CN106980367A - 一种基于肌电地形图的手势识别方法 - Google Patents
一种基于肌电地形图的手势识别方法 Download PDFInfo
- Publication number
- CN106980367A CN106980367A CN201710107237.3A CN201710107237A CN106980367A CN 106980367 A CN106980367 A CN 106980367A CN 201710107237 A CN201710107237 A CN 201710107237A CN 106980367 A CN106980367 A CN 106980367A
- Authority
- CN
- China
- Prior art keywords
- layer
- myoelectricity
- topographic map
- gesture
- characteristic
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Analysis (AREA)
Abstract
一种基于肌电地形图的手势识别方法,包括以下步骤:(1)数据采集:通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集;(2)数据预处理:对采集到的表面肌电信号进行预处理;(3)肌电地形图生成;4)深度卷积神经网络模型训练和手势识别,生成肌电地形图特征图像,肌电地形图首先转化为64*64的灰度图像,再使用ZCA白化预处理,生成特征图像;根据肌电地形图特性,设计相应的卷积神经网络模型结构,并构建模型;将测试集数据输入到训练好的网络模型中进行手势识别分类。本发明可以对不同被试做同一手势生成相似的肌电地形图,从而有效的解决表面肌电信号的个体差异性问题。
Description
技术领域
本发明属于计算机与生物信号相结合领域,具体涉及一种基于肌电地形图的手势识别方法。
背景技术
基于生理信号的人体运动意图识别和感知,已经成为了人机交互领域的研究重点之一,即通过特定的传感设备将生物体的生理信号数字化,并与其他感知或认知通道的信号进行集成融合,自然、协同地完成各种人机交互任务。
表面肌电信号(surface Electromyography,sEMG)是肌肉收缩时伴随的电信号,活动的变化在很大程度上能够定量反映电极所测范围内肌肉活动的局部疲劳程度、肌力水平、肌肉激活模式、运动单位兴奋传导速度、多肌群协调性等肌肉活动和中枢控制特征的变化规律,并且具有方便、安全性高和检测无创性等优点。随着表面肌电信号采集与处理技术的不断深入发展,其在疾病诊断、运动医学、假肢控制等医疗康复领域以及遥控机器人、虚拟现实、手势识别等人机交互领域具有越来越广泛的应用。目前基于sEMG的传统手势识别方法普遍存在以下两个问题:1、由于肌电信号的个体差异性问题,训练好的分类模型往往只适用于提供训练数据的人群,不适用于之外的人群;2、往往需要进行大量的特征提取操作。因此,一些创新的分类方法被提出,以期提高基于sEMG的手势识别率。例如,浙江大学的“一种基于深度学习和特征图像的肌电信号手势识别方法”专利申请文件(201510971796.X)提出了一种基于深度学习和特征图像的肌电信号手势识别方法,它提取出包括sEMG时域、时频域的特征,并将这些特征转换成图像,然后通过深度神经网络进行训练并预测,实现手势识别。但是其存在很大不足,一是没有解决以上两个问题,缺少考虑肌电信号的个体差异性,并且仍提取了10种特征;二是该方法仍属于传统的分类方法,并在其基础上多增加了图像识别的操作。
肌电地形图是将阵列式肌电电极采集到的表面肌电信号的功率值用不同颜色表示的二维图像,这种可视化方法对不同肌肉的活动程度、肌肉功能状态的变化进行直观的描述。虽然由于皮阻、皮下脂肪、肌纤维密度等个体差异导致不同被试在做相同手势时,单块肌肉会产生差异性的肌电信号,但对于同一手势,多块肌肉活动变化之间是具有固定联系的。而肌电地形图是将肌电功率值映射到同一色彩区间,因此,不同被试做同一手势的肌电地形图是相似的,即减少了个体差异性。
发明内容
为了克服已有手势识别方式的缺少考虑肌电信号的个体差异性、识别率较低的不足,本发明提供一种有效考虑肌电信号的个体差异性、识别率较高的基于肌电地形图的手势识别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于肌电地形图的手势识别方法,所述方法包括以下步骤:
(1)数据采集:通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集;
(2)数据预处理:对采集到的表面肌电信号进行预处理;
(3)肌电地形图生成,包含如下子步骤:
(3.1)数据分段:使用“重叠窗”方法对每个被试的每种手势动作数据进行开窗分段;
(3.2)功率值计算:计算阵列式表面肌电电极各个采集点的肌电信号功率谱总功率和峰值功率参数,来提取表面肌电信号特征;
(3.3)空间插值:对各采集点之间的空白处采用插值公式进行插值填充;
(3.4)功率值-灰度映射:功率值映射到8位灰度区间,为每个功率值的灰度大小分配一个0-255范围内的强度值。
(4)深度卷积神经网络模型训练和手势识别,包含如下子步骤:
(4.1)生成肌电地形图特征图像,肌电地形图首先转化为64*64的灰度图像,再使用ZCA白化预处理,生成特征图像;
(4.2)根据肌电地形图特性,设计相应的卷积神经网络模型结构,并构建模型;
(4.3)卷积神经网络模型的输入为肌电地形图特征图像,输出为手势类别;将每个被试的每种和测试集;
(4.4)使用训练集数据和验证集数据进行网络模型优化和参数调整,使用测试集数据测试训练好的模型的识别率;
(4.5)运用步骤(4.2)和步骤(4.4)中得到的网络结构模型和优化后的参数进行网络模型的训练,训练中迭代预设上限次数以上,并通过训练集和检验集的损失函数判断网络是否收敛,获得最优分类模型;
(4.6)将测试集数据输入到步骤(4.5)中的训练好的网络模型中进行手势识别分类。
进一步,所述步骤(2)中,预处理包含如下子步骤:
(2.1)带通滤波和陷波处理;
(2.2)信号放大;
(2.3)去除噪声,通过加权平均增大信噪比。
更进一步,所述步骤(3.1)中,设每个手势动作的肌电数据采集时间为T秒,每种手势重复n次,则每个被试的每种手势动作共有n=(T×1000-100)/100个样本数据。
再进一步,所述步骤(4.2)中,卷积神经网络模型共由十层网络构成:第一层为输入层,为64*64的肌电地形图特征图像;第二层为第一卷积层,用6个5×5的过滤器进行卷积,得到6张特征图,特征图的每个神经元与输入图像中的5×5的领域相连,即用5×5的卷积核去卷积输入层,由卷积运算可得到该层输出的特征图大小为60×60;第三层为第一降采样层,对图像进行2×2的子采样,该层的输出特征图大小为30×30;第四层为第二卷积层,用3个5×5的过滤器进行卷积,得到18张特征图,该层输出的特征图大小为26×26;第五层为第二降采样层,对图像进行2×2的子采样,该层的输出特征图大小为13×13;第六层为第三卷积层,用3个4×4的过滤器进行卷积,得到54张特征图,该层输出的特征图大小为10×10;第七层为第四降采样层,对图像进行2×2的子采样,该层的输出特征图大小为5×5;第八层为第一全连接层,采用softmax全连接,神经元个数设为120个;第九层为第二全连接层,采用softmax全连接,神经元个数设为80个;第十层为输出层,包含10个神经元,代表10种手势类别。
所述步骤(1)中,通过8*8阵列式表面肌电电极进行10种不同手势的上臂肌肉表面肌电信号的采集,所述的10种不同手势分别为伸拇指、伸食指、伸中指、伸无名指、伸小指、OK手势、胜利手势、数字8手势、握拳和伸掌。
所述步骤(2)中,带通滤波20-500Hz,工频陷波50Hz。
所述步骤(3.1)中,采样窗口长度为200ms,移动步长为窗口长度的50%,即100ms。
所述步骤(4.3)中,将每个被试的每种手势动作的所有数据分成5份,其中3份作为训练集,1份作为检验集,1份作为测试集。
本发明的技术构思为:该方法将阵列式肌电电极采集到的表面肌电信号的功率值用不同灰度颜色表示成二维图像,并采用基于深度学习理论的卷积神经网络(CNN)对肌电地形图进行图像识别,实现不同手势动作的分类。该方法可以对不同被试做同一手势生成相似的肌电地形图,从而有效的解决表面肌电信号的个体差异性问题,分类识别率可以达到98%以上;只需提取功率谱特征,少量的特征也可以获得很好的识别率。
本发明的一种基于肌电地形图的手势识别方法,能够准确地识别同一被试的不同手势,较准确地识别不同被试间手势。
本发明的有益效果主要表现在:
(1)本发明将阵列式肌电电极采集到的表面肌电信号的功率值用不同颜色表示成二维图像,并采用基于深度学习理论的卷积神经网络(CNN)对肌电地形图进行图像识别,实现不同手势动作的分类;
(2)本发明可以对不同被试做同一手势生成相似的肌电地形图,从而有效的解决表面肌电信号的个体差异性问题,提高分类识别率;
(3)只需提取表面肌电信号的功率谱特征,少量的特征也可以获得很好的识别率。
附图说明
图1是本发明所述方法流程图;
图2是肌电地形图生成步骤示意图;
图3是本发明所构建的深度卷积神经网络结构。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于肌电地形图的手势识别方法,包括以下步骤:首先,通过阵列式表面肌电电极采集不同手势的表面肌电信号;其次,对采集手势肌电原始信号进行预处理,预处理后的信号通过提取功率谱特征生成肌电地形图;然后,将肌电地形图特征图像(训练数据)和这些特征图像对应的动作标签一起输入到深度卷积神经网络中进行训练,得到网络模型;最后,将测试数据输入到训练好的网络模型中进行手势识别分类。
各步骤详细说明如下:
(1)数据采集:通过8*8阵列式表面肌电电极进行10种不同手势的上臂肌肉表面肌电信号的采集。所述的阵列式表面肌电电极采用意大利OTBioelectronica公司的ELSCH064NM3型8*8阵列式表面肌电电极。所述的10种不同手势分别为伸拇指、伸食指、伸中指、伸无名指、伸小指、OK手势、胜利手势、数字8手势、握拳和伸掌。
(2)数据预处理:对采集到的表面肌电信号进行预处理,具体包含如下子步骤:
(2.1)带通滤波和陷波处理,带通滤波20-500Hz,工频陷波50Hz;
(2.2)信号放大;
(2.3)去除噪声,通过加权平均增大信噪比,减少噪声对信号的影响。
(3)肌电地形图生成,如图2所示,具体包含如下子步骤:
(3.1)数据分段:使用“重叠窗”方法对每个被试的每种手势动作数据进行开窗分段,采样窗口长度为200ms,移动步长为窗口长度的50%,即100ms;设每个手势动作的肌电数据采集时间为T秒,每种手势重复n次,则每个被试的每种手势动作共有n×(T×1000-100)/100个样本数据。
(3.2)功率值计算:计算阵列式表面肌电电极各个采集点的肌电信号功率谱总功率和峰值功率参数,来提取表面肌电信号特征。自回归模型(AR模型)被用于表面肌电信号功率谱的估计,其估计出的谱比傅里叶变换估计的谱平滑,具有更高的分辨率、仅需较短的数据就能获得较好的估计效果。通过Levinson-Durbin(L-D)算法用于求解Yule-Walker方程得出AR模型系数ak,则AR模型估计的功率谱密度为:
其中,为白噪声的功率谱密度,p为AR模型阶数。功率谱总功率定义为在一定的频率范围内功率谱曲线下总面积的估计;
其中,Fs为信号的起始频率,Fe为信号的终止频率,df为频率分辨率。峰值功率定义为功率谱曲线上最大值Pmax。
(3.3)空间插值:对各采集点之间的空白处采用插值公式进行插值填充。这些插值得数据是依靠各采集点的功率值大小以及各采集点到需要进行插值计算点的距离而定,采用的插值公式为:
其中,X为所需进行插值计算的点的位置,a、b...n代表各采集点的功率值,XA、XB...XN为所需进行插值计算的点到各采集点的距离。
(3.4)功率值-灰度映射:功率值映射到8位灰度区间,为每个功率值的灰度大小分配一个0-255范围内的强度值。第i个功率值ni对应的灰度值Grayi计算公式为:
其中,代表四舍五入取整,nmax为所有功率值中的最大值,nmin为所有功率值中的最小值。
(4)使用深度卷积神经网络进行模型训练和手势识别。卷积神经网络(CNN)是一种多层感知器的变种,已被广泛运用于语音识别和图像识别领域。基于局部感受野和权值共享的概念,CNN能大大降低网络结构的复杂度,减少权值的数量。由于CNN直接面向原始信号,可以提取更广泛、更深层、更具有区别度的特征信息。具体包含如下子步骤:
(4.1)生成肌电地形图特征图像。肌电地形图首先转化为64*64的灰度图像,再使用ZCA白化预处理,生成特征图像。白化预处理的目的是使得输入图像的像素之间不相关,且所有的像素都有同样的均值和方差。
(4.2)根据肌电地形图特性,设计相应的卷积神经网络模型结构,并构建模型。如图3所示,CNN模型共由十层网络构成:
1.输入层(L1):为64*64的肌电地形图特征图像。
2.第一卷积层(C1):卷积神经网络中每层卷积层由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法优化得到的。通过卷积运算,可以使原信号特征增强,并且降低噪音。该层用6个5×5的过滤器进行卷积,得到6张特征图,特征图的每个神经元与输入图像中的5×5的领域相连,即用5×5的卷积核去卷积输入层,由卷积运算可得到该层输出的特征图大小为60×60。
3.第一降采样层(S1):降采样是在卷积特征提取的基础上,对每个卷积特征进行取平均等,继续缩小隐藏节点对于的卷积特征维数,减小分类器的设计负担。该层对图像进行2×2的子采样,该层的输出特征图大小为30×30。
4.第二卷积层(C2):该层用3个5×5的过滤器进行卷积,得到18张特征图,该层输出的特征图大小为26×26。
5.第二降采样层(S2):该层对图像进行2×2的子采样,该层的输出特征图大小为13×13。
6.第三卷积层(C3):该层用3个4×4的过滤器进行卷积,得到54张特征图,该层输出的特征图大小为10×10。
7.第三降采样层(S3):该层对图像进行2×2的子采样,该层的输出特征图大小为5×5。
8.第一全连接层(F1):采用softmax全连接,得到的激活值即CNN提取到的图片特征。softmax模型是logistic回归模型在多分类问题上的推广。该层神经元个数设为120个。
9.第二全连接层(F2):采用softmax全连接,该层神经元个数设为80个。
10.输出层(O1):包含10个神经元,代表输出的10种手势类别。
(4.3)卷积神经网络模型的输入为肌电地形图特征图像,输出为手势类别;将每个被试的每种手势动作的所有数据分成5份,其中3份作为训练集(60%的数据),1份作为检验集(20%的数据),1份作为测试集(20%的数据);
(4.4)使用训练集数据和验证集数据进行网络模型优化和参数调整,使用测试集数据测试训练好的模型的识别率;
(4.5)运用步骤(4.2)和步骤(4.4)中得到的网络结构模型和优化后的参数进行网络模型的训练,训练中迭代1000次以上,并通过训练集和检验集的损失函数判断网络是否收敛,获得最优分类模型;
(4.6)将测试集数据输入到步骤(4.5)中的训练好的网络模型中进行手势识别分类。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (8)
1.一种基于肌电地形图的手势识别方法,其特征在于:所述方法包括以下步骤:
(1)数据采集:通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集;
(2)数据预处理:对采集到的表面肌电信号进行预处理;
(3)肌电地形图生成,包含如下子步骤:
(3.1)数据分段:使用“重叠窗”方法对每个被试的每种手势动作数据进行开窗分段;
(3.2)功率值计算:计算阵列式表面肌电电极各个采集点的肌电信号功率谱总功率和峰值功率参数,来提取表面肌电信号特征;
(3.3)空间插值:对各采集点之间的空白处采用插值公式进行插值填充;
(3.4)功率值-灰度映射:功率值映射到8位灰度区间,为每个功率值的灰度大小分配一个0-255范围内的强度值;
(4)深度卷积神经网络模型训练和手势识别,包含如下子步骤:
(4.1)生成肌电地形图特征图像,肌电地形图首先转化为64*64的灰度图像,再使用ZCA白化预处理,生成特征图像;
(4.2)根据肌电地形图特性,设计相应的卷积神经网络模型结构,并构建模型;
(4.3)卷积神经网络模型的输入为肌电地形图特征图像,输出为手势类别;将每个被试的每种和测试集;
(4.4)使用训练集数据和验证集数据进行网络模型优化和参数调整,使用测试集数据测试训练好的模型的识别率;
(4.5)运用步骤(4.2)和步骤(4.4)中得到的网络结构模型和优化后的参数进行网络模型的训练,训练中迭代预设上限次数以上,并通过训练集和检验集的损失函数判断网络是否收敛,获得最优分类模型;
(4.6)将测试集数据输入到步骤(4.5)中的训练好的网络模型中进行手势识别分类。
2.如权利要求1所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(2)中,预处理包含如下子步骤:
(2.1)带通滤波和陷波处理;
(2.2)信号放大;
(2.3)去除噪声,通过加权平均增大信噪比。
3.如权利要求1或2所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(3.1)中,设每个手势动作的肌电数据采集时间为T秒,每种手势重复n次,则每个被试的每种手势动作共有n×(T×1000-100)/100个样本数据。
4.如权利要求1或2所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(4.2)中,卷积神经网络模型共由十层网络构成:第一层为输入层,为64*64的肌电地形图特征图像;第二层为第一卷积层,用6个5×5的过滤器进行卷积,得到6张特征图,特征图的每个神经元与输入图像中的5×5的领域相连,即用5×5的卷积核去卷积输入层,由卷积运算可得到该层输出的特征图大小为60×60;第三层为第一降采样层,对图像进行2×2的子采样,该层的输出特征图大小为30×30;第四层为第二卷积层,用3个5×5的过滤器进行卷积,得到18张特征图,该层输出的特征图大小为26×26;第五层为第二降采样层,对图像进行2×2的子采样,该层的输出特征图大小为13×13;第六层为第三卷积层,用3个4×4的过滤器进行卷积,得到54张特征图,该层输出的特征图大小为10×10;第七层为第四降采样层,对图像进行2×2的子采样,该层的输出特征图大小为5×5;第八层为第一全连接层,采用softmax全连接,神经元个数设为120个;第九层为第二全连接层,采用softmax全连接,神经元个数设为80个;第十层为输出层,包含10个神经元,代表10种手势类别。
5.如权利要求1或2所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(1)中,通过8*8阵列式表面肌电电极进行10种不同手势的上臂肌肉表面肌电信号的采集,所述的10种不同手势分别为伸拇指、伸食指、伸中指、伸无名指、伸小指、OK手势、胜利手势、数字8手势、握拳和伸掌。
6.如权利要求2所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(2.1)中,带通滤波20-500Hz,工频陷波50Hz。
7.如权利要求1或2所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(3.1)中,采样窗口长度为200ms,移动步长为窗口长度的50%,即100ms。
8.如权利要求1或2所述的一种基于肌电地形图的手势识别方法,其特征在于:所述步骤(4.3)中,将每个被试的每种手势动作的所有数据分成5份,其中3份作为训练集,1份作为检验集,1份作为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107237.3A CN106980367B (zh) | 2017-02-27 | 2017-02-27 | 一种基于肌电地形图的手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710107237.3A CN106980367B (zh) | 2017-02-27 | 2017-02-27 | 一种基于肌电地形图的手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106980367A true CN106980367A (zh) | 2017-07-25 |
CN106980367B CN106980367B (zh) | 2020-08-18 |
Family
ID=59338602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710107237.3A Active CN106980367B (zh) | 2017-02-27 | 2017-02-27 | 一种基于肌电地形图的手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980367B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN108564105A (zh) * | 2018-02-28 | 2018-09-21 | 浙江工业大学 | 一种针对肌电个体差异问题的在线手势识别方法 |
CN109085918A (zh) * | 2018-06-28 | 2018-12-25 | 天津大学 | 基于肌电的针灸行针手法训练方法 |
CN109276244A (zh) * | 2018-09-03 | 2019-01-29 | 南京理工大学 | 基于脑电波信息的老年人护理意图的识别方法 |
CN109498362A (zh) * | 2018-09-10 | 2019-03-22 | 南京航空航天大学 | 一种偏瘫患者手部运动功能康复训练装置及模型训练方法 |
CN109521877A (zh) * | 2018-11-08 | 2019-03-26 | 中国工商银行股份有限公司 | 移动终端人机交互方法及系统 |
CN109662710A (zh) * | 2018-12-06 | 2019-04-23 | 杭州电子科技大学 | 一种基于卷积神经网络的肌电信号特征提取方法 |
CN109871805A (zh) * | 2019-02-20 | 2019-06-11 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号开集识别方法 |
CN110110662A (zh) * | 2019-05-07 | 2019-08-09 | 济南大学 | 驾驶场景下驾驶员眼动行为检测方法、系统、介质及设备 |
CN110333783A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学技术大学 | 一种用于鲁棒肌电控制的无关手势处理方法及系统 |
CN110598676A (zh) * | 2019-09-25 | 2019-12-20 | 南京邮电大学 | 基于置信度得分模型的深度学习手势肌电信号识别方法 |
CN110610172A (zh) * | 2019-09-25 | 2019-12-24 | 南京邮电大学 | 一种基于rnn-cnn架构的肌电手势识别方法 |
CN110658915A (zh) * | 2019-07-24 | 2020-01-07 | 浙江工业大学 | 一种基于双流网络的肌电信号手势识别方法 |
CN110794961A (zh) * | 2019-10-14 | 2020-02-14 | 无锡益碧医疗科技有限公司 | 一种穿戴式手势解析系统 |
CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
CN111651046A (zh) * | 2020-06-05 | 2020-09-11 | 上海交通大学 | 一种无手部动作的手势意图识别系统 |
CN111783669A (zh) * | 2020-07-02 | 2020-10-16 | 南京邮电大学 | 一种面向个人用户的表面肌电信号分类识别方法 |
CN111783719A (zh) * | 2020-07-13 | 2020-10-16 | 中国科学技术大学 | 一种肌电控制方法及装置 |
CN111973388A (zh) * | 2019-05-22 | 2020-11-24 | 中国科学院沈阳自动化研究所 | 一种基于sEMG的手部康复机器人控制方法 |
CN112315488A (zh) * | 2020-11-23 | 2021-02-05 | 宁波工业互联网研究院有限公司 | 一种基于肌电信号的人体运动状态识别方法 |
CN112861798A (zh) * | 2021-03-12 | 2021-05-28 | 中国科学院计算技术研究所 | 基于生理信号的分类识别方法、介质及电子设备 |
WO2021174705A1 (zh) * | 2020-03-03 | 2021-09-10 | 东南大学 | 一种多自由度肌电假手控制系统及其使用方法 |
CN114343679A (zh) * | 2021-12-24 | 2022-04-15 | 杭州电子科技大学 | 基于迁移学习的表面肌电信号上肢动作识别方法及系统 |
CN114515146A (zh) * | 2020-11-17 | 2022-05-20 | 北京机械设备研究所 | 基于电学测量的智能手势识别方法及系统 |
CN114569142A (zh) * | 2022-02-28 | 2022-06-03 | 浙江柔灵科技有限公司 | 基于类脑计算的手势识别方法、系统及手势识别装置 |
CN116226691A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市魔样科技有限公司 | 用于手势姿态感知的智能戒指数据处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090005700A1 (en) * | 2007-06-29 | 2009-01-01 | The Regents Of The University Of California | Multi-channel myoelectrical control using single muscle |
CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
CN103941859A (zh) * | 2014-03-21 | 2014-07-23 | 上海威璞电子科技有限公司 | 一种利用信号功率区分不同手势的算法 |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105608432A (zh) * | 2015-12-21 | 2016-05-25 | 浙江大学 | 一种基于瞬时肌电图像的手势识别方法 |
CN105654037A (zh) * | 2015-12-21 | 2016-06-08 | 浙江大学 | 一种基于深度学习和特征图像的肌电信号手势识别方法 |
-
2017
- 2017-02-27 CN CN201710107237.3A patent/CN106980367B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090005700A1 (en) * | 2007-06-29 | 2009-01-01 | The Regents Of The University Of California | Multi-channel myoelectrical control using single muscle |
CN102622605A (zh) * | 2012-02-17 | 2012-08-01 | 国电科学技术研究院 | 一种表面肌电信号的特征提取及动作模式识别方法 |
CN103941859A (zh) * | 2014-03-21 | 2014-07-23 | 上海威璞电子科技有限公司 | 一种利用信号功率区分不同手势的算法 |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
CN105608432A (zh) * | 2015-12-21 | 2016-05-25 | 浙江大学 | 一种基于瞬时肌电图像的手势识别方法 |
CN105654037A (zh) * | 2015-12-21 | 2016-06-08 | 浙江大学 | 一种基于深度学习和特征图像的肌电信号手势识别方法 |
Non-Patent Citations (1)
Title |
---|
杨基海等: "利用神经网络估计针电极肌电信号的AR模型参数和功率谱", 《北京生物医学工程》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564105A (zh) * | 2018-02-28 | 2018-09-21 | 浙江工业大学 | 一种针对肌电个体差异问题的在线手势识别方法 |
CN108388348A (zh) * | 2018-03-19 | 2018-08-10 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN108388348B (zh) * | 2018-03-19 | 2020-11-24 | 浙江大学 | 一种基于深度学习和注意力机制的肌电信号手势识别方法 |
CN109085918B (zh) * | 2018-06-28 | 2020-05-12 | 天津大学 | 基于肌电的针灸行针手法训练方法 |
CN109085918A (zh) * | 2018-06-28 | 2018-12-25 | 天津大学 | 基于肌电的针灸行针手法训练方法 |
CN109276244A (zh) * | 2018-09-03 | 2019-01-29 | 南京理工大学 | 基于脑电波信息的老年人护理意图的识别方法 |
CN109498362A (zh) * | 2018-09-10 | 2019-03-22 | 南京航空航天大学 | 一种偏瘫患者手部运动功能康复训练装置及模型训练方法 |
CN109521877A (zh) * | 2018-11-08 | 2019-03-26 | 中国工商银行股份有限公司 | 移动终端人机交互方法及系统 |
CN109662710A (zh) * | 2018-12-06 | 2019-04-23 | 杭州电子科技大学 | 一种基于卷积神经网络的肌电信号特征提取方法 |
CN109871805A (zh) * | 2019-02-20 | 2019-06-11 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号开集识别方法 |
CN109871805B (zh) * | 2019-02-20 | 2020-10-27 | 中国电子科技集团公司第三十六研究所 | 一种电磁信号开集识别方法 |
CN110110662A (zh) * | 2019-05-07 | 2019-08-09 | 济南大学 | 驾驶场景下驾驶员眼动行为检测方法、系统、介质及设备 |
CN111973388B (zh) * | 2019-05-22 | 2021-08-31 | 中国科学院沈阳自动化研究所 | 一种基于sEMG的手部康复机器人控制方法 |
CN111973388A (zh) * | 2019-05-22 | 2020-11-24 | 中国科学院沈阳自动化研究所 | 一种基于sEMG的手部康复机器人控制方法 |
CN110333783A (zh) * | 2019-07-10 | 2019-10-15 | 中国科学技术大学 | 一种用于鲁棒肌电控制的无关手势处理方法及系统 |
CN110658915A (zh) * | 2019-07-24 | 2020-01-07 | 浙江工业大学 | 一种基于双流网络的肌电信号手势识别方法 |
CN110610172B (zh) * | 2019-09-25 | 2022-08-12 | 南京邮电大学 | 一种基于rnn-cnn架构的肌电手势识别方法 |
CN110598676B (zh) * | 2019-09-25 | 2022-08-02 | 南京邮电大学 | 基于置信度得分模型的深度学习手势肌电信号识别方法 |
CN110610172A (zh) * | 2019-09-25 | 2019-12-24 | 南京邮电大学 | 一种基于rnn-cnn架构的肌电手势识别方法 |
CN110598676A (zh) * | 2019-09-25 | 2019-12-20 | 南京邮电大学 | 基于置信度得分模型的深度学习手势肌电信号识别方法 |
CN110794961A (zh) * | 2019-10-14 | 2020-02-14 | 无锡益碧医疗科技有限公司 | 一种穿戴式手势解析系统 |
CN111046731A (zh) * | 2019-11-11 | 2020-04-21 | 中国科学院计算技术研究所 | 基于表面肌电信号进行手势识别的迁移学习方法和识别方法 |
WO2021174705A1 (zh) * | 2020-03-03 | 2021-09-10 | 东南大学 | 一种多自由度肌电假手控制系统及其使用方法 |
CN111651046A (zh) * | 2020-06-05 | 2020-09-11 | 上海交通大学 | 一种无手部动作的手势意图识别系统 |
CN111783669A (zh) * | 2020-07-02 | 2020-10-16 | 南京邮电大学 | 一种面向个人用户的表面肌电信号分类识别方法 |
CN111783719A (zh) * | 2020-07-13 | 2020-10-16 | 中国科学技术大学 | 一种肌电控制方法及装置 |
CN114515146B (zh) * | 2020-11-17 | 2024-03-22 | 北京机械设备研究所 | 基于电学测量的智能手势识别方法及系统 |
CN114515146A (zh) * | 2020-11-17 | 2022-05-20 | 北京机械设备研究所 | 基于电学测量的智能手势识别方法及系统 |
CN112315488A (zh) * | 2020-11-23 | 2021-02-05 | 宁波工业互联网研究院有限公司 | 一种基于肌电信号的人体运动状态识别方法 |
CN112861798A (zh) * | 2021-03-12 | 2021-05-28 | 中国科学院计算技术研究所 | 基于生理信号的分类识别方法、介质及电子设备 |
CN114343679A (zh) * | 2021-12-24 | 2022-04-15 | 杭州电子科技大学 | 基于迁移学习的表面肌电信号上肢动作识别方法及系统 |
CN114569142A (zh) * | 2022-02-28 | 2022-06-03 | 浙江柔灵科技有限公司 | 基于类脑计算的手势识别方法、系统及手势识别装置 |
CN116226691A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市魔样科技有限公司 | 用于手势姿态感知的智能戒指数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106980367B (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980367A (zh) | 一种基于肌电地形图的手势识别方法 | |
Shen et al. | Movements classification of multi-channel sEMG based on CNN and stacking ensemble learning | |
Fabiani et al. | Conversion of EEG activity into cursor movement by a brain-computer interface (BCI) | |
Pancholi et al. | Improved classification scheme using fused wavelet packet transform based features for intelligent myoelectric prostheses | |
CN110179643A (zh) | 一种基于环带传感器的颈部康复训练系统和训练方法 | |
CN110333783B (zh) | 一种用于鲁棒肌电控制的无关手势处理方法及系统 | |
CN112043473B (zh) | 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器 | |
Fang et al. | Attribute-driven granular model for EMG-based pinch and fingertip force grand recognition | |
RU2738197C2 (ru) | Система и способ формирования команд управления на основании биоэлектрических данных оператора | |
Wang et al. | Maximum weight multi-modal information fusion algorithm of electroencephalographs and face images for emotion recognition | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
Li et al. | Transfer learning-based muscle activity decoding scheme by low-frequency sEMG for wearable low-cost application | |
CN112732090A (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
Yu et al. | Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction | |
Hamedi et al. | Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study | |
CN113974627B (zh) | 一种基于脑机生成对抗的情绪识别方法 | |
Xie et al. | Biosignal-based transferable attention Bi-ConvGRU deep network for hand-gesture recognition towards online upper-limb prosthesis control | |
KR100994408B1 (ko) | 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 | |
CN112998725A (zh) | 一种基于运动观察的脑机接口技术的康复方法与系统 | |
CN109662710A (zh) | 一种基于卷积神经网络的肌电信号特征提取方法 | |
Jia | Neural network in the application of EEG signal classification method | |
CN110604578A (zh) | 基于semg的人手手内动作识别方法 | |
CN112932508B (zh) | 一种基于手臂肌电网络的手指活动识别系统 | |
Qi et al. | Recognition of composite motions based on sEMG via deep learning | |
Sun et al. | Continuous Gesture Recognition and Force Estimation using sEMG signal |
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 |