基于MYO的肌电假肢手控制中手势在线识别系统

表面肌电(surface electromyography,s EMG)信号被广泛应用于临床诊断、康复工程和人机交互等领域中.针对目前控制肌电假肢手的电极成本高、电极佩戴困难以及操作灵活性差等问题,设计一种基于MYO的肌电假肢手手势在线识别系统.通过采集人体上肢前臂的表面肌电信号,在时域上分别提取5种特征值,利用反向传播(back propagation,BP)神经网络分类算法实现对8种手势动作意图的在线实时识别.实验结果证明,利用MYO进行手势识别可以获得较好的识别结果,该系统能够准确识别8种手部动作,平均在线识别率达到92%.     

基于辅助变量盲辨识方法的肌电信号识别分类

表面肌电信号(sEMG)是神经肌肉活动发放的生物电信号。本文从信号产生的根源出发,建立FIR模型,该模型的输入为信号源是不可测的,为了克服该不足本文提出采用盲辨识的方法辨识模型系数,以该系数作为表面肌电信号的特征,对6种手势动作识别分类,实验表明,该方法运算量小,分类能力较好。     

基于表面肌电信号的手势识别方法

为了提高上肢手势动作的识别准确率，通过三阶巴特沃斯滤波器进行表面肌电信号(sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数，并提出了一种时域信号结合时频域信号的特征空间方法,包括了积分肌电结合小波包变换系数(IEME)和均方根值结合小波包变换系数(RMSME)。在特征空间构建基础上，提出了三种手势识别方法：支持向量机分类器(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号，并引用Nina Pro DB2公开数据集进行对比。实验结果表明，无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度，并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%，相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%，并且采用1D-CNN识别方法的平均训练时间为7.37s较SVM和AFSA-SVM减少了68.32s和221.53s，因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。     

基于EEMD和多域特征融合的手势肌电信号识别研究

人造假肢技术目前已成为一个研究的热点,手势肌电信号的识别为人造假肢的研究做出了贡献.提出基于总体经验模态分解(EEMD)的信号处理方法,首先将采集到的信号经EEMD分解成若干个固有模态函数分量(IMF),然后在得到的前三阶IMF的基础上提取时域、频域和希尔伯特域特征,融合提取的特征组成多域特征向量组,最后送入支持向量机分类器中来分类6种手势动作,识别率最高可达到98.7%.实验结果表明,通过EEMD分解原始信号提取的多域特征用来识别手势动作是可行的.     

基于AR模型和BP网络的表面EMG信号模式分类

提出了一种以AR模型和BP网络相结合的表面肌电信号处理方法 .首先 ,将采集到的肌电信号进行预处理 ,提取AR系数作为其特征值 ;其次 ,设计了一个三层的BP神经网络 ,利用AR系数对手臂的各种肢体动作进行运动模式的分类 .实验表明 ,这种方法不仅减少了计算工作量 ,同时取得了比较理想的识别效果 .     

基于小波变换和K-L展开的单通道表面肌电信号识别

利用单通道表面肌电信号对肘收缩、肘伸直、前臂外旋和前臂内旋四个上肢动作进行了识别.用肌电信号最高频率20倍的过采样率对表面肌电信号进行采样,利用抽取滤波技术将过采样带来的冗余数据去除并保留了过采样带来的低噪声的优点.通过小波变换提取出5个子频带的相对能量与表面肌电信号的总能量一起作为原始的特征向量,然后通过K-L展开将6维的原始特征向量降为2维.通过建立BP网络分别用6维特征向量和2维特征向量对上述的四个动作进行识别.结果显示该方法在减少肌电电极的同时保持了较高的识别率,有很好的识别效果.     

基于排列组合熵和加权核Fisher的肌电跌倒检测

为实现老年人的跌倒与日常行为动作的模式识别,提出了一种基于排列组合熵和加权核Fisher线性判别的表面肌电信号跌倒识别方法.以腓肠肌和股外侧肌2路肌电信号对应的排列组合熵为特征向量输入加权核Fisher线性分类器进行模式识别,对跌倒与坐下、蹲下和行走进行识别.实验结果表明,该方法的跌倒识别率为93.33%,特异度100%,优于其他分类方法.     

差分特征融合改进的动态手势识别分类网络模型

通过卷积神经网络和长短期记忆网络进行多模型结合,实现动态手势识别分类建模,并使用数据增强算法增加数据的多样性,通过差分特征融合改进网络。7种动态手势动作识别分类的实验结果显示,使用数据增强算法增加数据的多样性后,结合模型的识别率最佳可提升286%;通过差分算法改进网络,序列间差分特征融合模型识别率达到8381%,维度差分特征融合模型识别率达到8762%。表明多模型结合可解决单一模型的局限性,处理更加复杂的动态手势分类问题,两种不同形式的差分特征融合改进都可提升动态手势动作的识别率,从而验证了所设计的差分特征融合改进的动态手势识别分类网络模型的有效性和可行性。     

基于支持向量机的肌电信号小波特征分类解码

采用小波变换进行肌电信号预处理与多尺度分解,并采用小波系数最大值与平均能量值作为肌电信号特征,采用支持向量机进行特征分类识别的运动解码,并用此方法进行了腕部动作识别的实验.与时域特征、频域特征、AR参数特征提取方法以及神经网络识分类别方法进行对比,结果表明:基于支持向量机的小波特征提取方法可以较好地区分不同腕部动作,具有最高的分类精度,极大改善前臂假肢的操纵性能.     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。