CN111168667B - 基于贝叶斯分类器的机器人控制方法 - Google Patents

基于贝叶斯分类器的机器人控制方法 Download PDF

Info

Publication number
CN111168667B
CN111168667B CN201911277486.2A CN201911277486A CN111168667B CN 111168667 B CN111168667 B CN 111168667B CN 201911277486 A CN201911277486 A CN 201911277486A CN 111168667 B CN111168667 B CN 111168667B
Authority
CN
China
Prior art keywords
surface electromyographic
probability
arm
electromyographic signals
training set
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.)
Active
Application number
CN201911277486.2A
Other languages
English (en)
Other versions
CN111168667A (zh
Inventor
侯庆志
陈义丰
高洁
刘志强
徐天一
王建荣
喻梅
高深
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201911277486.2A priority Critical patent/CN111168667B/zh
Publication of CN111168667A publication Critical patent/CN111168667A/zh
Application granted granted Critical
Publication of CN111168667B publication Critical patent/CN111168667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)
  • Prostheses (AREA)

Abstract

一种基于贝叶斯分类器的机器人控制方法：分别采集手臂运动产生的表面肌电信号，并对采集到的手臂运动产生的表面肌电信号进行放大滤波的预处理；将预处理后的手臂运动产生的表面肌电信号分为训练集和测试集；分别获取训练集和测试集的表面肌电信号的特征；根据训练集的表面肌电信号特征，得到训练集的表面肌电信号特征的先验概率；利用贝叶斯分类器对手臂运动进行运动模式分类。本发明针对表面肌电信号的特点，设计了表面肌电信号采集方案，得到了放大240倍的表面肌电信号，降低了表面肌电信号的随机性。在分析上肢运动和相关肌肉对应关系的基础上，确定右侧上肢的肱二头肌、肱三头肌为二通道表面肌电信号的采集位置，获得了一致性较好的表面肌电信号。

Description

基于贝叶斯分类器的机器人控制方法
技术领域
本发明涉及一种机器人控制方法。特别是涉及一种基于贝叶斯分类器的机器人控制方法。
背景技术
肌电控制方法的优劣主要是依靠识别准确率和计算速度这两个评价指标。
在相关技术中，比较有代表性的技术有基于阀值决策的肌电控制方法和基于模式识别的肌电控制方法。
基于阀值决策的肌电控制方法，其基本原理是肌电信号经过校正，滤波及调制后，对于肌肉的一次收缩活动，对应产生一个信号峰值，通过峰值与阈值大小的比较，输出抓握或者伸展动作。该方法相对比较简单，运行速度比较快，但是，当自由度数目多于三个时，应用该方法受到了限制，无法进行准确的识别。
基于模式识别的肌电控制方法，是目前使用比较广泛的一种技术，首先从多通道表面肌电信号中提取能表征不同上肢动作模式的信号特征，随后通过模式分类器识别出目标动作模式，并转化为机器人运动控制指令，概括一下就是信号采集、预处理、特征提取、模式分类。
有研究利用模式识别原理将前臂的双通道表面肌电信号用于多功能假手控制，流程包括窗口分割、特征提取、维数约简、模式分类。其中，特征包括斜率符号变化率、零点数、波形长度、亨杰斯时域参数、样本偏度、AR模型系数，分别采用进化模糊判别分析和正交模糊邻域判别分析进行特征约简以获得最大的可分性，并分别采用支持向量机和K最邻近节点算法进行动作模式分类。结果表明，支持向量机要优于K最邻近节点算法,其准确率达到90％。
基于模式识别的肌电控制方法尽管在识别准确率和计算速度这两个方面有比较大的提高，但还有提升的空间。
发明内容
本发明所要解决的技术问题是，提供一种能够快速、准确地从多通道表面肌电信号中识别出目标动作模式，并驱动机器人运动的基于贝叶斯分类器的机器人控制方法。
本发明所采用的技术方案是：一种基于贝叶斯分类器的机器人控制方法，包括如下步骤：
1)分别采集手臂运动产生的表面肌电信号，并对采集到的手臂运动产生的表面肌电信号进行放大滤波的预处理；
2)将预处理后的手臂运动产生的表面肌电信号分为训练集和测试集；
3)分别获取训练集和测试集的表面肌电信号的特征；
4)根据训练集的表面肌电信号特征，得到训练集的表面肌电信号特征的先验概率；
5)利用贝叶斯分类器对手臂运动进行运动模式分类。
步骤1)所述的手臂运动产生的表面肌电信号包括有屈臂运动的肱二头肌表面肌电信号和肱三头肌表面肌电信号，以及伸臂运动的肱二头肌表面肌电信号和肱三头肌表面肌电信号。
步骤3)所述的获取训练集和测试集的表面肌电信号的特征的方式相同，均包括：
(1)将获取的训练集或测试集的表面肌电信号转换为功率谱；
(2)分别求出功率谱的总面积P，以及功率谱的最大值附近设定宽度的面积P0；
(3)分别求出训练集或测试集表面肌电信号的功率谱比值X，并将功率谱比值X作为对应的训练集或测试集表面肌电信号特征：
Figure BDA0002315936450000021
步骤4)包括：
(1)分别求出屈臂运动和伸臂运动的肱二头肌和肱三头肌表面肌电信号特征的均值和方差；
(2)分别将屈臂运动和伸臂运动的肱二头肌和肱三头肌表面肌电信号特征的均值和方差代入如下先验概率密度公式：
Figure BDA0002315936450000022
分别得到屈臂运动和伸臂运动的肱二头肌和肱三头肌的表面肌电信号特征的先验概率密度公式，
其中，
Figure BDA0002315936450000023
表示在运动模式Ai下，特征值为X的先验概率密度，i＝1时表示屈臂，i＝2时表示伸臂；σi表示方差；ui表示均值；
(3)从测试集中分别取出肱二头肌表面肌电信号的特征值B1和肱三头肌表面肌电信号的特征值B2，并分别代入第(2)步得到的对应的表面肌电信号特征的先验概率密度公式，分别得到：
在运动模式A1下特征值为B1的先验概率：P(B1|A1)；
在运动模式A2下特征值为B1的先验概率：P(B1|A2)；
在运动模式A1下特征值为B2的先验概率：P(B2|A1)；
在运动模式A2下特征值为B2的先验概率：P(B2|A2)。
步骤5)包括：
(1)设定手臂运动中发生屈臂运动的概率P(A1)＝0.5，设定手臂运动中发生伸臂运动的概率P(A2)＝0.5；
(2)将步骤4)得到的先验概率P(B1|A1)、P(B1|A2)、P(B2|A1)和P(B2|A2)、发生屈臂运动的概率P(A1)和发生伸臂运动的概率P(A2)分别代入如下公式：
Figure BDA0002315936450000024
分别得到：
在特征值B1下运动模式为A1的后验概率：P(A1|B1)；
在特征值B1下运动模式为A2的后验概率：P(A2|B1)；
在特征值B2下运动模式为A1的后验概率：P(A1|B2)；
在特征值B2下运动模式为A2的后验概率：P(A2|B2)；
i＝1时表示屈臂，i＝2时表示伸臂；j＝1时表示肱二头肌，j＝2时表示肱三头肌；
(3)将步骤4)得到的先验概率P(B1|A1)、P(B1|A2)、P(B2|A1)和P(B2|A2)代入如下公式，得到在特征值B1和B2下运动模式为Ai的融合后验概率：
Figure BDA0002315936450000031
式中，i＝1时表示屈臂，i＝2时表示伸臂；
(4)分别找出三组P(A1|B1)和P(A2|B1)、P(A1|B2)和P(A2|B2)、P(A1|B1∩B2)和P(A2|B1∩B2)中大于90％的后验概率，其中，
当一组中有一个后验概率是大于90％时，则该大于90％的后验概率所对应的运动模式为认定的运动模式；
当一组中两个后验概率都大于90％时，其中后验概率大的所对应的运动模式为认定的运动模式；
当认定的运动模式为2种以上时，以认定多的那种运动模式为最终的运动模式。
本发明的基于贝叶斯分类器的机器人控制方法，解决由于识别准确率过低导致上肢康复训练机器人失误操作的概率大大增加的问题，以及由于计算速度过慢影响控制实时性的问题。能够快速、准确地从多通道表面肌电信号中识别出目标动作模式，并驱动机器人运动。
本发明的基于贝叶斯分类器的机器人控制方法，针对表面肌电信号的特点，设计了表面肌电信号采集方案，得到了放大240倍的表面肌电信号，降低了表面肌电信号的随机性。在分析上肢运动和相关肌肉对应关系的基础上，确定右侧上肢的肱二头肌、肱三头肌为二通道表面肌电信号的采集位置，获得了一致性较好的表面肌电信号。
本发明采用了一种改进的功率谱比值法，该方法可以有效降低不同人、不同时间段对特征值造成的影响，具有更强的适应性。利用采集算法获取特征值的均值和方差数据，得到相应的概率密度分布作为贝叶斯分类器的先验概率。
本发明对单组电极和两组电极分别实验，记录多次实验结果，求出相应的识别准确率，得出在两组电极信息融合的实验条件下准确率高于单组电极。
附图说明
图1是本发明的基于贝叶斯分类器的机器人控制方法的示意图。
具体实施方式
下面结合实施例和附图对本发明的基于贝叶斯分类器的机器人控制方法做出详细说明。
如图1所示，本发明的基于贝叶斯分类器的机器人控制方法，包括如下步骤：
1)采用Arduino肌肉传感器分别采集手臂运动产生的表面肌电信号，并对采集到的手臂运动产生的表面肌电信号进行放大滤波的预处理；
所述的手臂运动产生的表面肌电信号包括有屈臂运动的肱二头肌表面肌电信号和肱三头肌表面肌电信号，以及伸臂运动的肱二头肌表面肌电信号和肱三头肌表面肌电信号。
2)将预处理后的手臂运动产生的表面肌电信号分为训练集和测试集；
3)分别获取训练集和测试集的表面肌电信号的特征；所述的获取训练集和测试集的表面肌电信号的特征的方式相同，均包括：
(1)将获取的训练集或测试集的表面肌电信号转换为功率谱；
(2)分别求出功率谱的总面积P，以及功率谱的最大值附近设定宽度的面积P0；
(3)分别求出训练集或测试集表面肌电信号的功率谱比值X，并将功率谱比值X作为对应的训练集或测试集表面肌电信号特征：
Figure BDA0002315936450000041
具体表示为：
Figure BDA0002315936450000042
本发明实施例中：P(f)为功率谱密度函数，n为积分范围。n取20Hz时，X值有较好的区分度。f0为功率谱最大值处的频率，即f0为微分方程dP(f)/df＝0的解。由于表面肌电信号主要集中在50～150Hz，考虑到频率漂移，故积分范围取10～400Hz，因此功率谱比值为：
Figure BDA0002315936450000043
4)根据训练集的表面肌电信号特征，得训练集的表面肌电信号特征的先验概率；包括：
(1)分别求出屈臂运动和伸臂运动的肱二头肌和肱三头肌表面肌电信号特征的均值和方差；
(2)分别将屈臂运动和伸臂运动的肱二头肌和肱三头肌表面肌电信号特征的均值和方差代入如下先验概率密度公式：
Figure BDA0002315936450000044
分别得到屈臂运动和伸臂运动的肱二头肌和肱三头肌的表面肌电信号特征的先验概率密度公式，
其中，
Figure BDA0002315936450000045
表示在运动模式Ai下，特征值为X的先验概率密度，i＝1时表示屈臂，i＝2时表示伸臂；σi表示方差；ui表示均值；
(3)从测试集中分别取出肱二头肌表面肌电信号的特征值B1和肱三头肌表面肌电信号的特征值B2，并分别代入第(2)步得到的对应的表面肌电信号特征的先验概率密度公式，分别得到：
在运动模式A1下特征值为B1的先验概率：P(B1|A1)；
在运动模式A2下特征值为B1的先验概率：P(B1|A2)；
在运动模式A1下特征值为B2的先验概率：P(B2|A1)；
在运动模式A2下特征值为B2的先验概率：P(B2|A2)。
5)利用贝叶斯分类器对手臂运动进行运动模式分类。包括：
(1)设定手臂运动中发生屈臂运动的概率P(A1)＝0.5，设定手臂运动中发生伸臂运动的概率P(A2)＝0.5；
(2)将步骤4)得到的先验概率P(B1|A1)、P(B1|A2)、P(B2|A1)和P(B2|A2)、发生屈臂运动的概率P(A1)和发生伸臂运动的概率P(A2)分别代入如下公式：
Figure BDA0002315936450000051
分别得到：
在特征值B1下运动模式为A1的后验概率：P(A1|B1)；
在特征值B1下运动模式为A2的后验概率：P(A2|B1)；
在特征值B2下运动模式为A1的后验概率：P(A1|B2)；
在特征值B2下运动模式为A2的后验概率：P(A2|B2)；
i＝1时表示屈臂，i＝2时表示伸臂；j＝1时表示肱二头肌，j＝2时表示肱三头肌；
(3)将步骤4)得到的先验概率P(B1|A1)、P(B1|A2)、P(B2|A1)和P(B2|A2)代入如下公式，得到在特征值B1和B2下运动模式为Ai的融合后验概率：
Figure BDA0002315936450000052
式中，i＝1时表示屈臂，i＝2时表示伸臂；
(4)分别找出三组P(A1|B1)和P(A2|B1)、P(A1|B2)和P(A2|B2)、P(A1|B1∩B2)和P(A2|B1∩B2)中大于90％的后验概率，其中，
当一组中有一个后验概率是大于90％时，则该大于90％的后验概率所对应的运动模式为认定的运动模式；
当一组中两个后验概率都大于90％时，其中后验概率大的所对应的运动模式为认定的运动模式；
当认定的运动模式为2种以上时，以认定多的那种运动模式为最终的运动模式。
本发明的基于贝叶斯分类器的机器人控制方法，有效地提高了机器人肌电控制技术在康复领域的识别准确率和计算速度，具有比较好的应用前景。

Claims (2)

1.一种基于贝叶斯分类器的机器人控制方法，其特征在于，包括如下步骤：
1)分别采集手臂运动产生的表面肌电信号，并对采集到的手臂运动产生的表面肌电信号进行放大滤波的预处理；
2)将预处理后的手臂运动产生的表面肌电信号分为训练集和测试集；
3)分别获取训练集和测试集的表面肌电信号的特征；所述的获取训练集和测试集的表面肌电信号的特征的方式相同，均包括：
(1)将获取的训练集或测试集的表面肌电信号转换为功率谱；
(2)分别求出功率谱的总面积P，以及功率谱的最大值附近设定宽度的面积P0；
(3)分别求出训练集或测试集表面肌电信号的功率谱比值X，并将功率谱比值X作为对应的训练集或测试集表面肌电信号特征：
Figure FDA0003644954750000011
4)根据训练集的表面肌电信号特征，得到训练集的表面肌电信号特征的先验概率；包括：
(1)分别求出屈臂运动和伸臂运动的肱二头肌和肱三头肌表面肌电信号特征的均值和方差；
(2)分别将屈臂运动和伸臂运动的肱二头肌和肱三头肌表面肌电信号特征的均值和方差代入如下先验概率密度公式：
Figure FDA0003644954750000012
分别得到屈臂运动和伸臂运动的肱二头肌和肱三头肌的表面肌电信号特征的先验概率密度公式，
其中，
Figure FDA0003644954750000013
表示在运动模式Ai下，特征值为X的先验概率密度，i＝1时表示屈臂，i＝2时表示伸臂；σi表示方差；ui表示均值；
(3)从测试集中分别取出肱二头肌表面肌电信号的特征值B1和肱三头肌表面肌电信号的特征值B2，并分别代入第(2)步得到的对应的表面肌电信号特征的先验概率密度公式，分别得到：
在运动模式A1下特征值为B1的先验概率：P(B1|A1)；
在运动模式A2下特征值为B1的先验概率：P(B1|A2)；
在运动模式A1下特征值为B2的先验概率：P(B2|A1)；
在运动模式A2下特征值为B2的先验概率：P(B2|A2)；
5)利用贝叶斯分类器对手臂运动进行运动模式分类；包括：
(1)设定手臂运动中发生屈臂运动的概率P(A1)＝0.5，设定手臂运动中发生伸臂运动的概率P(A2)＝0.5；
(2)将步骤4)得到的先验概率P(B1|A1)、P(B1|A2)、P(B2|A1)和P(B2|A2)、发生屈臂运动的概率P(A1)和发生伸臂运动的概率P(A2)分别代入如下公式：
Figure FDA0003644954750000021
分别得到：
在特征值B1下运动模式为A1的后验概率：P(A1|B1)；
在特征值B1下运动模式为A2的后验概率：P(A2|B1)；
在特征值B2下运动模式为A1的后验概率：P(A1|B2)；
在特征值B2下运动模式为A2的后验概率：P(A2|B2)；
i＝1时表示屈臂，i＝2时表示伸臂；j＝1时表示肱二头肌，j＝2时表示肱三头肌；
(3)将步骤4)得到的先验概率P(B1|A1)、P(B1|A2)、P(B2|A1)和P(B2|A2)代入如下公式，得到在特征值B1和B2下运动模式为Ai的融合后验概率：
Figure FDA0003644954750000022
式中，i＝1时表示屈臂，i＝2时表示伸臂；
(4)分别找出三组P(A1|B1)和P(A2|B1)、P(A1|B2)和P(A2|B2)、P(A1|B1∩B2)和P(A2|B1∩B2)中大于90％的后验概率，其中，
当一组中有一个后验概率是大于90％时，则该大于90％的后验概率所对应的运动模式为认定的运动模式；
当一组中两个后验概率都大于90％时，其中后验概率大的所对应的运动模式为认定的运动模式；
当认定的运动模式为2种以上时，以认定多的那种运动模式为最终的运动模式。
2.根据权利要求1所述的基于贝叶斯分类器的机器人控制方法，其特征在于，步骤1)所述的手臂运动产生的表面肌电信号包括有屈臂运动的肱二头肌表面肌电信号和肱三头肌表面肌电信号，以及伸臂运动的肱二头肌表面肌电信号和肱三头肌表面肌电信号。
CN201911277486.2A 2019-12-13 2019-12-13 基于贝叶斯分类器的机器人控制方法 Active CN111168667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911277486.2A CN111168667B (zh) 2019-12-13 2019-12-13 基于贝叶斯分类器的机器人控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911277486.2A CN111168667B (zh) 2019-12-13 2019-12-13 基于贝叶斯分类器的机器人控制方法

Publications (2)

Publication Number Publication Date
CN111168667A CN111168667A (zh) 2020-05-19
CN111168667B true CN111168667B (zh) 2022-08-05

Family

ID=70624209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911277486.2A Active CN111168667B (zh) 2019-12-13 2019-12-13 基于贝叶斯分类器的机器人控制方法

Country Status (1)

Country Link
CN (1) CN111168667B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656112A (zh) * 2015-01-28 2015-05-27 重庆大学 基于表面肌电信号与mems惯组组合的个人定位方法和装置
CN105335725A (zh) * 2015-11-05 2016-02-17 天津理工大学 一种基于特征融合的步态识别身份认证方法
CN106821680A (zh) * 2017-02-27 2017-06-13 浙江工业大学 一种基于下肢步态的上肢康复外骨骼控制方法
KR20180013725A (ko) * 2016-07-29 2018-02-07 유비테크 로보틱스 코프 얼굴 검출 추적 방법, 얼굴 검출 추적 장치, 로봇 헤드의 회전 제어 방법 및 로봇 헤드의 회전 제어 시스템
CN108681396A (zh) * 2018-04-28 2018-10-19 北京机械设备研究所 基于脑-肌电双模态神经信号的人机交互系统及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104656112A (zh) * 2015-01-28 2015-05-27 重庆大学 基于表面肌电信号与mems惯组组合的个人定位方法和装置
CN105335725A (zh) * 2015-11-05 2016-02-17 天津理工大学 一种基于特征融合的步态识别身份认证方法
KR20180013725A (ko) * 2016-07-29 2018-02-07 유비테크 로보틱스 코프 얼굴 검출 추적 방법, 얼굴 검출 추적 장치, 로봇 헤드의 회전 제어 방법 및 로봇 헤드의 회전 제어 시스템
CN106821680A (zh) * 2017-02-27 2017-06-13 浙江工业大学 一种基于下肢步态的上肢康复外骨骼控制方法
CN108681396A (zh) * 2018-04-28 2018-10-19 北京机械设备研究所 基于脑-肌电双模态神经信号的人机交互系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
远程脑—机器人交互的仿人机器人全身运动控制研究;赵靖;《中国博士学位论文全文数据库 信息科技辑》;20171115(第11期);全文 *

Also Published As

Publication number Publication date
CN111168667A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
Phinyomark et al. Evaluation of EMG feature extraction for hand movement recognition based on Euclidean distance and standard deviation
Park et al. EMG pattern recognition based on artificial intelligence techniques
CN101987048B (zh) 假肢控制方法和系统
CN110598676B (zh) 基于置信度得分模型的深度学习手势肌电信号识别方法
CN114532993B (zh) 一种癫痫患者脑电高频振荡信号的自动检测方法
WO2020118797A1 (zh) 假肢控制方法、装置、系统、设备和存储介质
CN110399846A (zh) 一种基于多通道肌电信号相关性的手势识别方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
CN102499797A (zh) 假肢控制方法及系统
CN108681685A (zh) 一种基于人体表面肌电信号的躯干动作意图识别方法
He et al. Adaptive pattern recognition of myoelectric signal towards practical multifunctional prosthesis control
Samuel et al. A novel time-domain descriptor for improved prediction of upper limb movement intent in EMG-PR system
Hamedi et al. Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study
Yu et al. Attenuating the impact of limb position on surface EMG pattern recognition using a mixed-LDA classifier
Samuel et al. Spatio-temporal based descriptor for limb movement-intent characterization in EMG-pattern recognition system
Iqbal et al. Robust feature sets for contraction level invariant control of upper limb myoelectric prosthesis
CN114533089A (zh) 一种基于表面肌电信号的下肢动作识别分类方法
Veer Experimental study and characterization of SEMG signals for upper limbs
CN114387668A (zh) 一种基于多层次神经肌肉耦合特征信息融合的分类方法
CN111168667B (zh) 基于贝叶斯分类器的机器人控制方法
Alam et al. Real-time classification of multi-channel forearm emg to recognize hand movements using effective feature combination and lda classifier
Fan et al. A canonical correlation analysis based EMG classification algorithm for eliminating electrode shift effect
CN111242100A (zh) 一种基于gst和vl-mobpnn的动作识别方法
Herle Movement intention detection from SEMG signals using time-domain features and discriminant analysis classifiers
Xu et al. ART2 neural network for surface EMG decomposition

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