仪器仪表学报

作者：张 松，李江涛，别东洋，韩建达

单位：张 松,1. 南开大学人工智能学院，2. 南开大学 天津市智能机器人技术重点实验室,,李江涛,1. 南开大学人工智能学院，2. 南开大学 天津市智能机器人技术重点实验室,,别东洋,1. 南开大学人工智能学院，2. 南开大学 天津市智能机器人技术重点实验室,,韩建达,1. 南开大学人工智能学院，2. 南开大学 天津市智能机器人技术重点实验室,

关键词：单通道表面肌电信号;分解;长短期记忆循环神经网络;手势识别

基金：新一代人工智能重大专项(2018AAA0103003)、国家自然科学基金深圳联合基金重点项目(U1913208)、机器人技术与系统国家重点实验室开放研究项目(SKLRS- 2019-KF-01)资助

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。

来源：2021年第4期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2021年第4期