子曰：桃李不言，下自成蹊。

• $基于表面肌電信號的不同手勢識別系{統(tǒng)}^{Matlab}$
• • $Part.1信號采{集}^{Trigno無線肌電采集系統(tǒng)}$
  • $Part.2信號預處{理}^{移動平均法}$
  • $Part.3特征提{取}^{時域、頻域}$
  • $Part.4模式識{別}^{BP、SVM、KNN}$
  • $Part.5友情鏈{接}^{僅限于學習交流}$

$基于表面肌電信號的不同手勢識別系{統(tǒng)}^{Matlab}$

通過對文獻進行比較分析得出以下兩種可行的解決方案：
方案1：對所采集到的SEMG數(shù)據(jù)，采用活動段分割的方法探測有效動作，設計出一種融合卷積神經(jīng)網(wǎng)絡（CNN）和長短時記憶（LSTM）網(wǎng)絡的神經(jīng)網(wǎng)絡對SEMG數(shù)據(jù)進行訓練，最終實現(xiàn)SEMG信號的手勢分類與識別，系統(tǒng)流程圖如圖1所示：

方案2：對所采集到的SEMG數(shù)據(jù)，采用活動段識別的方法探測有效數(shù)據(jù)，計算合適的特征矢量，進而通過BP神經(jīng)網(wǎng)絡分類器進行模式識別。系統(tǒng)流程圖如圖2所示。

綜合分析比較兩種解決方案優(yōu)缺點的基礎上，考慮到疫情及系統(tǒng)調試的需要，經(jīng)過與指導教師研討確定選擇方案2，即通過Trigno無線肌電采集設備采集手臂的表面肌電信號，由Trigno SDK傳輸信號，由MATLAB的程序來處理計算特征矢量，最終由BP網(wǎng)絡進行模式識別，設計MATLAB-GUI結果界面以顯示不同手勢動作。最終通過調試完成基于表面肌電信號的不同手勢識別系統(tǒng)設計。技術路線如下圖3所示：

在上圖中特征提取是整個系統(tǒng)的核心環(huán)節(jié)，系統(tǒng)的識別能力與特征矢量的選取有著決定性關系。處理肌電信號的目的在于研究SEMG的時、頻域特征與肌肉結構以及肌肉活動狀態(tài)或肢體功能狀態(tài)之間的關聯(lián)性，進而根據(jù)SEMG的變化有效反映肌肉的活動或功能狀態(tài)。
基于肌電信號的認知以及系統(tǒng)各功能的改進，將識別系統(tǒng)各個部分的活動端識別、特征提取和模式識別等分別封裝為EMG_Preprocessing.m、EMG_ExtractFeatures.m、myNeuralNetworkFunction6.m三個功能結構。整合各環(huán)節(jié)并以此完成Matlab GUI界面的設計，系統(tǒng)初始化界面如下圖4-1所示，主要由采集數(shù)據(jù)”、“導入數(shù)據(jù)”、“保存數(shù)據(jù)”、“預處理”、“特征提取”、“模式識別”、“退出系統(tǒng)”七個按鍵和“動作肌電圖”、“原始肌電圖”、“頻譜估計圖”三個圖像顯示窗口組成：

為便于肌電數(shù)據(jù)分析在界面中添加了兩個額外的功能按鈕：“保存數(shù)據(jù)”左側的復選框勾選時點擊為快速保存，即把當前數(shù)據(jù)追加至上次保存文件末尾；若未勾選則另存數(shù)據(jù)為新文件。預處理左側的滑動條可以調節(jié)數(shù)據(jù)活動段識別的閾值，通過調節(jié)滑塊位置，來提升活動段提取的靈活性。其中數(shù)據(jù)處理界面效果如圖4-2所示。此外通過MATLAB Compiler?將識別系統(tǒng)程序生成了獨立的應用共享程序(GesturesEMG.exe程序)。

$Part.1信號采{集}^{Trigno無線肌電采集系統(tǒng)}$

表面肌電信號由Delsys高性能肌電成像儀器公司生產(chǎn)的Trigno無線肌電采集系統(tǒng)采集，如圖4左所示：該系統(tǒng)具有高16位分辨率、2,000 Hz采樣率、傳感器間延遲低于500ms ,傳感器的粘貼方法如圖4右所示：信號采集前需要對貼放電極和皮膚進行清潔。該設備所采集的肌電信號具有低串擾、穩(wěn)定以及一致等優(yōu)點，這為肌電信號的后續(xù)處理帶來了很大的便利。

$Part.2信號預處{理}^{移動平均法}$

預處理方案包括消除工頻干擾、直流偏置以及提取活動信號，其中預處理的核心環(huán)節(jié)是提取出有效數(shù)據(jù)的起始和終止時刻。基于系統(tǒng)的實時性要求，采用短時能量的移動平均法，結合閾值比較來進行活動段檢測。如圖5該方法采用固定長度的滑動窗逐一推進并計算活動窗內數(shù)據(jù)的平均能量值來反映信號的當前變化的趨勢。

在活動端識別實現(xiàn)過程中，閾值的選擇對肌電動作數(shù)據(jù)的采集裝置、周圍環(huán)境以及被采集對象具有很強的依賴性，當閾值設置偏大時無法識別出幅值較小的動作信號，為此減少閾值時其識別效果便會降低，進而失去其活動端識別的意義。針對不同采集條件獲取的多組肌電數(shù)據(jù)很難獲取統(tǒng)一的閾值這一技術難點，觀察肌電數(shù)據(jù)時域圖中動作數(shù)據(jù)對應波形變化較手腕靜息時大很多，于是嘗試變平均能量法為計算方差法，即選取窗口數(shù)據(jù)內的標準差差作為判別的標準量。計算動作數(shù)據(jù)段中窗口內數(shù)據(jù)的標準差為0.01數(shù)量級和靜息數(shù)據(jù)段相差不大，且不同的通道、個體的肌電數(shù)據(jù)標準差特征差異顯著，還是無法解決閾值問題。通過對問題本質的思考，結合專業(yè)課程中所學知識，想到可以采用變能量閾值的方法來識別活動端，即給定動作數(shù)據(jù)預期長度，根據(jù)同類動作數(shù)據(jù)的相似性原理，采用循環(huán)降閾值的平均能量法來進行活動端提取。

$Part.3特征提{取}^{時域、頻域}$

用于遴選的 Surface electromyography (sEMG)特征矢量的計算公式如下。除以下七項特征矢量外，有待觀察的特征矢量還有頻率范圍、最高波峰頻率、最高波峰幅值。

$Part.4模式識{別}^{BP、SVM、KNN}$

為了完成基于表面肌電信號的不同手勢識別系統(tǒng)設計，需要正確地區(qū)分人為選取的特征量，而分類算法的本質就是將不同動作所產(chǎn)生的肌電特征與對應動作的模式形成映射關系，一個高效的分類器通常表現(xiàn)為更高的精度、更短的計算時間以及更少的存儲空間。目前除廣為人知的神經(jīng)網(wǎng)絡外，常用的分類算法及其典型特征如下表 3-1 所示：表格中提供了模型的一般參考指南，其識別效果取決于輸入數(shù)據(jù)和硬件處理速度。

$Part.5友情鏈{接}^{僅限于學習交流}$

基于表面肌電信號的不同手勢識別系統(tǒng)應用共享程序下載地址 密碼:fzcv
備用地址：

Understanding of LFP and EEG

References

張國亮, 王展妮, 王田. 應用計算機視覺的動態(tài)手勢識別綜述 [J]. 華僑大學學報:自然科學版, 2014, (35): 658.

Luca D, Carlo J. Physiology and Mathematics of Myoelectric Signals[J]. IEEE Transactions on Biomedical Engineering, 1979, BME-26(6): 313-325.

何慶華, 彭承琳. 表面肌電信號的分析與應用[J]. 國外醫(yī)學:生物醫(yī)學工程分冊, 2000, 023(005):299-303.

Graupe D , Cline W K . Functional Separation of EMG Signals via ARMA Identification Methods for Prosthesis Control Purposes[J]. Systems, Man and Cybernetics, IEEE Transactions on, 1975, SMC-5(2).

Park S H, Lee S P. EMG pattern recognition based on artificial intelligence techniques[J]. 1998, 6(4): 400-405.

Lan N , Feng H Q , Crago P E . Neural network generation of muscle stimulation patterns for control of arm movements[J]. IEEE Transactions on Rehabilitation Engineering, 1994, 2(4): 213-224.

Medved V, Tonkovi S. Some myoelectric and kinetic correlates of gymnastic skill[J]. journal of biomechanics, 1989, 22(10): 1.

Disselhorst-Klug C, Schmitz-Rode T, Günter Rau. Surface electromyography and muscle force: Limits in sEMG–force relationship and new approaches for applications[J]. clinical biomechanics, 2009, 24(3): 0-235.

Oddsson L I E, Giphart J E, Buijs R J C, et al. Development of new protocols and analysis procedures for the assessment of LBP by surface EMG techniques[J]. Journal of Rehabilitation Research & Development, 1997, 34(4): 415-426.

Reaz I, Hussain, Mohd-Yasin. Techniques of EMG signal analysis: detection, processing, classification and applications[J]. Biological Procedures Online, 2006, 8(1):11-35.

Lin J, Liu Z, Lai J, et al. sEMG Gestures Recognition Based on Wavelet Broad Learning System[C]. chinese automation congress, 2019.

于海龍, 范雪莉, 宮海蘭, 等. 一種基于sEMG信號的手勢識別方法研究[J]. 江西師范大學學報(自然科學版), 2018, 42(05): 76-81.

盧祖能 曾慶杏 李承曼. 實用肌電圖學(精)(TB)[M]. 人民衛(wèi)生出版社, 2002.

加玉濤, 羅志增. 肌電信號特征提取方法綜述[J]. 電子器件, 2007(01): 332-336

姜成志, 譚旭紅, 葉明鳳. 軟件開發(fā)的成本估計與效益分析[J]. 技術經(jīng)濟, 2003, 000(003): 47-49.

可以肯定的是學海無涯，這篇文章也存在一些不足的地方，
歡迎各位在評論區(qū)留言進行探討交流。

總結

以上是生活随笔為你收集整理的系统设计=基于表面肌电信号的不同手势识别【MATLAB】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。