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。     

基于表面肌电信号的人机交互软件设计

设计了一种基于Qt的人机交互软件,用于从表面肌电信号中解码出手势,控制空间机械臂灵巧手作业;介绍了肌电信号解码手势并控制仿真灵巧手系统的组成,包括下位机肌电采集接口部分和上位机人机交互软件两部分;详细说明了人机交互软件的3个功能模块,即接收并显示16路神经接口向上位机发送的肌电信号、对肌电信号进行实时手势解码以及控制仿真灵巧手;分析了软件设计过程中的几个关键技术,信号与槽机制、多线程与多进程结合、UDP通信等;最后,设计了基于肌电信号解码3种手势并控制仿真灵巧手的实时实验,手势识别率在98％以上,控制延迟为200 ms左右;实验结果表明,人机交互软件运行稳定,功能齐全,在航天遥操作人机交互系统中具有应用前景.     

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.     

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。     

一种采集手臂肌电信号的神经接口设计方法

在人机交互的智能控制中,对人体肌电信号的采集成为了人机交互中的重要环节,本文设计了一种16路通道肌电信号采集和滤波电路,并通过DSP28335实现对肌电信号的采集、处理以及与上位机通讯,够任意的给定采样频率和通信速率,以满足不同的实验或设备的要求。实验结果表明,所设计的肌电信号神经接口装置稳定性较好,抗干扰能力强,能够有效的采集手臂肌电信号,保留其动作特征,满足肌电信号手势神经解码的要求。     

基于肌电信号和姿态信号的手势识别

针对仅利用手臂表面肌电(EMG)信号难以准确识别手指动作的问题,提出了将手指关节的姿态信号与表面EMG信号融合用于识别手指姿势的方法。利用MYO手环同步采集手臂的8组肌电信号,同时利用姿态传感器采集手指运动时的三维角度信息。采用滑动平均能量法,依据采集到的原始EMG信号进行活动段检测,提取出执行有效动作过程中的相关信号,并分别采用绝对值均值(MAV)和标准差(SD)对该部分的肌电信号和角度信号提取特征。将提取的特征值作为SVM多类分类器的输入,用于识别手势动作。实验结果表明:融合手指角度信号可有效提高手指动作的识别率,整体识别率达到99. 3%。     

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。     

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.     

基于气压肌动图和改进神经模糊推理系统的手势识别研究

手势识别是人机交互领域的重要研究内容, 为截肢患者控制智能假肢手提供基础. 当前主流方法之一是利用表面肌电图(Electromyogram, EMG)识别手部运动意图, 但肌电信号存在信号弱和易受噪声、汗液、疲劳影响等缺点. 同时肌电图在识别准确率方面, 尤其是截肢患者手势识别方面仍然具有较大的提升空间. 针对这些问题, 设计了基于气压肌动图(Pressure-based mechanomyogram, pMMG)的穿戴式信号采集装置, 为手势识别提供了优质的信号源. 结合深度神经网络中全连接层结构、典型抽样和标准正则化技术, 提出了一种改进多类神经模糊推理系统(Improved multicalss neural fuzzy inference system, IMNFIS), 与传统自适应神经模糊推理系统(Adaptive neural fuzzy inference system, ANFIS)相比, 泛化能力得到显著提升. 招募了7名健康受试者和1名截肢受试者, 并用8种算法开展离线实验. 所提方法在残疾人手势识别实验中取得了97.25%的最高平均准确率, 在健康人手势识别实验中取得了98.18%的最高平均准确率. 与近年公开报道的多种手势识别研究相比, 所提方法的综合性能更优.     

基于单振元超声传感器的手势识别系统

手势识别是人机接口应用的一个重要场景,当前的手势识别方法大多基于表面肌电信号(sEMG).为了探索新的传感方式,设计了一种新颖的基于超声传感器的手势识别系统.系统利用多个布置在前臂的单振元超声传感器检测肌肉界面的回波信息,对其进行特征提取和模式识别,识别手腕和手指的动作.实验结果表明:系统对于手指精细动作有良好的识别效果,5个手指动作的平均识别率为(91.1±4.73)％.     

基于卷积神经网络的表面肌电信号手势识别

在当前科学技术快速发展的大背景下,通过应用卷积神经网络原理,能够将表面肌电信号的手势通过一维多通道的方式识别出来,避免在前期采用复杂的方法对表面信号进行预处理以及对信息采用手工提取方法所花费的时间.基于此,以右手为活动手,分析了握拳、向左、向右以及展拳4种手势时的表面肌电信号.将不同手势的肌电信号进行标记,生成信号长度不同的8通道信号训练集和测试集,并借助卷积神经网络的相关原理分析了卷积状态下的采样.借助相关研究后通过卷积神经网络的应用,能够实现卷积神经网络表面肌电信号的高效处理,从而实现对手势信号的识别,且识别率能够满足具体使用需求,因此其在实际工作中应用是有价值的.     

基于多源信息融合的手势智能交互系统

利用表面肌电信号（surface ElectroMyoGraphy， sEMG）设计了一个提高分类准确性和快速性的识别系统，用于捕获手势动作并进行人机交互.首先，基于无线肌电测量系统和飞行器自主搭建了智能交互平台；接着，采用滑动时间窗的方法对原始sEMG信号设计短时能量阈值进行信号活动段始末点的确定，从而抑制了动作刚执行时趋势段对识别结果的影响；然后，利用时域统计分析对sEMG信号进行特征分析，并提出了一种融合加速度特征信息和sEMG信号的方法来建立5种手势的分类模型.与仅使用sEMG信息源的方式相比，此方法提高了识别准确率.最后，手势控制飞行器运动的实验证明了本方法的可行性和有效性.     

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WPKPCA和SVM的SEMG动作识别方法

为了有效提取表面肌电信号SEMG(Surface Electromyographic)的特征,更好的识别人体上肢运动模式,提出了一种小波包核主元分析(WPKPCA)和支持向量机(SVM)相结合的新方法。通过虚拟仪器采集桡侧腕屈肌和肱桡肌两路表面肌电信号,应用小波包核主元分析法对表面肌电信号进行特征提取,采用支持向量机对表面肌电信号特征数据进行分类识别。实验结果表明,采用此方法能够从表面肌电信号中识别出握拳、展拳、手腕内翻和手腕外翻4种动作,更能有效提取表面肌电信号信息,动作识别率高达98%。     

基于手势识别的人机交互算法研究

随着人机交互技术的日益成熟,人机交互技术中的手势识别已成为计算机视觉领域的一个重要课题,而手势交互是人机交互中的一种重要方式。手势识别技术日益受到社会各界的广泛关注。虽然手势识别技术应用广泛,但是存在诸多困难与挑战,尤其是动态手势识别。动态手势的挑战主要来自不可预测的环境和手势识别特性,例如光照变化、与手势特征近似的背景区域干扰、目标遮挡等。基于此,研究了一种基于手势识别算法的人机交互系统。手势识别算法包括图像采集、二值化处理、质心计算、数据筛选和方向量化。     

表面肌电采集信号的系统设计与算法分析

针对表面肌电信号的微弱性、低频性和强噪声性,设计了高共模抑制比、抗干扰能力强的表面肌电信号采集系统,并对采集到的信号进行处理分析。系统中包含放大电路、滤波电路、电平抬升电路、主控电路,采集受试者手臂放松、握拳、展臂、模拟震颤四种姿势的表面肌电信号,经串口通信将传感器所采集到的数据上传至上位机,之后将采集到的表面肌电信号进行中值滤波及傅立叶变换分析。测试结果表明,系统可以有效提取0—500 Hz的有用信号,且四种姿势下的表面肌电信号主要能量集中在0—500 Hz,在0—200 Hz内更为明显,符合表面肌电信号的频率特性。表面肌电信号采集系统具有可靠性和抗干扰性,拥有较好的市场应用前景。     

四通道表面肌电信号采集系统设计与研究

面向表面肌电信号在康复机器人领域的应用,设计了一种四通道表面肌电信号采集系统。表面肌电采集系统包含了检测电极设计、前置放大电路、高通滤波电路、工频陷波电路、低通滤波电路、后级放大电路和电源电路。实验基于右前臂桡侧腕长伸肌,对设计的四通道表面肌电信号采集系统采集的信号进行了测试分析。实验结果表明,系统能够很好地采集到人体表面肌电信号,每一个通道的信噪比为58±3 dB,可以看出表面肌电信号采集设备对噪声的抑制能力较高,且采集到的信号质量高,能够应用于康复机器人领域。     

基于LightGBM的改进表面肌电信号手势识别研究

为了提升表面肌电信号(sEMG)手势动作识别的准确性和训练效率,提出一种基于LightGBM的手势识别模型.传统的GBDT算法训练效率较低,准确率无法快速提升,LightGBM算法采用基于梯度的单侧采样和互斥特征捆绑改进性能,具有训练速度快、占用内存低、分类准确率高的优势.将臂环采集到的8通道sEMG数据按时间顺序进行...     

基于柔性神经树和表面肌电信号的手势识别模型

表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域.传统的基于表面肌电信号sEMG( Surface Electromyography)的手势识别通常采用数字信号处理DSP( Digital Signal Processing)芯片或者集合方法研究实时识别问题.这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低.提出一种基于肌电信号与柔性神经树FNT(Flexible Neural Trees)模型的实时手势识别模型.柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN( Artificial Neural Network)的结构高依赖性问题.柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率.针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53％.