文摘

表面向提供高效的人机交互,肌电图(EMG)已经广泛采用的信号识别不同的肢体运动的意图。自从可用EMG信号传感器极易受外部干扰,如电磁工件和肌肉疲劳,EMG记录将是主要的质量损坏,这可能腐烂EMG-based控制系统的性能。考虑到肌肉形状变化(MSC)是不同的在不同的肢体动作,MSC信号将非敏感电磁工件和肌肉疲劳,也许有前途的运动意图识别。在这项研究中,一种新型nanogold柔性传感器开发的收购MSC信号用于解码多个类肢体运动的意图。更准确地说,四个传感器用来测量每个主题的MSC信号从右前臂时执行七类运动。同时,六种不同的测量MSC信号特征提取,和线性判别分析(LDA)基于分类器是运动分类任务。实验结果表明,利用MSC信号能达到平均识别率约为96.06±1.84%正确放置四种柔性传感器的前臂。此外,当MSC采样率大于100赫兹,分析窗口长度大于20 ms,运动识别精度会稍微增加。这些试验结果表明MSC-based方法应该为人机交互动作识别中是可行的,同时,他们提供了一个系统的参考使用柔性传感器的人机交互系统。

1。介绍

近年来,可穿戴设备(1,2),如外骨骼和假体(3,4),显示一个实质性的承诺医疗和康复领域的专注于恢复上或下肢运动功能。,技术进步导致的开发可穿戴设备的智能电子设备,可以持续监测不同的生理参数与人类的健康状况(5,6]。虽然这样的可穿戴系统,尤其是外骨骼和假肢,几十年来一直在发达和显著的进步,他们的商业成功和临床仍边际。这个问题的原因之一应该是运动意图识别机制采用的设备是不一致准确,从而导致可怜的控制输出当用于实际生活的场景。同时,准确的运动意图识别机制的核心组成部分设备。表面肌动电流图(表)和脑电图(EEG)被普遍认为是潜在的生物来源的信息解码人类肢体运动意图可以无缝地获得,由于他们noninvasiveness和容易获得。尽管这些生理信号已经被广泛使用,它们相对较弱,容易受到各种干扰。例如,电力线噪声和运动将不可避免地降低工件运动意图识别的准确性可穿戴系统,利用表或脑电图信号作为控制的来源。为了解决这个问题,研究人员选择那种方式的运动意图可以解码包括超声波(7)、压力(8)、电容(9)、肌肉围(10),和肌肉活动11,12]。然而,一些系统是相对较大的大小和集成传感器,缺乏灵活性和拉伸性特征,这是开发智能微型智能设备的核心需求,可以很容易地采用实际应用。因此,有必要进行进一步的研究这个方向,会导致一种新的传感材料的发展运动意图识别的能力来解决现有的传感技术的局限在可穿戴系统。

最近,使用灵活、可伸缩的传感材料吸引了太多的关注在生物电信号记录和健康监测领域(13,14]。在这方面,开发了各种灵活的和可伸缩的传感器(15),包括应变、压力(16- - - - - -21),和触觉22,23)传感器。有趣的是,这些传感器用于人体运动监测(24- - - - - -29日),人机接口中康复,和健康监测30.- - - - - -33]。相比传统的传感器,这些传感器不仅灵活和可伸缩的,还配备了额外的新特性包括自备,自洁,自我修复,和透明度,使他们更方便可行的采用现代可穿戴系统。例如,杨歌和发达的自备传感器监测人体运动能力而睡(34]。自愈应变传感器是由蔡等人来检测不同的关节运动在人类35]。Trung等人提出了一种基于透明混合传感器,可以检测温度和应变与人体相关联(36]。在另一项研究中,Muth等人开发了一个压力传感器,安装在一个手套来检测人类手指的运动(37),而迈耶等人提出了纺织品的使用压力传感器检测的肌肉活动在人类[38]。应该指出的是,上述工作主要集中在研究传感器的电气和物理性质没有系统的详细调查和实验研究的传感器特别是人类运动意图识别的背景下,构成一个研究缺口。

来填补这一研究空白,可能便于实际应用,本研究首先开发了一个新的传感器基于nanogold柔性材料检测肌肉形状变化(MSC)信息的肢体运动意图可以充分地解码。其次,便携式无线采集系统建于MSC的记录信号被nanogold柔性传感器。第三,新开发的性能MSC-based传感器运动意图识别被广泛验证后,系统研究使用数据集获得9个健全的受试者,观察七类的、有针对性的上肢运动。第四,我们调查的影响,传感器尺寸、放置位置、采样率、特征提取方法,并分析窗口长度,在运动意图识别精度(这是主索引来评估系统的性能)的提议MSC-based传感器。最后,拉伸性和灵活性的运动意图识别MSC-based传感器也被检查来确定采用在现实生活中的应用的可能性。总而言之,我们相信,这项研究将提供一个对称的指南的选择最优的核心参数(如特性集,位置,大小,采样率,对数据处理和窗口长度)可伸缩的和灵活的传感器的实际应用中所需的运动强度对人机交互识别。

本文的其余部分组织如下。部分2描述了制造过程nanogold柔性传感器和便携式无线采集系统,给出了系统的实验协议用于验证传感器的特点。部分3给出了实验结果。部分4讨论结果。最后,部分5给出了结论和未来的工作。

2。材料和方法

2.1。材料

黄金是一个著名的材料与良好的导电性等特点,延性、和生物相容性,而聚合物是柔软和可伸缩的具有良好的生物相容性。借助先进的纳米和微处理技术,我们开发了一个柔软、可伸缩导线使用金和高分子材料,保形和生物相容性检测生物力学信号的形状变化引起的肌肉。制造过程的详细描述中描述的材料(39]。同时,结构的材料用于制造soft-stretchable传感器呈现在图1(一个)。如这个图所示,最上面一层是由nanogold电影虽然底层是一个衬底被称为聚二甲硅氧烷(PDMS)。随机分布的微裂隙观察内部的金属薄膜的聚合物,如图1(b)。这部电影受到拉伸应变时,导电路径还建立了由于随机分布的微裂隙。此外,材料的电导率变化经常打开和关闭的拉伸/释放过程中微裂隙。

由于导电材料是柔软和可伸缩的正形与人体皮肤表面的纹理,MSC可以有效地诱导中相应的机械应变指挥。另外,柔性导体定期维护电导率在机械拉伸应变,并通过检查电导率在应变,相应的变化对肌肉的形状可以被探测到。

2.2。制造的传感器

传感器利用本研究获取的MSC信号制作如下。首先,nanogold材料切成条,每条长度和宽度约8厘米,8毫米,分别。此后,挠性印制电路板(FPC)电线通过液体附着在带银凝胶两座码头,然后是条被放置在一个开放的空间大约10分钟,电线可以粘在带。这个过程在图表示1(c),银胶干了后,硅胶是在银胶应用于增强其粘性也保护条的封装区域。最后,制作的传感器被放置在固化炉为六个小时60°C。代表产生的传感器数据所示1(d) -1(f),其特点是一个拉伸面积600倍的原始表面地带。制作传感器的稳定性被拉上100条周期检查拉伸机(AG-X + 100 n,日本岛津公司、日本)和一个万用表(美国吉时利2000年,美国泰克)观察拉伸性对其阻力。把过程描述如下:(a)的传感器把以恒定速度1 mm / s的方向传感器;(b)当传感器被拉伸的速度1 mm / s的预先确定的伸长(20%的长度),拉伸机进行状态5秒。水,拉伸机放松1毫米/秒的速度,直到传感器恢复到原来的长度。如数据所示1(g)和1(h),当拉伸的循环次数从1增加到100时,相应的减少从最初340欧姆稳定210欧姆的电阻传感器观测到。这个拉伸过程使传感器更一贯稳定的实际应用。

2.3。MSC信号采集系统

4-channel采集系统(长度:6.2厘米,宽度:3.5厘米,高度:0.7厘米,体重:19 g)开发得到改变的阻力传感器引起的肌肉形状改变。如图2采集系统是由三个部分组成,即模拟前端模块,单片机模块(包括无线收发器),和一台电脑。ADS1292R(美国德克萨斯州德克萨斯仪器公司)模拟前端芯片用于获取生物电子信号,如肌电图信号。这个模拟前端芯片也用于呼吸电阻测量。呼吸产生64 kHz的方波调制模块应用于传感器,从而诱导电流流经传感器。此后,中产生的电压电流传感器,然后放大和解调呼吸解调模块。然后数字化解调信号通过24位法ADC,最后,将数据通过无线模块发送到计算机。

2.4。设置的实验

调查新制作的传感器的性能,两种不同的实验课程是为MSC信号的收集与多个类在离线模式下的上肢运动。信息提供了参与者和数据采集过程如下。

2.4.1。参与者的信息

在这项研究中,总共有9个健全的学科包括6名男性和三名女性(年龄在24到30日平均26.3)招募了。本研究的协议的机构审查委员会批准深圳先进技术研究院、中国科学院。所有受试者允许提供的书面知情同意和出版的照片用于科学和教育目的。

2.4.2。设置的运动

MSC信号的采样频率是1000 Hz使用上述四通道数据采集系统。更准确地说,两种不同的stretchable-flexible传感器、大型传感器(长度:8厘米,宽:0.8厘米)和小型传感器(长度:3厘米,宽:5.0毫米),是为MSC数据收集与试图看看传感器的大小会影响MSC录音,如图3(一个)。数据收集会话期间,每个参与者奉命执行七类的有针对性的上肢运动手关闭(HC)、手打开(HO),手腕内转(WP),手腕旋后(WS),(我们)手腕延伸,手腕弯曲(WF),和一个不活跃的肢体运动称为其余国家(RS)如图3 (b)。注意,这些类上肢运动的任务被认为是在许多以前的相关研究(40- - - - - -42]。数据收集会议前,受试者正确指示对实验过程,保证高质量的录音。此外,每个主题被允许执行一些preexperimental试验,让自己熟悉实验协议。遵循这些步骤,每个动作执行的主体基于视频提示5秒,其余每个运动类之后,一个会话5秒在观察下一个活跃的运动类。在培训、积极运动的顺序如下:HC, HO WP, WS,我们和WF,每位受试者被要求重复这个过程三次。

2.4.3。传感器的位置

为了检查MSC传感器位置的最优位置,16个位置沿垂直平面。这是因为如果放置的纵向方向的手臂,传感器将折叠,因此获取较小的信息,因为他们不会让绝对接触前臂肌肉。如图3 (c),每一列的传感器是均匀分布在肘窝和结束(手)附近的肱桡肌肌肉。大型传感器,不同的放置位置,即径向侧(第1列,传感器1到4,1)命名区域,ulnaris侧(第2列,传感器5到8、2)命名区域,后端(第3列,传感器9到12个,3)命名区域,和前(列4、传感器13到16岁,名叫地区4)前臂的设计。小型的传感器,另外四传感器放置策略被使用,但这一次行方式。小型传感器位置被描述为第1行(传感器1、5、9、13、5)命名区域,第二行(传感器2、6、10、14、6)命名区域,第三行(传感器3、7、11、15日7)命名区域,和行4(传感器4、8、12和16日8)命名区域。需要注意的是,连续4个传感器在前臂假设一个戒指的形状,如图3 (c)。使用自制的四通道采集系统,MSC信号可以用一行或一列的前臂。大型传感器,收集到的数据从一个实验可以在四次,和收集的数据从一个实验可以在8倍的小型传感器。在实验期间,每位受试者被要求休息两分钟两个收购之间的会话。在使用之前,每个传感器prestretched然后坚持皮肤医疗胶带,以确保他们牢牢地固定在实验期间皮肤试验。

2.4.4。数据准备

MSC信号被收购之后,五点移动平均滤波器应用于固有噪声减弱。然后,MSC数据过滤downsampled从1000赫兹到500赫兹,250 Hz, 100 Hz, 50赫兹,40 Hz,分别和20 Hz。最后,评估不同的窗口长度的精度的影响,一系列的窗户20 ms, 50 ms, 100毫秒,200毫秒,300毫秒用于段MSC的重叠长度数据窗长度的一半。

2.4.5。特征选择和分类

为每个窗口的MSC信号,六个特征(数学表达式如表所示1),平均值(MVAL)、均方根(RMS),简单的平方积分(SSI)、第三(TM3),对数检测器(LOGD)和标准差(STD),提取,用于一些先前的研究42,43]。特性集,主成分分析技术应用于去除冗余信息,然后5倍交叉验证是利用特征向量分割成一个训练集和测试集。线性判别分析(LDA)为每个主题分类器建立了预测肢动意图(44,45]。主要考虑用LDA分类器是其计算效率加上广泛使用的人机界面。LDA算法的详细操作过程可以称为(46]。

2.4.6。统计分析

检查是否每个五个因素(功能,传感器尺寸、采样率、位置和窗口长度)的传感器对运动分类的准确性产生影响,单向方差分析和LSD事后分析方面进行了分类精度,使用SPSS统计建模软件(SPSS 22.0 IBM公司,芝加哥,IL)。执行单向方差分析,在设计实验和分组数据时,只有一个一次五个因素的改变而其他几个因素保留他们的典型值不变。一定程度的被选为统计学意义的门槛与零假设,分类精度通过一个因素的改变(如频率改变,1000 Hz, 500 Hz)的五个因素没有显著不同。

3所示。结果

3.1。MSC信号的波形

数据4(一)和4 (b)显示两个典型MSC录音的大型和小型传感器,分别。6类活性运动不活跃的运动可能是视觉区别MSC录音。MSC信号值在不同的渠道在一系列数十欧姆运动和有不同的基线。preapplied张力和固有电阻传感器的不同。在休息状态,MSC信号值似乎不同的在不同的渠道,不同与单个运动。相对,大尺寸传感器的值改变了,以上的小型传感器。

图4 (c)显示的甲烷传感器的光谱。可能是知道的主要组件MSC信号集中在5赫兹。因此,清洁MSC的信号通过使用一个低通滤波器(IIR、巴特沃斯、截止频率5赫兹),用很小的声音(乐队只有5赫兹)。噪音通过高通滤波器(IIR、巴特沃斯、截止频率为5赫兹)。图4 (d)显示了CH4的噪声传感器、和小型传感器噪声较低。然后,计算信噪比的方程(1),大型传感器和小型传感器的信噪比49.10±4.91 dB和29.21±1.97 dB,分别。大尺寸传感器的信噪比约20 dB高于小型传感器。

3.2。特征对分类精度的影响

图5(一个)显示了平均分类精度之间的关系与六个特性在所有传感器的位置在9个健全的学科采样频率为1000赫兹和窗口长度为100 ms。两组传感器的分类精度在使用STD特性明显不同于其他特性( )。小型传感器,除了性病特性,TM3反映了不同特征MVAL相比,RMS和LOGD ( )特性,分别。大型传感器、MVAL RMS, TM3, SSI, LOGD几乎相同的准确性和无显著差异(在所有组之间, )。从图可以看出5(一个)大尺寸传感器的准确性是大约高出3%的小型传感器。的六个特征,运动分类的平均精度约为81.81±21.29%使用大型传感器和75.95±24.30%时当使用小型传感器。方差分析表明,平均分类精度有显著不同的传感器大小不同( )。

此外,使用MVAL特性为基础,其他五个特性被添加一个接一个的RMS的序列,性病,LOGD, TM3, SSI,然后用来分类每个主题的运动意图如图5 (b)。从图可以看出5 (b)分类的精度随着特征数量的增加略有增加(从1到6)为大型和小型传感器配置。小型的传感器,前四个特征没有显著影响精度(, ),虽然第五和第六的特性导致精度显著增加(5的特性, ;六个特征, ),从87.57±8.20%至90.97±6.19%。对于大尺寸传感器,精度无显著差异( )即使所有的六个功能连接,用于分类肢体运动意图的受试者,在只能观察到精度略有增加(从91.47±5.66%至93.73±4.90%)。这些结果表明,大尺寸传感器将实现更高精度相比小型传感器( )。

3.3。传感器位置对分类精度的影响

与试图寻找最优传感器安置在前臂,不同的传感器位置的影响受试者前臂的调查。8个不同地区四个小型传感器的位置和四个不同地区的大型传感器的位置,如图3 (b)检查。六个功能使用以及采样频率和窗口长度采用上一节。平均分类精度计算所有九个科目每个传感器放置区域和呈现在图6。对于小型传感器,它可以看到从图6(一)该地区6达到95.07±3.87%的精度最高,而该地区4最低88.64±6.34%的准确性。此外,方差分析表明,区域6和区域4之间有显著性差异( )以及地区之间地区6和7 ( )。与此同时,平均精度(在所有科目和所有地区)约为90.97±6.19%。大尺寸传感器,方差分析表明,观察的所有四个区域之间无显著差异( )。图6 (b)显示区域3的平均精度最高96.06±1.84%在所有四个区域,和总平均精度(在所有九个主题和所有四个区域)约为93.73±4.90%。

3.4。采样率和窗口长度的影响分类精度

调查不同的MSC信号采样率的影响在运动意图识别的准确性,获得信号从1000赫兹到500赫兹,downsampled 250 Hz, 100 Hz, 50赫兹,40 Hz,分别和20 Hz。300 ms的相同的窗口长度被用于不同的采样率和六个特征提取每个分析窗口。总体分类精度在所有地区和所有科目为每个采样率计算,如图7(一)。它可以看到从图7(一),使用采样率从100赫兹到1000赫兹,大型和小型传感器显示稳定精度。如果采样频率低于50 Hz,明显有和准确性显著降低( )。

此外,窗口长度的影响在运动意图识别精度检查通过五个不同的窗口长度(20 ms, 50 ms, 100毫秒,200毫秒,300毫秒),分别。六个特征提取每个分析窗口,每个窗口长度的运动意图识别。总体分类精度在所有的区域和9个主题图所示7 (b)。我们可以看到从图7 (b)运动的分类精度的大型和小型传感器只有轻微的增量(少于1.2%)窗口长度相应增加。

3.5。分类精度不同的动作

上述程序后,评估不同运动的分类性能,我们计算的所有科目分类混淆矩阵最优传感器位置(图8项测试样品)。从图可以知道(a)所有活跃的运动几乎有相同的真阳性;(b)运动HO和RS最大的互动;(c)类的样本不平衡(每个活动都有2133个样本,而RS运动有12933个样本;这个比例大概是1:6)。

根据Sokolova Lapalme,多级分类,有八个措施和措施有一些不变性特性(也就是说,他们保护自己的价值在混淆矩阵的变化)(47]。例如,平均精度不变的阳性和阴性的交换的混淆矩阵,而回忆是不变的变化真阴性。这是有利于评估分类的性能。因此,精度( ),回忆( ),和f值( )每个类(β= 1,计算精度和召回)被认为是相等的(见表2)和Macro-Precision ( ),Macro-Recall ( ),和Macro-F-score ( )也计算(见表3)。两个传感器,它可以从表2(一)RS运动精度最低的所有特性,但是记得最高;(b) HO运动最低召回。(c)在考虑精度和召回,何氏运动最糟糕的表现。此外,所有这三个措施表明,大型传感器能够实现相对更高的性能相比,小型传感器(如表所示3)。

4所示。讨论

足够的人类艾滋病运动意图识别技术实现高效的人机交互机制需要提供智能控制系统在康复或服务机器人。与此同时,信息提取的生理信号,如肌电图和脑电图已广泛用于解码人类运动的意图。然而,这样的信号往往受到不同干扰产生的电磁工件,皮肤和电极之间的接触电阻,和肌肉疲劳。和这些干扰研究报告揭示他们的负面影响对降解实时运动表现意图解码。另外,nonphysiological信号基于几何和/或肌肉形态变化,可以通过不同的技术,如超声波测量7)、电容(9)、肌肉围(10),和肌肉活动11,12)被认为是运动意图识别。在这方面,本研究假设nonphysiological MSC信号应该为肢体运动意图解码提供足够的信息。在这项研究中,我们系统地分析了利用MSC的可行性信号通过新开发的nanogold柔性传感器目前发展上肢运动意图解码的人机交互系统。

首先,我们广泛分析了MCS的特征信号,当不同的特性,即线性(MVAL),非线性(RMS, SSI、TM3和日志),和统计(STD)特性,提取的肢体运动解码任务在多个标准。调查的结果显示,除了性病功能,记录精度极低(小于50%),其他检查功能实现高精度类似运动意图解码任务的性能。同时,通过连接特性以增量方式从MSC信号中提取,发现使用更多的功能只会导致轻微增加精度(也就是说,大约增加了3.4%的小型传感器和大型传感器增加2.26%),表明它可能是不必要的利用多个特性在实际应用中采用MSC信号时。重要的是,我们发现,无论功能用来预测运动意图的受试者,他们仍然表现出相似的波形,除了他们的振幅,似乎是不同的。同样,一个或两个特性足以实现可接受的精度,可减少计算复杂度。

其次,十六个不同的前臂的位置映射来确定最合适的区域在前臂的传感器位置同时考虑两种不同的传感器尺寸(小型传感器和大型传感器)。实验结果表明,该传感器放置在位置与更多的肌肉导致更高的精度相比,用更少的前臂肌肉位置。此外,小型传感器周围放置区域6实现最高精度,传感器放置在区域记录精度最低(图46)。这个分析是由图支持9区域4中,传感器(传感器13到16岁的人物4)被放置在,伸肌肌腱牵向前的中心位于前臂前的一面。相比,后端有七个肤浅的肌肉,只有四个前地区的肌肉。因此,区域4中的传感器可以获得更少的肢体运动信息相比其他地区(48,49]。地区6(第2行,传感器2、6、10、14),这四个传感器的中心放置在隆起的肌肉的腹部时,有明显的形状变化做不同的运动,因此这些传感器可能接的最大的肌肉形状变化并获得相对较高的信息比其他传感器的位置。因此,更高的运动识别精度能够达到当利用MSC信号从地区6。大型传感器的放置位置是类似的小型传感器。由于相对较大的表面积大尺寸传感器,它们覆盖更多的肌肉,可以捕捉更多MSC与肌肉活动相关的信息。例如,传感器7地区3涵盖了肱桡肌,部分和部分屈腕伸肌肌腱牵向前ulnaris。这相当于从三个小型传感器获得的信息(传感器11、7和15)。相反,这使得大型传感器局部肌肉太敏感信息比小型同行。这可能解释结果呈现在图6 (b)。

第三,两个重要的参数,采样率和窗口长度与MSC处理关联的信号,占整个运动意图识别任务的计算复杂度,也被调查。实时应用程序(尤其是嵌入式微控制器)的运动意图认识,高采样率通常会导致大型计算时间窗口长度往往导致大量时间很长。因此,它是首选的开发一个系统,一个较低的采样率,采用较短的窗口长度的数据处理任务。如图7(一),采样频率低于100赫兹可以看到影响运动意图识别分类器的准确性因为MSC信号的最高频率是20到50赫兹50]。根据奈奎斯特采样定理即信号的采样频率应该至少有两次信号的带宽51),采样频率为100赫兹足以保护MSC的所有相关信息的信号。因此,利用采样频率在100赫兹以上可以帮助保持运动意图识别精度的新提议MSC传感器。与此同时,图7 (b)显示窗口的长度没有影响运动意图识别精度。此外,它可以观察到在图4MSC信号表现出更少的变化,特征提取时间窗口了几乎相同的性能的运动识别准确性相比提取短窗口。换句话说,不同的窗口长度只会导致轻微的增量运动意图识别的速度。因此,可以进一步减少计算量降低采样率,并且可以提高系统的响应时间,减少窗口长度。

总之,使用MSC提出的新信号,可以实现计算有效的运动意图识别系统通过考虑采样频率为100赫兹,大约50毫秒的窗口长度,一个特性。意图识别系统的计算复杂度估计如下。它主要包括三个部分:(a)特征提取。从表1,它可以知道计算复杂度是O (NM),其中N是样品的总数和M是特性的数量(在这项研究中,M < N);(b)培训。根据(52),LDA的计算复杂度是O (NM²当M < N;(c)分类。这一步是系数的乘积以及数据的确定,计算复杂度是O (NM)。总的来说,系统的计算复杂度是O (NM²)。当使用一个特性,计算复杂度是O (N)。在我们的系统中,N是少数(约几千在培训,大约几百在实时应用程序),那么系统将很容易意识到单片机,单片机系统将很容易实现。表4显示了一些运行时间的结果在我们的系统(电脑:英特尔i5, Windows 7, MATLAB 2016;大型传感器在区域1的九个受试者进行测试窗口长度为100 ms)。采样率和数量的特性显著影响特征提取的时间,和较低的采样率和更少的特性会降低计算复杂度。

尽管在当前的研究中获得的有趣的结果,观察一些问题分析MSC的信号。例如,EMG信号相比,MSC信号表现出一个相对简单的波形特征表明它可能包含相对较少的信息。因此,它可能是一个挑战与高精度识别更多种类的肢体动作在使用该MSC的信号。根据李的工作等。53),大多数有用的信息从肌电图记录运动意图识别包含在60赫兹到250赫兹的频率范围。与此同时,提出了MSC信号有一个50赫兹的频率相对较低。因此,这两种信号的组合(EMG和MSC信号)可以提供互补的信息在不同的频段,准确的发展潜力强劲的运动意图识别系统在实际的应用程序尤其是几个有针对性的肢体运动解码。

另一方面,MSC信号是由蠕变特征(54),导致串扰之间的活跃和一般(RS)运动记录,因此衰减运动识别精度。这种情况特别严重的情况下RS和HO运动的受试者被预测(图8)。重要的是,当数据对应于RS被排除在外,更高的运动意图识别精度达到了所有位置的小型和大型传感器(数字10 ()和10 (b)))。因为发生的蠕变可以使用一些方法建模55),一个可能的解决方案是建立一个creep-sensitive算法重建MSC信号模式根据预定义的模型。另一个可能的方法来解决这个问题将是考虑使用RS EMG信号检测的国家。这是因为当肢体假定休息状态,EMG信号的振幅下降到基线,然后,有一个明显的上升时,信号的振幅有针对性的肢体运动是引起。因此,利用EMG信号作为RS的开关状态,也就是说,只有用EMG信号识别RS状态,并利用EMG和MSC信号来识别活跃运动类可能导致高和稳定的运动意图识别的实际应用。

5。结论

总之,该nanogold柔性传感器开发提供运动意图识别的另一种方法可能提高模式识别系统的实际应用。基于这一研究获得的实验结果,精度95.07±3.87%和96.06±1.84%的小型和大型传感器记录,分别,特别是当传感器被放置在最佳位置。此外,当使用提出了运动意图识别传感器,它通常不需要高采样率(超过100赫兹)和长时间窗口长度(50 ms)进行数据处理。有趣的是,新提出的MSC传感器是不敏感的特性集的选择,表明简单的功能方法可以应用于实现一个可接受的运动意图识别精度在实际设置。因此,这表明该nanogold柔性传感器在实际应用是可行的和有效的。

尽管潜在的结果在最近的研究中,仍存在一些不足,需要解决在我们未来的工作。例如,退化的问题提出了MSC传感器的性能造成的蠕变特性的材料希望会通过系统的调查在我们未来的工作通过智能信号处理算法的发展或通过技术,结合运动意图识别的MSC和肌电图信号。

数据可用性

MSC数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

作者的贡献

为黄和回族王同样这项工作。

确认

本研究在一定程度上支持国家重点研发项目的资助(批准号2018 yfa0701400),中国国家自然科学基金(批准号。U1613222, 81927804,, 61803361),科技部的中华人民共和国(2016 yfe0124100),深圳市科技计划项目(批准号JCYJ20160331174854880),广东省科技项目(2019 b090915002)。深圳研究所的研究也由人工智能和机器人技术的社会。