CN108453736A - 一种基于深度学习的多自由度同步肌电控制方法 - Google Patents
一种基于深度学习的多自由度同步肌电控制方法 Download PDFInfo
- Publication number
- CN108453736A CN108453736A CN201810241610.9A CN201810241610A CN108453736A CN 108453736 A CN108453736 A CN 108453736A CN 201810241610 A CN201810241610 A CN 201810241610A CN 108453736 A CN108453736 A CN 108453736A
- Authority
- CN
- China
- Prior art keywords
- freedom
- myoelectricity
- multiple degrees
- electromyography signal
- synchronizes
- 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.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Abstract
一种基于深度学习的多自由度同步肌电控制方法,它属于肌电控制技术领域。本发明解决了现有的多自由度同步肌电控制研究模型存在的仅针对一个自由度的信息进行学习、缺少自由度之间的相互联系,提取肌电信号特征时伴随着肌电信号中信息缺失的问题。本发明同步采集与保存受试者的手腕原始肌电信号以及对应运动信息,并基于一维卷积神经网络建立初始的多自由度同步肌电控制模型,将采集的原始肌电信号输入初始多自由度同步肌电控制模型,对应将每组手腕运动信息作为输出目标,以获得训练好的多自由度同步肌电控制模型;采集受试者的手腕原始肌电信号输入最终的多自由度同步肌电控制模型,即可预测手腕的运动信息,即可将运动信息应用于机械手臂控制。
Description
技术领域
本发明属于肌电控制技术领域,具体涉及一种基于深度学习的强适应性多自由度同步肌电控制方法。
背景技术
运动信息解码方法是通过分析肌电信号,推算实际的运动信息的一种预测方法。当生物体控制肌肉运动时,肌肉中的运动单元会对中枢神经系统传递的信息作出反应并产生收缩,在这一过程中伴随着的电活动效应能够被电极采集,被称作肌电信号(Electromyography,EMG),在一定程度上能够反映使用者的控制意图。通过采集并分析肌电信号,能够预测使用者的动作。
当前比较成熟的肌电控制方法可分为开关式、编码、及模式识别这三类。开关式将肌电信号转换成随时间变化的幅值信息,通过事先设定的阈值将幅值信息转化成控制信号,然而阈值会根据实际状况发生变化,同时能够得到的只是一个开关信息,包含的信息量很少;编码方法通过识别用户一段时间内,不同动作组合成的编码,完成对特定动作的选择,能够对应多种的动作,但是要求操作者记忆并完成这些编码,使用难度较大,并且会产生严重的延迟;模式识别方法通过对肌电信号进行特征提取,将肌电信号映射至低维空间,通过学习得到的分类算法获得当前肌肉运动状态信息(手势动作),该方法响应速度快,能够得到多种状态信息,然而要求使用者有比较充分的使用经验,同时控制动作不够灵巧。
由于传统的肌电控制方法只能够获取当前的肌肉运动状态,仅通过一个数值描述多自由度的运动情况,难以对细节的运动信息进行描述,实现对目标的灵活控制。而多自由度同步控制方法能够同时得到复数自由度的运动信息,结果能够直接作为相应自由度的控制输入信号,因此对多自由度同步控制的研究有迫切的需求。
当前虽然已经有研究者着手于多自由度同步控制的研究,但是依然还是使用类似于模式分类的方法,对肌电信号进行特征提取,之后使用如LDA、SVR这类回归模型对数据进行分析,得到其中一个自由度的运动状况,之后将与自由度数目相等的模型并联,实现多个自由度的同步控制。这种方法丢失了自由度之间的相互联系,模型只是对其中一个自由度的信息进行学习,并没有考虑其他自由度运动时产生的影响。同时多自由度同步控制的任务难度要远高于模式识别,这要求从肌电信号中获取更丰富的信息,而提取特征的同时会伴随着肌电信号中信息的丢失,反而提高任务的实现难度。
发明内容
本发明的目的是为解决现有的多自由度同步肌电控制模型存在的只是针对一个自由度的信息进行学习、缺少自由度之间的相互联系,且提取肌电信号特征时伴随着肌电信号中信息的缺失的问题。
本发明为解决上述技术问题采取的技术方案是:
步骤一、原始肌电信号以及对应运动信息的同步采集与保存;
步骤二、基于一维卷积神经网络建立初始的多自由度同步肌电控制模型;
步骤三、将步骤一采集的各组实验数据的原始肌电信号分别输入步骤二建立的初始多自由度同步肌电控制模型,对应的将每组实验数据的运动信息作为输出目标,经过训练获得最终的多自由度同步肌电控制模型;
步骤四、采集受试者的原始肌电信号,将原始肌电信号输入训练后的多自由度同步肌电控制模型,得到训练后的多自由度同步肌电控制模型输出的运动信息;
步骤五、根据待控制的目标机械手臂的关节控制速度参数,将步骤四输出的运动信息乘以关节运动最大速度的四分之一,以转化成控制目标机械手臂相应关节的速度信息;将得到的速度信息输入到机器人系统的驱动器中,由机器人控制系统进行规划,实现对目标机械手臂相应关节动作的控制。
本发明的有益效果是:本发明提供了一种基于深度学习的多自由度同步肌电控制方法,同步采集与保存受试者相应肌肉的原始肌电信号以及对应自由度的运动信息,并基于一维卷积神经网络建立初始的多自由度同步肌电控制模型,将采集的原始肌电信号分别输入初始多自由度同步肌电控制模型,对应的将每组实验数据的多自由度运动信息作为输出目标,以获得训练好的多自由度同步肌电控制模型;采集其他受试者相应肌肉的原始肌电信号,将原始肌电信号输入训练好的多自由度同步肌电控制模型,以输出相应的运动信息,并将输出的运动信息应用于目标机械手臂的控制。
应用本发明的基于深度学习的多自由度同步肌电控制方法可以较好的预测目标自由度的运动方向和运动趋势,而且本发明的应用不受到个体情况及电极安装位置偏移的影响,具有很强的适应性,训练得到的模型能够在其他受试者身上同样适用;对于参与采集训练模型的受试者,预测结果的相对偏差能够小于30%;对于不同的受试者,预测结果的相对偏差能够小于60%。
附图说明
图1是本发明的一种基于深度学习的多自由度同步肌电控制方法的工作流程图;
图2是本发明所述的多自由度同步肌电控制模型的结构示意图;
其中:Conv是卷积层,Relu是激励函数层,Norm是归一化层,Wrist motion是手腕动作,E-F代表伸腕-屈腕运动,U-R代表尺侧-桡侧运动,S-R代表旋前-旋后运动;
图3是本发明的训练得到的多自由度同步肌电控制模型中的卷积层的训练结果;
图4是本发明的某一名受试者,通过训练得到的多自由度同步肌电控制模型解析肌电信号预测得到的运动信息与实际检测的运动信息对比图。
具体实施方式
具体实施方式一:如图1和2所示,本实施方式所述的一种基于深度学习的多自由度同步肌电控制方法,具体是按照以下步骤进行的:
步骤一、原始肌电信号以及对应运动信息的同步采集与保存;
步骤二、基于一维卷积神经网络建立初始的多自由度同步肌电控制模型;
步骤三、将步骤一采集的各组实验数据的原始肌电信号分别输入步骤二建立的初始多自由度同步肌电控制模型,对应的将每组实验数据的运动信息作为输出目标,经过训练获得最终的多自由度同步肌电控制模型;
步骤四、采集受试者的原始肌电信号,将原始肌电信号输入训练后的多自由度同步肌电控制模型,得到训练后的多自由度同步肌电控制模型输出的运动信息;
步骤五、根据待控制的目标机械手臂的关节控制速度参数,将步骤四输出的运动信息乘以关节运动最大速度的四分之一,以转化成控制目标机械手臂相应关节的速度信息;将得到的速度信息输入到机器人系统的驱动器中,由机器人控制系统进行规划,实现对目标机械手臂相应关节动作的控制。
本实施方式是以手腕的三个自由度为例进行的。
本实施方式中同步采集与保存受试者的手腕原始肌电信号以及对应运动信息,将各组实验数据的原始肌电信号作为初始的多自由度同步肌电控制模型的输入,以各组实验数据对应的运动信息为训练目标,以得到训练好的多自由度同步肌电控制模型。然后对训练好的多自由度同步肌电控制模型进行验证,验证时采集其它受试者的手腕原始肌电信号以及对应的运动信息,将原始肌电信号作为训练好的多自由度同步肌电控制模型的输入,再将训练后模型输出的运动信息与采集的运动信息对比,利用训练好的多自由度同步肌电控制模型能够准确预测手腕的运动方向和运动趋势。同时,利用训练好的模型输出的运动信息,可以控制目标机械手腕按照输出的运动信息运动。
本实施方式的步骤一至步骤四实质上提供了一种准确预测手腕的运动方向和运动趋势的方法,能够实现对运动方向和运动趋势的准确预测。
具体实施方式二:本实施方式与具体实施方式一不同的是:步骤一的手腕运动信息与肌电信号同步采集与保存的具体过程为:
选取不少于9名受试者参与数据采集,受试者的每只手臂上各需要采集不少于3组肌电信号数据,且两只手臂交替采集数据;即在采集完一组数据之后,电极被取下、并安放在另一只手臂上进行数据采集;电极重复穿戴过程中会与上一次的安放位置存在不大于1cm的偏移;
通过十字激光发射器将手腕的3个自由度的运动信息转化为投影在屏幕上的光标的水平移动、垂直移动和角度旋转的运动信息;在采集数据时,最多只要求操作者同时规划2个自由度的动作轨迹,而对3自由度同时运动的动作则不指定轨迹,由操作者任意组合;每组实验中包含20次腕部运动的数据,其中,前10次是按照规划好的运动轨迹做腕部动作,这些动作指定了1至2个自由度;后10次则是操作者任意的3自由度组合动作;动作信息的采集频率为50Hz,每次动作采集10s,即每次动作包含500个的动作信息样本;
采用8枚肌电信号电极对原始肌电信号进行同时采集,电极安装在前臂、靠近肘部1/3前臂长度位置处,电极的采样频率为2000Hz,并且在运动信息开始采集的前2s开始采集;
原始肌电信号经过4阶巴特沃斯的20-500Hz带通滤波器和50Hz陷波滤波器处理,与手腕的运动信息同步后保存;在进行计算前对所有数据都进行了标准化处理,使数据拥有零均值与1的标准差。
本实施方式中投影在屏幕上的光标的水平移动、垂直移动以及角度旋转运动信息不需要解耦就能够反映腕部3个自由度的运动状况,操作者能够通过观察光标直观地得知当前的运动信息,与此同时,计算机通过相机获取激光光标的图像,并检测光标的位置及姿态,实现运动信息与肌电信号的同步采集与保存。
具体实施方式三:如图2所示。本实施方式与具体实施方式二不同的是:步骤三的具体过程为:
步骤一采集的原始肌电信号通过加窗处理进行截取后作为输入,经过N个卷积层与池化层后,第N+1个为卷积层,卷积层中卷积后的输出长度为1,然后通过全连接层的进一步特征提取后,最终通过线性回归层输出多个目标自由度的信息;
其中,N的取值为大于等于1,且每个卷积层与池化层之间为激励函数层,第N+1个卷积层与全连接层之间为激励函数层。
本实施方式中的卷积层可以改变数据的表达形式,增加特征的表现力;然后再利用池化层(pool)可以在时间维度上对数据降采样,以减少特征数目,并增强模型对动作时刻的区分能力,全连接层(fullconnect)可以进一步提取特征,以获得学习参数,最终在线性回归层中同时输出手腕的3个自由度的运动信息。
具体实施方式四:本实施方式与具体实施方式三不同的是:所述步骤三中输入初始多自由度同步肌电控制模型的原始肌电信号的窗口长度(Window Length)在128ms~1024ms范围内选取,同时选择的窗口长度越长,手腕动作的识别效果越好。
具体实施方式五:本实施方式与具体实施方式四不同的是:所述原始肌电信号为多通道原始肌电信号。
为了展示本发明中训练获得的多自由度同步肌电控制模型的性能,将第一层卷积层通过学习得到的卷积核如图3表示,每一列的图像表示这一个隐藏单元对8个肌电电极通道数据计算的卷积核。为了方便观看,每一列的数据被相同的倍率归一化至[-1,1]的范围。模型学习得到的卷积核具有一定的通道选择性,会选择特定通道的肌电信号并提取信息,仅少数通道对应的卷积核有明显幅度的变化,其余的卷积核几乎为0。并且卷积核的形状还具有特定规律,体现为不同频率的周期信号或者脉冲信号,这些特殊形状的信号可作为解析原始肌电信号的基本单元。
为了对训练好的多自由度同步肌电控制模型的预测效果进行评价,步骤四采集原始肌电信号的同时,也进行了对应的实际运动信息的采集;我们使用了relative meansquare error(RMSE)作为预测效果的衡量指标,该指标和错误率类似,数值越低,效果越好。由于单从数值上较难了解实际的预测效果,同时还会给出相应的预测结果曲线。
其中yi是步骤四采集的第i实验数据的实际动作信息,是利用训练后模型预测得到的第i组实验数据的动作信息;n是步骤四中采集的实验数据数目。步骤四采集的实际运动信息与通过模型解析肌电信号预测得到的运动信息进行比较,每位受试者采集了100000(n=100000)组数据,比较结果表1所示:
表1
如图4所示为一名受试者在步骤四的一次实验中,一部分所采集的腕部三个自由度的实际运动信息与通过模型解析肌电信号预测得到的运动信息的对比图,图中虚线表示预测的运动信息曲线,实线表示的是实际的运动信息曲线,从图中可以看出,三个自由度的预测的动作信息方向与变化趋势能够和实际动作信息基本保持一致,该部分数据的伸腕或屈腕的RMSE=36.0%;尺侧或桡侧的RMSE=63.1%;旋前或旋后的RMSE=49.4%。
本发明的方法不仅能对手腕的动作进行识别,对于其余能够同时检测多自由度运动信息与相应的肌电信号的场合,本方法同样能够适用;并且自由度的数目可以根据需要进行更改。
Claims (5)
1.一种基于深度学习的多自由度同步肌电控制方法,其特征在于,该方法的具体步骤为:
步骤一、原始肌电信号以及对应运动信息的同步采集与保存;
步骤二、基于一维卷积神经网络建立初始的多自由度同步肌电控制模型;
步骤三、将步骤一采集的各组实验数据的原始肌电信号分别输入步骤二建立的初始多自由度同步肌电控制模型,对应的将每组实验数据的运动信息作为输出目标,经过训练获得最终的多自由度同步肌电控制模型;
步骤四、采集受试者的原始肌电信号,将原始肌电信号输入训练后的多自由度同步肌电控制模型,得到训练后的多自由度同步肌电控制模型输出的运动信息;
步骤五、根据待控制的目标机械手臂的关节控制速度参数,将步骤四输出的运动信息乘以关节运动最大速度的四分之一,以转化成控制目标机械手臂相应关节的速度信息;将得到的速度信息输入到机器人系统的驱动器中,由机器人控制系统进行规划,实现对目标机械手臂相应关节动作的控制。
2.根据权利要求1所述的一种基于深度学习的多自由度同步肌电控制方法,其特征在于,所述步骤一的运动信息与肌电信号同步采集与保存的具体过程为:
选取不少于9名受试者参与数据采集,受试者的每只手臂上各需要采集不少于3组肌电信号数据,且两只手臂交替采集数据;即在采集完一组数据之后,电极被取下、并安放在另一只手臂上进行数据采集;电极重复穿戴过程中会与上一次的安放位置存在不大于1cm的偏移;
通过十字激光发射器将手腕的3个自由度的运动信息转化为投影在屏幕上的光标的水平移动、垂直移动和角度旋转的运动信息;在采集数据时,最多只要求操作者同时规划2个自由度的动作轨迹,而对3自由度同时运动的动作则不指定轨迹,由操作者任意组合;每组实验中包含20次腕部运动的数据,其中,前10次是按照规划好的运动轨迹做腕部动作,这些动作指定了1至2个自由度;后10次则是操作者任意的3自由度组合动作;动作信息的采集频率为50Hz,每次动作采集10s,即每次动作包含500个的动作信息样本;
采用8枚肌电信号电极对原始肌电信号进行同时采集,电极安装在前臂、靠近肘部1/3前臂长度位置处,电极的采样频率为2000Hz,并且在运动信息开始采集的前2s开始采集;
原始肌电信号经过4阶巴特沃斯的20-500Hz带通滤波器和50Hz陷波滤波器处理,与手腕的运动信息同步后保存;在进行计算前对所有数据都进行了标准化处理,使数据拥有零均值与1的标准差。
3.根据权利要求2所述的一种基于深度学习的多自由度同步肌电控制方法,其特征在于,所述步骤二的具体过程为:
步骤一采集的原始肌电信号通过加窗处理进行截取后作为输入,经过N个卷积层与池化层后,第N+1个为卷积层,卷积层中卷积后的输出长度为1,然后通过全连接层的进一步特征提取后,最终通过线性回归层输出多个目标自由度的信息;
其中,N的取值为大于等于1,且每个卷积层与池化层之间为激励函数层,第N+1个卷积层与全连接层之间为激励函数层。
4.根据权利要求3所述的一种基于深度学习的多自由度同步肌电控制方法,其特征在于,所述步骤三中输入初始多自由度同步肌电控制模型的原始肌电信号的窗口长度在128ms~1024ms范围内选取。
5.根据权利要求4所述的一种基于深度学习的多自由度同步肌电控制方法,其特征在于:所述原始肌电信号为多通道原始肌电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241610.9A CN108453736A (zh) | 2018-03-22 | 2018-03-22 | 一种基于深度学习的多自由度同步肌电控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810241610.9A CN108453736A (zh) | 2018-03-22 | 2018-03-22 | 一种基于深度学习的多自由度同步肌电控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108453736A true CN108453736A (zh) | 2018-08-28 |
Family
ID=63237149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810241610.9A Pending CN108453736A (zh) | 2018-03-22 | 2018-03-22 | 一种基于深度学习的多自由度同步肌电控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108453736A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109645996A (zh) * | 2019-02-21 | 2019-04-19 | 广州爱听贝科技有限公司 | 一种子宫收缩乏力监测方法、系统、智能终端和存储介质 |
CN110202583A (zh) * | 2019-07-09 | 2019-09-06 | 华南理工大学 | 一种基于深度学习的仿人机械手控制系统及其控制方法 |
CN112205990A (zh) * | 2020-09-07 | 2021-01-12 | 武汉科技大学 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
CN112428308A (zh) * | 2020-11-11 | 2021-03-02 | 河北工业大学 | 一种机器人触觉动作识别系统及识别方法 |
CN114770507A (zh) * | 2022-05-05 | 2022-07-22 | 上海傅利叶智能科技有限公司 | 机器人的控制方法、控制装置及康复机器人 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106326873A (zh) * | 2016-08-29 | 2017-01-11 | 吉林大学 | Cacc驾驶员肢体肌电信号表征的操纵意图预测方法 |
CN106420124A (zh) * | 2016-10-10 | 2017-02-22 | 上海电机学院 | 一种肌电控制虚拟机器人假手仿真系统的方法 |
CN107589782A (zh) * | 2016-07-06 | 2018-01-16 | 可穿戴设备有限公司 | 用于可穿戴设备的姿势控制接口的方法和装置 |
CN107618018A (zh) * | 2017-10-26 | 2018-01-23 | 杭州电子科技大学 | 一种基于肌电的机械手动作速度比例控制方法 |
WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
CN207008541U (zh) * | 2017-07-06 | 2018-02-13 | 王娜娜 | 一种vr/ar交互头盔的控制臂环 |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
-
2018
- 2018-03-22 CN CN201810241610.9A patent/CN108453736A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107589782A (zh) * | 2016-07-06 | 2018-01-16 | 可穿戴设备有限公司 | 用于可穿戴设备的姿势控制接口的方法和装置 |
WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
CN106326873A (zh) * | 2016-08-29 | 2017-01-11 | 吉林大学 | Cacc驾驶员肢体肌电信号表征的操纵意图预测方法 |
CN106420124A (zh) * | 2016-10-10 | 2017-02-22 | 上海电机学院 | 一种肌电控制虚拟机器人假手仿真系统的方法 |
CN207008541U (zh) * | 2017-07-06 | 2018-02-13 | 王娜娜 | 一种vr/ar交互头盔的控制臂环 |
CN107799165A (zh) * | 2017-09-18 | 2018-03-13 | 华南理工大学 | 一种基于虚拟现实技术的心理评估方法 |
CN107618018A (zh) * | 2017-10-26 | 2018-01-23 | 杭州电子科技大学 | 一种基于肌电的机械手动作速度比例控制方法 |
Non-Patent Citations (2)
Title |
---|
WEI YANG 等: "A 3-DOF hemi-constrained wrist motion/force detection device for deploying simultaneous myoelectric control", 《INTERNATIONAL FEDERATION FOR MEDICAL AND BIOLOGICAL ENGINEERING 2018》 * |
桂奇政: "多自由度肌电假肢的比例同步控制研究", 《中国优秀硕士学位论文全文数据库-医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109645996A (zh) * | 2019-02-21 | 2019-04-19 | 广州爱听贝科技有限公司 | 一种子宫收缩乏力监测方法、系统、智能终端和存储介质 |
CN110202583A (zh) * | 2019-07-09 | 2019-09-06 | 华南理工大学 | 一种基于深度学习的仿人机械手控制系统及其控制方法 |
CN112205990A (zh) * | 2020-09-07 | 2021-01-12 | 武汉科技大学 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
CN112205990B (zh) * | 2020-09-07 | 2023-07-14 | 武汉科技大学 | 一种基于sEMG的不同负载下手腕角度预测方法及装置 |
CN112428308A (zh) * | 2020-11-11 | 2021-03-02 | 河北工业大学 | 一种机器人触觉动作识别系统及识别方法 |
CN112428308B (zh) * | 2020-11-11 | 2022-04-22 | 河北工业大学 | 一种机器人触觉动作识别系统及识别方法 |
CN114770507A (zh) * | 2022-05-05 | 2022-07-22 | 上海傅利叶智能科技有限公司 | 机器人的控制方法、控制装置及康复机器人 |
CN114770507B (zh) * | 2022-05-05 | 2023-06-23 | 上海傅利叶智能科技有限公司 | 机器人的控制方法、控制装置及康复机器人 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108453736A (zh) | 一种基于深度学习的多自由度同步肌电控制方法 | |
Wei et al. | A multi-stream convolutional neural network for sEMG-based gesture recognition in muscle-computer interface | |
Gu et al. | Human gesture recognition through a kinect sensor | |
CN105654037B (zh) | 一种基于深度学习和特征图像的肌电信号手势识别方法 | |
CN110658915A (zh) | 一种基于双流网络的肌电信号手势识别方法 | |
Yamanoi et al. | EMG-based posture classification using a convolutional neural network for a myoelectric hand | |
Huang et al. | An EMG-based handwriting recognition through dynamic time warping | |
Yan et al. | Real-time continuous human rehabilitation action recognition using OpenPose and FCN | |
CN113205074B (zh) | 一种融合肌电和微惯性测量单元多模态信号的手势识别方法 | |
Luh et al. | Muscle-gesture robot hand control based on sEMG signals with wavelet transform features and neural network classifier | |
CN112631173B (zh) | 脑控无人平台协同控制系统 | |
Yang et al. | Learning actions from human demonstration video for robotic manipulation | |
Godoy et al. | Electromyography-based, robust hand motion classification employing temporal multi-channel vision transformers | |
CN107132915A (zh) | 一种基于动态脑功能网络连接的脑‑机接口方法 | |
Xu et al. | Real-time finger force prediction via parallel convolutional neural networks: a preliminary study | |
Bu et al. | A semi-automatic control method for myoelectric prosthetic hand based on image information of objects | |
CN108345873A (zh) | 一种基于多层卷积神经网络的多自由度人体运动信息解析方法 | |
WO2022242133A1 (zh) | 一种手势分类识别方法及其应用 | |
CN113357773A (zh) | 用于空调控制的方法、装置和空调 | |
Hasan et al. | Human hand gesture detection based on EMG signal using ANN | |
Li et al. | A dexterous hand-arm teleoperation system based on hand pose estimation and active vision | |
Pathan et al. | Hand gesture controlled robotic system | |
Arafa et al. | Proportional myoelectric prosthetic hand control using multi-regression model estimator with pattern classifier selector | |
CN114936583A (zh) | 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法 | |
Tsai et al. | Temporal-variation skeleton point correction algorithm for improved accuracy of human action 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 |