肌肉計(jì)算機(jī)接口（MCI）系統(tǒng)是虛擬現(xiàn)實(shí)、人機(jī)交互研究的熱點(diǎn)之一,其核心問題是EMG肌電信號(hào)分類,因而MCI系統(tǒng)可以與深度學(xué)習(xí)方法有效結(jié)合。表面EMG信號(hào)分為高密度瞬時(shí)信號(hào)與稀疏多通道信號(hào),前者類似于圖像,可以采用CNN網(wǎng)絡(luò)處理;本文應(yīng)用RNN網(wǎng)絡(luò)對(duì)后者進(jìn)行研究,并利用MYO臂環(huán)實(shí)現(xiàn)了相應(yīng)MCI系統(tǒng)。稀疏多通道EMG信號(hào)是不定長時(shí)間序列信號(hào),前后時(shí)間相關(guān)性高,采用RNN網(wǎng)絡(luò)進(jìn)行分類。通過對(duì)原始信號(hào)進(jìn)行時(shí)域、時(shí)頻域、頻域特征拓展,獲得原始信號(hào)的多流特征序列,并提出兩類組合RNN網(wǎng)絡(luò)架構(gòu)處理相應(yīng)多流信號(hào)。用戶依賴時(shí)算法準(zhǔn)確率達(dá)90.78%,非用戶依賴的人群測試中手勢識(shí)別準(zhǔn)確率達(dá)78.01%,實(shí)時(shí)動(dòng)作識(shí)別準(zhǔn)確率達(dá)82.09%,算法能在61.7毫秒內(nèi)識(shí)別手勢動(dòng)作。本文所提出的組合RNN網(wǎng)絡(luò)方法可以有效區(qū)分基于EMG信號(hào)的不同動(dòng)作,且所設(shè)計(jì)的MCI系統(tǒng)用戶泛化性與工作實(shí)時(shí)性表現(xiàn)好。 

【文章來源】：光學(xué)精密工程. 2020,28(02)北大核心EICSCD

【文章頁數(shù)】：19 頁

【部分圖文】：

同步訓(xùn)練的組合RNN網(wǎng)絡(luò)識(shí)別結(jié)果

本文主要研究基于稀疏多通道EMG肌電信號(hào)的手勢識(shí)別方法,步驟包括EMG信號(hào)獲取與預(yù)處理,時(shí)間序列信號(hào)時(shí)域、時(shí)頻域特征拓展方法,以及設(shè)計(jì)合理的深度神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行手勢分類研究。同時(shí)為了研究方便與研究成果快速應(yīng)用,還設(shè)計(jì)了一個(gè)基于EMG信號(hào)的MCI手勢識(shí)別系統(tǒng),可以方便快速地進(jìn)行實(shí)時(shí)手勢識(shí)別過程。MCI系統(tǒng)設(shè)計(jì)如圖1所示。鑒于MYO臂環(huán)的通用性與有效性,選擇MYO臂環(huán)采集數(shù)據(jù):用戶佩戴MYO臂環(huán)于手臂高位處,可以獲取8通道時(shí)序EMG肌電信號(hào),使用Python程序記錄與處理這些信號(hào)。具體包括實(shí)時(shí)信號(hào)記錄,移動(dòng)平均法分割活躍動(dòng)作信號(hào),在時(shí)域、時(shí)頻域多類進(jìn)行序列特征拓展,獲得多流序列信號(hào)輸入組合RNN網(wǎng)絡(luò)進(jìn)行分類。為了評(píng)估該MCI系統(tǒng)的有效性,一共收集了10類動(dòng)作,選擇了35位實(shí)驗(yàn)人員(20位女性,15位男性)進(jìn)行了人群泛化性實(shí)驗(yàn)。為了使不同肌電感應(yīng)通道獲取到手部運(yùn)動(dòng)相同肌肉群產(chǎn)生的EMG肌電信號(hào),限制所有實(shí)驗(yàn)人員佩戴MYO臂環(huán)于右手手臂,且第4通道與右手中指對(duì)齊。本研究聯(lián)結(jié)了RNN網(wǎng)絡(luò)與EMG信號(hào)識(shí)別工作,設(shè)計(jì)了組合RNN網(wǎng)絡(luò)用于分類,并根據(jù)稀疏多通道的EMG信號(hào)進(jìn)行不同手勢識(shí)別,探索了MCI系統(tǒng)的一種全新的設(shè)計(jì)方式。

MCI系統(tǒng)通過MYO臂環(huán)獲取人類手部運(yùn)動(dòng)產(chǎn)生的8通道稀疏EMG肌電信號(hào),信號(hào)幅值限制于-128～127之間,采樣頻率約190～200 Hz(MYO臂環(huán)無法固定采樣率)。共設(shè)計(jì)了10個(gè)手勢,分別如圖2所示。由MYO臂環(huán)獲得的EMG信號(hào)是連續(xù)的時(shí)間序列。為了識(shí)別不同動(dòng)作,首先需要從連續(xù)序列中分割出單個(gè)有效活躍動(dòng)作片段,本文采用移動(dòng)平均技術(shù)[52]實(shí)現(xiàn)有效動(dòng)作分割。

【參考文獻(xiàn)】：
期刊論文
[1]引入再檢測機(jī)制的孿生神經(jīng)網(wǎng)絡(luò)目標(biāo)跟蹤[J]. 梁浩,劉克儉,劉康,劉巖俊,陳小林.  光學(xué)精密工程. 2019(07)
[2]利用遷移學(xué)習(xí)的機(jī)載激光雷達(dá)點(diǎn)云分類[J]. 趙傳,張保明,余東行,郭海濤,盧俊.  光學(xué)精密工程. 2019(07)
[3]基于改進(jìn)YOLOv2的快速安全帽佩戴情況檢測[J]. 方明,孫騰騰,邵楨.  光學(xué)精密工程. 2019(05)
[4]面向肌電信號(hào)的虛擬現(xiàn)實(shí)提線木偶動(dòng)畫研究[J]. 譚宇彤,周旭峰,孔令芝,王醒策,武仲科,稅午陽,付艷,周明全,Vladimir KORKHOV,Luciano Paschoal GASPARY.  軟件學(xué)報(bào). 2019(10)
[5]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)

碩士論文
[1]表面肌電信號(hào)的特征提取與模式分類研究[D]. 邱青菊.上海交通大學(xué) 2009



本文編號(hào)：3576425