基于嵌入式深度学习和 sEMG 传感器的 3D 打印脑控机器人手臂假肢
信号处理
2020-05-06 v1 机器学习
机器人学
摘要
本文介绍了我们利用深度学习开发机器人手臂假肢的工作。我们的工作提出使用迁移学习技术，应用于 Google Inception 模型，以重新训练其最后一层用于表面肌电图（sEMG）分类。数据通过 Thalmic Labs 的 Myo 臂环采集，并用于生成图表图像，每张图像包含 8 个子图，对应臂环中 8 个 sEMG 传感器阵列，每个传感器捕获 40 个数据点。采集到的数据随后通过深度学习模型 Inception-v3 进行分类，分为四个类别（握拳、竖拇指、张手、休息），并利用迁移学习训练模型，以实时准确预测新输入的数据。训练好的模型随后被下载到基于 ARM 处理器的嵌入式系统，以控制我们通过 3D 打印机制造的脑控机器人手臂假肢。为测试该方法的功能，我们使用 3D 打印机和现成硬件制造了一个机器人手臂。通过 SSH 通信协议执行托管在带有 ARM 处理器的嵌入式 Raspberry Pi 上的 Python 文件，以触发机器人手臂根据预测手势进行运动。
引用
@article{arxiv.2005.01797,
title = {3D Printed Brain-Controlled Robot-Arm Prosthetic via Embedded Deep Learning from sEMG Sensors},
author = {David Lonsdale and Li Zhang and Richard Jiang},
journal= {arXiv preprint arXiv:2005.01797},
year = {2020}
}
备注
The 2020 International Conference on Machine Learning and Cybernetics (ICMLC), http://www.icmlc.com/