基于CNN 和sEMG 的手势识别及康复手套控制

由于sEMG( Surface Electromyography) 对肌肉疲劳、不同患者以及电极位移等都非常敏感，设计一种可 靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此，提出一种基于深度学习的康复手势神经解码方 法，利用患者前臂的表面肌电信号，通过卷积神经网络( CNN: Convolutional Neural Network) 识别患者的手部运 动意图。通过组合特征提取方法，对8 通道肌电信号每个通道的信号进行组合特征提取，组合特征包括小波包 分解能量特征、时域特征和频域特征共32 个特征。将8 个通道特征组成一个8 × 32 的数值矩阵并进行灰度处 理成特征图，再用此特征图训练卷积神经网络，对5 种不同手势进行分类，分类器准确率达到98． 1%。最后通 过STM32 I /O 口根据分类结果输出对应的PWM( Pulse Width Modulation) 控制信号控制康复手套的动作，表明 了该方法的可行性，为深入研究康复手套运动控制奠定了基础。