积分商城

最新搜索： codewarrior 11.1 2199 llcc68 4231 jpg 机顶盒
您现在的位置是：首页 > 技术资料 > 基于表面肌电图像的灵巧假手控制系统
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于表面肌电图像的灵巧假手控制系统

更新时间：2019-12-29 23:59:27 大小：10M 上传用户：IC老兵查看TA发布的资源 标签：假手控制系统 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

设计了一种通过佩戴阵列型表面肌电传感器,实时识别受试者的8种手势,并控制一个自主研发的六自由度灵巧操作假手进行同步动作的人–机协同控制系统.控制假手的手势识别策略基于神经网络算法,受试者仅需在首次训练阶段重复完成预先设定的8种手势动作(分别为放松、手腕外翻、手腕内翻、握拳、伸掌、手势2、手势3和竖大拇指),之后该系统即能够实时识别受试者随机完成8种手势中的任意一种手势.本文提出的网络参数随机搜索算法和梯度下降算法,与目前同规模的神经网络相比提高了网络的训练速度和手势预测精度;该手势识别算法使用Tensorflow机器学习框架学习权值并进行了可视化分析;采用经过优化的手势训练方式既缩短了受试者的手势训练时间,同时提高了手势训练的熟练度.本文对一名肌肉无损伤的受试者进行表面肌电信号采集、训练和预测,对8种手势的综合预测精度达到97%,且再次佩戴时不再需要进行训练.受试者实际控制假手时,使用投票算法对实时手势预测结果进行深度优化,最终假手的动作同步率到达99%.


部分文件列表

文件名 大小
1577635160基于表面肌电图像的灵巧假手控制系统.pdf 10M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
控 制 理 论 与 应 用  
Control Theory & Applications  
第 35 卷第 12 期  
2018 年 12 月  
Vol. 35 No. 12  
Dec. 2018  
DOI： 10.7641/CTA.2018.80448  
基于表面肌电图像的灵巧假手控制系统  
胡旭晖, 宋爱国†, 李会军  
(东南大学 仪器科学与工程学院 生物电子学国家重点实验室, 江苏 南京 210096)  
摘要： 设计了一种通过佩戴阵列型表面肌电传感器, 实时识别受试者的8种手势, 并控制一个自主研发的六自由  
度灵巧操作假手进行同步动作的人–机协同控制系统. 控制假手的手势识别策略基于神经网络算法, 受试者仅需在  
首次训练阶段重复完成预先设定的8种手势动作(分别为放松、手腕外翻、手腕内翻、握拳、伸掌、手势2、手势3和竖  
大拇指), 之后该系统即能够实时识别受试者随机完成8种手势中的任意一种手势. 本文提出的网络参数随机搜索算  
法和梯度下降算法, 与目前同规模的神经网络相比提高了网络的训练速度和手势预测精度； 该手势识别算法使用  
Tensorflow机器学习框架学习权值并进行了可视化分析； 采用经过优化的手势训练方式既缩短了受试者的手势训练  
时间, 同时提高了手势训练的熟练度. 本文对一名肌肉无损伤的受试者进行表面肌电信号采集、训练和预测, 对8种  
手势的综合预测精度达到97%, 且再次佩戴时不再需要进行训练. 受试者实际控制假手时, 使用投票算法对实时手  
势预测结果进行深度优化, 最终假手的动作同步率到达99%.  
关键词： 手势识别； 表面肌电图像； 灵巧假手  
引用格式： 胡旭晖, 宋爱国, 李会军. 基于表面肌电图像的灵巧假手控制系统. 控制理论与应用, 2018, 35(12)：  
1707 – 1714  
中图分类号： TP911.7, TP241  
文献标识码： A  
Dexterous robot hand control system based on surface  
electromyography image  
HU Xu-hui, SONG Ai-guo†, LI Hui-jun  
(National Key Laboratory of Bioelectronics, School of Instrument Science & Engineering,  
Southeast University, Nanjing Jiangsu 210096, China)  
Abstract: In this paper, a man-machine coordinated control system was designed by an array surface electromyogra-  
phy(sEMG) sensor to identify the eight gestures of the subject in real time and operate the self-developed 6 DOFs dexterous  
hand to perform synchronized actions. The gesture recognition strategy that controls the prosthetic hand is based on a neu-  
ral network algorithm. The subject only needs to repeatedly complete the preset eight gestures in the first training phase  
(respectively relax, wrist in, wrist out, fist, palm extensions, gestures two, gestures three and vertical thumbs), then the  
system is able to recognize in real time any of the eight gestures randomly performed by the subject. The improved network  
parameter random search algorithm and gradient descent algorithm proposed in this paper increase the network training  
speed and gesture prediction accuracy compared with the current neural network of the same scale. The gesture recognition  
algorithm uses the Tensorflow to learn the weights and performs visual analysis. The optimized gesture training method not  
only shortens the subject’s gesture training time, but also improves the proficiency of gesture training. This article collected,  
trained, and predicted surface EMG signals for a muscle-non-invasive subject. The overall accuracy of the eight gesture  
predictions was 97%, and training was no longer required once again. When the subjects actually controlled the prosthesis,  
the voting algorithm was used to optimize the prediction results of the real-time gestures. The eventual synchronization  
rate of the prosthetic hand reached 99%.  
Key words: hand gesture recognition； semg image； dexterous han  
Citation: HU Xuhui, SONG Aiguo, LI Huijun. Dexterous robot hand control system based on surface electromyography  
image. Control Theory & Applications, 2018, 35(12)： 1707 – 1714  
收稿日期： 2018-06-15； 录用日期： 2018-12-25.  
†通信作者. E-mail： ； Tel.： +86 13951804055.  
本文责任编委： 喻俊志.  
国家自然科学基金重点项目(91648206)资助.  
Supported by the National Natural Science Foundation of China-Key Program (91648206).  
1708  
控 制 理 论 与 应 用  
第 35 卷  
1 引言(Introduction)  
一定硬件配置基础的设备上运行, 因此将该部分设置  
在云服务器执行. 其中云端动作意图识别部分用于残  
疾人首次使用该假手, 首次使用时云服务器将对使用  
者的肌电信号进行自学习, 自学习内容为基于神经网  
络的手势识别. 自学习完成后, 云服务器将该使用者  
的识别模型输出至假手端, 之后假手无需借助云服务  
器也能进行离线控制. 假手进行离线控制的流程为：  
肌电信号采集设备实时采集使用者前臂的肌电数据  
并发送微处理器, 之后通过训练完成的神经网络模型  
预测当前手势, 最后将手势预测结果推送至灵巧假手.  
生机电一体化灵巧操作假肢是一种典型的共融机  
器人, 通过采集人体的生物电信号来辨识操作者的动  
作意图, 最终将动作意图输入到假肢控制器. 人工假  
肢的研究可以带动残疾人功能重建康复工程领域的  
技术创新, 延伸和发展装备制造的科学内涵. 其科学  
技术成果可辐射应用到高端医疗装备、生机电一体化  
智能机器人、危险环境勘查和灾难救援装备、国防装  
备等有关国计民生的重大领域, 具有重要战略意义[1].  
利用生物电信号对动作意图的识别方法主要包括  
基于脑电技术的识别和基于肌电技术的识别. 虽然利  
用脑电技术可以直接从大脑获取更多的动作意图信  
息, 但肌电技术凭借其自然舒适的交互方式和较之脑  
电更稳定的数据采集和处理方式[2], 目前具有更高的  
应用前景.  
早期国内对肌电信号的研究主要通过多个电极检  
测特定肌肉组织的方式, 检测对象主要包括尺侧腕屈  
肌、尺侧腕伸肌、指伸肌等. 早期进行手势识别的方  
法有时域分析[3]、频域分析[4]、模糊控制[5–6]等, 识别  
的手势种类为2–6种[7–10]. 近年来随着阵列型肌电检  
测理论的提出, 国外文献最先提出了相关的肌电识别  
方法[11–12], 之后国内也有部分高校开始了基于阵列型  
肌电检测的手势识别研究[13]. 具体手势识别算法也更  
图 1 假手控制系统框图  
Fig. 1 The pipeline of the robot hand control system  
2.1 肌电信号采集设备(sEMG sensor device)  
为了让使用者对多通道肌电采集设备有更加舒适  
方便的穿戴体验, 因此针对肌电传感器的选择使用了  
Thalmic Lab公司的八通道肌电传感手环MYO. 该手  
环的设计能适应不同使用者的手臂周长, 使电极与前  
臂保持较好的贴合状态； 同时该传感器电极采用不锈  
钢材质, 适合便捷穿戴. 本系统的手势识别算法是对  
MYO手环获取的8通道表面肌电信号的重新处理、识  
别, 无需借助产品本身的识别算法.  
加丰富, 如卷积神经网络[14]、隐马尔科夫模型[15]  
朴素贝叶斯分类器[16]等, 识别的手势最多超过30种.  
综合国内外研究成果发现, 与监测特定肌肉组织  
的肌电信号相比, 针对整个前臂肌群的阵列式肌电监  
测方法能够复现出更丰富的手部动作意图, 但阵列肌  
电监测的通道数过多不仅会带来信号的过分冗余, 增  
加处理难度, 同时负责肌电采集的装置也会更加庞大  
复杂, 降低了使用手势识别系统的舒适度. 因此, 本文  
保留了阵列传感器的优势, 同时选择了具有适当通道  
数的8维阵列式表面肌电传感器对受试者的离散手势  
动作进行复现. 此外, 近年来随着机器学习算法在各  
交叉学科中的延伸, 利用神经网络对非线性系统建立  
分类模型的方案成为了工程应用热点, 因此, 本文主  
要研究通过构建浅神经网络对离散手势进行分类.  
本文的余下各章节安排为： 第2章主要阐述了本文  
设计的灵巧假手系统, 包括各组成部分和系统控制策  
略； 第3章详细介绍了基于神经网络的手势识别的实  
现方法； 第4章围绕第3章提出的算法, 设计实验以验  
证该算法的可行性； 最后一章为总结全文并指出了未  
来研究方向.  
、
2.2 灵巧操作假手(Dexterous hand)  
本文使用的灵巧假手由东南大学机器人传感与控  
制技术研究所自主研制, 该假手基于交叉四连杆运动  
原理, 具有6个主动自由度, 可对拇指、食指、中指和  
无名指的弯曲进行独立控制, 另外还对拇指的旋转做  
独立控制. 假手外形根据正常人手比例设计, 具体实  
物如图2所示. 该假手的电机和控制电路完全集成于  
假手内部, 该假手通过串口通信协议可以与电脑或者  
其他嵌入式系统进行连接. 本文实验的最终目的是控  
制该假手与受试者的手势进行同步动作.  
2.3 手势识别云端(Gesture recognition in cloud)  
肌电传感器将操作者的肌电数据以无线通信的方  
式发送至手势识别云端, 再通过云端对8维肌电信号  
进行基于神经网络的手势识别. 将神经网络算法用于  
手势识别的流程是： 对于初次使用该系统的受试者,  
首先采集受试者不同手势的肌电数据, 然后将数据输  
入神经网络, 学习出一组适合该受试者的神经网络参  
数. 之后当受试者再次使用该系统时, 系统直接加载  
2 系统设计(System design)  
本文设计了一种基于8通道肌电信号手势识别的  
灵巧假手控制系统, 如图1所示. 该系统主要包含云端  
动作意图识别部分、本地假手控制部分和使用者肌电  
信号采集三部分. 考虑到神经网络训练更适合在具有  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号