深度學(xué)習(xí)技術(shù)在EMG機械手臂的手勢控制系統(tǒng)設(shè)計中的應(yīng)用

1、    深度學(xué)習(xí)技術(shù)在emg機械手臂的手勢控制系統(tǒng)設(shè)計中的應(yīng)用    王柏衡 趙瀟洋關(guān)鍵詞：深度學(xué)習(xí);emg;機械手臂;手勢控制系統(tǒng)設(shè)計;應(yīng)用1 相關(guān)概念解析1.1 深度學(xué)習(xí)技術(shù)從本質(zhì)上來講，深度學(xué)習(xí)技術(shù)是對數(shù)據(jù)進行表征學(xué)習(xí)的一種算法，該技術(shù)可以通過對大量的未標記數(shù)據(jù)進行計算，尋求出這些數(shù)據(jù)之間的表示方法，進而將數(shù)據(jù)的表征抽象為數(shù)學(xué)模型，進而可以對其他未知的數(shù)據(jù)進行類似于神經(jīng)系統(tǒng)的反應(yīng)判斷工作。例如，在圖像識別研究領(lǐng)域，機器可以對一類動物的數(shù)據(jù)進行深度學(xué)習(xí)和分類，通過提取圖像中的諸如顏色分布，形狀大小等表征數(shù)據(jù)，經(jīng)過多層的計算后判斷一個動物是否是貓或者狗

2、。除了圖像識別領(lǐng)域，深度學(xué)習(xí)算法同樣在諸如翻譯學(xué)習(xí)、語音和手寫字符識別、特征編碼識別等領(lǐng)域展現(xiàn)了其學(xué)習(xí)和分類計算能力。利用深度學(xué)習(xí)算法，讓機器可以更加接近于真實世界人類的學(xué)習(xí)和思考過程。1.2 emg技術(shù)emg（肌肉電信號）是生物電信號中的一種，除此之外還有eeg、ecg、eog等，人類在生物電領(lǐng)域已經(jīng)有了較長歷史的研究。近年來，生物電技術(shù)與人機交互設(shè)計結(jié)合越來越密切，在醫(yī)療健康領(lǐng)域、包容性設(shè)計領(lǐng)域（如殘障人士等）、機器人技術(shù)領(lǐng)域和可穿戴領(lǐng)域都有著廣闊地應(yīng)用。emg技術(shù)最早被應(yīng)用到醫(yī)療診斷中，主要是生成肌電圖，為醫(yī)生提供輔助醫(yī)療。近年來由于emg電極貼片生產(chǎn)工藝提升，成本降低，逐漸民用化，同時

3、由于嵌入式技術(shù)的發(fā)展，各類單片機技術(shù)能和肌電傳感器與之相配合，這一套設(shè)備能為計算機提供一個交互接口，解決了曾經(jīng)計算機不能直接有效地獲取肌電數(shù)據(jù)的缺陷。因此，這使得emg傳感器配合單片機的使用場景逐漸豐富起來。2 深度學(xué)習(xí)技術(shù)在emg機械手臂的手勢控制系統(tǒng)設(shè)計中的應(yīng)用意義將深度學(xué)習(xí)技術(shù)引入emg機械手臂的手勢控制系統(tǒng)設(shè)計中，通過大量的樣本數(shù)據(jù)使機器學(xué)習(xí)這些不同手勢信號并加以分類區(qū)別。基于emg技術(shù)的控制已經(jīng)成為了康復(fù)機器人設(shè)備中有希望的替代方案，總的來說，將深度學(xué)習(xí)技術(shù)應(yīng)用在emg機械手臂手勢控制系統(tǒng)設(shè)計中可以降低研發(fā)成本，簡化工程方案，還能為設(shè)計人員提供產(chǎn)品測試和迭代的交互接口，為實現(xiàn)智能機器

4、人的自然運動手勢做出一定貢獻。因此，將深度學(xué)習(xí)技術(shù)應(yīng)用于emg機械手臂的手勢控制系統(tǒng)設(shè)計具有一定的意義。3 深度學(xué)習(xí)技術(shù)在emg機械手臂的手勢控制系統(tǒng)設(shè)計中的應(yīng)用思路3.1 用于訓(xùn)練的手勢設(shè)計如何將采集到的機械手臂信號進行分類，進一步歸納為易于機器學(xué)習(xí)使用的編碼數(shù)據(jù)并進行訓(xùn)練，是本文的研究重點。因為人類的雙手互為手相對稱，所以本文只選取了左手進行運動分析，定義了兩種腕部動作、五個手指動作，其中包括手腕左右轉(zhuǎn)動、手腕上下擺動，拇指張開、食指張開、中指張開、無名指張開、小指張開。為了保證訓(xùn)練數(shù)據(jù)的有效性，張開幅度盡量保證與手背在一個平面，如圖1所示。這些手勢動作被解釋為emg傳感器在單片機里處理的

5、不同控制命令。3.2 運用classification（分類算法）模型訓(xùn)練分類運用訓(xùn)練機器生成一個分類模型，由于emg 信號是復(fù)雜且不規(guī)則的波形，且存在著很多的噪波和干擾波，因此傳統(tǒng)方法很難對未處理的emg信號進行分類，為此開發(fā)了一種方便計算的深度學(xué)習(xí)方案，方便對emg信號進行分類。分類能正確地分析手勢運動以獲得有意義的信號，有必要對每個運動引起的連續(xù)emg 信號進行多次采樣，以確保信號樣本數(shù)據(jù)容量足以被訓(xùn)練。在該項目中，對五種手指手勢和兩種腕部手勢進行從0至6的編號，分別為：0號，大拇指張開;1號，食指張開;2號，中指張開;3號，小指張開;4號，無名指張開;5號，手腕擺動;6號，手腕旋轉(zhuǎn)。肌

6、肉信號的刺激由實驗者佩戴emg電極貼片，將每個手勢的運動記錄十次，每次記錄五秒鐘，每次手勢運動的時候盡量保證運動頻率一致，以保證樣本數(shù)據(jù)盡量準確可用，之后將收集到的信號圖像通過串口傳送給計算機，每種手勢的編號與對應(yīng)的信號圖像編組作為樣本數(shù)據(jù)。然后將數(shù)據(jù)饋入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，如圖2所示。通過lstm 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后可以將0至6不同手勢種類的emg信號進行特征提取，不同的手勢有著對應(yīng)的信號特征，表明訓(xùn)練完成。3.3 利用訓(xùn)練完成后的模型進行誤差測試為了驗證誤差，我們可以將機械手臂與arduino單片機進行連接，將新的emg數(shù)據(jù)通過計算機訓(xùn)練好的模型進行分類，發(fā)送給單片機，最后利用單片機控制每個手指

7、上的伺服電機來觀察驗證不同手勢的運動結(jié)果，流程如圖3所示。在這項實驗中，受試者隨機對兩種腕部運動和五種手指運動進行測試，每次運動時長為五秒左右，每次運動時間間隔為二至五秒，且該時間間隔處理交給單片機進行優(yōu)化，為了保證分類的準確性，規(guī)定每次手勢運動只允許一種手勢進行運動，以確保信號的準確性。表1是深度學(xué)習(xí)分類模型對每種手勢的識別準確率取的平均值，classificationrate（識別準確率）的值越大代表準確率越高。實驗的結(jié)果表明，利用深度學(xué)習(xí)進行emg機械手臂的手勢分類評估工作是有效的，深度學(xué)習(xí)可以對不同手勢產(chǎn)生的emg信號進行學(xué)習(xí)和區(qū)分。這項研究更加說明了深度學(xué)習(xí)技術(shù)在emg機械手臂產(chǎn)品中的可用性，設(shè)計人員可以利用該研究方法設(shè)計更多的機械手勢動作，例如端水杯、操作鼠標、鍵盤打字、做手語手勢等。此外，設(shè)計人員不再需要與技術(shù)人員再去為每項手勢進行動作優(yōu)化，只需要向機器提供更多的手勢樣本數(shù)據(jù)，便可以完成手勢動作優(yōu)化工作。4 結(jié)語在本文中，我們提出了一種利用人工智能技術(shù)來分類emg機械手臂手勢的設(shè)計方法，該方法可以通過機器學(xué)習(xí)來對不同手勢產(chǎn)生的emg信號進行學(xué)習(xí)，解決了傳統(tǒng)emg機械手臂在工程上技術(shù)復(fù)雜，難以調(diào)試等問題。該研究的結(jié)果表明，通過使用深度學(xué)習(xí)可以將不同手勢產(chǎn)生的emg信號轉(zhuǎn)化為手勢特征，形成一個訓(xùn)練完備的模型，可以提供給