表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实...表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于肌电信号与柔性神经树FNT(FlexibleNeural Trees)模型的实时手势识别模型。柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN(Artificial NeuralNetwork)的结构高依赖性问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率。针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53%。展开更多
文摘表面肌电信号因为具有非入侵式、易于采集特点,被广泛应用于康复医疗和行为识别等领域。传统的基于表面肌电信号sEMG(Surface Electromyography)的手势识别通常采用数字信号处理DSP(Digital Signal Processing)芯片或者集合方法研究实时识别问题。这些方法易导致数学模型参数繁多、硬件连接复杂和实时识别率较低。提出一种基于肌电信号与柔性神经树FNT(FlexibleNeural Trees)模型的实时手势识别模型。柔性神经树模型通过简单的预定义建立,能够解决人工神经网络ANN(Artificial NeuralNetwork)的结构高依赖性问题。柔性神经树模型不仅能够避免复杂的计算和电路连接,还具有较高的实时识别率。针对六名参与者的六种手势进行实验,实验结果表明:该模型的均方根误差RMSE(Root Mean Square Error)最低为0.000385,实时识别率最高可达97.53%。
