基于肌電的機器學習

摘要：
本文介紹了一種基于肌電圖的輸入接口，該接口使用機器學習技術，適用于肢體殘障人士。我們開發了一種虛擬手，可以在虛擬環境中使用肌電信號進行操作。在本文中，我們使用虛擬手執行了一個提升物體任務和框塊測試任務。根據提升物體任務的實驗結果，證實了六種腕關節運動分類，并且實驗對象在虛擬空間中用虛擬手適當地提升物體。在方塊測試任務中，確認他在60秒內將方塊移動到方塊的另一側9次。

第一節導言

肌電信號是由肌肉收縮產生的電信號。一些研究人員已經報道了基于肌電信號的控制器，如肌電假肢。當我們長時間運動肌肉時，就會出現肌肉疲勞。這對基于肌電圖的界面有很大影響。

我們使用機器學習方法開發了基于肌電圖的界面，旨在提高肢體殘障人士的生活質量。

虛擬環境中的虛擬手操作被提出用于假手訓練和康復。Lambrecht等人開發了一種經肱骨假體模擬器。有兩種控制方法：順序和同步命令方法。在順序方法中，來自兩塊肌肉和開關的肌電信號用于控制假體。在同步控制方法中，使用來自五塊肌肉的肌電信號。Nissler等人開發了一種系統，該系統使用來自八塊肌肉的肌電信號執行比例和同時控制。我們使用的電極越多，系統性能越好，但系統成本越高。

在本文中，我們測量了來自兩塊肌肉的腕關節運動的肌電信號，并利用LSTM（long-short-term memory）制作了一個分類器來控制虛擬環境中的虛擬手。然后，進行以下實驗評估：根據SHAP（南安普敦手部評估程序）抓取物體，這是上肢假肢的評估測試，并進行方塊測試，這是手部靈巧度的測試。

第二節系統配置
在本研究中，我們使用Unity（Unity Technologies），游戲引擎軟件程序作為虛擬環境。Unity有許多官方文件和許多Unity用戶。很容易得到關于 Unity 的信息。此外，由于可以從資產存儲中獲取資產，因此我們可以輕松地開發虛擬環境。圖1顯示了由16塊骨骼組成的虛擬手。在我們的系統中，使用了Unity Asset Store中免費分發的3D虛擬手模型。首先，我們使用開源軟件Blender創建了虛擬手的運動作為抓取對象的模型。我們創建了六個虛擬手手指的運動，用于形狀分析：球形抓取、三腳架抓取、圓柱形抓取、側向抓取、尖端擠壓和平行伸展抓取。

使用6軸傳感器、3軸陀螺儀和3軸加速度傳感器GY-521（InvenSense Inc.）和微控制器AE-ATMEGA328-MINI（秋崎電石株式會社）檢測用戶前臂的運動。使用庫，微控制器對6軸傳感器的輸出信號進行采樣，以獲得用戶前臂運動的歐拉角度，并通過串行通信端口將角度發送到Unity以移動虛擬手。

表1腕關節運動與虛擬手運動之間的分配關系。

表1顯示了腕關節運動和虛擬手運動之間的分配關系。當用戶的前臂和手指肌肉放松時，虛擬手的所有手指都會彎曲。基于這樣一個事實，即當使用者放松他/她的身體肌肉時，功能性假手的鉤是閉合的。

圖2示出了用于分類腕關節運動的EMG信號處理過程的流程圖。首先將肌電信號采集到PC機上，然后通過一個腕部電路將其放大，以識別腕部的運動。然后，從中提取12階MFCC（mel頻率倒譜系數）。通過將數據輸入到基于LSTM（長-短期記憶）的分類器，對腕關節運動進行分類，并在Unity虛擬環境中執行虛擬手的運動。MFCC是一種主要用于語音識別的特征量。LSTM是一種遞歸神經網絡，是一種能夠處理時間序列數據的神經網絡。

基于 LSTM 的分類器訓練如下。基于LSTM的分類器的單元數設置為300，輸出層使用softmax函數，dropout率為0.8。Dropout 可以通過在訓練過程中臨時從網絡模型中隨機移除單元來防止網絡模型過度訓練。Adam作為模型優化算法，均方誤差作為損失函數。該模型使用EarlyStopping進行訓練，當損失在20個epochs內沒有改善時，其訓練終止。

第三節實驗方法
一名身體健全的受試者參加了實驗。兩個表面電極連接到受試者左前臂的橈側腕長伸肌和尺側腕屈肌，一個參考電極連接到肘部。圖3顯示了實驗裝置。將六軸傳感器和微控制器固定在實驗對象的前臂上。他被要求將SHAP（表2）中使用的每個物體作為提升物體任務進行提升。

在方塊測試任務中，我們要求實驗對象將從方塊的左側區域向右側區域提起并移動60秒。已計算移動塊的數量。如果同時移動多個塊，我們將其計算為一個。我們使用視頻捕獲軟件記錄了這些實驗任務，并使用網絡攝像機記錄了腕關節的運動。

第四節成果
圖4顯示了提升物體任務的實驗結果。圖5顯示了盒和塊測試任務的實驗結果。從實驗結果可以看出，腕關節運動被正確分類，每個物體都在虛擬空間中被提升。在框和塊測試任務中，塊在分區上移動9次，持續60秒。可以同時移動兩個方塊三次，但有些方塊掉到了盒子外面。

第五節結論
在本文中，我們使用基于肌電的界面和機器學習來執行控制虛擬手的任務。根據實驗結果，我們發現腕關節運動被正確分類，并且實驗對象在虛擬空間中適當地舉起物體。我們未來的工作需要對肢體殘障人士進行進一步的評估。

有需求請聯系我們

總結

以上是生活随笔為你收集整理的基于肌电的机器学习的全部內容，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。