基于深度传感器与肌电的近实时假肢臂数据标注
计算机视觉与模式识别
2020-11-04 v1
摘要
自动识别属于特定动作（如侧平举）的sEMG（表面肌电）信号是一项具有挑战性的任务，因为即便同一动作，由于多种因素，EMG信号本身也存在大量变异。为克服此问题，应在原始信号中存在能重复指示特定动作相似模式的正确分隔。由于同一动作可能以不同时长完成，重复模式并非总是一致匹配。因此，我们使用深度传感器（Kinect）进行模式识别，其连续记录三个关节角度，在记录sEMG信号时对特定动作具有清晰可分的特性。为从角度数据中分割出重复模式，引入了MDTW（移动动态时间规整）方法。该技术可从原始信号中检索可疑的兴趣运动。MDTW基于DTW算法，但将以预定义方式遍历整个数据集，从而能以最优方式提取给定数据集内几乎所有可疑片段。以屈臂弯举和侧平举作为兴趣运动，展示所提技术如何实现自动识别与标注。完整实现见 https://github.com/GPrathap/OpenBCIPython
引用
@article{arxiv.1811.04239,
title = {Near Real-Time Data Labeling Using a Depth Sensor for EMG Based Prosthetic Arms},
author = {Geesara Prathap and Titus Nanda Kumara and Roshan Ragel},
journal= {arXiv preprint arXiv:1811.04239},
year = {2020}
}