深度學(xué)習(xí)技術(shù)在EMG機(jī)械手臂的手勢(shì)控制系統(tǒng)設(shè)計(jì)中的應(yīng)用

1、    深度學(xué)習(xí)技術(shù)在emg機(jī)械手臂的手勢(shì)控制系統(tǒng)設(shè)計(jì)中的應(yīng)用    王柏衡 趙瀟洋關(guān)鍵詞：深度學(xué)習(xí);emg;機(jī)械手臂;手勢(shì)控制系統(tǒng)設(shè)計(jì);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(lái)講，深度學(xué)習(xí)技術(shù)是對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的一種算法，該技術(shù)可以通過(guò)對(duì)大量的未標(biāo)記數(shù)據(jù)進(jìn)行計(jì)算，尋求出這些數(shù)據(jù)之間的表示方法，進(jìn)而將數(shù)據(jù)的表征抽象為數(shù)學(xué)模型，進(jìn)而可以對(duì)其他未知的數(shù)據(jù)進(jìn)行類似于神經(jīng)系統(tǒng)的反應(yīng)判斷工作。例如，在圖像識(shí)別研究領(lǐng)域，機(jī)器可以對(duì)一類動(dòng)物的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)和分類，通過(guò)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(guò)多層的計(jì)算后判斷一個(gè)動(dòng)物是否是貓或者狗

2、。除了圖像識(shí)別領(lǐng)域，深度學(xué)習(xí)算法同樣在諸如翻譯學(xué)習(xí)、語(yǔ)音和手寫(xiě)字符識(shí)別、特征編碼識(shí)別等領(lǐng)域展現(xiàn)了其學(xué)習(xí)和分類計(jì)算能力。利用深度學(xué)習(xí)算法，讓機(jī)器可以更加接近于真實(shí)世界人類的學(xué)習(xí)和思考過(guò)程。1.2 emg技術(shù)emg（肌肉電信號(hào)）是生物電信號(hào)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(zhǎng)歷史的研究。近年來(lái)，生物電技術(shù)與人機(jī)交互設(shè)計(jì)結(jié)合越來(lái)越密切，在醫(yī)療健康領(lǐng)域、包容性設(shè)計(jì)領(lǐng)域（如殘障人士等）、機(jī)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(lái)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(shí)

3、由于嵌入式技術(shù)的發(fā)展，各類單片機(jī)技術(shù)能和肌電傳感器與之相配合，這一套設(shè)備能為計(jì)算機(jī)提供一個(gè)交互接口，解決了曾經(jīng)計(jì)算機(jī)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(jī)的使用場(chǎng)景逐漸豐富起來(lái)。2 深度學(xué)習(xí)技術(shù)在emg機(jī)械手臂的手勢(shì)控制系統(tǒng)設(shè)計(jì)中的應(yīng)用意義將深度學(xué)習(xí)技術(shù)引入emg機(jī)械手臂的手勢(shì)控制系統(tǒng)設(shè)計(jì)中，通過(guò)大量的樣本數(shù)據(jù)使機(jī)器學(xué)習(xí)這些不同手勢(shì)信號(hào)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(jī)器人設(shè)備中有希望的替代方案，總的來(lái)說(shuō)，將深度學(xué)習(xí)技術(shù)應(yīng)用在emg機(jī)械手臂手勢(shì)控制系統(tǒng)設(shè)計(jì)中可以降低研發(fā)成本，簡(jiǎn)化工程方案，還能為設(shè)計(jì)人員提供產(chǎn)品測(cè)試和迭代的交互接口，為實(shí)現(xiàn)智能機(jī)器

4、人的自然運(yùn)動(dòng)手勢(shì)做出一定貢獻(xiàn)。因此，將深度學(xué)習(xí)技術(shù)應(yīng)用于emg機(jī)械手臂的手勢(shì)控制系統(tǒng)設(shè)計(jì)具有一定的意義。3 深度學(xué)習(xí)技術(shù)在emg機(jī)械手臂的手勢(shì)控制系統(tǒng)設(shè)計(jì)中的應(yīng)用思路3.1 用于訓(xùn)練的手勢(shì)設(shè)計(jì)如何將采集到的機(jī)械手臂信號(hào)進(jìn)行分類，進(jìn)一步歸納為易于機(jī)器學(xué)習(xí)使用的編碼數(shù)據(jù)并進(jìn)行訓(xùn)練，是本文的研究重點(diǎn)。因?yàn)槿祟惖碾p手互為手相對(duì)稱，所以本文只選取了左手進(jìn)行運(yùn)動(dòng)分析，定義了兩種腕部動(dòng)作、五個(gè)手指動(dòng)作，其中包括手腕左右轉(zhuǎn)動(dòng)、手腕上下擺動(dòng)，拇指張開(kāi)、食指張開(kāi)、中指張開(kāi)、無(wú)名指張開(kāi)、小指張開(kāi)。為了保證訓(xùn)練數(shù)據(jù)的有效性，張開(kāi)幅度盡量保證與手背在一個(gè)平面，如圖1所示。這些手勢(shì)動(dòng)作被解釋為emg傳感器在單片機(jī)里處理的

5、不同控制命令。3.2 運(yùn)用classification（分類算法）模型訓(xùn)練分類運(yùn)用訓(xùn)練機(jī)器生成一個(gè)分類模型，由于emg 信號(hào)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(duì)未處理的emg信號(hào)進(jìn)行分類，為此開(kāi)發(fā)了一種方便計(jì)算的深度學(xué)習(xí)方案，方便對(duì)emg信號(hào)進(jìn)行分類。分類能正確地分析手勢(shì)運(yùn)動(dòng)以獲得有意義的信號(hào)，有必要對(duì)每個(gè)運(yùn)動(dòng)引起的連續(xù)emg 信號(hào)進(jìn)行多次采樣，以確保信號(hào)樣本數(shù)據(jù)容量足以被訓(xùn)練。在該項(xiàng)目中，對(duì)五種手指手勢(shì)和兩種腕部手勢(shì)進(jìn)行從0至6的編號(hào)，分別為：0號(hào)，大拇指張開(kāi);1號(hào)，食指張開(kāi);2號(hào)，中指張開(kāi);3號(hào)，小指張開(kāi);4號(hào)，無(wú)名指張開(kāi);5號(hào)，手腕擺動(dòng);6號(hào)，手腕旋轉(zhuǎn)。肌

6、肉信號(hào)的刺激由實(shí)驗(yàn)者佩戴emg電極貼片，將每個(gè)手勢(shì)的運(yùn)動(dòng)記錄十次，每次記錄五秒鐘，每次手勢(shì)運(yùn)動(dòng)的時(shí)候盡量保證運(yùn)動(dòng)頻率一致，以保證樣本數(shù)據(jù)盡量準(zhǔn)確可用，之后將收集到的信號(hào)圖像通過(guò)串口傳送給計(jì)算機(jī)，每種手勢(shì)的編號(hào)與對(duì)應(yīng)的信號(hào)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(jìn)行訓(xùn)練，如圖2所示。通過(guò)lstm 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后可以將0至6不同手勢(shì)種類的emg信號(hào)進(jìn)行特征提取，不同的手勢(shì)有著對(duì)應(yīng)的信號(hào)特征，表明訓(xùn)練完成。3.3 利用訓(xùn)練完成后的模型進(jìn)行誤差測(cè)試為了驗(yàn)證誤差，我們可以將機(jī)械手臂與arduino單片機(jī)進(jìn)行連接，將新的emg數(shù)據(jù)通過(guò)計(jì)算機(jī)訓(xùn)練好的模型進(jìn)行分類，發(fā)送給單片機(jī)，最后利用單片機(jī)控制每個(gè)手指

7、上的伺服電機(jī)來(lái)觀察驗(yàn)證不同手勢(shì)的運(yùn)動(dòng)結(jié)果，流程如圖3所示。在這項(xiàng)實(shí)驗(yàn)中，受試者隨機(jī)對(duì)兩種腕部運(yùn)動(dòng)和五種手指運(yùn)動(dòng)進(jìn)行測(cè)試，每次運(yùn)動(dòng)時(shí)長(zhǎng)為五秒左右，每次運(yùn)動(dòng)時(shí)間間隔為二至五秒，且該時(shí)間間隔處理交給單片機(jī)進(jìn)行優(yōu)化，為了保證分類的準(zhǔn)確性，規(guī)定每次手勢(shì)運(yùn)動(dòng)只允許一種手勢(shì)進(jìn)行運(yùn)動(dòng)，以確保信號(hào)的準(zhǔn)確性。表1是深度學(xué)習(xí)分類模型對(duì)每種手勢(shì)的識(shí)別準(zhǔn)確率取的平均值，classificationrate（識(shí)別準(zhǔn)確率）的值越大代表準(zhǔn)確率越高。實(shí)驗(yàn)的結(jié)果表明，利用深度學(xué)習(xí)進(jìn)行emg機(jī)械手臂的手勢(shì)分類評(píng)估工作是有效的，深度學(xué)習(xí)可以對(duì)不同手勢(shì)產(chǎn)生的emg信號(hào)進(jìn)行學(xué)習(xí)和區(qū)分。這項(xiàng)研究更加說(shuō)明了深度學(xué)習(xí)技術(shù)在emg機(jī)械手臂產(chǎn)品中的可用性，設(shè)計(jì)人員可以利用該研究方法設(shè)計(jì)更多的機(jī)械手勢(shì)動(dòng)作，例如端水杯、操作鼠標(biāo)、鍵盤(pán)打字、做手語(yǔ)手勢(shì)等。此外，設(shè)計(jì)人員不再需要與技術(shù)人員再去為每項(xiàng)手勢(shì)進(jìn)行動(dòng)作優(yōu)化，只需要向機(jī)器提供更多的手勢(shì)樣本數(shù)據(jù)，便可以完成手勢(shì)動(dòng)作優(yōu)化工作。4 結(jié)語(yǔ)在本文中，我們提出了一種利用人工智能技術(shù)來(lái)分類emg機(jī)械手臂手勢(shì)的設(shè)計(jì)方法，該方法可以通過(guò)機(jī)器學(xué)習(xí)來(lái)對(duì)不同手勢(shì)產(chǎn)生的emg信號(hào)進(jìn)行學(xué)習(xí)，解決了傳統(tǒng)emg機(jī)械手臂在工程上技術(shù)復(fù)雜，難以調(diào)試等問(wèn)題。該研究的結(jié)果表明，通過(guò)使用深度學(xué)習(xí)可以將不同手勢(shì)產(chǎn)生的emg信號(hào)轉(zhuǎn)化為手勢(shì)特征，形成一個(gè)訓(xùn)練完備的模型，可以提供給