基于Myo旋转偏移估计与自适应校正的手势识别方法

在基于表面肌电信号(Surface electromyography,sEMG)的手势识别系统中,针对Myo环形电极多次实验间旋转位置不同导致的识别精度降低问题,提出了一种基于极坐标系的电极位置偏移估计与自适应校正的识别方法.该方法首先建立相对于环形肌电传感器的极坐标系,提出了极坐标系下活跃极角(Activation polar angle,APA),用于估计实验中传感器相对于初始位置的横向旋转偏移角度;进而建立基于偏移角度的线性变换模型,在肌电信号特征空间内,对电极偏移位置下的样本进行自适应校正.在8种常用手势识别应用中,设计了两种实验范式:利用传感器各通道数据循环平移模拟电极横向旋转偏移实验和肌电传感器在小臂肌肉上的真实旋转偏移实验.结果均表明所提出方法的识别精度远高于未进行校正的模型识别精度.因此,所提出的电极偏移估计与自适应校正识别方法,不仅有效提高了表面肌电交互系统识别的鲁棒性,也降低了使用者在多次使用时训练成本与学习负担.

适用不同Brunnstrom等级患者基于表面肌电信号的动作识别方法

针对不同患病程度的脑卒中患者运动意图识别率低的问题,提出了一种适用于不同Brunnstrom等级患者基于表面肌电信号(sEMG)的动作识别方法.首先将所有等级患者s EMG数据进行融合,使用tsfresh库提取特征,然后基于随机森林(random forest,RF)模型筛选特征,并利用筛选的特征训练动作分类模型.进一步,通过研究动作和康复等级的关系,确定了康复评估动作并设计了康复等级自动评估算法.为了验证所提方法的有效性,在24例患者sEMG数据上进行了测试,实验结果表明所提方法能够将9种动作和6类康复等级的平均识别精度分别提升至89.81%和94%.基于所提方法构建的手部康复机器人系统能够实现康复等级自动评估.