精准 EMG 控制机械手：InMoov 集成与构建指南

项目背景

我们团队长期研究机械手，曾尝试制作可靠的假肢手。本项目采用开源的 InMoov 手作为硬件平台，重点解决 EMG（肌电）信号控制问题。手部组装细节请参考 InMoov 官方文档，此处聚焦控制系统。技术演进可参考后续项目：8 通道 EMG 配合 LED 可视化。

1. 信号处理

控制基于 EMG——肌肉电活动。使用三个 uECG 设备采集 EMG 信号（uECG 本为心电监测仪，但其通用 ADC 可测量任何生物信号）。uECG 在特殊模式下输出 32 个频谱箱数据及“肌肉窗口”平均值（75–440 Hz 频谱强度均值）。频谱图如下：

垂直轴为频率（0–488 Hz，约 15 Hz 步进），水平轴为时间（约 10 秒），颜色编码强度（蓝低→绿中→黄高→红更高）。为实现可靠手势识别，需在 PC 端对频谱图做深度处理；但为简单驱动手指，仅用三通道平均值即可——uECG 在特定数据包字节提供该值，Arduino 可直接解析。三通道原始值随手指动作变化：

红、绿、蓝分别对应拇指、无名指、中指用力时的肌肉信号。肉眼可分辨，但需转化为程序可用的“手指得分”。问题在于肌肉信号混合：如拇指和中指动作时蓝色通道强度相近，但红/绿通道不同。为“解混”，采用如下公式：

S₀ = V₀² / ((V₁·a₀ + b₀)(V₂·c₀ + d₀))

其中 S₀ 为通道 0 得分，V₀,V₁,V₂ 为三通道原始值，a,b,c,d 为人工调整系数（a,c ∈ [0.3,2.0]，b,d 为 15 和 20，需根据传感器贴位微调）。同理计算 S₁、S₂。处理后信号清晰分离：

此时可直接用阈值比较将得分映射为舵机角度。

2. 电路原理图

电路简洁：nRF24 模块、PCA9685（或同类 I2C PWM 驱动器）、大电流 5V 电源（≥5A 以稳定驱动所有舵机）。

连接清单

• nRF24: GND→GND, VCC→3.3V, CE→D9, CSN→D8, SCK→D13, MOSI→D11, MISO→D12
• PCA9685: SDA→A4, SCL→A5, VCC→5V, GND→GND, V+→大电流 5V, GND→大电流 GND
• 手指舵机：接 PCA 通道 0–4（拇指→0，食指→1，中指→2，无名指→3，小指→4）

3. EMG 传感器贴放

贴放位置对信号质量至关重要。看似反直觉，拇指肌肉信号在前臂对侧更清晰，因此一个传感器贴于前臂背侧靠近肘部；所有传感器均贴近肘关节（肌肉腹最丰满处），但个体差异大，需自行寻找最佳位置。

4. 代码实现

运行主程序前，需先获取各 uECG 设备的唯一 ID（取消注释第 101 行，逐个开机记录），填入 unit_ids 数组（第 37 行）。

#include <SPI.h>
#include <RF24.h>
#include <RF24_config.h>
#include <nRF24L01.h>
#include <Adafruit_PWMServoDriver.h>
#include <Wire.h>

#define SERVOMIN 150
#define SERVOMAX 600
Adafruit_PWMServoDriver pwm = Adafruit_PWMServoDriver();

int rf_cen = 9, rf_cs = 8;
RF24 rf(rf_cen, rf_cs);
uint8_t pipe_rx[8] = {0x0E, 0xE6, 0x0D, 0xA7, 0, 0, 0, 0};

uint8_t swapbits(uint8_t a) { // uECG 管道地址位序反转
  uint8_t v = 0;
  if(a & 0x80) v |= 0x01; if(a & 0x40) v |= 0x02; if(a & 0x20) v |= 0x04;
  if(a & 0x10) v |= 0x08; if(a & 0x08) v |= 0x10; if(a & 0x04) v |= 0x20;
  if(a & 0x02) v |= 0x40; if(a & 0x01) v |= 0x80; return v;
}

long last_servo_upd = 0;
byte in_pack[32];
unsigned long unit_ids[3] = {4294963881, 4294943100, 28358}; // 替换为你的 uECG ID
int unit_vals[3] = {0,0,0};
float tgt_angles[5], cur_angles[5];
float angle_open = 30, angle_closed = 150;

void setup() {
  SPI.begin(); SPI.setBitOrder(MSBFIRST);
  SPI.beginTransaction(SPISettings(1000000, MSBFIRST, SPI_MODE0));
  for(int x=0;x<8;x++) pipe_rx[x] = swapbits(pipe_rx[x]);
  rf.begin(); rf.setDataRate(RF24_1MBPS); rf.setAddressWidth(4);
  rf.setChannel(22); rf.setRetries(0,0); rf.setAutoAck(0);
  rf.disableDynamicPayloads(); rf.setPayloadSize(32);
  rf.openReadingPipe(0, pipe_rx); rf.setCRCLength(RF24_CRC_DISABLED);
  rf.disableCRC(); rf.startListening();
  // 注意：uECG 必须长按切换至原始数据模式（默认 BLE 模式 nRF24 无法接收）
  Serial.begin(115200);
  pwm.begin(); pwm.setPWMFreq(60);
  for(int i=0;i<5;i++) { tgt_angles[i]=angle_open; cur_angles[i]=angle_open; }
}

void setAngle(int n, float angle) {
  pwm.setPWM(n, 0, SERVOMIN + angle * 0.005556 * (SERVOMAX - SERVOMIN));
}

float angle_speed = 15;
float v0=0, v1=0, v2=0;

void loop() {
  if(rf.available()) {
    rf.read(in_pack, 32);
    byte u1=in_pack[3], u2=in_pack[4], u3=in_pack[5], u4=in_pack[6];
    unsigned long id = (u1<<24)|(u2<<16)|(u3<<8)|u4;
    if(in_pack[7] != 32) id = 0; // 非 EMG 模式包
    int val = in_pack[10];
    if(val != in_pack[11]) id = 0; // 双字节校验防射频干扰
    for(int n=0;n<3;n++) if(id == unit_ids[n]) unit_vals[n] = val;
  }

  long ms = millis();
  if(ms - last_servo_upd > 20) { // 限制舵机更新频率
    last_servo_upd = ms;
    for(int n=0;n<5;n++) { // 平滑插值到目标角度
      if(cur_angles[n] < tgt_angles[n] - angle_speed/2) cur_angles[n] += angle_speed;
      if(cur_angles[n] > tgt_angles[n] + angle_speed/2) cur_angles[n] -= angle_speed;
    }
    for(int n=0;n<5;n++) setAngle(n, cur_angles[n]);

    // 指数滑动平均滤波
    v0 = v0*0.7 + 0.3*(float)unit_vals[0];
    v1 = v1*0.7 + 0.3*(float)unit_vals[1];
    v2 = v2*0.7 + 0.3*(float)unit_vals[2];

    // 计算三通道得分（解混公式）
    float scor0 = 4.0*v0*v0/((v1*0.3+20)*(v2*1.3+15));
    float scor1 = 4.0*v1*v1/((v0*2.0+20)*(v2*2.0+20));
    float scor2 = 4.0*v2*v2/((v0*1.2+20)*(v1*0.5+15));

    Serial.print(scor0); Serial.print(' '); Serial.print(scor1); Serial.print(' '); Serial.println(scor2);

    // 阈值判断驱动手指
    if(scor2 < 0.5) tgt_angles[0] = angle_open;      // 拇指
    if(scor2 > 1.0) tgt_angles[0] = angle_closed;
    if(scor1 < 0.5) { tgt_angles[1]=angle_open; tgt_angles[2]=angle_open; } // 食指+中指
    if(scor1 > 1.0) { tgt_angles[1]=angle_closed; tgt_angles[2]=angle_closed; }
    if(scor0 < 0.5) { tgt_angles[3]=angle_open; tgt_angles[4]=angle_open; } // 无名指+小指
    if(scor0 > 1.0) { tgt_angles[3]=angle_closed; tgt_angles[4]=angle_closed; }
  }
}

5. 实测效果

约 2 小时调试后获得相当可靠的操控（视频展示典型案例）。当前仅能识别手指张合，且仅区分三组肌肉（拇指、食中指合一、无名小指合一）。核心“AI”仅 3 行代码，使用单通道单数值。若在 PC/手机端分析 32 箱频谱图、增加 EMG 通道，可识别更复杂模式。这只是起点，同类系统应用远不止机械手控制。

原理图文件

Fritzing 原理图文件：nrf24_hand_control_5jcEeCP8a3.fzz