表面肌电手部动作识别的研究进展

表面肌电信号(surface electromyography,sEMG)是一种测量肌肉活动的非侵入式方法,蕴含着关联人体运动的丰富信息,可用于手部动作识别。基于sEMG手部动作识别是指通过分析手部肌肉的sEMG信号,实现对手部动作的分类和识别。在神经网络发展的推动下,sEMG在手部动作识别领域取得了显著进展,但sEMG面临着噪声大、稳定性差等缺陷,难以有效利用,给高精度手部动作识别模型的获取带来了巨大困难,阻碍了研究成果的转化应用。详细归纳了sEMG手部动作识别方法的研究进展;介绍了常用于动作识别领域的公开肌电数据集,并介绍了自测肌电数据集采集流程;根据研究方法不同将现有的sEMG手部动作识别模型分为基于机器学习的手部动作识别、基于深度学习的手部动作识别和基于混合网络结构的手部动作识别三类,分别对相关模型进行总结分析,对不足之处提出建议;最后对手部动作识别研究需要解决的问题和未来发展方向进行了展望。

表面肌电关节连续运动估计的研究进展

表面肌电信号(surface electromyography, sEMG)是一种非侵入式的生物电信号,用于捕捉运动过程中肌肉活动的变化。因其与运动密切相关,所以广泛应用于智能辅助康复设备的研发过程中,为康复者提供支持和帮助。康复训练涉及到复杂的立体运动,而基于sEMG的关节连续运动估计是一种通过分析运动期间的sEMG来估计关节角度或力矩的方法,它能够有效缓解康复机器与人体之间的适应性不足的问题,并提供更安全的辅助,从而显著改善康复效果。介绍了关节连续运动估计的现状,然后根据不同的研究方法将现有的sEMG关节连续运动估计模型分为基于生物力学的肌肉骨骼模型和基于机器学习的回归模型,分别对相关模型进行总结分析;分析了当前所面临的挑战,并展望了未来的研究趋势。