读论文，第九天：Electromyography-based hand gesture recognition system for upper limb amputees

本文提出了一种低功耗嵌入式平台，通过解码截肢者的表面肌电图(EMG)信号来识别手臂手势。该系统由ADS1298作为模拟前端(AFE)组成，可以同时获取8通道的肌电信号。为了在实时环境中验证该系统，我们招募了4名受试者，其中1名经桡骨截肢者。每个受试者为肌电图模式识别实验进行了6项活动。有两种案例用于测试DSP处理器中实时分类的数据分析。案例一(DSP处理器中的特征提取和离线测试)的分类准确率最高，为97.60%，平均分类准确率为95.40%。案例二(在DSP处理器内的训练和测试)显示，分类准确率最高，为97.75%，平均分类准确率为92%。这说明该系统能够在实时环境中识别用户意图，准确率在91%以上。

介绍

肌电图(EMG)信号是一种不可缺少的生物参数之一，在人机交互、假肢装置开发和康复装置等方面有着广泛的应用。肌电图测量肌肉潜力，可以提供有关神经肌肉活动的有用的调查或诊断信息，并为假肢设备提供丰富的运动控制信息。肌电号可以解码，以控制使用模式识别(PR)方法控制智能假肢设备。这可以通过在残肢上应用肌电图电极来实现，并在嵌入式平台中利用一种分类技术来确定用户的意图。
许多研究人员对基于肌电图的公关和控制方案做出了贡献。基于肌电图的PR算法可以概括为基于人工神经网络(ANN)的算法、基于分类器的算法、基于概率模型的算法和基于模糊逻辑的算法[1]、[2]。基于神经网络和线性识别分析(LDA)的技术是实现基于可饮用肌电图的手势识别系统[3]的最佳适用方案。
便携式肌电图数据采集系统也被开发用于上肢假肢应用[4]，[5]，[10]。靶向肌肉再支配(TMR)技术也用于通过侵入性方法提取用户意图。大多数被提出的系统执行离线训练，并且无法检测到用户[5]的瞬态响应。目前还需要开发一个实时和便携式的系统，可以识别神经信息(EMG)的假肢应用。在提出的工作中，实时公关平台已经为修复应用开发了一个平台。该系统具有24位精度的8个差分输入ADC，具有前置检测能力。一个ARMCortexM4处理器已被用于DSP处理。本文的主要贡献如下：（1）该系统对用户进行在线训练，并预测受试者的瞬态意图，（2）设计了一个灵活的、可调节的前臂肌电信号采集臂带，（3）该系统已经在包括一名经桡骨截肢者在内的4名受试者上进行了测试，（4）开发了一个实时嵌入式平台，在75 ms中检测用户意图，准确率在91%以上。

方法

系统由ADS1298作为模拟前端(AFE)或ADC，DSP处理器，电源管理电路，和一个先进的柔性带可调带。该条带利用Ag-AgCl贴片从皮肤采集肌电信号。在每个通道的输入端，利用保护电路和大偏置电阻(200M)来保持输入阻抗的高。电路的共模电压被送回调节人体接地。采用具有ARMCortex-M4核心的32位DSP处理器对算法进行数字处理。AFE和DSP的规格见表1。对于每8个差分输入，ADC采样率固定在1000SPS，系统由一个3.7V的锂离子电池供电。
在机器学习算法的训练阶段，该系统还采用了数字显示器。该设备重17.5克，带有电池支撑，可连续运行40小时。系统概述和臂带如图所示。分别为1和2。此外，选择12dB/oct巴特沃斯滤波器斜率，因为它有更快的沉降时间和更少的超调。在这个滤波器中，10-500Hz带通滤波器与50hz陷波滤波器进行了卷积。带通滤波器系数已在MATLAB 2015a软件中计算。在信号处理期间，循环缓冲器已被用于缓冲操作，以避免开销。在提出的DSP处理中，数字化后，8通道差分输入的数据被收集并存储在环形缓冲器中。从这个缓冲区中，数据被用于特征提取，随后分类器将这些特征用于特定活动的训练目的。在嵌入式系统中实现的LDA分类器的流程图如图3所示。

为了获取数据，每个截肢者都被要求舒适地坐在实验室的椅子上。每个受试者被要求进行六个抓握动作，包括一个休息姿势，如图4所示。
动作的安排不是随机的，以鼓励受试者尽可能自然地执行动作。腕带被放置在前臂周围，它有六个差动器在肱二头肌和肱三头肌的主要活动点上放置了两个电极。

校准后，受试者被要求进行在线验证测试，每个受试者都可以通过电脑显示来查看实时活动。来自所有通道系统的过滤数据如图5所示。在特征提取中，使用了均方根(RMS)、波形长度(WL)、过零点(ZC)和斜率符号变化(SSC)四个特征。这个特征集是通过我们离线进行的初步工作选择的，并融合了肌电图表3中存在的能量信息(RMS和WL)和频率信息(SSC和ZC)。情况二信号的分类精度，如图6所示。200 ms的窗口大小采用75 ms增量[7]，[8]。

此外，还为所开发系统的性能分析创建了两个案例。在第一种情况下，通过系统获取数据，计算特征，进行训练矩阵准备。这些特性已保存在内存中以供进一步分析。随后在案例2中，在DSP处理器中进行了硬实时应用的测试和训练。

对于第一种情况，表2中给出了每个受试者的分类性能。受试者1和第三名受试者（均是非截肢者）的最高分类准确率。截肢者的PR率为92%，适合于实时表现。所有受试者的混淆矩阵如图7所示。在第4条和第5条法案之间很少有错误的分类。

为了测试目的，每个被试者被要求执行5次抓取动作30次。参与本实验的经桡骨截肢者被截肢超过2.5年，且未使用任何辅助假肢。活动完成时间固定在75 ms。每个受试者的分类准确性见表3。所有受试者的平均分类准确率为94.14%。受试者2的分类准确率最高，为97.75%。截肢者的分类准确率达到91.65%，说明该系统可以为经桡骨截肢者提供实时环境下的工作

随后，实时手势识别的嵌入式系统参数的比较如表4所示。从分析中可以看出，该系统能够进行在线训练和测试，其分类精度比文献中现有的系统得到了提高。使用了LDA分类器，它比SVM分类器要简单得多，因为不需要参数变化。LDA只依赖于特征向量的大小，而SVM则同时依赖于特征向量的大小和支持向量。LDA具有低计算复杂度[7]。使用在线训练的优点是可以利用当前与肌电信号相关的信息，从而提高了系统的整体精度。该所实现的系统的另一个优点是在信号采集中使用的频带的灵活性，这使得它可以用于改变前臂的尺寸和位置。该系统还使识别瞬态用户意图成为可能。功率击穿图也如表5所示，它显示了所实现的平均功耗系统与正在比较的现有系统的范围相同。

本文提出了一种针对截肢者的实时手臂手势识别系统。该系统可用于实时环境下的肌电假肢控制，准确率在91%以上。在DSP处理器中包含了四个时域特征和LDA分类器。该系统在训练模型生成后，可以在75 ms的完成时间内对抓取运动进行轻松解码。该系统重量轻，电池电源支持可达40小时。该系统在康复和肌电修复的低功耗应用中取得了良好的效果。功率优化将进一步提高该系统的使用寿命。