[论文解读] Recognition of basic hand movements using Electromyography

Christos Sapsanis|arXiv (Cornell University)|Oct 23, 2018

Muscle activation and electromyography studiesEngineering参考文献 5被引用 17

一句话总结

本研究提出了一种利用表面肌电图（sEMG）信号识别六种基本手部动作的系统。该系统采用经验模态分解（EMD）进行降噪，利用RELIEF和主成分分析（PCA）进行特征选择与降维，使用商用Delsys系统时分类准确率超过80%，使用自研Arduino驱动的肌电图手套时准确率为75%。

ABSTRACT

The aim of this work was to identify six basic movements of the hand using two systems. Being an interdisciplinary topic, there has been conducted studying in the anatomy of forearm muscles, biosignals, the method of electromyography (EMG) and methods of pattern recognition. Moreover, the signal contained enough noise and had to be analyzed, using EMD, to extract features and to reduce its dimensionality, using RELIEF and PCA, to improve the success rate of classification. The first part uses an EMG system of Delsys initially for an individual and then for six people with the average successful classification, for these six movements at rates of over 80%. The second part involves the construction of an autonomous system EMG using an Arduino microcontroller, EMG sensors and electrodes, which are arranged in an elastic glove. Classification results in this case reached 75% of success.

研究动机与目标

• 开发一种可靠的方法，用于通过表面肌电图（sEMG）信号对六种基本手部动作进行分类。
• 通过有效的预处理和特征提取，解决sEMG信号中高噪声水平的挑战。
• 设计并评估一种基于Arduino微控制器和可穿戴电极的低成本、自主式EMG系统。
• 比较高端商用EMG系统与自研原型系统在分类性能上的差异。
• 通过RELIEF和PCA的降维方法提升分类准确率。

提出的方法

• 使用Delsys肌电图系统和自研Arduino驱动的可穿戴手套（表面电极）从前臂肌肉采集sEMG信号。
• 应用经验模态分解（EMD）将噪声sEMG信号分解为本征模态函数（IMFs），并提取有意义的特征。
• 使用RELIEF算法根据其区分不同手部动作类别的能力，对特征进行排序并选择最具判别性的特征。
• 应用主成分分析（PCA）在保留数据最大方差的前提下降低特征维度。
• 采用模式识别方法对动作进行分类，并在多名受试者中评估性能。
• 设计并实现了基于Arduino微控制器、肌电传感器和弹性手套的低成本、自主式EMG系统，用于可穿戴信号采集。

实验结果

研究问题

• RQ1 sEMG信号能否在商用系统和自研系统下可靠地对六种基本手部动作进行分类？
• RQ2 经验模态分解（EMD）在降低原始sEMG信号噪声并提取特征方面的有效性如何？
• RQ3 特征选择（RELIEF）和降维（PCA）在多大程度上提升了分类准确率？
• RQ4 高精度商用EMG系统与低成本Arduino原型系统之间的性能差距有多大？
• RQ5 可穿戴、自主式EMG系统能否实现临床或实际应用中可用的分类准确率，用于手部动作识别？

主要发现

• 基于Delsys系统的系统在单名受试者和六名受试者中，对六种手部动作的平均分类准确率均超过80%。
• 自研Arduino驱动的肌电图系统实现了75%的分类准确率，证明了低成本可穿戴系统的技术可行性。
• EMD有效降低了噪声，并从原始sEMG信号中提取了相关信号分量，提升了特征质量。
• RELIEF与PCA的结合显著降低了特征维度，同时保持了较高的分类性能。
• 本研究证实，通过适当的预处理和特征工程，sEMG是一种适用于实时手部动作识别的可行方法。
• 研究结果验证了低成本、可穿戴EMG系统的设计，适用于假肢、康复和人机交互等应用。