1 北京师范大学 人工智能学院, 北京 100875
2 Department of Computer Modeling and Multiprocessor Systems, St. Petersburg State University (SPbSU), Saint Petersburg 199034
3 Institute of Informatics, Federal University of Rio Grande do Sul (UFRGS) 15064
肌肉计算机接口(MCI)系统是虚拟现实、人机交互研究的热点之一, 其核心问题是EMG肌电信号分类, 因而MCI系统可以与深度学习方法有效结合。表面EMG信号分为高密度瞬时信号与稀疏多通道信号, 前者类似于图像, 可以采用CNN网络处理; 本文应用RNN网络对后者进行研究, 并利用MYO臂环实现了相应MCI系统。稀疏多通道EMG信号是不定长时间序列信号, 前后时间相关性高, 采用RNN网络进行分类。通过对原始信号进行时域、时频域、频域特征拓展, 获得原始信号的多流特征序列, 并提出两类组合RNN网络架构处理相应多流信号。用户依赖时算法准确率达90.78%, 非用户依赖的人群测试中手势识别准确率达78.01%, 实时动作识别准确率达82.09%, 算法能在61.7毫秒内识别手势动作。本文所提出的组合RNN网络方法可以有效区分基于EMG信号的不同动作, 且所设计的MCI系统用户泛化性与工作实时性表现好。
手势识别 MYO臂环 组合RNN网络 肌肉-计算机接口系统 gesture recognition MYO armband combined RNN nets Muscle-Computer Interface system
