表面肌电手部动作识别的研究进展

TP391.4; 表面肌电信号(surface electromyography,sEMG)是一种测量肌肉活动的非侵入式方法,蕴含着关联人体运动的丰富信息,可用于手部动作识别.基于sEMG手部动作识别是指通过分析手部肌肉的sEMG信号,实现对手部动作的分类和识别.在神经网络发展的推动下,sEMG在手部动作识别领域取得了显著进展,但sEMG面临着噪声大、稳定性差等缺陷,难以有效利用,给高精度手部动作识别模型的获取带来了巨大困难,阻碍了研究成果的转化应用.详细归纳了sEMG手部动作识别方法的研究进展;介绍了常用于动作识别领域的公开肌电数据集,并介绍了自测肌电数据集采集流程;根据研究方法不同将现有的...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 3; pp. 29 - 43
Main Authors 李振江, 魏德健, 冯妍妍, 于丰帆, 马一凡
Format Journal Article
LanguageChinese
Published 山东中医药大学 智能信息与工程学院,济南 250355 01.02.2024
Subjects
artificial neural network
手部动作识别
algorithm model
人工神经网络
surface electromyography(sEMG)
hand motion recognition
算法模型
表面肌电信号(sEMG)
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2305-0269

Cover

More Information
Summary:TP391.4; 表面肌电信号(surface electromyography,sEMG)是一种测量肌肉活动的非侵入式方法,蕴含着关联人体运动的丰富信息,可用于手部动作识别.基于sEMG手部动作识别是指通过分析手部肌肉的sEMG信号,实现对手部动作的分类和识别.在神经网络发展的推动下,sEMG在手部动作识别领域取得了显著进展,但sEMG面临着噪声大、稳定性差等缺陷,难以有效利用,给高精度手部动作识别模型的获取带来了巨大困难,阻碍了研究成果的转化应用.详细归纳了sEMG手部动作识别方法的研究进展;介绍了常用于动作识别领域的公开肌电数据集,并介绍了自测肌电数据集采集流程;根据研究方法不同将现有的sEMG手部动作识别模型分为基于机器学习的手部动作识别、基于深度学习的手部动作识别和基于混合网络结构的手部动作识别三类,分别对相关模型进行总结分析,对不足之处提出建议;最后对手部动作识别研究需要解决的问题和未来发展方向进行了展望.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2305-0269