CN107273798A - 一种基于表面肌电信号的手势识别方法 - Google Patents
一种基于表面肌电信号的手势识别方法 Download PDFInfo
- Publication number
- CN107273798A CN107273798A CN201710327893.4A CN201710327893A CN107273798A CN 107273798 A CN107273798 A CN 107273798A CN 201710327893 A CN201710327893 A CN 201710327893A CN 107273798 A CN107273798 A CN 107273798A
- Authority
- CN
- China
- Prior art keywords
- method based
- identification method
- window
- gesture
- sample
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 210000003205 muscle Anatomy 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 8
- 210000000707 wrist Anatomy 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 229920000742 Cotton Polymers 0.000 claims description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 101000739754 Homo sapiens Semenogelin-1 Proteins 0.000 claims 3
- 102100037550 Semenogelin-1 Human genes 0.000 claims 3
- 238000005096 rolling process Methods 0.000 claims 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 239000002003 electrode paste Substances 0.000 claims 1
- 210000005224 forefinger Anatomy 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 210000003813 thumb Anatomy 0.000 claims 1
- 238000002567 electromyography Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 abstract description 8
- 238000002474 experimental method Methods 0.000 abstract description 5
- 230000003183 myoelectrical effect Effects 0.000 abstract description 5
- 238000002360 preparation method Methods 0.000 abstract description 3
- 238000005452 bending Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于表面肌电信号的手势识别方法，包括步骤：1)实验前准备；2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；3)把原始数据输入50HZ陷波器与50‑150HZ带通滤波器进行滤波；4)提取出每个手势动作的活动段，把休息段舍去；5)对活动段加窗分割，得到窗口样本；6)计算窗口内的肌电特征；7)利用PCA对所求得的肌电特征进行降维处理；8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。本发明能够满足机电控制系统实时控制的要求，并有效提高识别率。
Description
技术领域
本发明涉及表面肌电信号手势识别的技术领域，尤其是指一种基于表面肌电信号的手势识别方法，可应用于控制假肢和其他的人机交互情形。
背景技术
人体的任何一个动作都是由多个肌肉群在神经系统的支配下相互协调，共同完成的。由表面肌电传感器在响应肌群皮肤表面捕获的肌肉活动信息不但能够反映关节的伸屈状态和伸曲强度，还能反映动作完成过程中肢体的形状和位置等信息，是感知人体动作的重要方式。不同的手势动作，会产生不同的表面肌电信号(SEMG)，通过对表面肌电信号的分析，可以判断出具体的动作模式。特别是利用表面肌电信号识别手势动作，驱动假手做出相应手势动作，帮助残疾人，获得了广泛的关注和研究。
尽管国内外学者做出了很多的成绩，但是同时也存在很多的问题。表面肌电信号的研究是为了达到更高的动作识别率、更快的识别速度，因此探索一种识别率较高同时识别速度快，能够满足实时性要求的算法是表面肌电信号的手势识别的重点和难点。
发明内容
本发明目的在于克服现有技术的不足与缺点，提出了一种基于表面肌电信号的手势识别方法，对表面肌电信号多类手势动作识别率高，整个信号处理过程简单，能够满足机电控制系统实时控制的要求。
为实现上述目的，本发明所提供的技术方案为：一种基于表面肌电信号的手势识别方法，包括以下步骤：
1)实验前准备
1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；
1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；
1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程；
2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；
3)把原始数据输入50HZ陷波器与50-150HZ带通滤波器进行滤波；
4)提取出每个手势动作的活动段，把休息段舍去；
5)对活动段加窗分割，得到窗口样本；
6)计算窗口内的肌电特征；
7)利用PCA对所求得的肌电特征进行降维处理；
8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。
在步骤3)中，获得的原始信号中含有大量的噪声信息，在分析之前要经过滤波，SEMG信号能量集中在50到500HZ的范围内，且主要集中在50到150HZ的范围内，采用50HZ陷波器滤除工频干扰，50到150HZ带通滤波器滤除干扰。
在步骤4)中，所述活动段的提取过程如下：
采用移动平均方法处理SEMG信号序列的瞬时能量，选择信号最大值的2％作为阈值，起始点定义为移动平均信号超过阈值且之后的64ms信号也超过阈值，结束点定义为移动平均信号刚低于阈值且以后64ms信号均低于阈值；根据得到的起点和终点，舍去数据长度达不到要求的数据段，确定出每个手势样本所对应的多通道SEMG信号活动段。
在步骤5)中，所述滑动窗口的长度为250ms，重叠比为50％。
在步骤6)中，选择标准差、绝对均值比、4阶AR系数为特征，其中，所述标准差、绝对均值比、4阶AR系数的计算公式分别如下：
标准差：
绝对均值比：
4阶AR系数：
式中，N为窗口大小；ak为AR系数，k＝1,2,3,4；Wi为白噪声残差。
在步骤7)中，把原来的样本数据投影到一个新的空间中，将数据的主成分保留下来，忽略掉对数据描述不重要的成分，将主成分维度组成的向量空间作为低维空间，将高维数据投影到这个空间上，其具体过程如下：
7.1)输入数据集Dh*m，对所有样本进行中心化；
7.2)计算样本协方差矩阵；
7.3)对协方差矩阵做特征值分解；
7.4)选取前n个最大特征值对应的特征向量构成特征向量矩阵Wm*n；
7.5)输出D＝Wm*n*Dh*m；
经过变换后，各列由h维降至n维，这里根据贡献率，n＝4。
在步骤8)中，将样本分为训练集和测试集，采用SVM二分类，用训练集训练分类器，通过投票的方式确定出最终的分类结果。
本发明与现有技术相比，具有如下优点与有益效果：
1、运用了PCA降维处理信号提取的特征，降低计算复杂度。
2、采用SVM分类器，识别率高。
3、整个信号处理过程简单，处理速度快，能够满足实时性要求同时识别率高。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
现在以识别握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指八类手势动作为例，结合本发明提出的技术方案，给出详细的操作步骤和具体的识别结果，其过程如下：
1)实验前准备
1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；
1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；
1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程。
2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，每类手势持续时间5s，各做21组，做完一组休息1min，防止肌肉疲劳，采用DELSYS桌面式肌电采集仪采集信号，采样率为1KHZ。
3)获得的原始信号中含有大量的噪声信息，在分析之前要经过滤波，SEMG信号能量集中在50到500HZ的范围内，且主要集中在50到150HZ的范围内，采用50HZ陷波器滤除工频干扰，50到150HZ带通滤波器滤除干扰。
4)采用移动平均方法处理SEMG信号序列的瞬时能量，选择信号最大值的2％作为阈值，起始点定义为移动平均信号超过阈值且之后的64ms信号也超过阈值，结束点定义为移动平均信号刚低于阈值且以后64ms信号均低于阈值；根据得到的起点和终点，舍去数据长度达不到要求的数据段，确定出每个手势样本所对应的多通道SEMG信号活动段。
5)采用重叠窗的方式对活动段加窗分割，得到窗口样本，滑动窗口长度为250ms，重叠比为50％，根据此分割方法，一个动作一共得到210个样本。
6)计算窗口内的肌电特征：选择标准差、绝对均值比、4阶AR系数为特征，其中所述标准差、绝对均值比、4阶AR系数计算公式分别如下：
标准差：
绝对均值比：
4阶AR系数：
式中，N为窗口大小，这里选取N＝250，ak(k＝1,2,3,4)为AR系数，Wi为白噪声残差。
7)对肌电特征进行降维处理，利用PCA对所求得的肌电特征进行降维处理，具体过程如下：
7.1)输入数据集Dh*m，对所有样本进行中心化；
7.2)计算样本协方差矩阵；
7.3)对协方差矩阵做特征值分解；
7.4)选取前n个最大特征值对应的特征向量构成特征向量矩阵Wm*n；
7.5)输出D＝Wm*n*Dh*m；
经过变换后，各列由h维降至n维，这里根据贡献率，n＝7。
8)把降维后的样本分为训练集和测试集，每个动作有105个训练样本，105个测试样本，采用SVM二分类，用训练集训练分类器，通过投票的方式确定出最终的分类结果，并计算识别率，平均识别率能够达到97％以上。
综上所述，在采用以上方案后，算法复杂度降低，能够满足实时处理的要求，识别率也得到有效提高，具有实际价值，值得推广。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于表面肌电信号的手势识别方法，其特征在于，包括以下步骤：
1)实验前准备
1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；
1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；
1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程；
2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；
3)把原始数据输入50HZ陷波器与50-150HZ带通滤波器进行滤波；
4)提取出每个手势动作的活动段，把休息段舍去；
5)对活动段加窗分割，得到窗口样本；
6)计算窗口内的肌电特征；
7)利用PCA对所求得的肌电特征进行降维处理；
8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。
2.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤3)中，获得的原始信号中含有大量的噪声信息，在分析之前要经过滤波，SEMG信号能量集中在50到500HZ的范围内，且主要集中在50到150HZ的范围内，采用50HZ陷波器滤除工频干扰，50到150HZ带通滤波器滤除干扰。
3.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤4)中，所述活动段的提取过程如下：
采用移动平均方法处理SEMG信号序列的瞬时能量，选择信号最大值的2％作为阈值，起始点定义为移动平均信号超过阈值且之后的64ms信号也超过阈值，结束点定义为移动平均信号刚低于阈值且以后64ms信号均低于阈值；根据得到的起点和终点，舍去数据长度达不到要求的数据段，确定出每个手势样本所对应的多通道SEMG信号活动段。
4.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤5)中，所述滑动窗口的长度为250ms，重叠比为50％。
5.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤6)中，选择标准差、绝对均值比、4阶AR系数为特征，其中，所述标准差、绝对均值比、4阶AR系数的计算公式分别如下：
标准差：
绝对均值比：
4阶AR系数：
式中，N为窗口大小；ak为AR系数，k＝1,2,3,4；Wi为白噪声残差。
6.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤7)中，把原来的样本数据投影到一个新的空间中，将数据的主成分保留下来，忽略掉对数据描述不重要的成分，将主成分维度组成的向量空间作为低维空间，将高维数据投影到这个空间上，其具体过程如下：
7.1)输入数据集Dh*m，对所有样本进行中心化；
7.2)计算样本协方差矩阵；
7.3)对协方差矩阵做特征值分解；
7.4)选取前n个最大特征值对应的特征向量构成特征向量矩阵Wm*n；
7.5)输出D＝Wm*n*Dh*m；
经过变换后，各列由h维降至n维，这里根据贡献率，n＝4。
7.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤8)中，将样本分为训练集和测试集，采用SVM二分类，用训练集训练分类器，通过投票的方式确定出最终的分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710327893.4A CN107273798A (zh) | 2017-05-11 | 2017-05-11 | 一种基于表面肌电信号的手势识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710327893.4A CN107273798A (zh) | 2017-05-11 | 2017-05-11 | 一种基于表面肌电信号的手势识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107273798A true CN107273798A (zh) | 2017-10-20 |
Family
ID=60074176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710327893.4A Pending CN107273798A (zh) | 2017-05-11 | 2017-05-11 | 一种基于表面肌电信号的手势识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107273798A (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107861628A (zh) * | 2017-12-19 | 2018-03-30 | 许昌学院 | 一种基于人体表面肌电信号的手部姿态识别系统 |
| CN108268844A (zh) * | 2018-01-17 | 2018-07-10 | 上海术理智能科技有限公司 | 基于表面肌电信号的动作模式识别方法及装置 |
| CN108564105A (zh) * | 2018-02-28 | 2018-09-21 | 浙江工业大学 | 一种针对肌电个体差异问题的在线手势识别方法 |
| CN108606882A (zh) * | 2018-03-23 | 2018-10-02 | 合肥工业大学 | 基于肌电和加速度自适应控制的智能轮椅控制系统 |
| CN108703824A (zh) * | 2018-03-15 | 2018-10-26 | 哈工大机器人（合肥）国际创新研究院 | 一种基于肌电手环的仿生手控制系统及控制方法 |
| CN109033976A (zh) * | 2018-06-27 | 2018-12-18 | 北京中科天合科技有限公司 | 过采样处理方法和系统 |
| CN109271031A (zh) * | 2018-09-27 | 2019-01-25 | 中国科学院深圳先进技术研究院 | 一种触觉信号检测方法、装置、系统、设备及存储介质 |
| CN109446957A (zh) * | 2018-10-18 | 2019-03-08 | 广州云从人工智能技术有限公司 | 一种基于emg信号识别方法 |
| CN109800733A (zh) * | 2019-01-30 | 2019-05-24 | 中国科学技术大学 | 数据处理方法及装置、电子设备 |
| CN110298286A (zh) * | 2019-06-24 | 2019-10-01 | 中国科学院深圳先进技术研究院 | 基于表面肌电与深度图像的虚拟现实康复训练方法及系统 |
| CN110618754A (zh) * | 2019-08-30 | 2019-12-27 | 电子科技大学 | 基于表面肌电信号的手势识别方法和手势识别臂带 |
| CN110639169A (zh) * | 2019-09-25 | 2020-01-03 | 燕山大学 | 基于游戏和肌电信号的cpm下肢康复训练方法及系统 |
| CN110664404A (zh) * | 2019-09-30 | 2020-01-10 | 华南理工大学 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
| CN110826625A (zh) * | 2019-11-06 | 2020-02-21 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
| CN111603162A (zh) * | 2020-05-07 | 2020-09-01 | 北京海益同展信息科技有限公司 | 肌电信号处理方法、装置、智能可穿戴设备及存储介质 |
| CN111651046A (zh) * | 2020-06-05 | 2020-09-11 | 上海交通大学 | 一种无手部动作的手势意图识别系统 |
| CN111714123A (zh) * | 2020-07-22 | 2020-09-29 | 华南理工大学 | 一种人体腰背部表面肌电信号的检测系统和方法 |
| CN111783719A (zh) * | 2020-07-13 | 2020-10-16 | 中国科学技术大学 | 一种肌电控制方法及装置 |
| CN111844032A (zh) * | 2020-07-15 | 2020-10-30 | 北京海益同展信息科技有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
| CN111985270A (zh) * | 2019-05-22 | 2020-11-24 | 中国科学院沈阳自动化研究所 | 一种基于梯度提升树的sEMG信号最优通道选择方法 |
| CN112932508A (zh) * | 2021-01-29 | 2021-06-11 | 电子科技大学 | 一种基于手臂肌电网络的手指活动识别系统 |
| CN113625882A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 一种基于稀疏多通道相关性特征的肌电手势识别方法 |
| CN113901881A (zh) * | 2021-09-14 | 2022-01-07 | 燕山大学 | 一种肌电数据自动标注方法 |
| CN114098768A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
| CN115114962A (zh) * | 2022-07-19 | 2022-09-27 | 歌尔股份有限公司 | 基于表面肌电信号的控制方法、装置及可穿戴设备 |
| EP4005473A4 (en) * | 2019-09-03 | 2023-07-26 | Jingdong Technology Information Technology Co., Ltd. | Motion speed analysis method and apparatus, and wearable device |
| CN119202869A (zh) * | 2024-11-25 | 2024-12-27 | 浙江理工大学 | 一种基于遗传算法改进的长短期记忆网络的肌电信号解码方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440498A (zh) * | 2013-08-20 | 2013-12-11 | 华南理工大学 | 基于lda算法的表面肌电信号识别方法 |
| CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别系统及方法 |
-
2017
- 2017-05-11 CN CN201710327893.4A patent/CN107273798A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440498A (zh) * | 2013-08-20 | 2013-12-11 | 华南理工大学 | 基于lda算法的表面肌电信号识别方法 |
| CN106383579A (zh) * | 2016-09-14 | 2017-02-08 | 西安电子科技大学 | 一种基于emg和fsr的精细手势识别系统及方法 |
Non-Patent Citations (5)
| Title |
|---|
| XIAOLONG ZHAI ; BETH JELFS ; ROSA H. M. CHAN ; CHUNG TIN: "Short latency hand movement classification based on surface EMG spectrogram with PCA", 《2016 38TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 * |
| 张旭: "基于表面肌电信号的人体动作识别与交互", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
| 张生军: "《基于视觉的无标记手势识别》", 30 June 2016 * |
| 徐建武，闫汝蕴: "《膝关节运动损伤康复学》", 31 March 2014 * |
| 高允领: "基于表面肌电信号的人手抓取动作模式识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107861628A (zh) * | 2017-12-19 | 2018-03-30 | 许昌学院 | 一种基于人体表面肌电信号的手部姿态识别系统 |
| CN108268844A (zh) * | 2018-01-17 | 2018-07-10 | 上海术理智能科技有限公司 | 基于表面肌电信号的动作模式识别方法及装置 |
| CN108564105A (zh) * | 2018-02-28 | 2018-09-21 | 浙江工业大学 | 一种针对肌电个体差异问题的在线手势识别方法 |
| CN108703824A (zh) * | 2018-03-15 | 2018-10-26 | 哈工大机器人（合肥）国际创新研究院 | 一种基于肌电手环的仿生手控制系统及控制方法 |
| CN108606882B (zh) * | 2018-03-23 | 2019-09-10 | 合肥工业大学 | 基于肌电和加速度自适应控制的智能轮椅控制系统 |
| CN108606882A (zh) * | 2018-03-23 | 2018-10-02 | 合肥工业大学 | 基于肌电和加速度自适应控制的智能轮椅控制系统 |
| CN109033976A (zh) * | 2018-06-27 | 2018-12-18 | 北京中科天合科技有限公司 | 过采样处理方法和系统 |
| CN109033976B (zh) * | 2018-06-27 | 2022-05-20 | 北京中科天合科技有限公司 | 异常肌肉检测方法和系统 |
| CN109271031A (zh) * | 2018-09-27 | 2019-01-25 | 中国科学院深圳先进技术研究院 | 一种触觉信号检测方法、装置、系统、设备及存储介质 |
| CN109446957A (zh) * | 2018-10-18 | 2019-03-08 | 广州云从人工智能技术有限公司 | 一种基于emg信号识别方法 |
| CN109800733A (zh) * | 2019-01-30 | 2019-05-24 | 中国科学技术大学 | 数据处理方法及装置、电子设备 |
| CN111985270B (zh) * | 2019-05-22 | 2024-01-05 | 中国科学院沈阳自动化研究所 | 一种基于梯度提升树的sEMG信号最优通道选择方法 |
| CN111985270A (zh) * | 2019-05-22 | 2020-11-24 | 中国科学院沈阳自动化研究所 | 一种基于梯度提升树的sEMG信号最优通道选择方法 |
| CN110298286A (zh) * | 2019-06-24 | 2019-10-01 | 中国科学院深圳先进技术研究院 | 基于表面肌电与深度图像的虚拟现实康复训练方法及系统 |
| CN110298286B (zh) * | 2019-06-24 | 2021-04-30 | 中国科学院深圳先进技术研究院 | 基于表面肌电与深度图像的虚拟现实康复训练方法及系统 |
| CN110618754A (zh) * | 2019-08-30 | 2019-12-27 | 电子科技大学 | 基于表面肌电信号的手势识别方法和手势识别臂带 |
| EP4005473A4 (en) * | 2019-09-03 | 2023-07-26 | Jingdong Technology Information Technology Co., Ltd. | Motion speed analysis method and apparatus, and wearable device |
| CN110639169A (zh) * | 2019-09-25 | 2020-01-03 | 燕山大学 | 基于游戏和肌电信号的cpm下肢康复训练方法及系统 |
| CN110664404A (zh) * | 2019-09-30 | 2020-01-10 | 华南理工大学 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
| CN110664404B (zh) * | 2019-09-30 | 2021-10-26 | 华南理工大学 | 一种基于表面肌电信号的躯干代偿检测和消除系统 |
| CN110826625A (zh) * | 2019-11-06 | 2020-02-21 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
| CN110826625B (zh) * | 2019-11-06 | 2022-04-12 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
| CN111603162A (zh) * | 2020-05-07 | 2020-09-01 | 北京海益同展信息科技有限公司 | 肌电信号处理方法、装置、智能可穿戴设备及存储介质 |
| CN111651046A (zh) * | 2020-06-05 | 2020-09-11 | 上海交通大学 | 一种无手部动作的手势意图识别系统 |
| CN111783719A (zh) * | 2020-07-13 | 2020-10-16 | 中国科学技术大学 | 一种肌电控制方法及装置 |
| CN111844032B (zh) * | 2020-07-15 | 2022-04-12 | 京东科技信息技术有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
| CN111844032A (zh) * | 2020-07-15 | 2020-10-30 | 北京海益同展信息科技有限公司 | 肌电信号处理、外骨骼机器人控制方法及装置 |
| CN111714123A (zh) * | 2020-07-22 | 2020-09-29 | 华南理工大学 | 一种人体腰背部表面肌电信号的检测系统和方法 |
| CN112932508A (zh) * | 2021-01-29 | 2021-06-11 | 电子科技大学 | 一种基于手臂肌电网络的手指活动识别系统 |
| CN113901881A (zh) * | 2021-09-14 | 2022-01-07 | 燕山大学 | 一种肌电数据自动标注方法 |
| CN113901881B (zh) * | 2021-09-14 | 2024-05-03 | 燕山大学 | 一种肌电数据自动标注方法 |
| CN113625882A (zh) * | 2021-10-12 | 2021-11-09 | 四川大学 | 一种基于稀疏多通道相关性特征的肌电手势识别方法 |
| CN114098768A (zh) * | 2021-11-25 | 2022-03-01 | 哈尔滨工业大学 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
| CN114098768B (zh) * | 2021-11-25 | 2024-05-03 | 哈尔滨工业大学 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
| CN115114962A (zh) * | 2022-07-19 | 2022-09-27 | 歌尔股份有限公司 | 基于表面肌电信号的控制方法、装置及可穿戴设备 |
| CN119202869A (zh) * | 2024-11-25 | 2024-12-27 | 浙江理工大学 | 一种基于遗传算法改进的长短期记忆网络的肌电信号解码方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107273798A (zh) | 一种基于表面肌电信号的手势识别方法 | |
| CN104000586B (zh) | 基于脑肌电和虚拟场景的脑卒中患者康复训练系统及方法 | |
| Wu et al. | sEMG signal processing methods: A review | |
| CN101987048B (zh) | 假肢控制方法和系统 | |
| Xing et al. | Hand gesture recognition based on deep learning method | |
| CN109924977A (zh) | 一种基于cnn和lstm的表面肌电信号分类方法 | |
| CN101930285B (zh) | 基于表面肌电信号的手写识别方法 | |
| Ye et al. | Optimal feature selection for EMG-based finger force estimation using LightGBM model | |
| CN108874149B (zh) | 一种基于表面肌电信号连续估计人体关节角度的方法 | |
| CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
| CN111860410A (zh) | 基于多特征融合cnn的肌电手势识别方法 | |
| Phinyomark et al. | Wavelet-based denoising algorithm for robust EMG pattern recognition | |
| CN114082169B (zh) | 基于脑电信号的伤残手软体康复机器人运动想象识别方法 | |
| CN106446762A (zh) | 一种基于稀疏表征分类算法的运动想象脑电分类处理方法 | |
| Li et al. | Wireless sEMG-based identification in a virtual reality environment | |
| Liang et al. | Identification of gesture based on combination of raw sEMG and sEMG envelope using supervised learning and univariate feature selection | |
| CN107808166B (zh) | 一种memd张量线性拉普拉斯判别的肌电特征提取方法 | |
| Zhang et al. | EMG controlled multifunctional prosthetic hand: Preliminary clinical study and experimental demonstration | |
| CN113143676B (zh) | 一种基于脑肌电协同的外肢体手指的控制方法 | |
| CN114186608B (zh) | 基于运动想象的混合脑机接口特征提取方法 | |
| Bo et al. | Hand gesture recognition using semg signals based on cnn | |
| CN113558638A (zh) | 基于Vine Copula的脑肌耦合模型构建方法 | |
| CN103268149B (zh) | 一种基于脑机接口的实时主动式系统控制方法 | |
| CN110151176A (zh) | 一种基于肌电信号的上肢肘关节连续运动估计方法 | |
| Wang et al. | EMG-based hand gesture recognition by deep time-frequency learning for assisted living & rehabilitation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
| RJ01 | Rejection of invention patent application after publication |