40、肌电信号与永磁同步电机控制技术的创新探索

肌电信号与永磁同步电机控制技术的创新探索

基于肌电信号的动态手势识别

整体架构

基于肌电信号的动态手势识别主要包含三个核心部分：
1. 数据采集 ：采用商业级 EMG 手镯获取原始数据。
2. 数据预处理 ：考虑 sEMG 序列间的时间和频率相关性以及通道间的空间关系，引入不同的时频转换方法生成时频图。
3. 深度学习分类器 ：针对小规模训练数据集，利用迁移学习提高识别准确率并减少过拟合。

数据采集

使用低成本消费级 Myo 臂带（Thalmic Labs）作为表面 EMG 信号采集的硬件平台。该臂带通过 8 个干电极阵列测量用户前臂肌肉活动的 EMG 信号，佩戴方便且易于使用。基于 Myo 臂带记录的 EMG 信号，建立了包含 850 个样本的动态手势数据集，该数据集由 5 种动作（Rest、Fist bump、Peace、Shake hand 和 Call）组成，每种动作包含 170 个样本。参与者需在 5 秒内从初始状态 Rest 完成动作，且每个手势间给予 5 秒时间以减少肌肉疲劳。在数据记录前，将臂带放置在参与者前臂的最大位置，并使 Myo 上的蓝色光条朝向受试者的手，以减少电极位移引起的偏差。

数据预处理

为解决 sEMG 非平稳的问题，将一维时域信号分解到时频域。采用两种时频转换方法：
1. 短时傅里叶变换（STFT） ：用于计算频谱图，公式为：
[spectrogram = |\int_{-\i