无需编程经验!用Johnny-Five打造肌电控制假肢的完整指南
2026-02-05 05:37:52作者:蔡丛锟
项目背景与目标
Johnny-Five是一个JavaScript机器人编程框架,允许开发者通过简单的JavaScript代码控制各种硬件设备。本指南将展示如何利用该框架构建一个基于肌电信号控制的假肢原型,无需深厚编程基础即可完成。项目核心文件包括lib/johnny-five.js主框架和docs/servo.md等硬件控制文档。
硬件准备清单
构建肌电控制假肢需要以下组件:
- Arduino Uno开发板
- 肌电传感器模块(EMG Sensor)
- SG90舵机(docs/servo.md)
- 直流电机(docs/motor.md)
- 面包板与杜邦线
- 3D打印假肢外壳
环境搭建步骤
- 克隆项目仓库:
git clone https://gitcode.com/gh_mirrors/jo/johnny-five
cd johnny-five
- 安装依赖:
npm install
- 上传Firmata固件到Arduino:
npm run firmata
详细环境配置可参考README.md和docs/board.md。
电路连接指南
按照以下步骤连接硬件:
- 将肌电传感器输出端连接到Arduino A0引脚
- 舵机信号线连接到D9引脚(docs/servo.md)
- 电机连接到L298N驱动模块,控制引脚接D5(docs/motor.md)
- 电源模块分别为传感器、舵机和电机供电
核心控制代码
创建emg-prosthetic.js文件,添加以下代码:
const { Board, Sensor, Servo, Motor } = require("johnny-five");
const board = new Board();
board.on("ready", () => {
// 初始化肌电传感器
const emg = new Sensor({
pin: "A0",
threshold: 50
});
// 初始化舵机(手指关节)
const finger = new Servo({
pin: 9,
range: [0, 180]
});
// 初始化电机(手臂旋转)
const armMotor = new Motor({
pin: 5
});
// 肌电信号控制逻辑
emg.on("change", () => {
const value = emg.value;
// 根据肌电信号强度控制手指弯曲
if (value > 500) {
finger.to(180); // 握拳
armMotor.start(200); // 启动电机
} else {
finger.to(0); // 伸开
armMotor.stop(); // 停止电机
}
});
// 注入REPL便于调试
board.repl.inject({
emg,
finger,
armMotor
});
});
代码使用了Sensor类处理肌电信号,Servo类控制手指关节,Motor类驱动手臂旋转,详细API可参考lib/sensor.js、lib/servo.js和lib/motor.js。
信号处理与调试
- 运行程序:
node emg-prosthetic.js
- 打开REPL界面调试:
node eg/repl.js
- 使用以下命令测试设备:
// 手动控制舵机
> finger.sweep()
// 测试电机
> armMotor.start(150)
调试技巧可参考docs/repl.md和docs/servo-prompt.md。
机械结构设计
假肢机械部分建议使用3D打印,关节处需预留足够活动空间。舵机安装位置参考docs/servo-animation-leg.md的动画原理,电机传动结构可参考docs/motobot.md的设计。
进阶功能扩展
- 添加多个关节控制:
const fingers = new Servo.Array([9, 10, 11]);
- 实现平滑运动:
finger.animate({
from: 0,
to: 180,
duration: 1000
});
- 添加姿态传感器:
const accelerometer = new Accelerometer({
controller: "ADXL345"
});
参考docs/accelerometer-adxl345.md
项目总结与展望
本项目展示了如何利用Johnny-Five框架快速构建肌电控制假肢原型。通过JavaScript这一普及度高的语言降低了开发门槛,主要优势包括:
- 简化的硬件控制API(lib/board.js)
- 丰富的传感器支持(docs/目录下各传感器文档)
- 活跃的社区支持(CONTRIBUTORS.md)
未来可进一步优化肌电信号识别算法,添加蓝牙无线控制模块,以及设计更符合人体工程学的假肢外壳。完整项目代码可在eg/目录下找到更多示例参考。
参考资料
- 官方文档:docs/
- Servo控制:docs/servo.md
- Motor控制:docs/motor.md
- 传感器API:lib/sensor.js
- 项目贡献指南:CONTRIBUTING.md
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
892
666
Ascend Extension for PyTorch
Python
376
445
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
昇腾LLM分布式训练框架
Python
116
145
暂无简介
Dart
796
197
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
777
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.13 K
271
React Native鸿蒙化仓库
JavaScript
308
359

