基于CNN和sEMG的手势识别及康复手套控制

发布时间：2023-04-24 22:14

　　由于sEMG(Surface Electromyography)对肌肉疲劳、不同患者以及电极位移等都非常敏感,设计一种可靠、鲁棒的智能手部康复设备仍然是一项艰巨的工作。为此,提出一种基于深度学习的康复手势神经解码方法,利用患者前臂的表面肌电信号,通过卷积神经网络(CNN:Convolutional Neural Network)识别患者的手部运动意图。通过组合特征提取方法,对8通道肌电信号每个通道的信号进行组合特征提取,组合特征包括小波包分解能量特征、时域特征和频域特征共32个特征。将8个通道特征组成一个8×32的数值矩阵并进行灰度处理成特征图,再用此特征图训练卷积神经网络,对5种不同手势进行分类,分类器准确率达到98.1%。最后通过STM32 I/O口根据分类结果输出对应的PWM(Pulse Width Modulation)控制信号控制康复手套的动作,表明了该方法的可行性,为深入研究康复手套运动控制奠定了基础。

【文章页数】：9 页

【文章目录】：
0 引言
1 基于肌电信号的手势识别
    1.1 MYO肌电采集臂环
    1.2 肌电信号识别软件
    1.3 数据集
    1.4 特征提取
    1.5 基于卷积神经网络的分类器
2 分类器泛化性能分析
    2.1 分类器实时分类准确性分析
    2.2 分类器电极偏移识别准确性分析
    2.3 不同手臂下分类器识别准确性分析
3 康复手套运动实验
4 结语



本文编号：3800120