系统设计=基于表面肌电信号的不同手势识别【MATLAB】
子曰:桃李不言,下自成蹊。
- 基于表面肌电信号的不同手势识别系统Matlab基于表面肌电信号的不同手势识别系统^{Matlab}基于表面肌电信号的不同手势识别系统Matlab
- Part.1信号采集Trigno无线肌电采集系统Part.1 信号采集^{Trigno无线肌电采集系统}Part.1信号采集Trigno无线肌电采集系统
- Part.2信号预处理移动平均法Part.2 信号预处理^{移动平均法}Part.2信号预处理移动平均法
- Part.3特征提取时域、频域Part.3 特征提取^{时域、频域}Part.3特征提取时域、频域
- Part.4模式识别BP、SVM、KNNPart.4 模式识别^{BP、SVM、KNN}Part.4模式识别BP、SVM、KNN
- Part.5友情链接仅限于学习交流Part.5 友情链接^{仅限于学习交流}Part.5友情链接仅限于学习交流
基于表面肌电信号的不同手势识别系统Matlab基于表面肌电信号的不同手势识别系统^{Matlab}基于表面肌电信号的不同手势识别系统Matlab
通过对文献进行比较分析得出以下两种可行的解决方案:
方案1:对所采集到的SEMG数据,采用活动段分割的方法探测有效动作,设计出一种融合卷积神经网络(CNN)和长短时记忆(LSTM)网络的神经网络对SEMG数据进行训练,最终实现SEMG信号的手势分类与识别,系统流程图如图1所示:
方案2:对所采集到的SEMG数据,采用活动段识别的方法探测有效数据,计算合适的特征矢量,进而通过BP神经网络分类器进行模式识别。系统流程图如图2所示。
综合分析比较两种解决方案优缺点的基础上,考虑到疫情及系统调试的需要,经过与指导教师研讨确定选择方案2,即通过Trigno无线肌电采集设备采集手臂的表面肌电信号,由Trigno SDK传输信号,由MATLAB的程序来处理计算特征矢量,最终由BP网络进行模式识别,设计MATLAB-GUI结果界面以显示不同手势动作。最终通过调试完成基于表面肌电信号的不同手势识别系统设计。技术路线如下图3所示:
在上图中特征提取是整个系统的核心环节,系统的识别能力与特征矢量的选取有着决定性关系。处理肌电信号的目的在于研究SEMG的时、频域特征与肌肉结构以及肌肉活动状态或肢体功能状态之间的关联性,进而根据SEMG的变化有效反映肌肉的活动或功能状态。
基于肌电信号的认知以及系统各功能的改进,将识别系统各个部分的活动端识别、特征提取和模式识别等分别封装为EMG_Preprocessing.m、EMG_ExtractFeatures.m、myNeuralNetworkFunction6.m三个功能结构。整合各环节并以此完成Matlab GUI界面的设计,系统初始化界面如下图4-1所示,主要由采集数据”、“导入数据”、“保存数据”、“预处理”、“特征提取”、“模式识别”、“退出系统”七个按键和“动作肌电图”、“原始肌电图”、“频谱估计图”三个图像显示窗口组成:
为便于肌电数据分析在界面中添加了两个额外的功能按钮:“保存数据”左侧的复选框勾选时点击为快速保存,即把当前数据追加至上次保存文件末尾;若未勾选则另存数据为新文件。预处理左侧的滑动条可以调节数据活动段识别的阈值,通过调节滑块位置,来提升活动段提取的灵活性。其中数据处理界面效果如图4-2所示。此外通过MATLAB Compiler™将识别系统程序生成了独立的应用共享程序(GesturesEMG.exe程序)。
Part.1信号采集Trigno无线肌电采集系统Part.1 信号采集^{Trigno无线肌电采集系统}Part.1信号采集Trigno无线肌电采集系统
表面肌电信号由Delsys高性能肌电成像仪器公司生产的Trigno无线肌电采集系统采集,如图4左所示:该系统具有高16位分辨率、2,000 Hz采样率、传感器间延迟低于500ms ,传感器的粘贴方法如图4右所示:信号采集前需要对贴放电极和皮肤进行清洁。该设备所采集的肌电信号具有低串扰、稳定以及一致等优点,这为肌电信号的后续处理带来了很大的便利。
Part.2信号预处理移动平均法Part.2 信号预处理^{移动平均法}Part.2信号预处理移动平均法
预处理方案包括消除工频干扰、直流偏置以及提取活动信号,其中预处理的核心环节是提取出有效数据的起始和终止时刻。基于系统的实时性要求,采用短时能量的移动平均法,结合阈值比较来进行活动段检测。如图5该方法采用固定长度的滑动窗逐一推进并计算活动窗内数据的平均能量值来反映信号的当前变化的趋势。
在活动端识别实现过程中,阈值的选择对肌电动作数据的采集装置、周围环境以及被采集对象具有很强的依赖性,当阈值设置偏大时无法识别出幅值较小的动作信号,为此减少阈值时其识别效果便会降低,进而失去其活动端识别的意义。针对不同采集条件获取的多组肌电数据很难获取统一的阈值这一技术难点,观察肌电数据时域图中动作数据对应波形变化较手腕静息时大很多,于是尝试变平均能量法为计算方差法,即选取窗口数据内的标准差差作为判别的标准量。计算动作数据段中窗口内数据的标准差为0.01数量级和静息数据段相差不大,且不同的通道、个体的肌电数据标准差特征差异显著,还是无法解决阈值问题。通过对问题本质的思考,结合专业课程中所学知识,想到可以采用变能量阈值的方法来识别活动端,即给定动作数据预期长度,根据同类动作数据的相似性原理,采用循环降阈值的平均能量法来进行活动端提取。
Part.3特征提取时域、频域Part.3 特征提取^{时域、频域}Part.3特征提取时域、频域
用于遴选的 Surface electromyography (sEMG)特征矢量的计算公式如下。除以下七项特征矢量外,有待观察的特征矢量还有频率范围、最高波峰频率、最高波峰幅值。
Part.4模式识别BP、SVM、KNNPart.4 模式识别^{BP、SVM、KNN}Part.4模式识别BP、SVM、KNN
为了完成基于表面肌电信号的不同手势识别系统设计,需要正确地区分人为选取的特征量,而分类算法的本质就是将不同动作所产生的肌电特征与对应动作的模式形成映射关系,一个高效的分类器通常表现为更高的精度、更短的计算时间以及更少的存储空间。目前除广为人知的神经网络外,常用的分类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参考指南,其识别效果取决于输入数据和硬件处理速度。
Part.5友情链接仅限于学习交流Part.5 友情链接^{仅限于学习交流}Part.5友情链接仅限于学习交流
- 基于表面肌电信号的不同手势识别系统应用共享程序下载地址 密码:fzcv
备用地址: - Understanding of LFP and EEG
References
- 张国亮, 王展妮, 王田. 应用计算机视觉的动态手势识别综述 [J]. 华侨大学学报:自然科学版, 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.
- 何庆华, 彭承琳. 表面肌电信号的分析与应用[J]. 国外医学:生物医学工程分册, 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.
- 于海龙, 范雪莉, 宫海兰, 等. 一种基于sEMG信号的手势识别方法研究[J]. 江西师范大学学报(自然科学版), 2018, 42(05): 76-81.
- 卢祖能 曾庆杏 李承曼. 实用肌电图学(精)(TB)[M]. 人民卫生出版社, 2002.
- 加玉涛, 罗志增. 肌电信号特征提取方法综述[J]. 电子器件, 2007(01): 332-336
- 姜成志, 谭旭红, 叶明凤. 软件开发的成本估计与效益分析[J]. 技术经济, 2003, 000(003): 47-49.
可以肯定的是学海无涯,这篇文章也存在一些不足的地方,
欢迎各位在评论区留言进行探讨交流。
系统设计=基于表面肌电信号的不同手势识别【MATLAB】相关推荐
- 基于表面肌电信号的手势识别——深度学习方法
文章目录 基于表面肌电信号的手势识别--深度学习方法 1.方法和代码 2.数据下载 基于表面肌电信号的手势识别--深度学习方法 1.方法和代码 https://github.com/malele4th ...
- 循环神经网络(RNN)简单介绍及实现(基于表面肌电信号)
循环神经网络(RNN) 文章目录 循环神经网络(RNN) 一.介绍 二.python实现(LSTM) 三.总结 一.介绍 以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接 ...
- 读论文-----基于单通道表面肌电信号的手势识别 Hand Gestures Recognition Based on One-Channel Surface EMG Signal
Hand Gestures Recognition Based on One-Channel Surface EMG Signal 摘要 本文提出了一个利用OpenBCI采集两种手势信号的数据并解码信 ...
- 利用表面肌电信号对手部抓取动作分类的新型卷积网络模型
利用表面肌电信号对手部抓取动作分类的新型卷积网络模型 文章目录 利用表面肌电信号对手部抓取动作分类的新型卷积网络模型 一.相关研究 二.材料和方法 2.1 数据集 2.2 数据预处理 2.3 DUAL ...
- 表面肌电信号sEMG之常用特征
1.均方根(RMS) 该特征是指在一定时间窗口内,sEMG信号的幅度均值的平方根,通常用于评估肌肉收缩的强度和疲劳程度.通常情况下,肌肉受到较大的负荷或疲劳时,RMS会降低,而在肌肉处于较轻负荷或较为 ...
- matlab复杂噪声产生实验报告,基于小波信号的噪声消除matlab实验报告.docx
基于小波信号的噪声消除matlab实验报告.docx 南京师范大学物理科学与技术学院医用电子学论文论文名称:基于小波变换的心电信号噪声消除院系:物科院专业:电路与系统姓名:聂梦雅学号:12100204 ...
- python对肌电信号进行简单的手势识别
采集前臂四块不同肌肉的表面肌电信号 #加载相关模块 import pandas as pd import numpy as np import matplotlib.pyplot as plt #读取 ...
- 1 表面肌电研究——端点检测(活动段检测)
1 表面肌电研究--端点检测(活动段检测) 1 基本知识 基于语音端点检测的方法有很多,从历史的发展来看. 首先是基于短时能量和短视过零率的端点检测=〉各变换域=〉人工神经网络=〉基于倒谱距离的检测算 ...
- 【Matlab肌电信号】肌电信号处理【含GUI源码 966期】
一.代码运行视频(哔哩哔哩) [Matlab肌电信号]肌电信号处理[含GUI源码 966期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1] 包子阳,余继周,杨 ...
- 【电路设计】肌电信号采集电路分析
最近在开发肌电信号的采集,表面肌电信号是非常微弱的生物信号,正常人体表面肌电信号赋值为0–1.5mV,主要能量频段集中在10–150Hz.电路主要是根据原始信号,设计相应的放大电路.滤波电路, 详细可 ...
最新文章
- 实战域树部署,Active Directory系列之十九
- python各个解释器的用途-python的解释器是什么?
- 红茶一杯话Binder(ServiceManager篇)
- java string最大长度_一个Java字符串中到底有多少个字符?
- 洛谷——P1223 排队接水
- go func()和 go_Go的泛型真的要来了—如何使用以及它们是怎么工作的
- propertyeditor java_PropertyEditor使用
- windows.old可以删除吗_C盘里的文件夹都有何用?可以删除吗?哪些可以删除?
- 大家都在发圣诞树,我偏偏要发一个圣诞小游戏给大家玩【内附源码】
- boost::bind with ros service,ros中ServiceServer用boost::bind绑定多个参数
- 删除putty的session 以及 putty的颜色设置值
- python小游戏之一
- HTTP Headers
- 5.Django路由path和re_path详解
- php 生成excel表格,PHP 生成Excel表格两种方法
- 属性动画+购物车+结算
- 构建高可用的方式总结
- 指数增强策略(股票)
- 不同版本的Fiddler功能说明
- 以患者到医院就诊为背景,使用列表对象(ArrayList)和泛型机制实现就诊排队叫号系统