文章信息
作者 | 单位 | 期刊 | 关键词 |
---|---|---|---|
赵章琰 | 中国科学技术大学 | 表面肌电 干电极 电极阻抗 工频抑制 无线信号采集 手势识别 电极阵列 |
研究背景
- 肌电信号:记录肌⾁静⽌或收缩时的电活动的曲线。
- 表⾯肌电信号( sEMG) 是将检测电极放置存⽪肤表⾯测得的EMG信号
- 表⾯肌电信号分解:sEMG信号中分离出各个单独的MUAP(关研究⼯作主要表现在⾼密度sEMG电极的研制和MUAP检测算法的改进)
- 于势识别是通过传感器获取与⼿势相关信息(①基于视频信息与图像处理算法的于势识别②⾜给⼿部佩戴专⽤的硬件设备)
研究意义
- 适应各种情况的电极
- 抑制工频干扰
- 易于穿戴、计算速度快、减少存储器使用的手势识别设备
- 研制⾼密度、赢性能、低噪声的阵列式电极
研究内容
第五章:基于表面肌电信号的实时手势识别
一、一般步骤
- 预处理:通过滤波消除掉直流、⼯频⼲扰和其它不需要的频率成分,提高信噪比
- 活动段检测是从连续的sEMG信号中区分出有动作的部分和⽆动作的部分,以便选择有动作的部分加以识别。
- 特征提取:⼀段不定K的动作sEMG信号中提取出固定个数的参数(常见:时域特征、⼩波
变换 、自回归模型系数( AR) 、倒谱系数( CEP) 、⼩波包分解( WPT) 、短时傅⽴叶变化( STFT))。 - 分类:判别具有当前特征的sEMG信号属于哪⼀类动作(常用:欧式空间距离、线性分类器、
并种神终刚络( BP) 、⽀持向量机( SVM) 、隐吗尔科⼤模型( HMM) 等)。
二、基于表面肌电信号的实时手势识别
1.数据采集与缓存
- FIFO的缓存单元:获取并缓存A/D转换器中数据
- 定时读取FIFO的缓存,存⼊括动段检测缓存。
- 活动段检测缓存(定长):检测出当前是否为⼿势动作信号。
- 若是动作信号:数据进⼊活动段缓存(不定长)
- 若为静息信号:阻⽌数据进⼊活动段缓存,在信号由动作信号转为静息信号的时刻,打开数据阀⻔B,将活动段缓存中⼀个完整的活动段数据避给特征提取与分类算法模块。
2.基于循环队列的快速活动段检测
-
m个通道,采样率2000sps,Xij为第j个通道第i个采样点,在第n个采样点前平均能量
-
平均值的平⽅移动平均( SMA) :
-
绝对值移动平均( AMA)
-
差分平⽅移动平均( DSMA)
-
检测方法
3.基于各通道绝对值均值与AR模型系数的特征提取
- 常用特征:计算量相对较⼩的特征。例如绝对值均值、均方根值等表征信号幅度、能量的特征、AR模型系数、自相关系数等表征信号功率潜的特征。
4.基于加权欧式空间距离与LDC的分类方法
4.1 欧式距离分类器
- 计算每种动作的每个特征对10个样本的均值(第m种动作的第k个特征)
- 当前动作的特征集到每种标准动作的欧式距离
- 距离最小的为识别结果
- 优化:引入方差和标准差的加权欧氏距离
4.2 贝叶斯叶斯估计的LDC分类器(没全懂)
- ⻉叶斯分类器的决策规则
- 类内密度:正态分布模型
- 取对数(??)
第六章:基于表面肌电信号的连续手势识别
一、解决问题:
- 在不进⾏活动段检测的情况F识别出互相衔接的多个动作。
- 识别出动作何时开始,何时结束,⽽不是等待动作完成后再进⾏识别。
二、基于各通道肌电短时能量特征的连续手势识别方法
1.基本方法
- 信号与模板⽐
- 其中
- 计算当前信号X在当前时间之前每通道N点sEMG信号的平均能量E,对于通道i :
- 各通道sEMG信号的平均能量E,即对于标准动作k的第i 个通道:
- 若x∈ k,理论上对于各个i ,信号模板⽐A( k,i ) 应相等。
- 判断差异程度的标准:方差
2.改进(改进以方差作为标准存在的不足之处)
- 当前采集数据所有M个通道的平方移动平均S,表征当前信号的能量
- 同时调整模板能量
- 概率(c1 c2为经验常数)
总结
有疑问的地方
- 第六章后半部分,对于以方差为标准的方法的改进,没明白改进的原因以及得出的概率公式的实际意义。
- 第五章贝叶斯叶斯估计的LDC分类器部分
收获
- 对肌电信号手势识别的基础概念、基本方法有了简单了解
- 主要阅读了手势识别部分,对其他电极研制、采集系统等做了略读。