摘要基于人类运动意图识别

文摘

人类运动意图识别的关键实现完美的人机协调和穿着舒适的可穿戴机器人。表面肌电图(表),作为一个生物电子信号,生成相应的运动和前直接反映了人类运动的目的。因此,一个更好的人机交互可以通过使用基于面肌运动意图识别。在本文中,我们回顾和讨论的基于面肌运动的艺术意图识别,主要用于细节。根据采用的方法,运动意图识别分为两组:sEMG-driven肌肉骨骼(MS)基于模型的运动意图识别和基于机器学习(ML)模型的运动意图识别。每项研究的具体模型和识别效果进行了分析和系统的比较。最后,讨论存在的问题在当前的研究中,提出了重大进展和未来的挑战。

1。介绍

随着全球人口老龄化,越来越多的残疾人和截肢,最近可穿戴机器人得到了广泛的研究。可穿戴机器人的人机界面是一个研究热点,获得人类运动意图通过收集和分析相关的信息,并协助外部设备开发有效的控制策略(1]。准确和实时识别人类运动的目的是达到完美的人机协调和穿着舒适的关键(2,3]。生物电子信号,表面时肌电图(表)是激活神经元携带人类意图的信息传递给相关的肌肉和直接反映了人类运动的目的4,5]。因此,运动意图可以完全估计没有任何信息延迟和丢失(6,7]。因为包含丰富的信息,采集技术成熟,noninvasiveness,人类基于面肌运动意图识别将成为未来的主流(8,9]。

基于面肌运动意图识别的方法可以分为两类:sEMG-driven肌肉骨骼(MS)模型和基于机器学习(ML)。对于前者,面肌和关节力矩之间的函数,可以建立角速度和角加速度的肌肉生物力学模型。运动的解释生产过程是该方法的优势3,10]。对于后者,面肌功能或加工表作为输入提供给毫升。discrete-motion分类或连续动作估计是意识到通过建立输入之间的映射和人类运动的目的。毫升常用的运动意图识别包括支持向量机(SVM),线性判别分析(LDA), bp神经网络(摘要)和深度学习(DL) [11,12]。与前者相比,毫升模型具有计算复杂度低的特点,操作时间短,和实时性能。随着深度学习(DL)研究的发展近年来,DL正越来越多地用于人类的运动意图识别。比别人更,DL大大提高了模型的非线性,解决复杂问题的能力,和识别的准确性13]。DL模型常用的运动意图识别包括深层信念网络(DBN)卷积神经网络(CNN)和堆叠auto-encoder (SAE) [14,15]。

有几个相关审查论文近年来出现。Nazmi et al。16)综述了基于面肌运动模式的分类方法。简要比较了不同的预处理方法,特征提取,分类表提供的信号。Chowdhury [17]分析了面肌电信号的信号处理和评估不同的分类模型的优缺点。辛格et al。2]讨论了基于面肌电信号控制的发展现状和挑战计划,用于设计外骨骼中风康复。然而,基于面肌电信号连续动作意图回归和sEMG-driven肌肉骨骼模型运动意图识别很少了。和更有价值的两种方法实现平滑对可穿戴机器人运动的控制(3,18,19]。为了进一步了解的知识面肌运动意图识别为基础,介绍了评估的常用方法,人类运动意图识别的最后十年。

本文的其余部分组织如下。节2、运动意图识别方法基于sEMG-driven肌肉骨骼模型的研究进展。节3,我们将讨论各种毫升discrete-motion分类方法和连续动作回归。节4,本文提出了一个简洁的结论。

2。sEMG-Driven女士基于模型的运动意图识别

面肌不稳定和microelectric信号振幅都集中在-10 - 0.01 mV,和频率主要集中在20 - 500 Hz,尤其是在50 - 150赫兹(20.]。因为约30 - 150 ms生成相应的运动前,面肌运动估计(意图是一个理想的选择20.,21]。图1基于表显示了人机交互过程。在整个生产过程中,人类运动意图识别是最关键的部分。它可以通过两种方式实现:sEMG-driven女士模型和ML模型。

sEMG-driven肌肉骨骼模型可以分为三个子,即。,activation model, contraction model, and musculoskeletal geometry model, as shown in Figure2(10]。作为模型的输入,原始表信号应由高通滤波预处理、全波整流、低通滤波和归一化3]。对于激活模型,肌肉激活之间的关系((t))和面肌电信号处理信号( )的肌肉在时间可以表示为下列方程(3,22]: 在哪里 是一个非线性形状系数的肌肉号码吗我。收缩模型,Hill-type肌肉模型总是使用,如图3(23]。力产生的肌肉肌腱单位( )可以由 在哪里和表示肌腱和最大等长肌肉力量。 , ,和通用force-length、通用force-velocity和并行被动弹性force-length曲线的肌肉号码吗我,分别。表示pennation角,它被定义为肌肉纤维和肌腱之间的角3,22]。肌肉骨骼的几何模型,当下手臂肌肉肌腱单位( )可以被定义为 在哪里联合角度和吗是肌肉肌腱长度。可以通过计算 在哪里和分别代表肌腱和肌肉纤维的长度(3,10]。因此,联合时刻可以由以下方程(3]: 在哪里和表示数量的受体激动剂和拮抗剂肌肉作用于关节,分别。关节角加速度( )可以通过联合提出动力学计算(23,24]。 在哪里代表联合惯性和包括外部扭矩和四肢重力力矩。因此,关节角速度( )和角( )可以通过计算 有几个sEMG-driven肌肉骨骼模型中的未知参数,参数识别通过初步试验是必要的。汉et al。23和丁等。24)建立了一个整数表模型直接估计肘关节的连续动作,和一个闭环预示校正方法。初步实验结果表明,根均方误差(RMSE)之间的角度和角速度估计和实际值大约是0.10 rad 0.15 rad / s,和周围的相关系数(CC)是0.99和0.91,分别。劳埃德et al。22)利用修改Hill-type肌肉模型来估计肌肉力量和膝盖的时刻。平均CC 0.91和平均残余误差(绝笔)观察12海里。Karavas [3]采用常见的sEMG-driven肌肉骨骼模型来估计膝力矩,轨迹和刚度的趋势。结果表明,归一化均方根误差是0.12估计和实际值之间的关系。研究Sartori et al。10],multi-DOF sEMG-driven模型开发评估下肢肌肉力量和关节的时刻。结果表明,平均归一化平均绝对误差(MAE)的联合三个下肢约0.15的时刻。

3所示。基于机器学习的运动意图识别

基于机器学习(ML)的运动意图识别可以分为两组:discrete-motion分类和连续动作回归。对于前者,表之间的映射和discrete-motion上/下四肢需要建立。常见的分类下肢运动包括散步、跑步,sit-to-stand, stand-to-stand,楼梯上升,楼梯后裔。和常见的分类上肢运动包括肩弯曲/扩展/内收/绑架,屈肘/扩展,手腕弯曲/扩展/径向偏差/尺侧偏移,拇指弯曲/扩展/内收/绑架、索引弯曲/扩展,中指弯曲/扩展,无名指弯曲/扩展,垃圾的手指弯曲/扩展,手抓住,捏抓(25,26]。对于后者,面肌和连续动作之间的映射的上/下四肢需要构造。常见的退化的四肢运动包括角度,角速度,角加速度,力量,和臀部,膝盖,脚踝,肩、肘、腕关节。与前者相比,一个成熟的方法,后者是更有价值的平滑控制穿着机器人,将是未来研究的重点20.]。

3.1。基于机器学习的Discrete-Motion分类

表1回顾了最近研究discrete-motion分类。如图1、特征提取和分类模型建设是两个最重要和关键步骤discrete-motion分类。常用功能主要可以分为时域特性、频域特性,和时频域特性。对于时域特性,意味着绝对值(飞行器)[27- - - - - -32],均方根(RMS) [29日,31日],方差(VAR) [29日,31日),标准偏差(SD) [29日),零计数(佐)(27,29日,32),波形长度(WL) [27,29日,32],斜率变化迹象(SSC) (29日,32),综合肌电图(IEMG) [33),平均绝对差值(DMAV) [27通常使用。虽然时域特性的计算很简单,这是不足以描述信号的信息。的频域特性,峰值频率(PF)、中值频率(MF)和平均功率频率(MPF)通常利用。它只是用于分析肌肉的疲劳34]。傅里叶变换的时频域特性,特性(27)和小波变换特性(35)是常用的。虽然可以获得信号的综合信息,面肌电信号的提取过程是复杂和耗时。当多通道面肌信号用于特征提取,特征冗余经常存在。因此,降维算法,通常采用了主成分分析,需要多通道特征提取(20.]。

基于支持向量机分类模型有能力解决非线性二元分类问题,构建一个最优分类超平面的最大利润率将两类样本(25]。为解决multiclassification问题,one-versus-one SVM, one-versus-rest SVM,多步SVM等是常见的利用。Babita et al。36)使用线性支持向量机和小波包变换对二进制肘部弯曲和扩展进行分类。该方法观察分类精度为91.1%。杨et al。37)分类八手势包括棕榈扩展,手掌向下,手掌向上,棕榈enstrophe手掌外翻,拳头向下,拳头向上,利用遗传算法优化的支持向量机和紧握。功率谱密度是用于特征提取。测试结果表明,训练和识别精度可达到99.37%和90.33%,分别。隋et al。38)利用一种改进的支持向量机分类六上肢动作,也就是说,屈肘,手肘扩展,手腕内部旋转,外部旋转手腕,拳头紧握,拳头展开。能量和小波包系数的方差被选为特征向量。结果表明,平均识别精度可以达到90.66%。Cai et al。25]采用one-versus-one SVM分类五上肢动作,即肩弯曲,肩膀绑架,内部旋转,外部旋转和肘部弯曲。结果表明,分类精度可以达到94.18%。锅等。39]分类六个手指运动,即拇指弯曲,食指弯曲,弯曲中指、无名指弯曲,垃圾利用one-versus-one SVM手指弯曲。相对能量的小波包系数被选为分类器的输入特征。结果表明,识别精度达到97.78%。陈等人。40)利用两步SVM分类七上肢动作,即肩弯曲,肩膀扩展,肩内收,肩膀绑架,屈肘,手肘扩展。通过提取RMS作为输入功能,分类时间短,能获得更准确的结果。奈克et al。41)开发了一种双SVM分类等七种运动手腕弯曲,无名指和中指弯曲,手腕弯曲对垃圾的手指,手腕向拇指弯曲,手指和手腕弯曲,手指和手腕弯曲向垃圾对拇指和手指和手腕弯曲。这个方法观察分类精度为84.83%。

LDA,再邻居的事例),朴素贝叶斯(NB),二次判别分析(QDA),随机树(RT),随机森林(RF)等也是常见的利用支持向量机等分类器。刘等人。42)采用混合LDA分类13手势包括拳头,打开手,径向偏差,尺侧偏移,手腕弯曲,手腕扩展,手掌向下,旋后,好捏,关键控制,抓住球,圆柱掌握。平均分类精度可以达到88.74%这个方法。Dhindsa et al。43)四个分类器相比,即LDA、NB,事例,五类膝盖和支持向量机分类的角度。15特性包括时域特征,频域特性和自回归系数作为输入向量。结果表明,分类精度与LDA NB,事例,和支持向量机分类器可能达到71.6%,75.1%,87.9%,和92.2%,分别。Pancholi et al。33)分类等七种手势的手打开,手,手腕弯曲,手腕扩展,软的,中等引人入胜,扣人心弦的利用LDA和困难,事例,QDA,支持向量机,RT和射频。九个七时域特性和频域特征提取作为输入向量。结果表明,射频的最大分类精度(99.54%),和LDA的最小分类精度(75.38%)。扁et al。11]利用LDA,射频、NB和SVM分类八手动作,包括水的瓶盖,捻转一个键,按自动铅笔,按一个指甲刀,粗加工的“开枪”姿态,粗加工的“岩石”的手势,粗加工的“ok”的手势,和预成型“是的”的手势。IEMG、SD、均方根、强积金和MF被选为输入功能。分类精度91.67% LDA,射频分类精度为87.50%,NB分类精度为86.83%,和92.25%这一研究获得的支持向量机的分类精度。Alomari et al。12事例QDA) LDA相比,在分类八手动作,也就是说,手腕弯曲,手腕扩展,尺侧偏移,径向偏差,控制,张开的手,捏,圆柱形的话题。样本熵、RMS myopulse百分率(MYOP)和差分绝对标准偏差值(DASDV)被选为特征。结果表明,分类精度与LDA QDA,基于事例和分类器可能达到98.56%,93.42%,和94.25%,分别。

如图4,安建立分类模型有能力学习的复杂非线性模式通过调整一组自由参数称为突触权重。典型的浅安架构由一个输入层、隐藏层和输出层。每一层有一个权重矩阵,一个偏差向量,和一个输出向量。数量的神经元在输入的数量是由功能得到从上面的方法和在输出是由运动需要分类的数量。Oleinikov et al。27通过使用ANN)分类的手势。输入特性包括四个时域特征(飞行器,DMAV,佐,和王)和两个样品两个频域特性。双曲正切乙状结肠传递函数用于25隐藏神经元和神经元SoftMax函数输出。结果显示82%的离线分类精度为八个手势和91%的准确率六个手势。Oweis et al。44)采用ANN分类五个动作包括掌握扩展,弯曲,尺骨偏差和径向偏差。十七岁的时间和时间序列域特性被用作输入神经元。拟议的安时隐层神经元包括30和5在输出层神经元。结果表明,平均分类精度可以达到96.7%。鬃毛et al。35利用ANN分类张开手掌,封闭的手掌和手腕手运动的延伸。离散小波变换用于特征提取。安架构考虑本研究由两个神经元在输入层、十神经元隐层,三层神经元的输出。平均识别率93.25%是观察的方法。两个级联神经网络研究中利用Gandolla et al。30.)来检测三个手掌握动作,即打尖,抓住对象的把握。两个人工神经网络具有相同的1025个神经元,即。,pattern vectors, in the input layer, 25 neurons in the hidden layer, and 2 neurons in the output layer. In the first ANN, pattern vector was classified in clusters. And in the second ANN, the clusters containing more than one task were then classified. The preliminary experiment results illustrated that the proposed method had 76% accuracy for hand motion intention. Ahsan et al. [29日安)设计一个最优结构与七个神经元(飞行器,RMS, VAR, SD,佐,SSC,和WL)在输入层,十tan-sigmoid神经元隐层,和四个线性输出层神经元。平均成功率为88.4%,获得了单通道分类表的信号。沈et al。21)利用神经网络集成和三个bp神经网络,识别sit-to-stand运动的阶段。面肌电信号特征从四个下肢的肌肉和两个地面反作用力(降维)被作为该网络的输入特征。对于每一个BP网络,有六个神经元在输入层和5在线性输出层神经元。和tan-sigmoid隐藏层三BP网络是12,13和15个神经元,分别。初步实验结果表明,该方法的识别精度约为93.48%。

DL是人类运动近年来极大地用来分类,因为它提高了非线性模型和识别的准确性。运动分类的常用方法包括卷积神经网络(CNN),递归神经网络(RNN)和堆叠auto-encoder (SAE)。CNN的一个典型的体系结构如图5由输入层、卷积层、汇聚层,完全连接层和输出层。公园(14]采用深功能基于卷积神经网络分类学习模型六种不同的手势包括小费捏,移动四个手指抓住,权力掌握,掌握平行延伸,横向抓住,打开一瓶三脚架。该模型是由一个输入层,四个卷积层,四个池层和两个完全连接层。结果表明,该方法的分类精度可以达到90%。Asai et al。15]估计四个手指运动,即拇指打开,拇指近,手指除了拇指打开,除了拇指和手指接近,基于面肌电信号的频率转换使用卷积神经网络。该方法包含两个双convolution-pooling层和两层完全连接。初步实验结果表明运动估计的准确性达到83%。RNN的布鲁里溃疡等。45]利用五层复发log-linearized高斯混合网络(R-LLGMN)分类六运动包括弯曲、扩展,手掌向下,旋后,抓住,打开。平均识别精度为88.4%,观察此方法。SAE, Orjuela et al。46)采用基于auto-encoder深安对五类的手腕角度进行分类。离散小波变换被用来实现12个特征的提取。款架构由sixty-neuron输入层,一个five-neuron auto-encoder层,four-neuron隐层和five-neuron输出层。结果表明,分类精度平均约73.41%五手腕的位置。

一般来说,运动的描述discrete-motion分类是相对简单的,和没有统一的分类标准。此外,用于分类是预定义的类型的运动。不可归类的条件下会发生当出现未定义的运动类型(20.]。

3.2。基于机器学习的连续动作回归

运动分类只能认识一些离散的身体运动,而不是用于光滑可穿戴机器人的控制。因此,连续动作回归,估计比前者更运动信息,将成为新的焦点。类似于sEMG-driven肌肉骨骼模型运动意图识别、表之间的映射和关节角度,角速度,角加速度,或关节时刻也可以由毫升。建立基于常用毫升的连续动作回归方法包括浅安和DL。因此,两种回归方法将在本节主要讨论。表2回顾了最近研究连续动作回归。

3.2.1之上。之间的映射表和关节运动学

关节运动学的回归,表之间的映射和关节角普遍建立。估计角作为控制系统的输入信号可穿戴机器人实现准确的角轨迹跟踪。安深相比,安浅是最常见的方法基于面肌关节运动学回归。深安现在仍处于发展阶段,在未来将广泛应用。

上肢运动估计,Luh et al。47)估计的角度使用摘要肘关节。第一层由16个过滤面肌功能节点。第二个隐藏层是由240个节点和第三层有一个角输出节点。仿真结果表明该方法能够评估肘角与令人满意的精度。陈等人。48)采用了分层投影回归(HPR)使用面肌肘角的估计。HPR项目最初的日期到较低的特征空间来实现当地精制面肌和人类运动之间的映射。观察平均回归误差为9.8度的初步实验。Raj et al。49)利用多层感知器神经网络(MLPNN)和径向基函数神经网络(时滞)大小来识别人的前臂运动学。IEMG的特点和佐提取作为输入信号。结果表明,时滞有更好的识别平均大小CC角度和角速度的0.76和0.39,分别。王等人。50)也利用时滞地图大小面肌和肘部关节角之间的关系。高斯函数是输入层和隐层之间使用。实验结果表明,RMSE和CC在0.043和0.905,分别。Kwon et al。51]估计上肢运动利用前馈神经网络(FFNN)。网络的输入条件是面肌的微型飞行器和角速度。输出条件估计肘部和肩膀关节的角度。Ngeo et al。52)采用FFNN建立手指关节角和面肌信号之间的非线性关系。该网络包括一个eight-nodes输入层,tan-sigmoid隐层的激活函数,fourteen-nodes线性输出层。结果表明,预测和实际的手指关节角之间的相关性达到0.92。被用于隐层神经元,三十个。结果表明,平均NRMSE为8.5度左右。夏et al。13)实现循环卷积神经网络(RCNN)结合RNN的属性和CNN估计上肢的运动。如图6,提出RCNN架构是由一个输入层,三个卷积层,两层池,两个长短期记忆(LSTM)层,和一个输出层。平均CC RCNN提议获得了93%的方法。

下肢运动估计,Zhang et al。53)使用摘要建立表之间的映射和关节角的脚踝,膝盖和臀部。该网络由sixty-neuron输入层,twenty-neuron隐藏层,three-neuron输出层。结果表明,不同腿动作的平均误差小于9度。江et al。5开发了一个基于面肌电信号的实时控制方法。原始表的信号处理,然后输入一个基础课FFNN模型建立表之间的映射关系和膝关节角度。提出了网络,五表信号是输入层的神经元和膝关节角是输出层的神经元。第一个隐层的神经元数量是23日和第二个隐藏层13岁。初步实验结果表明,CC的平均值是0.963。安瓦尔et al。54)估计,膝关节角度基于广义回归神经网络(GRNN)。实验结果说明,MSE运用GRNN的多尺度小波变换特性是1.57左右。Mefoued [18)开发了一种时滞面肌电信号之间的非线性映射信号大小和所需的膝角。本研究中的时滞架构考虑大小是由两个神经元在输入层、隐层神经元5与,和一个在线性输出层神经元。和非线性径向基函数利用激活函数。膝盖的位置估计的最大均方根误差等于1.34度。

3.2.2。面肌和关节动力学之间的映射

联合动力学回归,表之间的映射和联合部队或时刻通常构造。一方面,估计力或力矩作为控制系统的输入信号可穿戴机器人实现精确的转矩轨迹跟踪。另一方面,估计,估计前一节的角度作为输入信号来实现准确的双闭环阻抗控制。相比,关节运动学回归,回归动力学的研究比较少见。

上肢运动估计,Ziai et al。55)估计,腕关节力矩使用基于表的安。提出了网络与一个8-neuron输入FFBPNN使用层,两个隐藏层,和一个扭矩输出层。观察NRMSE平均2.8%。Yokoyama et al。8)利用ANN预测handgrip-force面肌电信号。该网络由一个输入层,四个隐藏层和一个输出层。RMS特征从四个表信号作为输入层和估计handgrip-force作为输出层。隐层,64年,32岁,16日和8个神经元被用于每个隐层,分别。实验结果表明,平均预测和观察到的部队之间的CC是0.84。Naeem et al。11]估计人类手臂肌肉力量通过实现一个摘要。提出网络利用整流平滑面肌电信号作为输入来生成估计肌肉力量作为输出。结果表明提出的CC模型和Hill-type模型可以超过0.99。

下肢运动估计,佩纳et al。19)提出了一种多层感知器神经网络面肌信号映射到膝盖扭矩和刚度。面肌电信号的信号输入信号,膝关节角度,角速度和输出信号估计膝盖扭矩和刚度。二阶滑模控制是控制辅助设备开发利用所需的膝角。Chandrapal et al。56)建立了一个五面肌电信号的信号之间的映射和膝关节力矩通过实现安。有三个隐层神经元的多层感知器(MLP)和三个神经元完全连接级联(FCC)网络。结果表明,均值最低估计误差可以达到10.46%的提议的方法。Ardestani et al。57)开发了一个通用的多维小波神经网络算法)来预测人体下肢关节的时刻。总共十输入包括八个表确定信号和两个平组件作为算法的输入和三个联合下肢的时刻被确定为输出。结果表明,提出的算法可以估计联合时刻高水平的准确性,NRMSE和CC超过0.94不到10%。Khoshdel et al。4)开发了一个优化的安(一个输入层、两个隐藏层和一个输出层)为膝盖力量估计。输入层由四个预处理面肌信号和输出层由估计的力量。3.45得到的总误差提出了优化安。

4所示。结论

在这项研究中,基于面肌运动意图识别的最新先进的研究讨论了基于两种方法:sEMG-driven肌肉骨骼模型和基于机器学习的模型。sEMG-driven肌肉骨骼模型,基本造型理论和模型从不同的性能进行了分析研究。对于基于机器学习的模型,特征提取和分类模型建设discrete-motion分类,和表之间的映射建立和关节运动学/动力学连续动作回归了。此外,存在的优点和缺点不同的运动意图识别方法讨论了根据应用程序的不同目的。

可以注意到,很难找到一个基于面肌电信号的识别方法,可以估算所有人类运动的意图完全和彻底。由于缺乏日常重复性和长时间的培训过程中,基于当前存在面肌运动意图识别方法仍在实验室应用阶段,其中一些是真正市场化。深度学习方法有一个重要的负面影响基于提高识别精度,将成为未来发展的趋势。一般来说,该方法只适用于特定的用户和运动模式。提高识别方法的鲁棒性和实用性是非常重要的。和发展更精确和实时人类运动意图识别方法在未来仍将是一个至关重要的挑战。

的利益冲突

作者宣称没有利益冲突。

引用

1. k·a·施特劳斯和h . Kazerooni人机界面的开发和测试一个移动医疗外骨骼,”学报2011年IEEE / RSJ智能机器人和系统国际会议:庆祝50年的机器人——“112011年9月,页4911 - 4916。视图:谷歌学术搜索
2. r·m·辛格s Chatterji, A . Kumar“回顾基于表面EMG外骨骼机器人的控制方案中风康复,”《2013年国际会议上机器智能研究和发展,ICMIRA 201312月,页310 - 315,印度,2013。视图:谷歌学术搜索
3. n . Karavas a . Ajoudani n . Tsagarakis j . Saglia a . Bicchi d·考德威尔,“Tele-impedance基础辅助控制兼容的膝盖外骨骼,”机器人和自治系统卷,73年,第90 - 78页,2015年。视图:出版商的网站|谷歌学术搜索
4. 诉Khoshdel和a . Akbarzadeh“人文力的优化的人工神经网络估计:影响康复机器人,”工业机器人:国际期刊,45卷,不。3、416 - 423年,2018页。视图:出版商的网站|谷歌学术搜索
5. 张j .江z z . Wang和j .钱”研究使用肌电信号实时控制外骨骼的膝盖,”生命系统建模和智能计算卷,6330在计算机科学的课堂讲稿施普林格,页75 - 83年,柏林,海德堡,2010年。视图:出版商的网站|谷歌学术搜索
6. r·a·r·c·Gopura d . s . v . Bandara k . Kiguchi和g·k·曼,“发展活跃的上肢外骨骼机器人的硬件系统:复习一下,”机器人和自治系统卷,75年,第220 - 203页,2016年。视图:出版商的网站|谷歌学术搜索
7. w·霍,穆罕默德,j·c·莫雷诺和y Amirat“下肢可穿戴辅助和康复机器人:一个国家的艺术,“IEEE系统杂志,10卷,不。3、1068 - 1081年,2016页。视图:出版商的网站|谷歌学术搜索
8. m . Yokoyama r .小山,m .平贺柳泽”评估hand-force使用人工神经网络预测回归模型表面emg信号handwear设备,“杂志上的传感器卷,2017篇文章ID e3980906, 12页,2017。视图:出版商的网站|谷歌学术搜索
9. p . Artemiadis”EMG-based机器人控制接口:过去、现在和未来,“机器人与自动化的进步,1卷,不。2、1 - 3,2012页。视图:出版商的网站|谷歌学术搜索
10. m . Sartori m .而d .淀粉d·g·劳埃德和p . l .蛀木水虱”EMG-driven forward-dynamic估计肌肉力量和关节力矩关于人类下肢多个自由度,”《公共科学图书馆•综合》,7卷,不。12篇文章ID e52618 1 - 11, 2012页。视图:出版商的网站|谷歌学术搜索
11. f .扁,r·李,p .梁,“基于支持向量机的同时手的动作分类使用面肌电信号的信号,”学报14 IEEE机电一体化和自动化国际会议上,2017年国际资本日本,页427 - 432年,2017年8月。视图:谷歌学术搜索
12. f . AlOmari g·刘,“前臂面肌电信号中提取信号的分析利用LDA, QDA,事例分类算法,”开放的自动化和控制系统》第六卷,没有。1,第116 - 108页,2014。视图:出版商的网站|谷歌学术搜索
13. p .夏、j·胡和y Peng”EMG-based肢体运动估计使用深度学习和反复卷积神经网络,”人造器官,42卷,不。5,E67-E77, 2017页。视图:出版商的网站|谷歌学术搜索
14. K.-H。公园和S.-W。李”运动意图解码基于深度学习的多用户肌电的接口”第四届国际冬季会议学报》在脑机接口,BCI 2016,页1 - 2日,韩国,2016年2月。视图:谷歌学术搜索
15. k . Asai和n . Takase“手指运动估计基于变频EMG信号和使用卷积神经网络图像识别,”17学报》国际会议控制、自动化和系统,ICCAS 2017,页1366 - 1371年,韩国,2017年10月。视图:谷歌学术搜索
16. n . Nazmi m·阿卜杜勒·拉赫曼山本,s·艾哈迈德·h·Zamzuri和s .担当这一“回顾EMG信号的分类技术在等张收缩,“传感器,16卷,不。1304年,28,2016页。视图:出版商的网站|谷歌学术搜索
17. r·h·Chowdhury m . b . i Reaz m·a·b·阿里et al .,“表面肌电图信号处理和分类技术,”传感器,13卷,不。9日,第12466 - 12431页,2013年。视图:出版商的网站|谷歌学术搜索
18. 美国Mefoued”,一个二阶滑模控制和神经网络驱动膝关节驱动矫正法,“Neurocomputing卷,155年,第79 - 71页,2015年。视图:出版商的网站|谷歌学术搜索
19. g . g .佩纳l . j . Consoni w·m·桑托斯和a . a . Siqueira”一个最优的可行性EMG-driven自适应阻抗控制应用于一个活跃的膝盖矫正法,“机器人和自治系统卷,112年,第108 - 98页,2019年。视图:出版商的网站|谷歌学术搜索
20. 问:叮,A Xiong,赵x”回顾sEMG-based运动意图识别方法的研究和应用,“《自动化学报》,42卷,不。1,这边是,2016页。视图:谷歌学术搜索
21. h .沈问:歌曲,x邓et al .,“识别阶段在sit-to-stand运动的神经网络集成(向)力量协助机器人,”学报2007年IEEE机器人仿生学,国际会议上ROBIO12月,页1703 - 1708,中国,2007。视图:谷歌学术搜索
22. d·g·劳埃德和t . f . Besier EMG-driven肌肉骨骼模型来估计体内肌肉力量和膝关节的时刻,”生物力学杂志,36卷,不。6,765 - 776年,2003页。视图:出版商的网站|谷歌学术搜索
23. j .汉丁,A .熊和x赵,“非整数EMG模型估计连续联合运动,”IEEE工业电子产品,卷62,不。7,4267 - 4275年,2015页。视图:出版商的网站|谷歌学术搜索
24. 问:叮,A . b .熊x g .赵和j·d·汉”小说EMG-driven估计连续状态空间模型联合运动,”国际会议系统的程序,第2897 - 2891页,2011年。视图:谷歌学术搜索
25. 陈Cai, y, s .黄et al .,“基于svm的分类sENG信号上肢self-rehabilitation训练,”Neurorobotics前沿,13卷,不。31日,1 - 10,2019页。视图:出版商的网站|谷歌学术搜索
26. m . Atzori a . Gijsberts c Castellini et al .,“非侵入性肌电图数据控制机器人假肢手,“科学数据,53卷,不。140053年,2014年。视图:出版商的网站|谷歌学术搜索
27. a . Oleinikov b Abibullaev、a . Shintemirov和m . Folgheraiter”特征提取和实时识别的运动意图通过人工神经网络,从肌电图”学报第六届国际会议在脑机接口,BCI 2018韩国,页1 - 5,2018年1月。视图:谷歌学术搜索
28. s . Kyeong w·d·金,j .冯和j·金,“EMG-based运动意图的实现问题检测体外骨骼机器人”美国27日IEEE机器人和人类互动交流,国际研讨会RO-MAN 2018,页915 - 920,中国,2018年8月。视图:谷歌学术搜索
29. m·r·Ahsan Ibrahimy, o . o .哈利法,“EMG运动通过设计和优化神经网络模式分类,”生物医学工程学报2012年国际会议上,ICoBE 2012马来西亚,页175 - 179年,2012年2月。视图:谷歌学术搜索
30. m . Gandolla s, g . Ferrigno et al .,“人工神经网络EMG分类器功能的手抓住运动预测,“国际医学研究杂志》上,45卷,不。6,1831 - 1847年,2017页。视图:出版商的网站|谷歌学术搜索
31. f·a·s·戈麦斯,d . e . g . Villamarin w·a·r·鲁伊兹et al .,“比较先进的控制技术的运动意图识别使用EMG信号”学报2017年IEEE 3日哥伦比亚会议上自动控制(CCAC)2017年10月,页1 - 7,。视图:出版商的网站|谷歌学术搜索
32. s . Kyeong w . Shin和j .金”预测行走意图使用面肌和机械传感器对各种环境,”学报》第四十届IEEE工程国际会议在医学和生物学的社会,EMBC 2018,页4414 - 4417,美国,2018年7月。视图:出版商的网站|谷歌学术搜索
33. s . Pancholi a . m . Joshi et al .,“便携式上肢假肢应用肌电图数据采集模块,“IEEE传感器杂志,18卷,不。8,3436 - 3443年,2018页。视图:出版商的网站|谷歌学术搜索
34. j·l·庞斯可穿戴机器人:生化机电外骨骼约翰•威利父子有限公司西萨塞克斯郡,2008年。
35. s . m .鬃毛,r . a . Kambli f·s . Kazi和n·m·辛格“手运动识别从单通道表面EMG使用小波和人工神经网络,”Procedia计算机科学卷,49 58 - 65、2015页。视图:谷歌学术搜索
36. Babita, p . Kumari y Narayan, l·马修”二进制面肌运动分类使用线性支持向量机和小波包变换,信号”学报第一IEEE国际会议上电力电子、智能控制和能源系统,ICPEICES 20162016年7月,页1 - 4、印度。视图:谷歌学术搜索
37. 杨,y柴,j . Ai,金黄色的太阳,和c·刘,“手运动识别基于遗传算法优化的支持向量机使用面肌电信号的信号,”学报2018年11日计算智能和设计国际研讨会(ISCID)杭州,页146 - 149年,中国,2018年12月。视图:出版商的网站|谷歌学术搜索
38. x隋,k . Wan y . Zhang et al .,“面肌电信号模式识别的基于小波包变换和改进的支持向量机,”Optik——国际期刊光和电子光学卷,176年,第235 - 228页,2019年。视图:出版商的网站|谷歌学术搜索
39. j .锅b·杨s Cai et al .,“手指运动基于表支持向量机模式识别,”继续IEEE国际会议上的Cyborg和仿生系统,2017年,页1 - 7。视图:谷歌学术搜索
40. 陈y, y周、程x和y,“上肢运动识别基于两步表面EMG SVM分类方法,”国际期刊的控制和自动化》第六卷,没有。3、249 - 266年,2013页。视图:谷歌学术搜索
41. g·r·奈克,d·k·库马尔和Jayadeva“双子支持向量机的手势使用表面肌动电流图分类,“IEEE在生物医学信息技术,14卷,不。2、301 - 308年,2010页。视图:出版商的网站|谷歌学术搜索
42. 张x j . Liu, d, x朱,“使用Mixed-LDA肌电的模式识别,提高培训”学报2014年第36届IEEE工程国际会议在医学和生物学的社会,EMBC 20142014年8月,页14日至17日,美国。视图:谷歌学术搜索
43. i s Dhindsa r·阿加瓦尔和h s Ryait“绩效评估各种分类器预测膝关节角度从肌电图信号,”专家系统与应用程序卷。11日,1 - 14,2019页。视图:谷歌学术搜索
44. r . j . Oweis r . Rihani, a . Alkhawaja“ANN-based EMG分类肌电的控制,”国际医学工程和信息学杂志》上》第六卷,没有。4、365 - 380年,2014页。视图:出版商的网站|谷歌学术搜索
45. Bu n、o .福田和t .信“EMG-muscle运动歧视递归神经网络小说,“智能信息系统杂志》上,21卷,不。2、113 - 126年,2003页。视图:出版商的网站|谷歌学术搜索
46. 公元Orjuela-Canon、a . f . Ruiz-Olaya和l . Forero“深层神经网络EMG信号分类手腕位置:初步结果,”学报2017年IEEE拉丁美洲会议上计算智能,LA-CCI 20172017年11月,页1 - 5,。视图:谷歌学术搜索
47. G.-C。Luh j j。Cai, Y.-S。李,“估计肘部运动强度下不同重量的升降运动使用EMG-Angle神经网络模型,”学报》第16届国际会议在机器学习和控制论,ICMLC 2017,页640 - 645,中国,2017年7月。视图:谷歌学术搜索
48. 陈y、x赵和j .汉”分层投影回归在线估计肘关节角度利用EMG信号,”神经计算和应用,23卷,不。3 - 4、1129 - 1138年,2013页。视图:出版商的网站|谷歌学术搜索
49. r . Raj r . Rejith总督和k Sivanandan“实时识别人的前臂运动学使用人工神经网络模型,从表面EMG信号”Procedia技术25卷,44-51,2016页。视图:出版商的网站|谷歌学术搜索
50. y s . Wang高,j .赵t·杨朱y,“预测sEMG-based震颤关节角使用RBF神经网络,”学报2012年9日IEEE机电一体化和自动化国际会议上,2012年国际资本,页2103 - 2108,中国,2012年8月。视图:谷歌学术搜索
51. Kwon和j .金正日“实时上肢运动估计从表面肌电图和关节角速度为人机合作,使用人工神经网络”IEEE在生物医学信息技术,15卷,不。4、522 - 530年,2011页。视图:出版商的网站|谷歌学术搜索
52. j . Ngeo t Tamei, t . Shibata”连续使用肌肉活动手指关节角输入估计从表面EMG信号”学报的国际会议在医学和生物工程协会IEEE,第2759 - 2756页,2012年。视图:谷歌学术搜索
53. f·张,p . Li z侯et al .,“sEMG-based连续估计人类的腿的关节角利用BP神经网络,”Neurocomputing,卷78,不。1,第148 - 139页,2012。视图:出版商的网站|谷歌学术搜索
54. t·瓦尔、y . m .昂和a . Al Jumaily“膝关节角的估计基于广义回归神经网络(GRNN)”学报2015年IEEE机器人和智能传感器(IRIS)国际研讨会兰卡威,页208 - 213年,马来西亚,2015年10月。视图:出版商的网站|谷歌学术搜索
55. a . Ziai和c·梅农比较估计回归模型的等距腕关节力矩使用表面肌电图,“神经工程学和康复杂志》上,8卷,不。56岁的1 - 12,2011页。视图:出版商的网站|谷歌学术搜索
56. w·h·m·Chandrapal a . Chen王et al .,“调查改进神经网络为基础的肌电图联合转矩估计,“行为杂志》上的机器人,卷2,不。4、185 - 192年,2011页。视图:谷歌学术搜索
57. m . m . Ardestani x张王l . et al .,“人体下肢关节时刻预测:小波神经网络的方法,”专家系统与应用程序第41卷。。9日,第4433 - 4422页,2014年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019 Zhang et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。