基于卷积神经网络的表面肌电信号手势识别

运用卷积神经网络原理,实现一维多通道的表面肌电信号的手势识别,避免了复杂的前期表面信号的预处理,以及手工特征提取阶段。文中分别采集右手的握拳、向左、向右和展拳4种手势的表面肌电信号。然后将采集的四种不同手势的肌电信号进行切割与标记,生成不同信号长度的八通道信号的训练集与测试集,运用卷积神经网络的原理,分别对其进行卷积、下采样。经过试验研究发现,运用卷积神经网络处理一维多通道表面肌电信号,从而实现手势识别的算法是可行的,并且能够得到较高的识别率。     

基于稀疏表示的联合多通道肌电信号手势识别

为了改善传统肌电信号手势识别过程的复杂性,将稀疏表示用于表面肌电信号手势识别。针对不同的动作模式下对表面肌电信号提取的特征总是有较大的差异,稀疏表示的过程可以将差异放大,从而改善分类效果。本文首先采集不同手势的多通道表面肌电信号,然后将多通道信号进行切割;通过求解测试样本在训练矩阵下的稀释表示,达到分类识别的目的,并通过实验仿真验证了算法的可行性和优越性。     

基于人工神经网络对sEMG信号的手势动作识别

针对利用表面肌电信号(sEMG)对手势动作的肌电信号的研究较少和sEMG信号处理过于复杂的问题,提出了利用人工神经网络和sEMG信号对人的手势动作进行识别研究,引入了MYO硬件设备对新的手势动作sEMG信号采集.利用MYO从手臂上获取每一个手势动作的sEMG信号,提取信号特征值,作为算法的训练数据和测试数据.采用人工神经网络中的反向传递神经网络算法来进行对4种不同手势动作分类,对应目标手指识别率在90.35%.研究结果可以被用来做临床诊断和生物医学的应用以及用于现代硬件的发展和更现代化的人机交互的发展.     

融合注意力机制的多流卷积肌电手势识别网络

针对目前表面肌电信号(surface electromyography,sEMG)端到端手势识别特征提取不充分、多手势识别准确率不高的问题,提出一种融合注意力机制的多流卷积肌电手势识别网络模型.该模型通过滑动窗口将多通道时域sEMG生成肌电子图,并使用多流卷积神经网络充分提取每个采集通道sEMG的语义特征,然后将其聚合得到丰富的多通道手势语义特征;同时从时间和特征通道维度上计算语义特征的注意力分布图,强化有用特征并弱化无用特征,进一步提高多手势识别准确率.实验使用Ninapro数据集进行训练和测试,并与主流的肌电手势识别模型进行对比.实验结果表明,该模型在识别准确率上具有更好的表现,证明了该模型的有效性.     

基于表面肌电和组织阻抗信息融合的手势识别研究

手势识别中的一种常见方式是通过表面肌电信号来实现。为提高手势识别的稳定性和精度, 通常需要采集多个通道的肌电信号,但这会增加电极传感器的数量以及识别系统的复杂度。因此,如 何利用较少量的通道采集信号并确保手势识别的性能一直是肌电信号应用到意图识别的研究方向之 一。该研究设计了一款便携式四通道肌电和阻抗双模信号采集器,在不增加额外传感器和通道数的情 况下,能同时采集肌电信号和差分电极对之间的组织阻抗信号。初步实验结果表明,通过该系统采集 的四通道融合信息可以提升手势识别的准确率和稳定性。与仅采集肌电信息相比,该研究采用的肌电 与阻抗信息融合方法可以将手势识别性能提升 3% 以上,达到 96.2% 的识别率。     

一种基于循环时空深度神经网络的手势识别方法

针对表面肌电信号解码模型因缺乏时空信息等重要性表征,面临解码精度低、鲁棒性差等问题,提出了一种基于循环时空深度神经网络的手势识别模型,来提高挖掘表面肌电信号的表征能力。首先,设计多通道卷积神经网络,并融入双向循环神经网络来提取强判别力的时空特征信息。其次,采用通道注意力机制来捕捉时空特征中通道重要性信息,设计基于时空特征的注意力模块以进一步增强时空特征信息。同时,基于特征金字塔网络思想来设计多尺度特征融合模块,从多尺度、多角度获取多级特征信息,提高模型对肌电信号的解码能力。最后,将所提出的手势识别模型在大型手势识别数据库Ninapro上进行测试,结果表明所提方法能有效提高对表面肌电信号的表征挖掘能力,为人体手势动作识别的深度学习建模工作提供借鉴意义。     

基于小波理论的sEMG的处理方法

文章选取时域分析法对表面肌电信号的提取其特征值,意在于能够得到能较好地表征肌电信号的特征向量,使得之后的分类器能够有效地对表面肌电信号进行分类识别。在对信号进行识别分类识别时,所设计的小波神经网络可以将各动作信号特征值转化为线性组合,简化动作的分类识别过程。     

基于深度神经网络的sEMG手势识别研究

为了提高表面肌电信号（sEMG）手势识别算法的准确性,并解决人为提取大量特征具有局限性的问题,提出了一种基于深度神经网络的手势识别方法。将MYO臂环采集到的8通道sEMG数据,采用活动段分割的方法探测到有效动作;设计出一种融合卷积神经网络（CNN）和长短时记忆（LSTM）网络的神经网络;实验的结果表明手势识别准确率为91.6%,验证了提出的方案高效可行。     

基于双通道表面肌电信号的在线手势识别系统研究

为了获得更加便捷和简单的人机交互方式,采用由Arduino UNO开发板和肌电传感器组成的双通道表面肌电信号采集系统采集手前臂的表面肌电信号,并在上位机中利用MATLAB（R2018b）对采集到的信号进行预处理、活动段检测、特征提取和分类器训练与预测;在识别出手势动作之后,利用GUI界面实时地显示出识别结果。该系统从肌电信号到手势识别、再从手势识别到计算机系统的人机交互方式展现了巨大的潜力和应用空间,尤其是在虚拟现实领域。     

服务机器人的触觉手势识别

为了实现机器人在人机交互过程中的触觉感知,提出了一种用于服务机器人的触觉手势识别方法。首先,将电子皮肤安装在服务机器人上,通过采集15位被试者的10种手势动作信号,构建了情感手势数据集。然后,使用时空分离卷积神经网络,对被试者触摸服务机器人时做出的触摸手势进行分类。结果表明,被试内手势识别率为90.25%,跨被试手势识别率为83.44%。通过调节模型中的时空通道调节因子,在几乎不降低识别率的同时,可以大幅减少模型参数量。基于电子皮肤的触觉手势识别实验,初步认为使用时空分离卷积神经网络能够以较高的准确率和较低的计算代价实现对人的触觉手势识别,这为服务机器人通过电子皮肤与人实现情感交互提供了可能。     

基于语义分割与迁移学习的手势识别

针对复杂场景下深度相机环境要求高,可穿戴设备不自然,基于深度学习模型数据集样本少导致识别能力、鲁棒性欠佳的问题,提出了一种基于语义分割的深度学习模型进行手势分割结合迁移学习的神经网络识别的手势识别方法。通过对采集到的图像数据集首进行不同角度旋转,翻转等操作进行数据集样本增强,训练分割模型进行手势区域的分割,通过迁移学习卷积神经网络更好的提取手势特征向量,通过Softmax函数进行手势分类识别。通过4个人在不同背景下做的10个手势,实验结果表明: 针对复杂背景环境下能够正确的识别手势。     

结合肤色模型和卷积神经网络的手势识别方法

在手势识别研究过程中,人工选取特征难以适应手势的多变性。提出了一种结合肤色模型和卷积神经网络的手势识别方法,对采集的不同背景下的手势图像,首先用肤色高斯模型分割出手势区域,然后采用卷积神经网络建立手势的识别模型,该模型融合了手势特征提取和分类过程,模拟视觉传导和认知,有效避免了人工特征提取的主观性和局限性。识别模型以手势区域的灰度信息为输入,同时利用权值共享和池化等技术减少网络权值个数,降低了模型的复杂度。实验结果表明,卷积神经网络（CNN）方法能够有效进行特征学习,在不同数据集下对手势的平均识别率都达到95%以上,与传统方法进行对比实验,表明该方法具有较高的识别率和实时性。     

基于时序二维化和卷积特征融合的表面肌电信号分类方法

针对传统模式识别方法在表面肌电信号(sEMG)分类时容易忽略非线性、时序性等特征的问题,文中提出基于时序二维化和卷积特征融合的分类方法.通过格拉姆角场转换实现时序二维化,保留sEMG原始时间序列的时间依赖性和相关性.为了在突出局部信息的同时充分保留细节信息,引入胶囊网络与卷积神经网络共同提取特征,并进行特征融合,实现不同条件下的手势识别.对比多种分类方法的实验表明,文中方法可以有效增强电极偏移情况和面向新对象时手部动作的整体识别水平,具有较强的鲁棒性.     

基于PNN的手势识别

为了实现人体手势姿态识别的目标,选用氯化银(AgCl)贴片电极作为信号传感端,通过采集前臂表面肌电(SEMG)信号,经信号放大、滤波等前期处理,再经活动段检测、降噪等信号处理后,提取伸食指、握拳、伸腕、屈腕4种手势的均方根值和积分EMG值作为特征向量,送入概率神经网络(PNN)中进行训练识别,实现人体手势识别.实验结果表明:PNN对前臂SEMG信号的模式识别的正确率可达到97.62％,将PNN应用于手势识别系统具有可行性.     

基于3D卷积神经网络的CSI跨场景手势识别方法

手势识别在人机交互中有着广泛的应用前景,近年来随着无线通信与物联网的飞速发展,几乎任何地方都部署了WiFi设备,并涌现了大批关于WiFi信道状态信息(Channel State Information, CSI)的手势识别方法,目前大多数基于CSI手势识别的研究仅针对了已知场景下的手势识别研究,对于未知场景,需要增加未知场景中的新数据进行额外的学习训练,否则识别精度将会大幅下降,限制了其实用性。针对这一问题,提出了一种基于3D卷积神经网络的CSI跨场景手势识别方法,该系统通过提取与场景无关的特征,并结合3D卷积神经网络学习模型来实现跨场景手势识别,在实验中使用网络公开数据集来验证该方法,结果显示该方法对于6个不同动作手势,在已知场景中的平均识别准确率达到了86.50%,在未知场景中的平均识别准确率达到了84.67%,能够实现跨场景的手势识别。     

基于FFT盲辨识的肌电信号建模及模式识别

针对表面肌电信号(Electromyographic signal,sEMG)产生原理复杂、易受人体自身及外界因素影响的特点,采用基于快速傅里叶变换(Fast Fourier transform,FFT)的盲辨识方法建立肌电信号模型.该方法通过计算即可确定信道阶次,无需人为凭借经验设定,且计算简单、易于实现、运算速度快.其利用输出信道间的相互关系特性,实现信号的频域盲辨识,建立数学模型.此方法适用于小样本信号建模,非常适合易受肌肉疲劳影响的表面肌电信号.将模型系数作为改进的BP神经网络的输入,实现多运动模式识别,与其他盲辨识方法比较,此方法识别效果较好.     

基于DTW算法的肌电信号手势识别方法

为了提高肌电信号手势识别算法的准确度,增强实时性,提出了一种基于动态时间规整（DTW）算法的手势识别方法,该方法利用肌电信号（EMG）对个体间的手势进行识别。首先,采用滑动平均能量的方法对原始的EMG信号进行数据分割,探测有效动作;其次,对于分割的数据段使用平均绝对值（MAV）来提取信号特征;最后,用DTW算法将8维的EMG信号融合并计算测试样本和模版的相似度,其中采用了DTW算法寻找规整路径的方法进行了模板制作,实现了个体间的手势识别。实验结果表明,使用DTW算法对肌电信号进行手势识别,其动作识别的准确率达到96.09%,该方法计算速度快,实时性强。     

基于肌电信号的无线通讯控制系统

表面肌电信号是肌肉动作产生的一种生物电信号,其中蕴含了与人体动作相关的运动意图信息.因此,通过对肌电信号的分析处理,可以获取人体的动作模式.基于肌电信号的研究在康复医学,假肢控制,生物医疗等方面具有巨大的应用前景.研究基于表面肌电信号的分类识别构建一个无线通讯控制系统,研究内容包括表面肌电信号的实验设计,分析方法介绍,手势动作获取,无线通讯系统搭建及实时界面显示控制系统的构建.通过对整个系统的试验调试,该系统操作简单,具有良好的实时性.该课题的研究工作能够为辅助手臂装置或残障人士轮椅控制提供新的模式.     

表面肌电信号的分解算法研究

为提高表面肌电信号分解的正确率以及完整性,提出一种表面肌电信号的自动分解算法。考虑到其较低的信噪比,先是采用小波降噪法对信号进行降噪处理,并计算信号的非线性能量算子以加强信号波峰值。之后采用低频小波系数和高频小波系数相结合的特征值来表征运动单元动作电位,最后使用小波神经网络完成对活动段的分类。同时,为了实现表面肌电信号的分解完整性,采用递归模版算法对所提取的叠加波形加以分解。实验结果表明,该分解算法能够成功地提取到中低收缩水平下表面肌电信号中的运动单元动作电位的发放信息,同时也能够有效地对叠加波形进行分解。     

表面肌电信号识别特征提取的仿真研究

研究表面肌电信号准确识别问题,表面肌电信号含有大量的噪声,且特征维数高,传统方法无法消除其中的噪声,选择最重要识别特征信号,表面肌电信号识别正确率低.为提高表面肌电信号的识别正确率,提出一种新的表面肌电信号识别模型.首先采用小波变换提取表面肌电信号特征,消除信号中的噪声,然后采用遗传算法选择最优特征信号,降低特征维数,最后采用遗传算法对支持向量机参数进行优化建立最优表面肌电信号识别模型.仿真结果表明,模型可很好地解决传统方法中的难题,提高了表面肌电信号的平均识别正确率,识别结果非常稳定,为表面肌电信号提供了一种新的识别方法.