由于sEMG(Surface Electromyography)對肌肉疲勞、不同患者以及電極位移等都非常敏感,設計一種可靠、魯棒的智能手部康復設備仍然是一項艱巨的工作。為此,提出一種基于深度學習的康復手勢神經(jīng)解碼方法,利用患者前臂的表面肌電信號,通過卷積神經(jīng)網(wǎng)絡(CNN:Convolutional Neural Network)識別患者的手部運動意圖。通過組合特征提取方法,對8通道肌電信號每個通道的信號進行組合特征提取,組合特征包括小波包分解能量特征、時域特征和頻域特征共32個特征。將8個通道特征組成一個8×32的數(shù)值矩陣并進行灰度處理成特征圖,再用此特征圖訓練卷積神經(jīng)網(wǎng)絡,對5種不同手勢進行分類,分類器準確率達到98.1%。最后通過STM32 I/O口根據(jù)分類結果輸出對應的PWM(Pulse Width Modulation)控制信號控制康復手套的動作,表明了該方法的可行性,為深入研究康復手套運動控制奠定了基礎。

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 基于肌電信號的手勢識別
    1.1 MYO肌電采集臂環(huán)
    1.2 肌電信號識別軟件
    1.3 數(shù)據(jù)集
    1.4 特征提取
    1.5 基于卷積神經(jīng)網(wǎng)絡的分類器
2 分類器泛化性能分析
    2.1 分類器實時分類準確性分析
    2.2 分類器電極偏移識別準確性分析
    2.3 不同手臂下分類器識別準確性分析
3 康復手套運動實驗
4 結語



本文編號：3800120