基于MYO和Android的肌电假肢手控制系统设计与实现

针对目前假肢手控制系统成本高、操作不灵活、实用性差等问题,设计了一种基于MYO和Android的肌电假肢手控制系统;在Android平台上,开发了一款智能终端应用,实现了对MYO臂环采集的表面肌电信号进行数据处理和模式识别,并实时控制假肢手完成5种模式;实验结果表明,系统的在线识别率可达98.2%,并可在300ms左右完成一次识别过程,满足了假肢手控制的精度和实时性要求;该系统设计成本低廉、方便携带且易于扩展,很好地满足了截肢患者对假肢手控制的需求。

基于sEMG和变刚度控制的虚拟假手交互系统

为使虚拟假手在交互时具有柔顺性,实现了一种基于表面肌电(sEMG)信号和变刚度控制的虚拟假手交互系统。首先,采集人体前臂的sEMG信号并从中估计人手的刚度水平和关节扭矩;然后,通过变刚度阻抗控制模型估计虚拟假手的关节角度;最后,使用估计的关节角度控制虚拟假手与虚拟环境中的物体进行交互,交互过程中根据虚拟假手与物体的交互力对关节角度进行动态调节。实验结果表明:基于sEMG和变刚度控制的虚拟假手在进行抓握物体的交互任务时能在成功抓握物体的前提下产生较小的交互力,从而实现柔顺的交互。

基于组合RNN网络的EMG信号手势识别

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。

基于深度神经网络的sEMG手势识别研究

为了提高表面肌电信号(sEMG)手势识别算法的准确性,并解决人为提取大量特征具有局限性的问题,提出了一种基于深度神经网络的手势识别方法。将MYO臂环采集到的8通道sEMG数据,采用活动段分割的方法探测到有效动作;设计出一种融合卷积神经网络(CNN)和长短时记忆(LSTM)网络的神经网络;实验的结果表明手势识别准确率为91.6%,验证了提出的方案高效可行。

基于表面肌电和加速度信息融合的手势识别

针对现有手势识别方法中人为提取特征具有局限性的问题,考虑到MYO臂环稀疏多通道的特点,提出一种融合表肌电信号(sEMG)和加速度(ACC)信息的手势识别方案。首先由5位受试者佩戴MYO臂环,同步采集8组不同手势的多通道sEMG、ACC数据;其次采用一种新的数据预处理方法,使用高能量滑动窗将数据进行分割,得到短时有效活动段;最后设计出一种并行多层的LSTM网络,对两类数据进行特征提取和融合,实验准确率达96.87%。结果表明,所提出的手势识别方案简便可行。

可穿戴设备在交互音乐中的应用

阐述交互音乐领域可穿戴设备的应用形式,重点介绍近年来发展起来的基于脑电波传感器可穿戴设备的运用方式和效果。