智能人机交互:结合手腕和前臂的肌电信号用于手写识别
Andrea Tigrini1, Simone Ranaldi2, Federica Verdini1
1Department of Information Engineering, Università Politecnica delle Marche, 60131 Ancona, Italy.
Bioengineering (Basel, Switzerland)
|May 25, 2024
概括
这项研究表明,表面电肌图 (EMG) 信号可以识别手写的文字. 通过将前臂和手腕EMG数据与机器学习相结合,在分类30个单词方面获得了高精度.
科学领域:
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 表面电肌图 (EMG) 信号显示了人机接口识别复杂运动任务 (如手写) 的潜力.
- 从EMG信号直接自动识别单词仍然是一个尚未探索的领域.
研究的目的:
- 为了研究使用联合前臂和手腕EMG信号来识别30个手写字的可行性.
- 评估基于EMG的手写识别的机器学习技术和特征提取方法.
主要方法:
- 在六名健康受试者的前臂和手腕上使用了表面EMG探针.
- 使用机器学习算法 (SVM,LDA,KNN) 和时间/频率域特征的模式识别测试.
- 使用整合肌电控制和TDAR等特定特征集评估分类性能.
主要成果:
- K-最近的邻居 (KNN) 在分类30个单词方面表现最好.
- 在所有功能中达到95%的平均精度,在TDAR功能集中达到85%.
- 验证了组合EMG数据用于智能手写识别的有效性.
结论:
- 结合前臂和手腕EMG数据是有效的智能手写识别使用模式识别.
- 机器学习方法,特别是KNN,显示出在现实世界中基于EMG的手写检测的巨大潜力.
- 特性提取在实现高性能和简化处理管道方面发挥着至关重要的作用.


