由于sEMG(Surface Electromyography)對(duì)肌肉疲勞、不同患者以及電極位移等都非常敏感,設(shè)計(jì)一種可靠、魯棒的智能手部康復(fù)設(shè)備仍然是一項(xiàng)艱巨的工作。為此,提出一種基于深度學(xué)習(xí)的康復(fù)手勢神經(jīng)解碼方法,利用患者前臂的表面肌電信號(hào),通過卷積神經(jīng)網(wǎng)絡(luò)(CNN:Convolutional Neural Network)識(shí)別患者的手部運(yùn)動(dòng)意圖。通過組合特征提取方法,對(duì)8通道肌電信號(hào)每個(gè)通道的信號(hào)進(jìn)行組合特征提取,組合特征包括小波包分解能量特征、時(shí)域特征和頻域特征共32個(gè)特征。將8個(gè)通道特征組成一個(gè)8×32的數(shù)值矩陣并進(jìn)行灰度處理成特征圖,再用此特征圖訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),對(duì)5種不同手勢進(jìn)行分類,分類器準(zhǔn)確率達(dá)到98.1%。最后通過STM32 I/O口根據(jù)分類結(jié)果輸出對(duì)應(yīng)的PWM(Pulse Width Modulation)控制信號(hào)控制康復(fù)手套的動(dòng)作,表明了該方法的可行性,為深入研究康復(fù)手套運(yùn)動(dòng)控制奠定了基礎(chǔ)。

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 基于肌電信號(hào)的手勢識(shí)別
    1.1 MYO肌電采集臂環(huán)
    1.2 肌電信號(hào)識(shí)別軟件
    1.3 數(shù)據(jù)集
    1.4 特征提取
    1.5 基于卷積神經(jīng)網(wǎng)絡(luò)的分類器
2 分類器泛化性能分析
    2.1 分類器實(shí)時(shí)分類準(zhǔn)確性分析
    2.2 分類器電極偏移識(shí)別準(zhǔn)確性分析
    2.3 不同手臂下分類器識(shí)別準(zhǔn)確性分析
3 康復(fù)手套運(yùn)動(dòng)實(shí)驗(yàn)
4 結(jié)語



本文編號(hào)：3800120