CN112183462A - 一种借助残肢表面肌电控制智能鼠标装置的方法 - Google Patents
一种借助残肢表面肌电控制智能鼠标装置的方法 Download PDFInfo
- Publication number
- CN112183462A CN112183462A CN202011143128.5A CN202011143128A CN112183462A CN 112183462 A CN112183462 A CN 112183462A CN 202011143128 A CN202011143128 A CN 202011143128A CN 112183462 A CN112183462 A CN 112183462A
- Authority
- CN
- China
- Prior art keywords
- solution
- algorithm
- neural network
- classification
- kernel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种借助残肢表面肌电控制智能鼠标装置的方法,解决了表面肌电信号的分类问题,通过新的分类算法,得到更高的分类准确率,该分类方法是核主成分分析降维结合基于人工蜂群优化的BP神经网络分类算法;本发明解决了智能鼠标控制的集成问题,将控制终端集成至嵌入式平台,为后续学习和研究提供方便;同时本发明实现了表面肌电信号控制的虚拟鼠标。
Description
技术领域
本发明涉及人工智能、信号处理、可穿戴设备等领域,尤其涉及一种借助残肢表面肌电控制智能鼠标装置的方法。
背景技术
国内生产的鼠标主要的适用对象主要是正常人,断手残疾人并不能使用。可无论是假肢控制鼠标还是让残疾人通过其他动作去操作鼠标,这些方法都有着不可避免的缺陷。利用残疾人前臂肌电信号来控制智能虚拟鼠标,是切实可行的方式。在专利说明书CN107562209A中公开了一种适用于残疾人的电脑控制设备,该设备使用一种肌电信号采集设备,对残疾人手臂摆动时产生的肌电信号进行采集,然后使用陀螺仪采集姿态动作信息,最后用处理器根据肌电信号和姿态信息生成相应的控制指令,并将控制指令通过通信装置发送至电脑以实现对电脑的控制。在专利说明书CN105807640A中公开了一种终端控制方法,对所采集的肌电信号提取特征值并进行小波分解,再与第一特征值相对比,确定所述肌电信号的特征值的控制代码,所述终端响应所述控制代码所对应的控制信号。在专利说明书CN104423549A中,利用带通滤波器对采集到的原始表面肌电信号进行预处理,采用移动平均算法对活动段进行检测,以判断有效动作信号的起始点和终止点,提取幅度绝对值均值、过零率和3阶AR模型系数作为表面肌电信号的特征,采用BP神经网络和SOFM网络对动作表面肌电信号进行分类。
在以上方法中,控制效果的体现需要较高的肌电信号分类准确率,如果能将已有的技术与新发展起来的人工智能相结合,使用机器学习或者深度学习的方法进行肌电信号分类,定会取得良好的效果,而传统的BP神经网络分类效果不是很理想,应寻求更好的分类方法。为此本发明提出了一种结合核主成分分析(KPCA)降维,并使用人工蜂群算法(ABC)来优化BP神经网络的分类算法,该方法拥有较高的准确率,符合设备需求。此外,此类研究的通用性较低,不能方便的让其他研究者进行学术研究,为此本发明设计了高集成度的系统,使用嵌入式平台连接PC端实现鼠标控制。
发明内容
本发明首先要解决表面肌电信号的分类问题,通过新的分类算法,得到更高的分类准确率;其次本发明要解决智能鼠标控制的集成问题,将控制终端集成至嵌入式平台,为后续学习和研究提供方便;最终,本发明实现了表面肌电信号控制的虚拟鼠标。
本发明具体技术方案如下:
一种借助残肢表面肌电控制智能鼠标装置的方法,包括步骤如下:
S1:表面肌电信号采集和预处理;
S2:将经过步骤S1预处理的表面肌电信号数据发送至分类算法进行分类;
该算法分为两部分,第一是核主成分分析降维,第二是基于人工蜂群优化的BP神经网络分类算法;
目前常用的降维算法是PCA,算法从原始输入空间中提取线性独立的输入变量,有效地简化了模型的结构。然而,它是基于嵌入高维数据空间中的子空间是线性或近似线性的前提,对于非线性模型的效果较差。因此本设计引入KPCA,即核主成分分析,实现输入数据的降维重构,达到简化模型的目的。
S2-1核主成分分析降维算法
(1)选定高斯径向基函数作为核函数,计算核矩阵K,其中核函数的公式为:
其中xi为核函数中心,σ为函数的宽度参数;
(2)通过修正核矩阵得到KL;
(3)计算KL的特征值λ1,...,λn和对应的特征向量v1,...,vn;
(4)降序排列特征值,得λ1′>...>λn′,对特征向量进行相应调整,使其对齐特征值,得v1′,...,vn′;
(5)通过施密特正交化方法,单位正交化特征向量α1,...,αn;
(6)计算特征值的累积贡献率B1,...,Bn,选择符合累积贡献率要求的主元个数;
(7)计算已修正的核矩阵在特征空间向量上的投影Y=KL·α,其中α=(α1,...,αt);
(8)返回投影矩阵Y;
S2-2将步骤S2-1降维后的数据输入到基于人工蜂群优化的BP神经网络分类算法中进行训练;
基于人工蜂群优化的BP神经网络分类算法为:
(1)创建一个BP神经网络;
(2)初始化ABC算法的参数;包括蜂群的大小Nc,采蜜蜂的数量Ne,跟随蜂的数量No,解的个数Ns,极限值limit,最大循环次数MCN以及D维初始解xi,i=1,…,Ns;
Nc,Ne,No和Ns满足以下关系:
Nc=2Ns=Ne+No,Ne=No
每个解的维数D满足下列方程:
D=Ninput*Nhidden+Nhidden+Nhidden*Noutput+Noutput
其中Ninput、Nhidden、Noutput分别是输入层、隐含层、输出层的神经元个数;初始解的值是随机产生的(-1,1)之间的数;
(3)计算每个解的适合度值
式中i=1,…,Ns,MSEi表示第i个解的BP网络均方误差;
(4)采蜜蜂根据当前的记忆解搜索新的解:
Vij=Xij+rand(-1,1)(Xij-Xij)
式中i是解的编号,j∈{1,2,…,D},k∈{1,2,…,Ns}是随机产生的,且k≠i;采蜜蜂采用贪婪选择法,如果新解的适合度值比旧解的适合度值大,则记下更新旧解,否则在旧解的更新失败次数加1;
(5)计算各解的可能值Pi:
式中f(Xi)是第i个解的适合度值;跟随蜂根据这些可能值从现有解的邻域中搜索新的解;
(6)如果解xi的更新失败次数超过了预先设定的阀值limit,说明这个解不能再被优化了,须将它舍弃,用下式产生的新解将其代替:
Xi=Xmin+rand(0,1)(Xmax-Xmin)
保存最优的解;
(7)如果迭代次数大于最大循环次数MCN,则训练结束;否则,返回第(5)步;
(8)将得到的最优解变换成神经网络的连接权值和阀值,用数据仿真和测试神经网络;
S3:将步骤S2分类后的表面肌电信号信息传送给PC端,控制虚拟智能鼠标。
本发明的有益效果如下:本发明对提取的表面肌电信号进行了有效的预处理,设计的分类算法具有更高的准确率;将控制部分的平台搭建完成后,为能够供断手残疾人真正使用的虚拟鼠标做好软硬件基础;将控制系统编译环境进行配置后,其他通过利用机器学习或深度学习来处理和识别肌电信号的研究者可以直接使用本方法,无需再编写底层驱动程序。
附图说明
图1为本发明的流程架构图。
图2为表面肌电信号预处理电路流程图。
具体实施方式
下面,将结合附图进一步详细说明本发明的具体实施方式。
本发明采集人体表面的肌电信号,对其进行预处理后,通过嵌入式平台输入到PC端,控制虚拟鼠标。其具体实施方式如下:
S1:表面肌电信号采集和预处理:采用氯化银凝胶电极,对人体前臂指伸肌、指浅屈肌、尺侧腕伸肌、尺侧腕屈肌的表面肌电信号进行提取,然后设计前置放大电路、四阶低通有源滤波电路、四阶高通有源滤波电路、50Hz工频陷波器、二级放大电路,将各个电路集成为采集和预处理电路板。具体设计流程如图2所示。
将经过预处理的表面肌电信号数据发送至分类算法进行分类。
S2:一种结合KPCA的ABC-BPNN分类算法:
该算法分为两部分,第一是核主成分分析(KPCA)降维,第二是基于人工蜂群优化的BP神经网络分类算法。
核主成分分析(KPCA)降维算法具体如下:
(1)选定高斯径向基函数作为核函数,计算核矩阵K,其中高斯径向基函数(RBF)核函数的公式为:
其中xi为核函数中心,σ为函数的宽度参数。
(2)通过修正核矩阵得到KL;
(3)计算KL的特征值λ1,...,λn和对应的特征向量v1,...,vn;
(4)降序排列特征值,得λ1′>...>λn′,对特征向量进行相应调整,使其对齐特征值,得v1′,...,vn′;
(5)通过施密特正交化方法单位正交化特征向量α1,...,αn;
(6)计算特征值的累积贡献率B1,...,Bn,选择符合累积贡献率要求的主元个数,本发明提取贡献率最高的16个主分量α1,...,αt;
(7)计算已修正的核矩阵在特征空间向量上的投影Y=KL·α,其中
α=(α1,...,αt);
(8)返回投影矩阵Y。
本发明提取的主元个数与对应的累计贡献率如表1所示。
表1主元个数与对应的累计贡献率
主元个数 | 累计贡献率 |
8 | 82% |
10 | 87% |
12 | 91% |
14 | 93% |
16 | 95% |
本发明使用基于高斯核的KPCA算法,对预处理后的表面肌电信号进行降维,再将降维后的数据输入到ABC-BPNN中进行训练。
本算法的第二部分是基于人工蜂群优化的BP神经网络分类算法,其具体内容如下:
(1)创建一个BP神经网络;
(2)初始化ABC算法的参数。包括蜂群的大小(Nc),采蜜蜂的数量(Ne),跟随蜂的数量(No),解的个数(Ns),极限值(limit),最大循环次数(MCN)以及D维初始解xi(i=1,…,Ns)。Nc,Ne,No和Ns满足以下关系:
Nc=2Ns=Ne+No,Ne=No
本预测模型中初始值设定分别为:Ns=Ne=No=100,limit=100,MCN=200。D维解向量xi(i=1,…,Ns)代表了(1)中所创建网络的连接权值和阀值,每个解的维数D满足下列方程:
D=Ninput*Nhidden+Nhidden+Nhidden*Noutput+Noutput
其中Ninput、Nhidden、Noutput分别是输入层、隐含层、输出层的神经元个数。初始解的值是随机产生的(-1,1)之间的数。
(3)计算每个解的适合度值
式中i=1,…,Ns,MSEi表示第i个解的BP网络均方误差。显然,当适合度达到1的时候是最理想的状态。
(4)采蜜蜂根据当前的记忆解搜索新的解:
Vij=Xij+rand(-1,1)(Xij-Xij)
式中i是解的编号,j∈{1,2,…,D},k∈{1,2,…,Ns}是随机产生的,且k≠i。采蜜蜂采用贪婪选择法,如果新解的适合度值比旧解的适合度值大,则记下更新旧解,否则在旧解的更新失败次数加1。
(5)计算各解的可能值(Pi):
式中f(Xi)是第i个解的适合度值。跟随蜂根据这些可能值从现有解的邻域中搜索新的解。
(6)如果解xi的更新失败次数超过了预先设定的阀值limit,那么就说明这个解不能再被优化了,须将它舍弃,用下式产生的新解将其代替:
Xi=Xmin+rand(0,1)(Xmax-Xmin)
保存最优的解。
(7)如果迭代次数大于最大循环次数MCN,则训练结束。否则,返回第(5)步。
(8)将得到的最优解变换成神经网络的连接权值和阀值,用数据仿真和测试神经网络。
该算法的核心思想,是使用人工蜂群算法寻求BP神经网络的最优权值和阈值,再将最优值代入网络中计算,以达到更好的分类效果。
使用该算法对表面肌电信号进行分类,随着迭代次数的增加,准确率、召回率、精确率在不断变化,当迭代次数五十次左右后趋于平稳,准确率达到91.78%,召回率达到91.00%,精确率达到96.55%。
经过五次运行,结果如表2所示。
表2五次运行结果
可见本算法分类准确率较高,符合鼠标控制需求。
S3:QT程序编写与控制部分的实现:
编写QT界面,使用TQ3358将预处理后的表面肌电信号AD转换结果发送给QT应用程序。QT应用程序显示表面肌电信号的波形,将读取AD的结果保存并发送给表面肌电信号处理算法。使用Python读取发送来的数据进行机器学习分类,并将算法处理后的结果发送给PC端显示程序,PC端的程序实现相应的鼠标操作。至此,本发明完成了使用表面肌电信号信息进行虚拟鼠标控制显示的目的,实现了发明设计。
Claims (3)
1.一种借助残肢表面肌电控制智能鼠标装置的方法,其特征在于,包括步骤如下:
S1:表面肌电信号采集和预处理;
S2:将经过步骤S1预处理的表面肌电信号数据发送至分类算法进行分类;
该算法分为两部分,第一是核主成分分析降维,第二是基于人工蜂群优化的BP神经网络分类算法;
S2-1核主成分分析降维算法
(1)选定高斯径向基函数作为核函数,计算核矩阵K,其中核函数的公式为:
其中xi为核函数中心,σ为函数的宽度参数;
(2)通过修正核矩阵得到KL;
(3)计算KL的特征值λ1,...,λn和对应的特征向量v1,...,vn;
(4)降序排列特征值,得λ1′>...>λn′,对特征向量进行相应调整,使其对齐特征值,得v1′,...,vn′;
(5)通过施密特正交化方法,单位正交化特征向量α1,...,αn;
(6)计算特征值的累积贡献率B1,...,Bn,选择符合累积贡献率要求的主元个数;
(7)计算已修正的核矩阵在特征空间向量上的投影Y=KL·α,其中α=(α1,...,αt);
(8)返回投影矩阵Y;
S2-2将步骤S2-1降维后的数据输入到基于人工蜂群优化的BP神经网络分类算法中进行训练;
基于人工蜂群优化的BP神经网络分类算法为:
(1)创建一个BP神经网络;
(2)初始化ABC算法的参数;包括蜂群的大小Nc,采蜜蜂的数量Ne,跟随蜂的数量No,解的个数Ns,极限值limit,最大循环次数MCN以及D维初始解xi,i=1,...,Ns;
Nc,Ne,No和Ns满足以下关系:
Nc=2Ns=Ne+No,Ne=No
每个解的维数D满足下列方程:
D=Ninput*Nhidden+Nhidden+Nhidden*Noutput+Noutput
其中Ninput、Nhidden、Noutput分别是输入层、隐含层、输出层的神经元个数;初始解的值是随机产生的(-1,1)之间的数;
(3)计算每个解的适合度值
式中i=1,…,Ns,MSEi表示第i个解的BP网络均方误差;
(4)采蜜蜂根据当前的记忆解搜索新的解:
Vij=Xij+rand(-1,1)(Xij-Xij)
式中i是解的编号,j∈{1,2,…,D},k∈{1,2,…,Ns}是随机产生的,且k≠i;采蜜蜂采用贪婪选择法,如果新解的适合度值比旧解的适合度值大,则记下更新旧解,否则在旧解的更新失败次数加1;
(5)计算各解的可能值Pi:
式中f(Xi)是第i个解的适合度值;跟随蜂根据这些可能值从现有解的邻域中搜索新的解;
(6)如果解xi的更新失败次数超过了预先设定的阀值limit,说明这个解不能再被优化了,须将它舍弃,用下式产生的新解将其代替:
Xi=Xmin+rand(0,1)(Xmax-Xmin)
保存最优的解;
(7)如果迭代次数大于最大循环次数MCN,则训练结束;否则,返回第(5)步;
(8)将得到的最优解变换成神经网络的连接权值和阀值,用数据仿真和测试神经网络;
S3:将步骤S2分类后的表面肌电信号信息传送给PC端,控制虚拟智能鼠标。
2.根据权利要求1所述的借助残肢表面肌电控制智能鼠标装置的方法,其特征在于,S1表面肌电信号采集和预处理:采用氯化银凝胶电极,对人体前臂指伸肌、指浅屈肌、尺侧腕伸肌、尺侧腕屈肌的表面肌电信号进行提取,然后设计前置放大电路、四阶低通有源滤波电路、四阶高通有源滤波电路、50Hz工频陷波器、二级放大电路,将各个电路集成为采集和预处理电路板。
3.根据权利要求1所述的借助残肢表面肌电控制智能鼠标装置的方法,其特征在于,该方法编写QT界面,使用TQ3358将步骤S1预处理后的表面肌电信号AD转换结果发送给QT应用程序;QT应用程序显示表面肌电信号的波形,将读取AD的结果保存并发送给步骤S2表面肌电信号处理算法;使用Python读取发送来的数据进行机器学习分类,并将算法处理后的结果发送给PC端显示程序,PC端的程序实现相应的鼠标操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011143128.5A CN112183462B (zh) | 2020-10-23 | 2020-10-23 | 一种借助残肢表面肌电控制智能鼠标装置的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011143128.5A CN112183462B (zh) | 2020-10-23 | 2020-10-23 | 一种借助残肢表面肌电控制智能鼠标装置的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183462A true CN112183462A (zh) | 2021-01-05 |
CN112183462B CN112183462B (zh) | 2023-07-25 |
Family
ID=73922149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011143128.5A Active CN112183462B (zh) | 2020-10-23 | 2020-10-23 | 一种借助残肢表面肌电控制智能鼠标装置的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183462B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130096453A1 (en) * | 2011-10-12 | 2013-04-18 | Seoul National University R&Db Foundation | Brain-computer interface devices and methods for precise control |
US20180020951A1 (en) * | 2016-07-25 | 2018-01-25 | Patrick Kaifosh | Adaptive system for deriving control signals from measurements of neuromuscular activity |
CN109063571A (zh) * | 2018-07-04 | 2018-12-21 | 上海电机学院 | 基于小波包分解的人工蜂群bp神经网络信号识别方法 |
-
2020
- 2020-10-23 CN CN202011143128.5A patent/CN112183462B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130096453A1 (en) * | 2011-10-12 | 2013-04-18 | Seoul National University R&Db Foundation | Brain-computer interface devices and methods for precise control |
US20180020951A1 (en) * | 2016-07-25 | 2018-01-25 | Patrick Kaifosh | Adaptive system for deriving control signals from measurements of neuromuscular activity |
CN109063571A (zh) * | 2018-07-04 | 2018-12-21 | 上海电机学院 | 基于小波包分解的人工蜂群bp神经网络信号识别方法 |
Non-Patent Citations (5)
Title |
---|
"Pattern recognition with surface EMG signal based wavelet transformation", 《2012 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC)》, pages 295 - 300 * |
GANESH R. NAIK等: "Principal Component Analysis Applied to Surface Electromyography: A Comprehensive Review", 《IEEE ACCESS 》, vol. 4, pages 4025, XP011620949, DOI: 10.1109/ACCESS.2016.2593013 * |
于擎: "基于手势动作肌电信号的虚拟鼠标控制", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 7, pages 080 - 8 * |
石军梅: "基于表面肌电信号的手部动作模式识别方法研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 2, pages 060 - 685 * |
马迪: "基于表面肌电信号的手势识别算法研究", 《中国优秀硕士学位论文全文数据库(基础科学辑)》, no. 8, pages 006 - 291 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183462B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuncer et al. | Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition | |
Bao et al. | A CNN-LSTM hybrid model for wrist kinematics estimation using surface electromyography | |
Wang et al. | Improved multi-stream convolutional block attention module for sEMG-based gesture recognition | |
CN110555468A (zh) | 一种联合递归图和cnn的脑电信号识别方法及系统 | |
CN110826625B (zh) | 一种基于表面肌电信号的手指手势分类方法 | |
Du et al. | A multi-dimensional graph convolution network for EEG emotion recognition | |
Ahsan et al. | Hand motion detection from EMG signals by using ANN based classifier for human computer interaction | |
CN111870242A (zh) | 一种基于肌电信号的智能手势动作生成方法 | |
Olsson et al. | Automatic discovery of resource-restricted convolutional neural network topologies for myoelectric pattern recognition | |
CN111178288A (zh) | 基于局部误差逐层训练的人体姿态识别方法和装置 | |
Tang et al. | Continuous estimation of human upper limb joint angles by using PSO-LSTM model | |
Cao et al. | A Novel Adaptive Mutation PSO Optimized SVM Algorithm for sEMG‐Based Gesture Recognition | |
Li et al. | Multi-channel EEG-based emotion recognition in the presence of noisy labels | |
Wang et al. | Deep convolutional neural network for decoding EMG for human computer interaction | |
AlOmari et al. | Novel hybrid soft computing pattern recognition system SVM–GAPSO for classification of eight different hand motions | |
Xu et al. | A Novel Event-Driven Spiking Convolutional Neural Network for Electromyography Pattern Recognition | |
Idowu et al. | Efficient classification of motor imagery using particle swarm optimization-based neural network for IoT applications | |
CN112183462A (zh) | 一种借助残肢表面肌电控制智能鼠标装置的方法 | |
Unanyan et al. | A real-time fail-safe algorithm for decoding of myoelectric signals to control a prosthetic arm | |
CN114947740A (zh) | 基于量子cnn-gru预测癫痫发作的方法 | |
Micheli-Tzanakou et al. | Comparison of neural network algorithms for face recognition | |
CN109522810B (zh) | 一种基于社区投票机制的肌电假肢手手势识别方法 | |
CN112560784A (zh) | 一种基于动态多尺度卷积神经网络的心电图分类方法 | |
Venu et al. | Optimized Deep Learning Model Using Modified Whale’s Optimization Algorithm for EEG Signal Classification | |
Liu et al. | Multi-stream convolutional neural network-based wearable, flexible bionic gesture surface muscle feature extraction and recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |