基于状态空间模型与卡尔曼滤波的抓握力估计
信号处理
2021-08-20 v3
摘要
抓握物体所需的握力取决于物体的质量及其表面的摩擦系数。肌电假肢中握力的控制对于恰当处理物体至关重要。在本文中，我们提出一种新方法，用于改进基于表面肌电图（sEMG）记录的比例连续抓握力估计，以改善肌电假肢的控制系统。为此，我们开发了一种基于状态空间（SS）多变量系统辨识与卡尔曼滤波（KF）连续力估计的方法。十名健康个体执行抓握任务时的 sEMG 记录被用作模型辨识的数据集。从 sEMG 信号中提取的均方根（RMS）、平均绝对值（MAV）和波形长度（WL）用作模型输入，而测得的抓握力为输出。该方法的性能通过归一化均方根误差（NRMSE）和皮尔逊相关系数的平方（）进行评估。我们发现 和 NRMSE 值分别为 0.92 0.0319 和 0.723 0.0563。所提出技术的性能优于其他回归模型的结果，例如基于递归非线性自回归外生（NARX）的神经网络、多层感知机（MLP）网络以及带有二次多项式拟合（QPF）的线性判别分析（LDA）。结果证实该方法适用于肌电手假肢的实时应用。
引用
@article{arxiv.2106.07639,
title = {Grasping force estimation using state-space model and Kalman filter},
author = {Bruno Dutra and Antonio Silveira and Antônio Pereira},
journal= {arXiv preprint arXiv:2106.07639},
year = {2021}
}