多抓分类用于控制使用变压器和光微图信号的机器人手

科学领域:

• 生物医学工程 生物医学工程
• 人与计算机的交互
• 机器人技术 机器人技术 机器人技术

背景情况:

• 智能设备需要直观的肌肉机器接口 (MuMI) 进行沉浸式交互.
• 电肌图 (EMG) 是常见的,但有缺点,促使研究替代品.
• 光微图 (LMG) 之前被介绍为一个有前途的MuMI技术.

研究的目的:

• 实验验证 LMG 腕带对大量手势的分类效率.
• 为了评估深度学习模型的性能,使用LMG数据进行时间多通道视觉转换器 (TMC-ViT).
• 评估用于机器人应用的LMG接口的实时控制能力.

主要方法:

• 收集了6名参与者执行32种不同的手势的LMG带数据.
• 时间多通道视觉转换器 (TMC-ViT) 深度学习模型被用于手势分类.
• 为了优化分类器性能,比较了两种低样本技术.
• 该LMG接口用于实时控制执行十个手势的机器人手.

主要成果:

• 该LMG接口实现了高精度,达到高达92%的32个手势分类.
• TMC-ViT模型在处理LMG信号方面表现出显著的效率.
• 实时机器人手掌控制成功地使用十种不同的手势进行了演示,复制了各种掌握类型.

结论:

• 光肌法 (LMG) 是一种高效的技术,用于先进的肌肉机器接口.
• 这项研究证实了LMG在复杂的手势识别和直观的人机交互方面的潜力.
• 对于实时控制机器人系统而言,LMG为EMG提供了一个可行的替代方案.