使用单通道EMG信号简单地识别手势
Mina Pourmokhtari1, Borhan Beigzadeh1
1Biomechatronics and Cognitive Engineering Research Lab, School of Mechanical Engineering, Iran University of Science and Technology, Tehran, Iran.
概括
这项研究使用电肌图 (EMG) 信号和k-最近邻居 (KNN) 来分类手指运动. 平均绝对值 (MAV),最大 (Max) 和最小 (Min) 特征的组合实现了对假肢控制的最高精度.
科学领域:
- 生物医学工程 生物医学工程
- 信号处理 信号处理
- 康复技术 康复技术 康复技术
背景情况:
- 电肌图 (EMG) 信号测量骨肌肉的电活动.
- 表面EMG (SEMG) 是一种非侵入性技术,用于控制上肢假体.
- 生物信号,就像EMG一样,促进神经与计算机的接口.
研究的目的:
- 用SEMG信号来分类五种不同的手指运动.
- 为了评估k-最近邻居 (KNN) 算法用于手势分类的有效性.
- 为了确定最佳的时间域特征,以准确的基于SEMG的手势识别.
主要方法:
- 在五个不同的手指动作中从四个道收集了SEMG数据.
- 提取的时间域特征:最大 (Max),最小 (Min),平均绝对值 (MAV),根平均平方 (RMS) 和简单平方积分 (SSI).
- 采用了k-最近邻居 (KNN) 分类器来根据提取的特征对手指运动进行分类.
主要成果:
- MAV,Max和Min特征的组合产生了最高的分类准确性.
- 使用的四个通道 (MAV,Max,Min) 的分类准确率分别为91.0%,89.9%,89.8%和96.0%.
- (MAV,Max,Min) 功能集被证明是对分类手指手势最有效的.
结论:
- 拟议的功能集和KNN分类器证明了基于SEMG的手指运动分类的高准确性.
- 这种方法显示出开发高级,直观的上臂假肢控制系统的潜力.
- 进一步的研究可以探索额外的功能和先进的机器学习模型,以改善假肢控制.
