提出了一種三界面模式。系統可以識別運動想象、手勢和眼球運動。腦電圖模式用來識別左右移動的意圖。肌電圖用來識別手勢，便于控制機器人。眼電模式用來識別向左看或向右看的眼部運動，也可以通過眨兩下眼睛來選擇最適合的動作。

實驗要求：6名受試者一只前臂帶肌電環（myo以200HZ的采樣頻率采集肌電），一只手帶軟手機器人。

實驗過程：EOG模式下，向左或向右箭頭的出現之時受試者用眼睛（向左看或向右看）跟蹤箭頭的方向，并保持自然眨眼。在EEG模式下，想象中的左手或右手動作依次作為提示顯示在屏幕上，顯示相應手動作的運動想象，持續2秒鐘。每個模式都涉及10個實驗，5左5右。每個模式的實驗持續44秒。

mHMI運動意圖檢測和控制軟機器人的流程圖 ：在檢測用戶意圖之前，通過每個模式采集10次試驗的訓練數據，分別計算閾值和訓練分類器參數，建立EOG和EEG的訓練模型。

mHMI的主要結構和工作流程

實驗結果：運動意圖分析， 比如眼電模式下，處理信號，設置閾值，經過正確識別后，可以將看左、看右信號轉換為機器人動作的指令，將眨雙眼的信號識別為系統切換模式的命令。經過處理，分別標記出非自愿眨眼、自愿單眨眼和自愿雙眨眼；根據三十幅度的正負情況標記出左掃視和右掃視。

在軟機器人的幫助下受試者能夠根據自己的意圖快速地抓取其日常生活中的各種物體。EEG2個動作，EOG2個，EMG5個。

數據處理過程：

在EOG模式下，首先使用零相位FIR低通濾波器對EOG進行濾波，該濾波器具有較低的截止頻率0.05 Hz和較高的截止頻率45 Hz。然后，利用Daubechies小波的4階和10個分解級別，通過基于小波變換的濾波EOG得到結果。因此，采用雙閾值法建立了EOG模型，識別左視、左視和雙眨眼的眼動，并將其轉化為相應的命令，分別為彎五指推（S1）、捏五指拉（S2）和模式移位（S0）。

在EEG模式下，首先從EEG信號中去除直流分量和相對于首選公共平均參考的基線漂移，并使用截止頻率為0.05的零相位FIR低通濾波器對其進行濾波～45赫茲。接下來，將EEG中的總平均ERD\/ERS估計為與靜息狀態前2秒參考間隔相比的功率降低（ERD）或功率增加（ERS）。計算由左側或右側MI分別獲得的信號的二次和的平均值。使用db4母小波作為平均值，通過Daubechies小波在5個級別提取每個通道中的功率變化（Chen等人，2017）。分別記錄在左側（C3）和右側（C4）初級感覺運動皮層中央區域的EEG平均值之間的差異得到，ERD和ERS使用差異歸一化計算。然后構造一個最優超平面作為兩類特征分類的決策面，然后選擇合適的核函數RBF，根據支持向量機（SVM）的原理，在MATLAB 2010a（MathWorks，Inc.）下使用MATLAB函數“svmtrain.m”確定決策面參數。最后，將處理后的腦電數據輸入到SVM分類器的訓練模型中，然后從測試集上的測試模型中得到分類結果。結果很容易轉化為三指抓握（S3）和拳頭（S4）命令來控制軟機器人。

在肌電圖模式下，如果大多數主要的手臂肌肉還可以正常運動，受試者可以在手臂上佩戴MYO，并練習五種基本手勢。所有操作的詳細信息也可以在網站上的MYO support上找到（Labs，2018a）。Myo Connect的應用程序編程接口用于從前臂的肌電活動中實時獲取手勢數據，并將肌電輸入到打包的模式識別算法中，對手勢進行分類，這些手勢成功地轉換為相應的控制指令（如S5、S6、S7、S8、S9和S10）。

運動意圖分析：

眼電：

如A所示，根據不同的電壓分布范圍，采用眼電檢測方法。第一個子圖描述了原始EOG與小波去噪后信號的比較差異。在第二個子圖中，如果信號大于第一個閾值180μV，則眨眼被認為是有意義的；否則將被忽略。圖5B描繪了掃視檢測的過程。第一個子圖顯示了獲得4個掃視單的原始EOG。第二部分基于小波變換對其進行重構。將一些有噪聲的隨機信號分解為小的階梯信號，可以從信號的點差分中得到單值脈沖信號，因此應將閾值設置為30μV以正確識別脈沖信號。如果達到或超過閾值，則脈沖信號要么被視為掃視信號，要么被忽略。校正后的掃視信號如第三子圖所示：如果脈沖信號為正，則表示向右看；否則它表示向左看。經過正確識別后，可以將看左、看右信號轉換為機器人手彎五指推、捏五指拉的命令，將雙眨眼信號轉換為系統切換模式的命令。經過EOG處理后，相同的部分用條形圖標記為相同的顏色。(A)是基于EOG的眨眼處理結果，閾值1、2和3眨眼向量的分別代表非自愿眨眼，自愿單眨眼和自愿雙眨眼，(B)是掃視，如果掃視幅度為正數，則表示左掃視(藍色)，否則表示右掃視(綠色)。

腦電：

通過相關事件去同步化和同步化從腦電信號中提取反應感覺運動的腦活動的生理現象。在每個受試者10次實驗出現提示前2秒，計算得到C3\C4的總平均ERD\ERS頻率范圍是8-12HZ. 圖6顯示了不同情況下左手或右手運動想象的平均ERD\/ERS。為了直觀地發現大腦活動，并確定ERD和ERS的百分比值，在紅線下方帶有菱形的藍色線區域代表ERD（功率降低），綠色線的剩余區域代表ERS（功率增加），在左側和右側MI（提示出現后的時間段2 s）期間。腦電圖顯示對側（如C3或C4）有明顯的ERD（藍色區域）和相對較淺的ERS（綠色區域）。該特征反映了信號特征的變化，因此可以識別左手或右手運動想象。

肌電：

提取表面肌電的共同特征：如平均絕對值、波形長度、過零、斜率符號變化和平均絕對值斜率，用來手勢識別和分類。

?多模式的性能是由不同模式下的所有評估參數的平均值來表示。控制命令方面，明顯優于單一模式，還進一步簡化了添加命令的過程，避免了系統中單一模式的缺點。

mHMI可以檢測11種運動意圖，準確率為93.83%，平均ITR為47.41位\/min。

論文詳情：?An EEG/EMG/EOG-Based Multimodal Human-Machine Interface to Real-Time Control of a Soft Robot Hand

參考：

(24條消息) 基于EEG/EMG/EOG的多模態人機接口，實時控制軟機器人手_腦機接口社區的博客-CSDN博客_eog眼電圖

總結

以上是生活随笔為你收集整理的【论文学习：基于EEG/EMG/EOG的多模态人机接口，用于实时控制软机器人手】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。