40、基于肌电信号的动态手势识别与永磁同步电机电流约束控制

基于肌电信号的动态手势识别与永磁同步电机电流约束控制

1. 基于肌电信号的动态手势识别

1.1 整体方法概述

动态手势识别在人机交互中具有重要作用。采用商业级 EMG 手镯获取原始数据，经过数据预处理，将原始的一维时域 sEMG 信号转换为时间 - 频率图像，再利用深度学习分类器进行手势分类。为提高小数据集上的识别准确率和减少过拟合，使用了迁移学习技术。整体方法的框图如下：

graph LR
    A[输入: 时间 - 频率图像] --> B[预训练 CNN]
    B --> C[卷积层]
    C --> D[特征图]
    D --> E[全连接层]
    E --> F[CNN 分类器]
    G[ImageNet] --> B
    H[迁移学习] --> B
    B -.-> I(冻结参数)
    E -.-> J(冻结参数)

这里采用 Resnet - 34 作为骨干网络对时间 - 频率图像进行分类，因为 Resnet 通过恒等捷径连接结构，使得深度网络的训练更易优化，且能从深度增加中获得更高的准确率。

1.2 数据采集

使用低成本的消费级 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、使用简单。
基于 Myo 臂带记录的 EMG 信号，建立了一个包含 850 个样本的动态手势数据集，用于后续算法验证。数据集包含 5 种动作：休息