基于深度学习的肌电信号假手控制方法
信号处理
2020-01-15 v2 机器学习
机器人学
摘要
自然肌肉响应神经冲动提供运动能力。肌电图（EMG）测量肌肉在神经刺激下的电活动。过去几十年中，EMG 信号已广泛用于识别用户意图，以潜在控制智能轮椅、外骨骼与假肢等辅助设备。在传统辅助设备设计中，开发者独立优化多个子系统。特征提取与特征描述是该方法的基本子系统。因此，研究者提出了多种手工特征来解释 EMG 信号。然而，传统辅助设备性能仍不尽如人意。本文提出一种利用原始 EMG 信号控制假手的深度学习方法。我们使用新颖的深度卷积神经网络以避免特征工程步骤。去除特征提取与特征描述是迈向端到端优化范式的重要一步。微调与个性化是我们方法的额外优势。所提方法在 Python 中以 TensorFlow 深度学习库实现，并在 NVIDIA Jetson TX2 开发套件的通用途图形处理单元上实时运行。我们的结果展示了系统从原始 EMG 信号预测手指位置的能力。我们预期基于 EMG 的控制系统可作为设计更复杂假手的起点。例如，可添加压力测量单元将环境感知传递给用户。此外，我们的系统可改造用于其他假肢设备。
引用
@article{arxiv.1909.09910,
title = {Deep learning approach to control of prosthetic hands with electromyography signals},
author = {Mohsen Jafarzadeh and Daniel Curtiss Hussey and Yonas Tadesse},
journal= {arXiv preprint arXiv:1909.09910},
year = {2020}
}
备注
Conference. Houston, Texas, USA. September, 2019