利用表面肌电信号对手部抓取动作分类的新型卷积网络模型

张xiao张

已于 2023-04-27 10:02:50 修改

阅读量1.5k

点赞数 1

分类专栏：表面肌电信号处理文章标签：分类网络人工智能

于 2022-10-13 10:27:03 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_44694317/article/details/127294419

版权

本文介绍了一种基于表面肌电信号的新型卷积网络模型，用于手部抓取动作的分类。该模型仅使用一个电极通道，通过小波阈值去噪预处理，实现了高效的特征提取与分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

利用表面肌电信号对手部抓取动作分类的新型卷积网络模型

在这里插入图片描述

文章目录

- 利用表面肌电信号对手部抓取动作分类的新型卷积网络模型

一.相关研究

肌电信号号代表肌肉功能的特征，并提供肌肉活动的信息。分析这一信号可以为健康专家提供诊断信息，可以作为决定肌肉功能障碍[1]的适当治疗计划的有用工具；表面肌电图在过去已被用于评估健康受试者[2-4]的各种活动中的神经肌肉反应[5]；步态分析是临床医生治疗肌肉骨骼疾病的一种重要的诊断方法，表面肌电图结合运动学和动力学数据是决定治疗这类患者所需的适当方法的有用工具，几十年来，表面肌电图一直被用于评估一系列活动中的神经肌肉反应，并制定康复方案[6]。
文献[7]利用不同的肌电信号和脑电图进行步态相位识别，分析了斜率符号变化和平均工频特征；文献[8]提出了一种基于托克韦尔变换的时频分析方法，提高对前臂SEMG信号的手运动识别精度；文献[9]分析了11种特征提取方法，包括时域、频域、时频域和熵，提出了一种特征评价方法；文献[10]提出了一种基于形状的局部特征提取器，该模型通过迭代邻接成分分析（INCA）选择最佳特征向量；文献[11]介绍了收缩强度和比例控制对基于模式识别的假肢控制的影响,使用典型的模式识别数据收集方法以及实时位置跟踪测试来研究这些影响。
上述文献中大多采用的是传统机器学习方法和更多的电极通道来分析数据。在本研究中，提出一种新的卷积网络模型，该模型可以自动从表面肌电信号中提取特征，用于手部抓取类型的分类。特征处理使用小波阈值去噪方法，提出的11层新模型用于分类。本研究所使用的数据集[12-13]是采用两个电极收集肌电信号。因此，本方法的设计表明只使用一个通道也可以提高肌电信号分类的准确率，这项工作中没有涉及更复杂的步骤，只是需要更多的时间。