基于表面肌电信号的手势识别——深度学习方法

delsys设备采集的表面肌电信号，16个手势动作，每个动作维持6s，休息4s，进行6次循环。类别标签通过最大面积法修正，效果较好。

最后，为了解决有标签数据不足的问题，本文提出了半监督深度学习方法，特别是在肌电手势识别领域。利用数据手套采集的有标签数据和大量无标签肌电信号数据进行训练，以提高识别性能。这一方法有效利用了有限的标记...

基于深度学习的肌电信号预测的研究.pdf

本文提出了一种使用OPENBCI收集两个手势数据并解码信号以区分手势的实验。 用受试者前臂上的三个电极提取信号，并在一个通道中传输。 利用巴特沃斯带通滤波器后，我们选择了一种新颖的方法来检测手势动作段。 代替使用基于能量计算的移动平均算法，我们开发了一种基于Hilbert变换的算法来找到动态阈值并识别动作段。 从每个活动部分提取了四个特征，生成了用于分类的特征向量。 在分类过程中，我们基于相对较少的样本对K最近邻（KNN）和支持向量机（SVM）进行了比较。 最常见的实验是基于大量数据来追求高度拟合的模型。 但是在某些情况下，我们无法获得足够的训练数据，因此必须探索在小样本数据下进行最佳分类的最佳方法。 尽管KNN以其简单性和实用性而闻名，但它是一种相对耗时的方法。 另一方面，由于支持向量机应用了不同的风险最小化原则，因此在时间要求和识别准确性方面具有更好的性能。 实验结果表明，SVM算法的平均识别率比KNN高1.25％，而SVM比KNN短2.031 s。

基于表面肌电信号(sEMG)的手势识别技术是人机自然交互领域的重要研究方向。手势识别技术的实现关键在于如何提取sEMG信号的有效特征。提出了一种提取sEMG信号稀疏特征用于多类手势识别的有效方法。该方法以稀疏表示作为特征提取工具，以支持向量机(SVM)作为分类器对多个手势进行识别。首先，采用双阈值法检测分割出手势动作的活动段；其次随机抽取部分运动段样本初始化稀疏表示词典，利用KSVD方法对过完备字典和稀疏系数进行无监督更新;最后，利用SVM对稀疏系数特征向量进行分类以实现对不同手势的识别。通过在公开数据库和自有数据库上进行实验测试，结果表明结合稀疏特征和SVM分类方法可实现16种手势平均识别准确率达到98.4%。

内容描述：系统设计=基于表面肌电信号的不同手势识别系统设计[已测试] 1.直接打开EMG_EXE -> GesturesEMG运行即可，效果见图所示 2.EMG_data 为数据文件 3.EMG_EXE 为应用程序输出文件 4.SEMG_GUI 为系统演示文件 5.说明：系统是基于Matlab 2016b平台开发的 6.仅限用于学习交流。严禁商用！！！