基于抓取过程中肌电信号的 upcoming 人类抓握意图推断

肌电图（EMG）数据已被广泛采用作为指导人机协作的直观接口。实时检测人类抓握意图的一个主要挑战是从手部运动中识别动态的 EMG。以往的研究主要在动态情境下对小数量抓握模式实施稳态 EMG 分类，这不足以针对实践中肌肉活动的变化产生差异化控制。为了更好地检测动态运动，可将更多 EMG 变异性整合进模型。然而，仅有有限的研究集中于此类动态抓握运动的检测，且大多数关于非静态 EMG 分类的现有评估要么需要运动状态的监督式真值时间戳，要么仅包含有限的运动学变化。在本研究中，我们提出一个将动态 EMG 信号分类为手势的框架，并使用无监督方法对动作转换进行分割和标注，以检验不同运动阶段的影响。我们收集并利用来自具有多个动态动作的大型手势词汇的数据，基于抓握运动的常见序列来编码从一个抓握意图到另一个的转移。随后，用于识别手势标签的分类器基于动态 EMG 信号构建，无需运动学运动的监督标注。最后，我们评估了使用来自不同运动阶段的 EMG 数据的几种训练策略的性能，并探索了各阶段所揭示的信息。所有实验均以实时方式评估，并给出了随时间变化的性能转移。