CN112405539B - 一种基于肌电信号和脑电错误电位的机器人自然控制方法 - Google Patents

一种基于肌电信号和脑电错误电位的机器人自然控制方法 Download PDF

Info

Publication number
CN112405539B
CN112405539B CN202011255261.XA CN202011255261A CN112405539B CN 112405539 B CN112405539 B CN 112405539B CN 202011255261 A CN202011255261 A CN 202011255261A CN 112405539 B CN112405539 B CN 112405539B
Authority
CN
China
Prior art keywords
electromyographic
signals
data
electroencephalogram
imu
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
CN202011255261.XA
Other languages
English (en)
Other versions
CN112405539A (zh
Inventor
徐宝国
张坤
王勇
刘德平
宋爱国
赵国普
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202011255261.XA priority Critical patent/CN112405539B/zh
Priority to PCT/CN2020/132581 priority patent/WO2022099807A1/zh
Publication of CN112405539A publication Critical patent/CN112405539A/zh
Application granted granted Critical
Publication of CN112405539B publication Critical patent/CN112405539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • 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
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • 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
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Abstract

本发明公开了一种基于肌电信号和脑电错误电位的机器人自然控制方法，该方法主要包括以下步骤：实验人员按照提示执行四种自然动作；采集肌电信号和IMU数据，并对数据进行预处理、特征提取和分类器分类，根据分类结果控制UR5机械臂对目标执行相应动作；在控制UR5机械臂的同时触发开始获取脑电信号，并对数据进行预处理、特征提取和分类器分类，检测是否产生错误电位，若产生错误电位停止UR5机械臂当前动作，反之则不作干扰。本发明与传统的肌电信号控制方法相比，提出了对自然动作的肌电识别，同时将肌电信号和IMU信号融合进行数据处理和分类识别，再通过对脑电错误电位的识别完善机器人控制过程中的纠错机制，提高了机器人的控制效率和准确率。

Description

一种基于肌电信号和脑电错误电位的机器人自然控制方法
技术领域
本发明属于生物信号识别技术领域，具体涉及到一种基于肌电信号和脑电错误电位的机器人自然控制方法。
背景技术
肌电信号(EMG)是一种典型的神经冲动进入肌肉纤维并刺激肌肉组织完成收缩的生物电现象。人体进行一系列运动都会产生丰富的肌电信号，通过预处理、特征提取、分类器解码等方式可以读取其中蕴含的人体动作信息。IMU即为惯性测量单元，可以测量运动载体的角速度、加速度参数，可以用于对运动下的惯性测量。脑电错误电位是一种特定的脑电信号，当个体感知到发生错误时，头皮额中央区会产生脑电错误电位。
当下针对机器人自然动作的识别方法依旧存在一些缺陷，大多是肌电信号识别重点在于对固定手势的简单识别和分类，未对自然动作进行深入研究，缺乏现实意义。同时，针对肌电信号识别的动作和机器人控制依旧存在一定的错误率，因此迫切需要一种纠错预警机制。
发明内容
为解决上述问题，本发明公开了一种基于肌电信号和脑电错误电位的机器人自然控制方法，它可以用于遥操作机器人领域，为康复机器人和假肢机器人的控制提供了一种新型控制思路。由脑电错误电位带来的反馈系统形成对机器人控制的纠错预警机制，提高了机器人控制的容错性和有效性。
为了达到上述的目的，本发明的技术方案如下：
一种基于肌电信号和脑电错误电位的机器人自然控制方法，包括以下步骤：
步骤1：实验人员开始按照提示执行四种自然动作之一；
步骤2：开始采集肌电信号和IMU数据，并对肌电数据和IMU数据进行预处理和特征提取；
步骤3：对获得的肌电数据和IMU数据进行分类器分类，根据分类结果控制UR5机械臂对目标执行相应动作；
步骤4：在控制UR5机械臂的同时触发开始获取脑电信号，并对脑电数据进行数据预处理和特征提取；
步骤5：对获得的脑电数据进行分类器分类，检测是否产生错误电位，若产生错误电位停止UR5机械臂当前动作，反之则不作干扰。
一种基于肌电信号和脑电错误电位的机器人自然控制方法，利用肌电信号识别的动作主要为四种自然动作，包括：指捏(如：软球)、手握(如：水杯)、插拔(如：插座)、旋转(如：阀门)。
在数据获取方面，当实验人员开始执行四种自然动作，同时对肌电信号和IMU数据的进行采集，采用肌电信号和IMU信号融合的动作识别方法，对肌电信号和IMU数据进行数据预处理以及特征提取。对肌电信号进行特征提取，所提取的特征值包括：肌电信号多重分形奇异谱的奇异谱宽度Δf和奇异谱的面积S；对IMU数据进行特征提取，所提取的特征值包括：IMU中的平均加速度信号a和平均角速度信号ω。其计算公式如下：
Figure BDA0002772918940000021
Figure BDA0002772918940000022
Figure BDA0002772918940000023
Figure BDA0002772918940000024
其中，i表示为第i个时间窗口，N分别表示各窗口的数据点数目，，x、y、z分别表示X轴，Y轴和Z轴，代表各轴上的加速度和角速度信号值。肌电信号与IMU数据进行融合得到的特征向量为：
f＝[Δf1，...，ΔfK，S1，...，Sk，a1，...，ak，ω1，...，ωk]
将肌电信号和IMU数据融合后的特征向量f进行分类器训练和分类，分类器采用BiLSTM算法，其具体计算公式如下：
ht＝ωRtoRttanh(cRt)+ωLtoLttanh(cLt)
其中，ht表示t时刻BiLSTM模块的输出，cRt和cLt表示t时刻BiLSTM的向前和向后的记忆单元，oRt和oLt表示t时刻关于输入xt和前神经元的输出ht-1的向前和向后的输出门，ωRt和ωLt分别是向前和向后的LSTM的单输出的权重参数。
从BiLSTM分类器得到分类结果，开始控制机器人执行分类结果，达到对分类结果进行客观验证的效果，机器人根据预先设置的力控阈值进行抓取操作动作。
在控制机器人执行动作的同时，同步触发脑电信号的采集并对脑电数据进行预处理，其中预处理包括对脑电数据进行经验模态分解滤波和零均值的归一化处理。选取平均电压峰值、最高负电压峰值和均方根为特征值向量。将提取的脑电特征向量作为脑电信号分类器的输入，进行模型的训练和后期的错误电位的分类。对于该类二分类问题，采用RBF_BP组合神经网络进行分类，具体的计算过程如下所示。
隐藏层第一层和第二层的输出分别为：
Figure BDA0002772918940000025
Figure BDA0002772918940000031
其中第一层激活函数采用高斯径向基函数，Ci表示第i个神经元的中心，第二层激活函数采用relu激活函数,i＝1，2，...，h。最后的分类输出结果为：
Figure BDA0002772918940000032
其中输出层激活函数采用sigmoid函数，i＝1，2，...，k。
脑电信号经过预处理、特征提取和分类器分类后，可检测信号中是否产生错位电位，形成对机器人控制的纠错预警机制，若检测到错误电位，机器人在目标前停止动作，若没有检测到错误电位，机器人根据预先设置的力控阈值完成抓取操作，并回到初始位置。
对肌电数据和IMU数据以后采集的脑电数据进行预处理步骤，包括：对所述的数据进行滤波处理。
本发明的有益效果是：
1、针对自然动作进行肌电信号识别。传统的肌电控制往往针对几组特定的手势进行算法模型训练和分类，例如握拳、张开手掌等，这类规定的手势动作在日常生活中过于刻意，本发明针对指捏(如：软球)、手握(如：水杯)、插拔(如：插座)、旋转(如：阀门)四种自然动作采用肌电信号(EMG)进行识别，更加贴切机器人的自然控制，符合控制机器人时的用户习惯，可以用于遥操作机器人领域，为康复机器人和假肢机器人的控制提供了一种新型控制思路。
2、融合了IMU信号。在传统的肌电信号识别基础上，增加了惯性测量单元。IMU可检测角速率和加速度，为了特征向量的建立提供了更多的选择，增强了肌电识别的准确率。
3、增加了脑电错误电位识别。在肌电识别的基础上，增加了脑电错误电位识别机制，为机器人的自然动作控制提供了一个纠错预警机制，可解决肌电信号识别错误导致的机械臂误操作。脑电错误电位带来的反馈系统形成的对机器人控制的纠错预警机制，提高了机器人控制的容错性和有效性。
附图说明
图1是本发明的基于肌电信号和脑电错误电位的机器人自然控制流程图；
图2是本发明的BiLSTM算法的模型示意图；
图3是本发明的针对脑电错误电位的信号采集流程；
图4是本发明的基于脑电错误电位的机器人控制纠错预警机制；
图5是本发明的RBF_BP组合神经网络的模型示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图所示，本发明所述的是一种基于肌电信号和脑电错误电位的机器人自然控制方法，其中的步骤包括：
步骤1：实验人员开始按照提示执行四种自然动作之一；
步骤2：开始采集肌电信号和IMU数据，并对肌电数据和IMU数据进行预处理和特征提取；
步骤3：对获得的肌电数据和IMU数据进行分类器分类，根据分类结果控制UR5机械臂对目标执行相应动作；
步骤4：在控制UR5机械臂的同时触发开始获取脑电信号，并对脑电数据进行数据预处理和特征提取；
步骤5：对获得的脑电数据进行分类器分类，检测是否产生错误电位，若产生错误电位停止UR5机械臂当前动作，反之则不作干扰。
首先在人体的手臂肌肉处放置肌电信号采集器用于采集肌电信号，在人体手肘处佩戴IMU传感器用于检测角速率和加速度数据。当实验人员开始执行四种自然动作，肌电采集装置和IMU传感器开始工作记录数据。在步骤1中，实验人员每次根据语音和文字提示执行提示的动作，之后进入休息状态等待下一次循环。其中，实验人员所执行的四种自然动作，主要为指捏、手握、插拔、旋转，具体可以为通过手指捏小球，用手去握住杯子，插拔插座开关，用手旋转打开阀门。
数据接收后，通过滤波等手段对数据进行预处理，过滤一些高频和直流干扰、低频干扰以及工频干扰。对肌电信号进行特征提取，所提取的特征值包括：肌电信号多重分形奇异谱的奇异谱宽度Δf和奇异谱的面积S；对IMU数据进行特征提取，所提取的特征值包括：IMU中的平均加速度信号a和平均角速度信号ω。其计算公式如下：
Figure BDA0002772918940000041
Figure BDA0002772918940000042
Figure BDA0002772918940000043
Figure BDA0002772918940000044
其中，i表示为第i个时间窗口，N分别表示各窗口的数据点数目，，x、y、z分别表示X轴，Y轴和Z轴，代表各轴上的加速度和角速度信号值。肌电信号与IMU数据进行融合得到的特征向量为：
f＝[Δf1，...，ΔfK，S1，...，Sk，a1，...，ak，ω1，…，ωk]
将肌电信号和IMU数据融合后的特征向量f进行分类器训练和分类，分类器采用BiLSTM算法，其具体计算公式如下：
ht＝ωRtoRttanh(cRt)+ωLtoLttanh(cLt)
其中，ht表示t时刻BiLSTM模块的输出，cRt和cLt表示t时刻BiLSTM的向前和向后的记忆单元，oRt和oLt表示t时刻关于输入xt和前神经元的输出ht-1的向前和向后的输出门，ωRt和ωLt分别是向前和向后的LSTM的单输出的权重参数。
当对肌电信号和IMU数据的分类得到结果后，UR5机械臂开始根据预先设置的力控阈值和相应的动作设定完成抓取操作，并回到初始位置。其中，UR5机械臂是为带有力控的机械臂，预设的动作匹配四种自然动作，完成指捏、手握、插拔、旋转的四种手部自然动作，实现用户对机器人的自然控制。
步骤4中，脑电采集以UR5机械臂开始运动时刻为采集开始时刻，进行对实验人员的脑电信号采集。
步骤5中，对脑电错误电位的信号采集实验流程设计如下：
a、实验人员执行四种自然动作之一；
b、机器人随机选择其中之一动作，正确的动作和错误的动作比例1：1；
c、实验人员判断机器人执行动作是否正确；
d、对实验人员的脑电信号进行采集，进行正确反馈与错误反馈的分类。
如图所示，通过对正确反馈信号和错误反馈信号的两类脑电信号的采集，完成前期对分类器训练集和测试集的获取，用于针对脑电错误电位的分类器训练。其中，针对脑电错误电位幅值低、波形不明显的特点，采用多组脑电错误反馈信号的叠加平均的方法，完成分类器训练前的一次数据预处理。
在控制机器人执行动作的同时，当UR5机械臂开始动作时，同步触发脑电信号的采集。其中，脑电信号的采集，可以通过脑电帽等设备进行信号采集。对脑电数据进行预处理和特征提取。预处理包括对脑电数据进行经验模态分解滤波和零均值的归一化处理。选取平均电压峰值、最高负电压峰值和均方根为特征值向量。将提取的脑电特征向量作为脑电信号分类器的输入，进行模型的训练和后期的错误电位的分类。对于该类二分类问题，采用RBF_BP组合神经网络进行分类，具体的计算过程如下所示。
隐藏层第一层和第二层的输出分别为：
Figure BDA0002772918940000061
Figure BDA0002772918940000062
其中第一层激活函数采用高斯径向基函数，Ci表示第i个神经元的中心，第二层激活函数采用relu激活函数，i＝1，2，...，h。最后的分类输出结果为
Figure BDA0002772918940000063
其中输出层激活函数采用sigmoid函数，i＝1，2，...，k。
通过脑电信号进行分类器分类，检测脑电信号中是否产生错位电位，形成对机器人控制的纠错预警机制，若检测到错误电位，UR5机械臂在目标前停止动作，若没有检测到错误电位，UR5机械臂根据预先设置的力控阈值完成抓取操作，并回到初始位置。

Claims (5)

1.一种基于肌电信号和脑电错误电位的机器人自然控制方法，其特征在于：包括以下步骤：
步骤1：实验人员开始按照提示执行四种自然动作，包括：指捏、手握、插拔、旋转；
步骤2：开始采集肌电信号和IMU信号，并对肌电信号和IMU信号进行预处理和特征提取；具体如下：
当实验人员开始执行四种自然动作，同时对肌电信号和IMU信号的获取，采用肌电信号和IMU信号融合的动作识别方法，对肌电信号和IMU信号进行数据预处理以及特征提取；对肌电信号进行特征提取，所提取的特征值包括：肌电信号多重分形奇异谱的奇异谱宽度Δf和奇异谱的面积S；对IMU信号进行特征提取，所提取的特征值包括：IMU中的平均加速度信号a和平均角速度信号ω；其计算公式如下：
Δfi(α)＝|Δfi(αmax)-Δfi(αmin)|
Si＝∫f(α)dα
Figure FDA0003465995640000011
Figure FDA0003465995640000012
其中，i表示为第i个时间窗口，N分别表示各窗口的数据点数目，x、y、z分别表示X轴，Y轴和Z轴，aijx、aijy、aijz和ωijx、ωijy、ωijz分别代表各轴上的加速度和角速度信号值；肌电数据与IMU数据进行融合得到的特征向量为：
f＝[Δf1，...，ΔfK，S1，...，Sk，a1，...，ak，ω1，...，ωk]；
步骤3：对获得的肌电数据和IMU数据进行分类器分类，根据分类结果控制UR5机械臂对目标执行相应动作；
步骤4：在控制UR5机械臂的同时触发开始获取脑电信号，并对脑电信号进行数据预处理和特征提取；
步骤5：对获得的脑电数据进行分类器分类，检测是否产生错误电位，若产生错误电位停止UR5机械臂当前动作，反之则不作干扰。
2.根据权利要求1所述基于肌电信号和脑电错误电位的机器人自然控制方法，其特征在于：结合肌电数据和IMU数据进行分类器训练和分类，分类算法选取双向长短期记忆网络，并控制UR5机械臂执行分类结果，达到对分类结果进行客观验证的效果，BiLSTM的计算公式可以表示如下：
ht＝ωRtoRttanh(cRt)+ωLtoLttanh(cLt)
其中，ht表示t时刻BiLSTM模块的输出，cRt和cLt表示t时刻BiLSTM的向前和向后的记忆单元，oRt和oLt表示t时刻关于输入xt和前神经元的输出ht-1的向前和向后的输出门，ωRt和ωLt分别是向前和向后的LSTM的单输出的权重参数。
3.根据权利要求1所述基于肌电信号和脑电错误电位的机器人自然控制方法，其特征在于：在控制UR5机械臂执行动作的同时，同步触发脑电信号的采集；对脑电信号进行经验模态分解滤波和零均值的归一化预处理，选取平均电压峰值、最高负电压峰值和均方根为特征值向量。
4.根据权利要求1所述基于肌电信号和脑电错误电位的机器人自然控制方法，其特征在于：通过对脑电数据进行分类器训练和分类，检测脑电信号中是否产生错位电位，形成对机器人控制的纠错预警机制；对于该类二分类问题，采用RBF_BP组合神经网络进行分类，具体的计算过程如下所示；
隐藏层第一层和第二层的输出分别为：
Figure FDA0003465995640000021
Figure FDA0003465995640000022
其中X表示神经网络的输入，第一层激活函数采用高斯径向基函数，Ci表示第i个神经元的中心，第二层激活函数采用relu激活函数，ωij表示隐藏层第一层输出到第二层的权重，i＝1，2，...，h；最后的分类输出结果为：
Figure FDA0003465995640000023
其中输出层激活函数采用sigmoid函数，ωi是隐藏层第二层输出到最后输出的权重，i＝1，2，...，k。
5.根据权利要求1所述基于肌电信号和脑电错误电位的机器人自然控制方法，其特征在于：对肌电信号和IMU信号以及之后采集的脑电信号进行预处理步骤，包括：对所述的信号进行滤波处理。
CN202011255261.XA 2020-11-11 2020-11-11 一种基于肌电信号和脑电错误电位的机器人自然控制方法 Active CN112405539B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011255261.XA CN112405539B (zh) 2020-11-11 2020-11-11 一种基于肌电信号和脑电错误电位的机器人自然控制方法
PCT/CN2020/132581 WO2022099807A1 (zh) 2020-11-11 2020-11-30 一种基于肌电信号和脑电错误电位的机器人自然控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011255261.XA CN112405539B (zh) 2020-11-11 2020-11-11 一种基于肌电信号和脑电错误电位的机器人自然控制方法

Publications (2)

Publication Number Publication Date
CN112405539A CN112405539A (zh) 2021-02-26
CN112405539B true CN112405539B (zh) 2022-03-04

Family

ID=74781065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011255261.XA Active CN112405539B (zh) 2020-11-11 2020-11-11 一种基于肌电信号和脑电错误电位的机器人自然控制方法

Country Status (2)

Country Link
CN (1) CN112405539B (zh)
WO (1) WO2022099807A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113534960A (zh) * 2021-07-29 2021-10-22 中国科学技术大学 基于imu和表面肌电信号的上臂假肢控制方法及系统
CN115227266B (zh) * 2022-06-29 2024-03-08 山东科技大学 一种肌电信号分类方法、计算机设备以及可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106457572A (zh) * 2014-06-20 2017-02-22 欧姆龙株式会社 机械手操作用作业人员终端
KR20170030139A (ko) * 2015-09-08 2017-03-17 경희대학교 산학협력단 근전도 센서와 관성센서를 사용한 제스처 인식 기반의 모바일 로봇 제어 시스템 및 방법
CN106695794A (zh) * 2017-02-20 2017-05-24 苏州晨本智能科技有限公司 一种基于表面肌电信号的移动机器臂系统及其控制方法
CN107553499A (zh) * 2017-10-23 2018-01-09 上海交通大学 一种多轴机械臂的自然手势运动控制系统和方法
CN108498092A (zh) * 2017-02-28 2018-09-07 中国航天员科研训练中心 基于脑电特征的错误预警方法及系统
CN110119207A (zh) * 2019-05-14 2019-08-13 重庆大学 基于人体自然信号的虚拟现实机器人交互系统及交互方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850231B (zh) * 2015-05-25 2017-12-19 上海念通智能科技有限公司 一种基于表面肌电和肌音信号融合的人机接口系统
KR101962276B1 (ko) * 2017-09-07 2019-03-26 고려대학교 산학협력단 로봇팔 장치를 제어하기 위한 뇌-컴퓨터 인터페이싱 방법 및 그 뇌-컴퓨터 인터페이스 장치
CN107817731A (zh) * 2017-11-27 2018-03-20 中国兵器工业计算机应用技术研究所 融合肌电和脑电信息的无人平台操控系统及操控方法
CN108433729B (zh) * 2018-04-19 2023-05-12 福州大学 一种用于人体感觉运动控制研究的多信号采集与同步系统
CN108958474A (zh) * 2018-05-29 2018-12-07 西北工业大学 一种基于误差权重的动作识别多传感信息融合方法
JP7125872B2 (ja) * 2018-07-13 2022-08-25 株式会社日立製作所 作業支援装置、および、作業支援方法
CN109846487B (zh) * 2019-02-26 2021-12-31 浙江理工大学 基于MIMU/sEMG融合的大腿运动姿态测量方法和装置
CN111743668B (zh) * 2020-06-30 2023-12-05 京东科技信息技术有限公司 假肢控制方法、装置、电子设备和存储介质
CN111773027B (zh) * 2020-07-03 2022-06-28 上海师范大学 一种柔性驱动的手功能康复机器人控制系统及控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106457572A (zh) * 2014-06-20 2017-02-22 欧姆龙株式会社 机械手操作用作业人员终端
KR20170030139A (ko) * 2015-09-08 2017-03-17 경희대학교 산학협력단 근전도 센서와 관성센서를 사용한 제스처 인식 기반의 모바일 로봇 제어 시스템 및 방법
CN106695794A (zh) * 2017-02-20 2017-05-24 苏州晨本智能科技有限公司 一种基于表面肌电信号的移动机器臂系统及其控制方法
CN108498092A (zh) * 2017-02-28 2018-09-07 中国航天员科研训练中心 基于脑电特征的错误预警方法及系统
CN107553499A (zh) * 2017-10-23 2018-01-09 上海交通大学 一种多轴机械臂的自然手势运动控制系统和方法
CN110119207A (zh) * 2019-05-14 2019-08-13 重庆大学 基于人体自然信号的虚拟现实机器人交互系统及交互方法

Also Published As

Publication number Publication date
CN112405539A (zh) 2021-02-26
WO2022099807A1 (zh) 2022-05-19

Similar Documents

Publication Publication Date Title
CN100594858C (zh) 一种脑电肌电联合控制的电动假手的控制方法
CN102499797B (zh) 假肢控制方法及系统
CN112405539B (zh) 一种基于肌电信号和脑电错误电位的机器人自然控制方法
WO2020118797A1 (zh) 假肢控制方法、装置、系统、设备和存储介质
CN202288542U (zh) 假肢控制装置
CN110495893B (zh) 一种运动意图连续脑肌电多层次动态融合识别系统及方法
CN111531537B (zh) 基于多传感器的机械臂控制方法
WO2019132692A1 (ru) Способ и система управления электронными устройствами с помощью электромиографического устройства считывания
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
CN107822629A (zh) 四肢表面肌电轴的检测方法
Xue et al. SEMG-based human in-hand motion recognition using nonlinear time series analysis and random forest
Yao et al. Multi-feature gait recognition with DNN based on sEMG signals
Xiong et al. An user-independent gesture recognition method based on sEMG decomposition
Gao et al. Learning invariant patterns based on a convolutional neural network and big electroencephalography data for subject-independent P300 brain-computer interfaces
Nougarou et al. Muscle activity distribution features extracted from HD sEMG to perform forearm pattern recognition
Tello et al. Towards sEMG classification based on Bayesian and k-NN to control a prosthetic hand
Millar et al. LSTM classification of sEMG signals for individual finger movements using low cost wearable sensor
KR20100056254A (ko) 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
Unanyan et al. A real-time fail-safe algorithm for decoding of myoelectric signals to control a prosthetic arm
Torres et al. Finger movements classification from grasping spherical objects with surface electromyography using time domain based features
Salama et al. Six prosthetic arm movements using electromyogram signals: A prototype
Bo et al. Hand gesture recognition using semg signals based on cnn
Nieuwoudt et al. Investigation of real-time control of finger movements utilising surface EMG signals
Zhou et al. Real-time multiple-channel shoulder EMG processing for a rehabilitative upper-limb exoskeleton motion control using ANN machine learning
Ma et al. A sEMG-based hand function rehabilitation system for stroke patients

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