電パターンを認識したときの、人差し指第１関節の指曲げ角度の筋電パターンによる指曲げ認識値と、同時に指曲げ角度認識センサ付き手袋（データグローブ）８によって測定した指曲げ角度の真の値とを時系列的に示した認識の一例を示す。 上記実施例による筋電パターンから認識した指曲げ角度（実線で示す）と、真の曲げ角度（破線で示す）と、よく一致しており、この発明の有効性がよく示されている。

【００４３】図１５は、図１４と同様の条件下での、筋電パターンによる指曲げ認識値と、指曲げ角度の真の値との相関関係を示した認識の一例を示している。 これによれば、両者は相関係数が０．６９１であってほぼ一致しており、この発明の有効性が示されている。

【００４４】なお、この発明は上記実施例に限定されるものではなく、例えば以下のような構成としてもよい。

【００４５】皮膚表面電極を２対の２チャンネルより増加させ、各電極からの信号を高速フーリエ変換処理して、バンド幅別レベル数値パターンに変換し、さらに神経回路網３７の入力層４７のユニット層を増やして多数対の電極からのパターンを同時に入力するようにする。

【００４６】高速フーリエ変換処理のバンド幅、バンド数を変更する。

【００４７】手指に代わりに、人体の他の部位の運動に適用する。

【００４８】バックプロパゲーション型の神経回路網以外の、線形分離不可能なパターンをパタ―ンの属性別に分離する能力を有する神経回路網を用いる。

【００４９】あらかじめ不特定多数のユーザに適合した認識部の神経回路網の重みとオフセットを固定して、学習モードの機能を省いた装置を用いる。

【００５０】図１６は、この発明の第２実施例に係わる学習型筋電パターン認識ロボットハンド制御装置の全体構成を示すブロック図である。 この実施例は、前記第１
実施例の指曲げ角度認識センサ付き手袋８の代わりに、
単数または複数の手指画像撮影カメラ（可視光カメラ、
赤外線サーモグラフィカメラなど）５３で、手指の曲げ角度を画像処理して認識し、この認識信号ｐを指曲げ角度教師値呈示インタフェース部３１に取り込むようにしたものである。 その他の構成および作用は第１実施例と同様である。

【００５１】この発明の応用分野としては、前腕切断者用の筋電義手、他部位切断者用の義手，義足などの動力義手としての福祉分野への利用、健常者を操縦者とした宇宙空間，原子力発電所格納容器内，深海，火災現場，
毒性を有する微生物の培養容器内作業などの極限作業用遠隔制御ロボットのロボットハンドの制御、遠隔手術時のロボットハンドの医師によるオペレ―ション、血管，
眼球等の微小臓器の手術時のマイクロロボットハンドの医師によるオペレ―ション、ＬＳＩデバイスなどの微小デバイスのハンドリングのためのロボットハンドの有人オペレ―ション、無人電話局，無人電波中継施設，とう道，無人変電所などの保守管理を要する施設の保守管理にあたる遠隔操縦型ロボットのロボットハンドの有人オペレ―ション、航空機パイロットの操縦装置への入力デバイスなどが考えられる。

【００５２】

【発明の効果】以上説明してきたように、この発明によれば、皮膚表面電極からの筋電信号を高速フ―リエ変換処理したパタ―ンを、線形分離不可能なパタ―ンをパタ―ンの属性別に識別し学習機能を有する神経回路網によって、手の動作種類別に教師あり学習し、学習後に神経回路網によって皮膚表面電極を装着したロボットハンド操縦者からの筋電を認識してロボットハンドを制御しているので、神経回路網のパタ―ン特徴の自動抽出，類似パタ―ンの高識別化，高耐性能力から学習モ―ド時に手の動作に直接関与する筋肉の直上に電極を位置しなくても、学習用パタ―ンが多くても、学習用パタ―ンにノイズが混入しても、学習が収束し、また識別モ―ド時に電極の位置ずれや筋電信号にノイズやア―チファクトが混入しても、数種の筋群が協調して動作して動く手の動作時に，手の動作に直接関与する筋肉の直上に電極が位置しなくても、数種の筋群から発生する筋電位が同時に非線形に干渉，混合，クロスト―クして皮膚表面に到達する皮膚表面筋電から，対応する手の指曲げ角度を認識できる。 したがって、従来不可能であった皮膚表面筋電からの手の指の曲げ角度認識による、ロボットハンドの指の曲げ角度の制御が可能となる。 また、体調の変化や年齢の変化に伴う発生筋電の変化に対しては、ロボットハンドを使用する前、または使用する最中にときどき使用を中断して、学習モ―ドを行うことにより、さらに発生筋電に適合した状態で使用することが可能となる。

【図面の簡単な説明】

【図１】この発明の第１実施例に係わる学習型筋電パターン認識ロボットハンド制御装置の全体構成を示すブロック図である。

【図２】図１の学習型筋電パターン認識ロボットハンド制御装置に使用されている認識部の神経回路網の構成図である。

【図３】図３（ａ）は図２の認識部の神経細胞ユニットの入出力関係を示す説明図、図３（ｂ）は同神経細胞ユニットの構成図である。

【図４】高速フーリエ変換処理した筋電パターン図である。

【図５】高速フーリエ変換処理した筋電パターン図である。

【図６】高速フーリエ変換処理した筋電パターン図である。

【図７】高速フーリエ変換処理した筋電パターン図である。

【図８】高速フーリエ変換処理した筋電パターン図である。

【図９】周波数分析された筋電信号のバンド幅別の信号成分レベルである入力パターンと手の指曲げ角度教師値パターンとからなる認識部の学習パターンの一例を示す説明図である。

【図１０】認識部の学習モード時の入出力パターンのタイミングチャートである。

【図１１】認識部の学習モード時の指曲げ角度教師値のサンプリングと時間平均の方法との関係を示す説明図である。

【図１２】認識部の学習モード時での制御動作を示すフローチャートである。

【図１３】認識部の認識モード時での制御動作を示すフローチャートである。

【図１４】筋電パターンによる指曲げ認識値と、指曲げ角度の真の値とを時系列的に示した認識の一例を示す説明図である。

【図１５】筋電パターンによる指曲げ認識値と、指曲げ角度の真の値との相関関係を示した認識の一例を示す説明図である。

【図１６】この発明の第２実施例に係わる学習型筋電パターン認識ロボットハンド制御装置の全体構成を示すブロック図である。

【符号の説明】

１，３，５，７ 皮膚表面電極 ９，１１ 増幅器 １３，１５ ロ―カットフィルタ（フィルタ手段） １７，１９ ハイカットフィルタ（フィルタ手段） ２１，２３ 高速フ―リエ変換部（高速フ―リエ変換手段） ２７ マトリックスパタ―ン変換部（パターン変換手段） ２９ 認識部（認識手段） ３１ 指曲げ角度教師値呈示インタフェース部（教師信号生成手段） ３３ ロボットハンド制御部（ロボットハンド制御手段） ３５ ロボットハンド