基于电肌图信号的手势分类系统使用希尔伯特黄格变换和深度神经网络
Mary Vasanthi S1, Haiter Lenin A2, Yasser Fouad3
1Department of Electronics and Communication Engineering, St Xavier's Catholic College of Engineering, Nagercoil, Tamilnadu, India.
Heliyon
|June 24, 2024
概括
这项研究引入了一种先进的手势识别系统,使用表面电肌学 (sEMG) 和深度神经网络 (DNN). 这种新的方法可以实现高98.5%的精度,用于假肢手的控制.
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.
- 人工智能的人工智能
背景情况:
- 目前用于手势识别的方法,如数据手套和基于视觉的系统,具有局限性,包括用户不便和高成本.
- 反映肌肉活动的表面肌电图 (sEMG) 信号为控制假肢设备提供了一个有希望的替代方案.
- 开发准确和有效的方法来分类sEMG数据对于推进生物控制系统至关重要.
研究的目的:
- 开发使用电肌学 (sEMG) 的自动手势识别系统,以克服现有技术的局限性.
- 通过应用人工分类器,特别是深度神经网络 (DNN) 来提高手势识别系统的性能.
- 为了提高对假肢手部控制的分类准确性.
主要方法:
- 利用表面电肌图 (sEMG) 数据来捕获手肌激活模式.
- 采用信号处理技术,包括希尔伯特黄变形 (HHT),以提取必要的信号特征.
- 开发和训练了一个深度神经网络 (DNN) 分类器,使用提取的sEMG功能来识别手势.
主要成果:
- 拟议的基于DNN的系统实现了98.5%的高分类准确率.
- 在HHT特征提取和DNN分类的综合方法显著超过了替代方法.
- 证明了基于sEMG的手势识别对假肢手的潜在应用的有效性.
结论:
- 开发的基于sEMG的手势识别系统为控制假肢设备提供了强大而准确的方法.
- 先进的信号处理 (HHT) 和深度神经网络的结合为生物控制应用提供了一个强大的框架.
- 这项研究为更直观,更有效的人机交互和上肢假肢奠定了基础.
