基于sEMG的牢固识别抓取姿势,使用机器学习方法实现低成本的手动控制
Marta C Mora1, José V García-Ortiz1, Joaquín Cerdá-Boluda2
1Department of Mechanical Engineering and Construction, Universitat Jaume I, Avda de Vicent Sos Baynat s/n, 12071 Castelló de la Plana, Spain.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
本研究引入了一种机器学习 (ML) 方法,用于使用表面电肌图 (sEMG) 信号实时识别手部姿势. 这种方法通过解释人类的意图,使得可负担得起的功能假肢和社会机器人成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 机器人技术 机器人技术 机器人技术
- 机器学习 机器学习
背景情况:
- 由于复杂的控制和先进假肢的高成本,人工手的设计面临着挑战.
- 对于社会机器人而言,有效的人机交互 (HRI) 需要对人类意图进行准确的解释.
- 机器学习 (ML) 在掌握姿势识别方面未得到充分利用,限制了假肢和机器人的能力.
研究的目的:
- 开发和验证基于机器学习的系统,用于实时识别九种基本的手姿势.
- 为了实现负担得起,功能化的人工手,并改善社会机器人的HRI.
- 用最少的计算资源实现强大而高效的掌握姿势识别.
主要方法:
- 利用了20名使用Myo腕带 (NinaPro DS5和YCB对象集) 的受试者的表面电肌图 (sEMG) 数据.
- 在MATLAB中开发了一个简单的多层感知子模型,使用基于GPU的实现进行了优化.
- 专注于特征选择,概括,对电极转移的稳定性和实时性能.
主要成果:
- 在识别只有两个特征的九种手姿势时,实现了73%的全球成功率.
- 确定了一个最佳的ML架构,适合低成本设备实现.
- 在实时应用中证明了稳定性和效率.
结论:
- 拟议的ML方法为低成本的掌握姿势识别提供了可行的解决方案.
- 这项技术可以显著推进可负担得起的功能假肢的开发.
- 提高了社会机器人技术中无的人机交互的潜力.
