摘要
表面肌电(Surfaceelectromyography，sEMG)信号作为一种与大脑神经系统紧密相关的生物电信号，包含大量与人体手部动作有关的信息，利用sEMG信号可以实现对手功能康复机器人的控制。本文针对基于sEMG信号的手势识别方法和手功能康复机器人的控制展开了研究。 首先，分析了sEMG信号的产生机理并采集了sEMG信号。对比了不同的采样电极的性能，采用具有八通道的MYO手环作为最终的采集设备，完成了14种手势的sEMG信号采集。 其次，进行了sEMG信号的活动段检测和特征提取。对sEMG信号进行了活动段检测，针对活动段信号从不同角度进行特征提取，对特征提取结果进行分析，挑选出10个时域特征、12个小波变换特征、8个小波包变换特征用于手势分类。 然后，提出了基于sEMG信号的特征图和数据图两种不同的分类方法。基于特征图的识别，构建卷积神经网络模型，对比不同的特征组合方式的识别准确率，在时域和小波包变换的组合特征上达到了最佳的识别精度98.84%；基于数据图的识别，提出了多路卷积神经网络模型，识别精度达到98.23%。 最后，搭建了手功能康复机器人硬件实验平台。sEMG信号在上位机的识别结果通过串口发送给下位机，下位机产生五路占空比可调的PWM信号，实现对手功能康复机器人的控制；针对不同的受试者进行了在线实验，手势识别的平均准确率达92.80%。
NETL