CN212647500U - 基于肌肉电阻抗信号的手势识别系统 - Google Patents
基于肌肉电阻抗信号的手势识别系统 Download PDFInfo
- Publication number
- CN212647500U CN212647500U CN202022295063.8U CN202022295063U CN212647500U CN 212647500 U CN212647500 U CN 212647500U CN 202022295063 U CN202022295063 U CN 202022295063U CN 212647500 U CN212647500 U CN 212647500U
- Authority
- CN
- China
- Prior art keywords
- signal
- module
- gesture recognition
- circuit
- upper computer
- 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
Links
Images
Landscapes
- User Interface Of Digital Computer (AREA)
Abstract
本实用新型涉及一种基于肌肉电阻抗信号的手势识别系统,包括:信号采集单元和上位机;所述信号采集单元包括主控模块、信号驱动模块、信号检测模块、AD采集模块和无线通信模块;所述主控模块与信号驱动模块、AD采集模块和无线通信模块分别连接;所述信号检测模块与人体表面测量电极和AD采集模块分别连接;所述无线通信模块通过无线传输与上位机连接,将采集的信号传输至上位机,所述上位机根据得到的信号进行手势识别。本实用新型能更好的获取肌肉的本质状态数据,对于低速运动也能有较好的灵敏度。
Description
技术领域
本实用新型涉及一种基于肌肉电阻抗信号的手势识别系统。
背景技术
机器视觉通过捕获人类运动图像来进行动作识别,是最常用的手势识别方法,但其隐私侵入性强、易受到光照等的影响、观察范围有限、易受遮挡,这些问题局限了机器视觉在手势识别领域的应用。随着传感器技术的发展,近年来一些基于传感器技术的穿戴式手势识别装置设计也逐渐兴起,主要包括运动传感器(例如陀螺仪、加速计等)和表面肌电信号传感器等。加速计和陀螺仪等反应的是肢体的运动信息,其对于低速运动的灵敏度较低。表面肌电信号反应出肌肉的本质信息,但属于一种很微弱的电信号,采集容易受到外界干扰,后续处理过程复杂,给可穿戴式设备的软硬件设计加大了难度。
发明内容
有鉴于此,本实用新型的目的在于提供一种基于肌肉电阻抗信号的手势识别系统,能更好的获取肌肉的本质状态数据,对于低速运动也能有较好的灵敏度。
为实现上述目的,本实用新型采用如下技术方案:
一种基于肌肉电阻抗信号的手势识别系统,包括:信号采集单元和上位机;所述信号采集单元包括主控模块、信号驱动模块、信号检测模块、AD采集模块和无线通信模块;所述主控模块与信号驱动模块、AD采集模块和无线通信模块分别连接;所述信号检测模块与信号驱动模块和AD采集模块分别连接;所述无线通信模块通过无线传输与上位机连接,将采集的信号传输至上位机,所述上位机根据得到的信号进行手势识别。
进一步的,所述信号驱动模块包括依次连接的电极、信号源电路、放大器电路和射级跟随电路。
进一步的,所述信号检测模块包括依次连接的滤波电路、稳压电路、相位极性鉴别电路和幅相检测电路。
进一步的,所述无线通信模块采用蓝牙、Zig-Bee或Wi-Fi。
一种基于肌肉电阻抗信号的手势识别方法,包括以下步骤:
步骤S1:通过信号采集单元采集人体小臂EIM信号,并传送至上位机;
步骤S2:上位机根据采集的到的VMAG和VPHS与信号衰减、相位差的关系计算出Vi和Vo的幅度比值和相位差;
步骤S3:根据欧姆定律,利用参考电阻将电压幅度比值和相位差换算为肌肉的阻抗模|Z|和φ,并进行归一化处理;
步骤S4:将归一化后的|Z|’和φ’作为两个变量,使用机器学习的方法训练手势分类模型,实现最终的手势分类。
进一步的,所述归一化处理采用Z-score标准化。
进一步的,所述机器学习的方法采用神经网络或支持向量机。
进一步的,所述机器学习的方法极限学习机分类器,包括输入层、隐含层和输出层,具体构建过程如下:
随机生成输入层和隐含层之间的连接权值;
计算隐含层的输出矩阵H,将输入数据映射至隐含层节点的结果;
最小化误差函数L=min ||Hβ-T||,其中T为网络的目标输出;
其中β为隐含层和输出层的权重向量,
引入正则化项后,其计算公式变为β=(HTH+1/C)-1HTH,得到最终的神经网络模型。
本实用新型与现有技术相比具有以下有益效果:
本实用新型能更好的获取肌肉的本质状态数据,对于低速运动也能有较好的灵敏度。
附图说明
图1是本实用新型一实施例中六种不同手势六种手势下|Z|和φ在不同测量频率下的(10kHz-1MHz)的数值;
图2是本实用新型设备系统框图;
图3是本实用新型一实施例中信号驱动模块原理图;
图4是本实用新型一实施例中信号检测模块原理图。
具体实施方式
下面结合附图及实施例对本实用新型做进一步说明。
请参照图2,本实用新型提供一种基于肌肉电阻抗信号的手势识别系统,包括:信号采集单元和上位机;所述信号采集单元包括主控模块、信号驱动模块、信号检测模块、AD采集模块和无线通信模块;所述主控模块与信号驱动模块、AD采集模块和无线通信模块分别连接;所述信号检测模块与人体表面测量电极和AD采集模块分别连接;所述无线通信模块通过无线传输与上位机连接,将采集的信号传输至上位机,所述上位机根据得到的信号进行手势识别。
在本实施例中,所述信号驱动模块包括依次连接的电极、信号源电路、放大器电路和射级跟随电路。所述电极根据具体场景设置;所述主控模块选用STM32F103RCT6作为控制单元,并根据引脚功能设计外围电路。
参考图3,在本实施例中,信号驱动模块包括信号源、放大器和射级跟随电路,信号源采用AD9833,其典型输出电压为600mV,在10kHz到200kHz的频率下输出的正弦电压不随频率变化,且不需要外接元件就可以实现信号发生的功能。AD8011是一款低功耗、宽频带、低失真、高速的运算放大器,将AD9833发出的信号放大为1V的正弦信号。射级跟随电路具备稳压功能,保证注入人体的激励信号安全可靠。
参考图4,在本实施例中,信号检测模块由信号调理部分和幅相检测部分组成,信号检测端由RC组成无源滤波电路和AD8646稳压电路组成,能够很好地抑制干扰信号,并保证在全频率下信号的平稳性。幅相检测部分以AD8302为核心,AD8302能测量两路输入信号的增益/损耗和相位差,测量频率高,动态增益范围为-30dB~+30dB,相位差为-180°~+180°,符合人体阻抗参数测量的标准。AD8302的输出为两路直流电压信号,可通过简单的表达式计算得到两路输入信号衰减和相位差。将参考电阻两侧的电压信号Vi和响应端电压Vo作为输入,测量输出为直流电压信号VMAG和VPHS。ADC模块使用主控芯片STM32F103RCT6的ADC功能,将模拟信号转化为数字信号。无线通信模块用于将信号传输到上位机,可使用蓝牙、Zig-Bee、Wi-Fi等方法。将AD转换后的两路电压信号传输到上位机。
实施例1:
在本实施例中,具体工作时,将装置放在小臂正确位置上,调节主控模块,通过恒压源模块注入交流信号,用幅相检测电路测出输入电压信号和参考电阻两端电压信号的衰减值和相位差,AD模块采样后通过蓝牙模块将数据传至上位机。在上位机进行数据预处理和模型的训练。采集一系列不同手势的EIM信号作为训练集,并将阻抗模和相位归一化后作为网络的两个输入,在上位机中采用分类模型进行训练。实时识别时,通过实时采集不同手势的阻抗信息,使用训练的分类器模型对其进行分类,将结果显示在上位机上。
以上所述仅为本实用新型的较佳实施例,凡依本实用新型申请专利范围所做的均等变化与修饰,皆应属本实用新型的涵盖范围。
Claims (6)
1.一种基于肌肉电阻抗信号的手势识别系统,其特征在于,包括:信号采集单元和上位机;所述信号采集单元包括主控模块、信号驱动模块、信号检测模块、AD采集模块和无线通信模块;所述主控模块与信号驱动模块、AD采集模块和无线通信模块分别连接;所述信号检测模块与信号驱动模块和AD采集模块分别连接;所述无线通信模块通过无线传输与上位机连接,将采集的信号传输至上位机,所述上位机根据得到的信号进行手势识别。
2.根据权利要求1所述的基于肌肉电阻抗信号的手势识别系统,其特征在于,所述信号驱动模块包括依次连接的人体表面测量电极、信号源电路、放大器电路和射级跟随电路。
3.根据权利要求1所述的基于肌肉电阻抗信号的手势识别系统,其特征在于,所述信号源采用AD9833。
4.根据权利要求1所述的基于肌肉电阻抗信号的手势识别系统,其特征在于,所述信号检测模块包括依次连接的滤波电路、稳压电路、相位极性鉴别电路和幅相检测电路。
5.根据权利要求4所述的基于肌肉电阻抗信号的手势识别系统,其特征在于,所述滤波电路和稳压电路组成信号检测端,包括RC组成无源滤波电路和AD8646稳压电路。
6.根据权利要求1所述的一种基于肌肉电阻抗信号的手势识别系统,其特征在于,所述无线通信模块采用蓝牙、Zig-Bee或Wi-Fi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022295063.8U CN212647500U (zh) | 2020-10-15 | 2020-10-15 | 基于肌肉电阻抗信号的手势识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202022295063.8U CN212647500U (zh) | 2020-10-15 | 2020-10-15 | 基于肌肉电阻抗信号的手势识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN212647500U true CN212647500U (zh) | 2021-03-02 |
Family
ID=74762606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202022295063.8U Active CN212647500U (zh) | 2020-10-15 | 2020-10-15 | 基于肌肉电阻抗信号的手势识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN212647500U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101298A (zh) * | 2020-10-15 | 2020-12-18 | 福州大学 | 基于肌肉电阻抗信号的手势识别系统及方法 |
-
2020
- 2020-10-15 CN CN202022295063.8U patent/CN212647500U/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101298A (zh) * | 2020-10-15 | 2020-12-18 | 福州大学 | 基于肌肉电阻抗信号的手势识别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105769173B (zh) | 一种具有心电信号去噪功能的心电监测系统 | |
CN111553307A (zh) | 一种融合生物电阻抗信息和肌电信息的手势识别系统 | |
WO2020118797A1 (zh) | 假肢控制方法、装置、系统、设备和存储介质 | |
CN112101298A (zh) | 基于肌肉电阻抗信号的手势识别系统及方法 | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
CN212647500U (zh) | 基于肌肉电阻抗信号的手势识别系统 | |
Zhu et al. | A wearable, high-resolution, and wireless system for multichannel surface electromyography detection | |
CN110710984B (zh) | 基于表面肌电信号的递归小脑模型的足踝力矩预测方法 | |
Zhang et al. | Real-time surface EMG pattern recognition for hand gestures based on support vector machine | |
CN203829261U (zh) | 一种上肢康复机器人数据采集处理系统 | |
CN105796091B (zh) | 一种用于去除心电信号车辆运动噪声的智能终端 | |
CN112057090B (zh) | 基于体表极低频电势差特征的情绪判断穿戴式设备和方法 | |
CN112307996B (zh) | 一种指尖心电身份识别装置及方法 | |
CN111242100B (zh) | 一种基于gst和vl-mobpnn的动作识别方法 | |
CN110751060B (zh) | 一种基于多源信号的便携式运动模式实时识别系统 | |
CN107765890A (zh) | 一种基于加速度传感器的写字内容检测系统和方法 | |
Chen et al. | A bio-impedance analysis method based on human hand anatomy for hand gesture recognition | |
Damkilang et al. | Classification of Electromyography Signal with Machine Learning. | |
Yang et al. | Design of the human surface electromyogra signal acquisition system and signal analysis | |
CN110794961A (zh) | 一种穿戴式手势解析系统 | |
Kumar et al. | Brain controlled car using deep neural network | |
Oyama et al. | Wrist EMG signals identification using neural network | |
CN111938656A (zh) | 一种基于膝关节外骨骼的实时行走模式识别方法及系统 | |
CN111258426A (zh) | 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法 | |
Ma et al. | A two-electrode frequency-scan system for gesture recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant |