基于组合RNN网络的EMG信号手势识别
发布时间：2022-01-08 10:53
肌肉计算机接口（MCI）系统是虚拟现实、人机交互研究的热点之一,其核心问题是EMG肌电信号分类,因而MCI系统可以与深度学习方法有效结合。表面EMG信号分为高密度瞬时信号与稀疏多通道信号,前者类似于图像,可以采用CNN网络处理;本文应用RNN网络对后者进行研究,并利用MYO臂环实现了相应MCI系统。稀疏多通道EMG信号是不定长时间序列信号,前后时间相关性高,采用RNN网络进行分类。通过对原始信号进行时域、时频域、频域特征拓展,获得原始信号的多流特征序列,并提出两类组合RNN网络架构处理相应多流信号。用户依赖时算法准确率达90.78%,非用户依赖的人群测试中手势识别准确率达78.01%,实时动作识别准确率达82.09%,算法能在61.7毫秒内识别手势动作。本文所提出的组合RNN网络方法可以有效区分基于EMG信号的不同动作,且所设计的MCI系统用户泛化性与工作实时性表现好。
【文章来源】：光学精密工程. 2020,28(02)北大核心EICSCD
【文章页数】：19 页
【部分图文】：
同步训练的组合RNN网络识别结果
本文主要研究基于稀疏多通道EMG肌电信号的手势识别方法,步骤包括EMG信号获取与预处理,时间序列信号时域、时频域特征拓展方法,以及设计合理的深度神经网络分类器进行手势分类研究。同时为了研究方便与研究成果快速应用,还设计了一个基于EMG信号的MCI手势识别系统,可以方便快速地进行实时手势识别过程。MCI系统设计如图1所示。鉴于MYO臂环的通用性与有效性,选择MYO臂环采集数据:用户佩戴MYO臂环于手臂高位处,可以获取8通道时序EMG肌电信号,使用Python程序记录与处理这些信号。具体包括实时信号记录,移动平均法分割活跃动作信号,在时域、时频域多类进行序列特征拓展,获得多流序列信号输入组合RNN网络进行分类。为了评估该MCI系统的有效性,一共收集了10类动作,选择了35位实验人员(20位女性,15位男性)进行了人群泛化性实验。为了使不同肌电感应通道获取到手部运动相同肌肉群产生的EMG肌电信号,限制所有实验人员佩戴MYO臂环于右手手臂,且第4通道与右手中指对齐。本研究联结了RNN网络与EMG信号识别工作,设计了组合RNN网络用于分类,并根据稀疏多通道的EMG信号进行不同手势识别,探索了MCI系统的一种全新的设计方式。
MCI系统通过MYO臂环获取人类手部运动产生的8通道稀疏EMG肌电信号,信号幅值限制于-128～127之间,采样频率约190～200 Hz(MYO臂环无法固定采样率)。共设计了10个手势,分别如图2所示。由MYO臂环获得的EMG信号是连续的时间序列。为了识别不同动作,首先需要从连续序列中分割出单个有效活跃动作片段,本文采用移动平均技术[52]实现有效动作分割。
【参考文献】：
期刊论文
[1]引入再检测机制的孪生神经网络目标跟踪[J]. 梁浩,刘克俭,刘康,刘岩俊,陈小林. 光学精密工程. 2019(07)
[2]利用迁移学习的机载激光雷达点云分类[J]. 赵传,张保明,余东行,郭海涛,卢俊. 光学精密工程. 2019(07)
[3]基于改进YOLOv2的快速安全帽佩戴情况检测[J]. 方明,孙腾腾,邵桢. 光学精密工程. 2019(05)
[4]面向肌电信号的虚拟现实提线木偶动画研究[J]. 谭宇彤,周旭峰,孔令芝,王醒策,武仲科,税午阳,付艳,周明全,Vladimir KORKHOV,Luciano Paschoal GASPARY. 软件学报. 2019(10)
[5]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
硕士论文
[1]表面肌电信号的特征提取与模式分类研究[D]. 邱青菊.上海交通大学 2009
本文编号：3576425
【文章来源】：光学精密工程. 2020,28(02)北大核心EICSCD
【文章页数】：19 页
【部分图文】：
同步训练的组合RNN网络识别结果
本文主要研究基于稀疏多通道EMG肌电信号的手势识别方法,步骤包括EMG信号获取与预处理,时间序列信号时域、时频域特征拓展方法,以及设计合理的深度神经网络分类器进行手势分类研究。同时为了研究方便与研究成果快速应用,还设计了一个基于EMG信号的MCI手势识别系统,可以方便快速地进行实时手势识别过程。MCI系统设计如图1所示。鉴于MYO臂环的通用性与有效性,选择MYO臂环采集数据:用户佩戴MYO臂环于手臂高位处,可以获取8通道时序EMG肌电信号,使用Python程序记录与处理这些信号。具体包括实时信号记录,移动平均法分割活跃动作信号,在时域、时频域多类进行序列特征拓展,获得多流序列信号输入组合RNN网络进行分类。为了评估该MCI系统的有效性,一共收集了10类动作,选择了35位实验人员(20位女性,15位男性)进行了人群泛化性实验。为了使不同肌电感应通道获取到手部运动相同肌肉群产生的EMG肌电信号,限制所有实验人员佩戴MYO臂环于右手手臂,且第4通道与右手中指对齐。本研究联结了RNN网络与EMG信号识别工作,设计了组合RNN网络用于分类,并根据稀疏多通道的EMG信号进行不同手势识别,探索了MCI系统的一种全新的设计方式。
MCI系统通过MYO臂环获取人类手部运动产生的8通道稀疏EMG肌电信号,信号幅值限制于-128～127之间,采样频率约190～200 Hz(MYO臂环无法固定采样率)。共设计了10个手势,分别如图2所示。由MYO臂环获得的EMG信号是连续的时间序列。为了识别不同动作,首先需要从连续序列中分割出单个有效活跃动作片段,本文采用移动平均技术[52]实现有效动作分割。
【参考文献】：
期刊论文
[1]引入再检测机制的孪生神经网络目标跟踪[J]. 梁浩,刘克俭,刘康,刘岩俊,陈小林. 光学精密工程. 2019(07)
[2]利用迁移学习的机载激光雷达点云分类[J]. 赵传,张保明,余东行,郭海涛,卢俊. 光学精密工程. 2019(07)
[3]基于改进YOLOv2的快速安全帽佩戴情况检测[J]. 方明,孙腾腾,邵桢. 光学精密工程. 2019(05)
[4]面向肌电信号的虚拟现实提线木偶动画研究[J]. 谭宇彤,周旭峰,孔令芝,王醒策,武仲科,税午阳,付艳,周明全,Vladimir KORKHOV,Luciano Paschoal GASPARY. 软件学报. 2019(10)
[5]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
硕士论文
[1]表面肌电信号的特征提取与模式分类研究[D]. 邱青菊.上海交通大学 2009
本文编号：3576425
本文链接：https://www.wllwen.com/kejilunwen/wltx/3576425.html
