CN111870242A - 一种基于肌电信号的智能手势动作生成方法 - Google Patents
一种基于肌电信号的智能手势动作生成方法 Download PDFInfo
- Publication number
- CN111870242A CN111870242A CN202010765905.3A CN202010765905A CN111870242A CN 111870242 A CN111870242 A CN 111870242A CN 202010765905 A CN202010765905 A CN 202010765905A CN 111870242 A CN111870242 A CN 111870242A
- Authority
- CN
- China
- Prior art keywords
- layer
- electromyographic
- gesture
- electromyographic signals
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011176 pooling Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 18
- 230000003183 myoelectrical effect Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000004070 electrodeposition Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 33
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 210000003414 extremity Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于肌电信号的智能手势动作生成方法,包括:采用肌电信号采集设备获取N个通道的肌电信号;通过实时获取的肌电信号训练出手势相关的神经网络模型;通过训练好的神经网络模型对未知的肌电信号进行手势生成,再将生成的手势应用到各种场景当中来,例如辅助残疾人的智能义肢,智能家居中的手势控制,军事中的外骨骼设备。本发明的有益效果在于提供一种实用性高、灵活性高、准确率高、应用范围广的基于肌电信号的智能手势动作生成方法。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于肌电信号的智能手势动作生成方法。
背景技术
随着人工智能技术与生物电采集技术的发展,人们对于智能化的辅助设备的需求日益强烈。在残疾人的生活当中,义肢的需求不再仅仅局限于美观与一些简单的辅助,更多的是对智能化义肢的渴求。在日常生活当中,智能家居的发展我们也希望通过一些手势来控制一些智能设备。在军事方面,可以实现人体的增强,通过外骨骼设备帮助军人拥有更强的力量,同时通过肌电信号可以让操作变得更加灵活。
发明内容
本发明的目的是提供一种实用性高、灵活性高、准确率高、应用范围广的基于肌电信号的智能手势动作生成方法。
本发明为实现上述发明目的采用如下技术方案:
本发明提供了一种基于肌电信号的智能手势动作生成方法,包括:
采用肌电信号采集设备获取N个通道的肌电信号;
通过实时获取的肌电信号训练出手势相关的神经网络模型;
通过训练好的神经网络模型对未知的肌电信号进行手势生成。
进一步地,通过实时获取的肌电信号训练出手势相关的神经网络模型的方法具体包括:
构建神经网络模型;
通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练。
进一步地,构建神经网络模型的方法具体包括:
首先构建输入层,用来获取输入的肌电信号。
接着构建卷积层,使用多个一维卷积核对输入层获取的肌电信号进行卷积运算,对输入层进行边界补0操作得到新的序列,在卷积层中每个卷积核从新序列首端做内积运算一直到序列末端,得到一个新的特征层;
然后构建激活层,将新的特征层的结果通过激活函数进行激活,得到激活层的输出;
接着构建最大池化层,对激活层输出的值进行最大池化,得到最大池化的结果;
接着构建全连接层,将最大池化的结果输入到全连接层中进行分类,把分布式特征映射到样本标记空间;得到全连接层的输出;
最后构建SoftMax层,将全连接层输出的值输入到SoftMax中,得到每个类别的概率。
进一步地,将特征层输出的结果通过Relu激活函数激活并得到激活层,Relu激活函数的公式如下:
Ac=max(0,f)
其中,max表示所有输入的数值当中最大的数值;f表示输入的数据;Ac表示激活函数的输出结果。
进一步地,对激活层输出的Ac进行最大池化,得到最大池化的结果,公式如下:
Poi=max({Aci,Aci+1...Aci+ma-2,Aci+ma-1})
其中,ma为最大池化的长度;Poi为最大池化的结果;i表示Ac矩阵中第i个元素。
进一步地,全连接层由池化层得到的Poi连成一个一维向量PO,再将一维向量M中的所有值连接到n个神经元并构成输出,n的值为手势生成的类别总数,表达式如下:
(fc1,fc2,…,fcn)=(∑PO·w1,∑PO·w2,…,∑PO·wn)
其中,w1,w2,…,wn为随机的权重,将w1,w2,…,wn与Poi进行对位相乘并求和得到多个值,fc1,fc2,…,fcn为全连接层的输出结果。
进一步地,所述SoftMax计算方法公式如下:
ph为每个fch经由SoftMax的输出,得到的ph为当前目标为第h类手势的概率。
进一步地,通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练的方法包括:
通过肌电采集设备实时采集肌电信号,记录肌电采集设备的电极的放置位置与对应的手势标签,并使用肌电信号与手势标签来对神经网络模型进行训练,使用自适应矩估计优化器来优化网络参数。使用梯度下降策略训练构建的神经网络模型。
对于给定的迭代次数,首先基于在整个数据集上求出的罚函数loss(W)对模型的参数向量W计算梯度向量。然后对参数W进行更新:对参数W减去梯度值乘学习率的值,也就是在反梯度方向,更新参数。
进一步地,通过训练好的神经网络模型对未知的肌电信号进行手势生成具体包括:
将肌电信号采集设备的电极放置在记录的电极位置,通过肌电采集设备来获取肌电信号,使用训练好的神经网络模型将肌电信号生成对应的手势。
进一步地,将获取的肌电信号通过无线的方式传输到计算设备上,计算设备将肌电信号输入到训练好的神经网络模型中,并生成出相应的手势。
本发明的有益效果如下:
本发明提供一种实用性高、灵活性高、准确率高、应用范围广的基于肌电信号的智能手势动作生成方法。
实用性高:本发明在日常生活当中可以通过肌电信号来实现智能控制,简化一些生活的操作,例如智能家居中的家具控制。针对残疾人本发明可以帮助残疾人通过肌电信号恢复手掌的动作,不再仅仅是起到美观作用的义肢。在军事方面,可以实现人体的增强,通过外骨骼设备帮助军人拥有更强的力量,同时通过肌电信号可以让操作变得更加灵活。
灵活性高:本发明在采集肌电信号时位置不固定,只要保持训练模型采集的数据与使用模型时采集的数据的电极放置位置相同即可。这使得不同状况的残疾人都可以使用该产品。
准确率高:目前我们针对六种手势的识别进行了实验,最终我们设计的模型对肌电信号识别手势的准确率达到了98.3%。
设备简单:采集设备十分便携,采集肌电信号的通道数较少易于安装。设备轻量化能耗较低,续航持久。
附图说明
图1为根据本发明实施例提供的神经网络模型结构图;
图2为根据本发明实施例提供的肌电采集示意图;
图3为根据本发明实施例提供的智能义肢整体流程图。
具体实施方式
本实施例的主要思想为:构建神经网络模型。通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练,使用自适应矩估计优化器来优化网络参数。本案例训练了六种手势动作,分别为:打响指,握拳,张开,向右挥手,向左挥手,静止等动作。通过8通道的肌电采集设备来获取数据,通过训练好的模型生成手势动作,并传输到机械手臂实现手势生成。
实施例:本发明已经构建了原型系统,通过8个通道的轻量化肌电采集设备采集小臂处的肌电信号生成了6种状态的手势,分别为打响指,握拳,张开,向右挥手,向左挥手,静止。经过大量的实验验证准确率可以达到98.3%。
本案例使用8个通道OpenBCI的生物电采集设备与单层卷积神经网络模型的情况下保证了检测的精度,减少了计算开销。包括以下步骤:
步骤1:本案例使用python实现代码,所述神经网络模型通过Tensorflow框架搭建,使用32个一维卷积核进行卷积运算,在卷积层中每个卷积核与输入层中边界补0的输入序列从序列首端做内积运算一直到序列末端,得到新的特征层;
步骤2:将输出层的结果通过Relu激活函数激活,所述Relu激活函数如式(1)所示:
Ac=max(0,f) (1)
其中max函数表示输出所有输入的数值当中最大的数值,其中x为输入的数据,Y为激活层的输出数据。
步骤3:对激活层输出的Ac进行最大池化,得到最大池化的结果,公式如下:
Poi=max({Aci,Aci+1...Aci+ma-2,Aci+ma-1}) (2)
步骤4:将池化的结果输入到全连接层中进行分类,把分布式特征映射到样本标记空间;池化层得到的Poi连成一个一维向量PO,最后连接6个神经元输出构成;
(fc1,fc2,…,fc6)=(∑PO·w1,∑PO·w2,…,∑PO·w6) (3)
其中,w1,w2,…,w6为随机的权重,将w1,w2,…,w6与Poi进行对位相乘并求和得到多个值,fc1,fc2,…,fc6为全连接层的输出结果。
步骤5:将全连接层输出的值输入到SoftMax层中,得到每个手势类别的概率,计算方法如式(4):
ph为每个fch经由SoftMax的输出,得到的ph为当前目标为第h类手势的概率。
步骤1到步骤5本案例通过python语言与tensorflow框架完成了神经网络模型的构建,具体模型结构图由图1所示。
步骤6:本案例使用OpenBci的8通道生物电信号采集设备作为便携式肌电采集设备与小臂相连接,并记录位置电极,根据六种指令做出相应的动作:打响指,握拳,张开,向右挥手,向左挥手,静止等动作,完成肌电信号的30秒的数据采集。将采集的数据进行长度为1秒、步长为0.5秒的分割(3秒的EEG样本会被分为:0-1秒,0.5-1.5秒,1-2秒,1.5-2.5秒,2-3秒),用来训练构建的神经网络模型。图2为肌电采集的示意图。
步骤7:假设肌电信号数据X的每个通道的采样频率为1000赫兹,则第i秒第n个通道的采样的数据形式为{xn,i,1,xn,i,2,xn,i,3,xn,i,3,...,xn,i,v-2,xn,i,v-1,xn,i,v};第i秒第n个通道的分析样本为Xi,n={xn,i-1,v/2,xn,i-1,v/2+1,...,xn,i+1,v-2,xn,i+1,v-1,xn,i+1,v};第i个样本为Xi={Xi,1,Xi,2,Xi,3,...,Xi,n-1,Xi,n}为一个2v·N的矩阵;
每一个样本有一个数字化的标签,假设有n个动作,那么第i个动作的标签为yi=(label1,label2,…,labeli,…,labeln-1,labeln)。其中labeli=1,其它值均为0。
步骤8:将X输入到M(x)中,得到M(x)的输出(p1,p2,…,pn),其中pn表示是第n个类别的手势的概率。
本实施例采用有标签数据作为训练样本数据,使用梯度下降策略训练构建的神经网络模型。对于给定的迭代次数,首先基于在整个数据集上求出的罚函数loss(W)对模型的参数向量W计算梯度向量。然后对参数W进行更新:对参数W减去梯度值乘学习率的值,也就是在反梯度方向,更新参数。其中,为参数梯度下降方向,即loss(W)的偏导数,η为学习率。其中yh表示样本的真实值,ph为预测为第h类的概率。当完成迭代时,实现W的更新与模型的建立。
步骤9:将肌电采集设备保持与步骤6中放置的位置保持一致。
步骤10:将采集的肌电数据通过无线的方式传输到计算设备上,计算设备将数据输入到我们设计的神经网络模型当中,并识别处想要做的手势,将手势指令传输到可穿戴的机械手臂完成动作。整体流程图如图3所示。
本实施例所用指标为准确率,计算方法如下:对于一个二分类问题,共有n个样本,可以将其分为正例T与负例F。
Table
预测为T | 预测为F | |
样本为T | True Positive(TP) | False Negative(FN) |
样本为F | False Positive(FP) | True Negative(TN) |
准确率的计算公式为:
ACC=(TP+TN)/(TP+FP+FN+TN) (7)
最终对六种手势:打响指,握拳,张开,向右挥手,向左挥手,静止识别的准确率达到了98.3%。
实用性高:本发明在日常生活当中可以通过肌电信号来实现智能控制,简化一些生活的操作,例如智能家居中的家具控制。针对残疾人本发明可以帮助残疾人通过肌电信号恢复手掌的动作,不再仅仅是起到美观作用的义肢。在军事方面,可以实现人体的增强,通过外骨骼设备帮助军人拥有更强的力量,同时通过肌电信号可以让操作变得更加灵活。
灵活性高:本发明在采集肌电信号时位置不固定,只要保持训练模型采集的数据与使用模型时采集的数据的电极放置位置相同即可。这使得不同状况的残疾人都可以使用该产品。
准确率高:目前我们针对六种手势的识别进行了实验,最终我们设计的模型对肌电信号识别手势的准确率达到了98.3%。
设备简单:采集设备十分便携,采集肌电信号的通道数较少易于安装。设备轻量化能耗较低,续航持久。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (10)
1.一种基于肌电信号的智能手势动作生成方法,其特征在于,包括:
采用肌电信号采集设备获取N个通道的肌电信号;
通过实时获取的肌电信号训练出手势相关的神经网络模型;
通过训练好的神经网络模型对未知的肌电信号进行手势生成。
2.根据权利要求1所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,通过实时获取的肌电信号训练出手势相关的神经网络模型的方法具体包括:
构建神经网络模型;
通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练。
3.根据权利要求2所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,构建神经网络模型的方法具体包括:
首先构建输入层,用来获取输入的肌电信号。
接着构建卷积层,使用多个一维卷积核对输入层获取的肌电信号进行卷积运算,对输入层进行边界补0操作得到新的序列,在卷积层中每个卷积核从新序列首端做内积运算一直到序列末端,得到一个新的特征层;
然后构建激活层,将新的特征层的结果通过激活函数进行激活,得到激活层的输出;
接着构建最大池化层,对激活层输出的值进行最大池化,得到最大池化的结果;
接着构建全连接层,将最大池化的结果输入到全连接层中进行分类,把分布式特征映射到样本标记空间;得到全连接层的输出;
最后构建SoftMax层,将全连接层输出的值输入到SoftMax层中,得到每个类别的概率。
4.根据权利要求3所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,将特征层输出的结果通过Relu激活函数激活并得到激活层,Relu激活函数的公式如下:
Ac=max(0,f)
其中,max表示所有输入的数值当中最大的数值;f表示输入的数据;Ac表示激活函数的输出结果。
5.根据权利要求4所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,对激活层输出的Ac进行最大池化,得到最大池化的结果,公式如下:
Poi=max({Aci,Aci+1...Aci+ma-2,Aci+ma-1})
其中,ma为最大池化的长度;Poi为最大池化的结果;Aci表示Ac矩阵中第i个元素。
6.根据权利要求5所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,所述全连接层由池化层得到的Poi连成一个一维向量PO,再将一维向量M中的所有值连接到n个神经元并构成输出,表达式如下:
(fc1,fc2,...,fcn)=(∑PO·w1,∑PO·w2,...,∑PO·wn)
其中,w1,w2,...,wn为随机的权重,将w1,w2,...,wn与Poi进行对位相乘并求和得到多个值,fc1,fc2,...,fcn为全连接层的输出,n的值为手势生成的类别总数。
8.根据权利要求2所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练的方法包括:
通过肌电采集设备实时采集肌电信号,记录肌电采集设备的电极的放置位置与对应的手势标签,并使用肌电信号与手势标签来对神经网络模型进行训练,使用自适应矩估计优化器来优化网络参数。
9.根据权利要求8所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,通过训练好的神经网络模型对未知的肌电信号进行手势生成具体包括:
将肌电信号采集设备的电极放置在记录的电极位置,通过肌电采集设备来获取肌电信号,使用训练好的神经网络模型将获取的肌电信号生成对应的手势。
10.根据权利要求9所述的一种基于肌电信号的智能手势动作生成方法,其特征在于,将获取的肌电信号通过无线的方式传输到计算设备上,计算设备将肌电信号输入到训练好的神经网络模型中,并生成出相应的手势。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010765905.3A CN111870242A (zh) | 2020-08-03 | 2020-08-03 | 一种基于肌电信号的智能手势动作生成方法 |
PCT/CN2020/120831 WO2022027822A1 (zh) | 2020-08-03 | 2020-10-14 | 一种基于肌电信号的智能手势动作生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010765905.3A CN111870242A (zh) | 2020-08-03 | 2020-08-03 | 一种基于肌电信号的智能手势动作生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111870242A true CN111870242A (zh) | 2020-11-03 |
Family
ID=73205458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010765905.3A Pending CN111870242A (zh) | 2020-08-03 | 2020-08-03 | 一种基于肌电信号的智能手势动作生成方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111870242A (zh) |
WO (1) | WO2022027822A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707562A (zh) * | 2022-06-01 | 2022-07-05 | 深圳市心流科技有限公司 | 一种肌电信号采样频率控制方法、装置及存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114781439B (zh) * | 2022-03-29 | 2023-05-30 | 深圳市应和脑科学有限公司 | 模型获取系统、手势识别方法、装置、设备及存储介质 |
CN114931389B (zh) * | 2022-04-27 | 2024-07-05 | 福州大学 | 基于残差网络及图卷积网络的肌电信号识别方法 |
CN114863912B (zh) * | 2022-05-05 | 2024-05-10 | 中国科学技术大学 | 一种基于表面肌电信号的无声语音解码方法 |
CN114848315B (zh) * | 2022-05-05 | 2022-12-13 | 广东工业大学 | 一种基于表面肌电信号的智能轮椅人机协同控制系统 |
CN116214511B (zh) * | 2023-02-07 | 2024-04-16 | 南方科技大学 | 外肢体控制方法、装置、电子设备以及可读存储介质 |
CN118383910B (zh) * | 2024-06-27 | 2024-09-17 | 安徽医科大学第一附属医院 | 基于肌兴奋仪的智能控制系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
CN107861628A (zh) * | 2017-12-19 | 2018-03-30 | 许昌学院 | 一种基于人体表面肌电信号的手部姿态识别系统 |
CN110084201A (zh) * | 2019-04-29 | 2019-08-02 | 福州大学 | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 |
CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
CN111209885A (zh) * | 2020-01-13 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种手势信息处理方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8280503B2 (en) * | 2008-10-27 | 2012-10-02 | Michael Linderman | EMG measured during controlled hand movement for biometric analysis, medical diagnosis and related analysis |
CN105608432B (zh) * | 2015-12-21 | 2019-02-22 | 浙江大学 | 一种基于瞬时肌电图像的手势识别方法 |
CN107688773A (zh) * | 2017-07-07 | 2018-02-13 | 北京联合大学 | 一种基于深度学习的手势识别方法 |
-
2020
- 2020-08-03 CN CN202010765905.3A patent/CN111870242A/zh active Pending
- 2020-10-14 WO PCT/CN2020/120831 patent/WO2022027822A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293057A (zh) * | 2016-07-20 | 2017-01-04 | 西安中科比奇创新科技有限责任公司 | 基于bp神经网络的手势识别方法 |
CN107861628A (zh) * | 2017-12-19 | 2018-03-30 | 许昌学院 | 一种基于人体表面肌电信号的手部姿态识别系统 |
CN110084201A (zh) * | 2019-04-29 | 2019-08-02 | 福州大学 | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 |
CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
CN111209885A (zh) * | 2020-01-13 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种手势信息处理方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707562A (zh) * | 2022-06-01 | 2022-07-05 | 深圳市心流科技有限公司 | 一种肌电信号采样频率控制方法、装置及存储介质 |
CN114707562B (zh) * | 2022-06-01 | 2022-09-02 | 深圳市心流科技有限公司 | 一种肌电信号采样频率控制方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022027822A1 (zh) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111870242A (zh) | 一种基于肌电信号的智能手势动作生成方法 | |
Tuncer et al. | Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition | |
Karnam et al. | EMGHandNet: A hybrid CNN and Bi-LSTM architecture for hand activity classification using surface EMG signals | |
Tang et al. | Triple cross-domain attention on human activity recognition using wearable sensors | |
Wang et al. | Improved multi-stream convolutional block attention module for sEMG-based gesture recognition | |
Sun et al. | A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces | |
An et al. | Few-shot relation learning with attention for EEG-based motor imagery classification | |
Alwasiti et al. | Motor imagery classification for brain computer interface using deep metric learning | |
Neacsu et al. | Automatic EMG-based hand gesture recognition system using time-domain descriptors and fully-connected neural networks | |
Shin et al. | Korean sign language recognition using EMG and IMU sensors based on group-dependent NN models | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
Hu et al. | Adaptive electrode calibration method based on muscle core activation regions and its application in myoelectric pattern recognition | |
Hossain et al. | Left and right hand movements EEG signals classification using wavelet transform and probabilistic neural network | |
Suri et al. | Transfer learning for semg-based hand gesture classification using deep learning in a master-slave architecture | |
Lin et al. | A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet | |
Mahendran | EMG signal based control of an intelligent wheelchair | |
Li et al. | An approach to continuous hand movement recognition using SEMG based on features fusion | |
Rahimian et al. | Trustworthy adaptation with few-shot learning for hand gesture recognition | |
CN116226717A (zh) | 一种基于混合神经网络的脑电信号硬件加速识别系统 | |
Zanghieri | sEMG-based Hand gesture recognition with deep learning | |
CN114569142A (zh) | 基于类脑计算的手势识别方法、系统及手势识别装置 | |
WO2022242133A1 (zh) | 一种手势分类识别方法及其应用 | |
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 | |
Peng | Research on Emotion Recognition Based on Deep Learning for Mental Health | |
Kan et al. | EMG pattern recognition based on particle swarm optimization and recurrent neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |
|
RJ01 | Rejection of invention patent application after publication |