CN111730604A - 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 - Google Patents
基于人体肌电信号的机械夹爪控制方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111730604A CN111730604A CN202010770968.8A CN202010770968A CN111730604A CN 111730604 A CN111730604 A CN 111730604A CN 202010770968 A CN202010770968 A CN 202010770968A CN 111730604 A CN111730604 A CN 111730604A
- Authority
- CN
- China
- Prior art keywords
- recognition result
- clamping jaw
- hand
- mechanical clamping
- electromyographic signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000009471 action Effects 0.000 claims abstract description 104
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 31
- 238000012706 support-vector machine Methods 0.000 claims abstract description 31
- 230000000875 corresponding effect Effects 0.000 claims abstract description 18
- 210000000245 forearm Anatomy 0.000 claims abstract description 16
- 230000033001 locomotion Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003183 myoelectrical effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims 1
- 238000002567 electromyography Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009975 flexible effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/081—Touching devices, e.g. pressure-sensitive
- B25J13/084—Tactile sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Manipulator (AREA)
Abstract
本发明提供了一种基于人体肌电信号的机械夹爪控制方法、装置和电子设备,通过获取操作者小臂的肌电信号;对所述肌电信号进行滤波处理;把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;把所述控制指令发送至机器人以控制机械夹爪做出相应的动作;从而可提高对机械夹爪的控制准确率。
Description
技术领域
本发明涉及机器人控制技术领域,尤其涉及一种基于人体肌电信号的机械夹爪控制方法、装置和电子设备。
背景技术
在一些危险的场合,如排爆、进入有险情的灾区进行救灾,为了保护救灾人员的生命安全,往往会使用机器人进入现场进行作业,并由救灾人员远程对机器人进行遥控。目前,对机器人的机械夹爪进行控制时一般是采用按键、操纵杆等进行操作的,难以做出灵活的动作。为此可基于人体肌电信号对机械夹爪进行控制,通过采集操作者手臂的肌电信号、对肌电信号进行滤波后输入分类器中进行人手部动作的识别,最后根据识别结果控制机械夹爪做出同样的动作,从而可使机械夹爪做出灵活的动作。
然而,目前在根据识别结果控制机械夹爪时,通常是根据发送控制指令前某一个时刻的识别结果来生成控制指令的,若该时刻的识别结果有误,则会导致控制指令错误,从而令机械夹爪做出错误动作,对机械夹爪的控制准确率较低。
发明内容
鉴于上述现有技术的不足之处,本申请实施例的目的在于提供一种基于人体肌电信号的机械夹爪控制方法、装置和电子设备,可提高对机械夹爪的控制准确率。
第一方面,本申请实施例提供一种基于人体肌电信号的机械夹爪控制方法,应用于机器人控制装置,包括步骤:
获取操作者小臂的肌电信号;
对所述肌电信号进行滤波处理;
把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;
以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;
把所述控制指令发送至机器人以控制机械夹爪做出相应的动作。
所述的基于人体肌电信号的机械夹爪控制方法中,所述获取操作者小臂的肌电信号的步骤包括:
获取至少6路电极传感器的电信号;
对所述电信号进行放大处理;
对放大处理后的电信号进行A/D转换,得到肌电信号。
进一步的,所述至少6路电极传感器环绕操作者小臂等距分布。
所述的基于人体肌电信号的机械夹爪控制方法中,所述对所述肌电信号进行滤波处理的步骤包括:
对所述肌电信号进行卡尔曼滤波处理。
所述的基于人体肌电信号的机械夹爪控制方法中,所述支持向量机分类器通过以下方式训练得到:
采集预设手部动作的预设数量的肌电信号作为样本数据;
对所述样本数据进行标准化处理,得到训练数据;
使用所述训练数据对初始的支持向量机分类器进行训练以生成最终的支持向量机分类器。
所述的基于人体肌电信号的机械夹爪控制方法中,所述以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令的步骤包括:
获取当前时刻之前的预设周期内的手部动作识别结果信息;
根据所述手部动作识别结果信息统计各类手部动作的出现次数;
以出现次数最多的手部动作类型作为手部动作的最终识别结果;
根据所述最终识别结果生成下一个控制周期的控制指令。
第二方面,本申请实施例提供一种基于人体肌电信号的机械夹爪控制装置,包括:
第一获取模块,用于获取操作者小臂的肌电信号;
第一执行模块,用于对所述肌电信号进行滤波处理;
第二执行模块,用于把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;
第三执行模块,用于以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;
第四执行模块,用于把所述控制指令发送至机器人以控制机械夹爪做出相应的动作。
所述的基于人体肌电信号的机械夹爪控制装置中,所述第一执行模块对所述肌电信号进行的滤波处理,包括卡尔曼滤波处理。
所述的基于人体肌电信号的机械夹爪控制装置中,所述第三执行模块在以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令时,
先获取当前时刻之前的预设周期内的手部动作识别结果信息;
再根据所述手部动作识别结果信息统计各类手部动作的出现次数;
然后以出现次数最多的手部动作类型作为手部动作的最终识别结果;
最后根据所述最终识别结果生成下一个控制周期的控制指令。
第三方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行所述的基于人体肌电信号的机械夹爪控制方法。
有益效果:
本申请实施例提供的一种基于人体肌电信号的机械夹爪控制方法、装置和电子设备,通过获取操作者小臂的肌电信号;对所述肌电信号进行滤波处理;把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;把所述控制指令发送至机器人以控制机械夹爪做出相应的动作;由于预设周期内出现次数最多的手部动作是该预设周期出现概率最大的动作类型,用该手部动作作为最终的识别结果比直接用当前时刻的识别结果作为最终识别结果的准确率更高,从而可提高对机械夹爪的控制准确率。
附图说明
图1为本申请实施例提供的基于人体肌电信号的机械夹爪控制方法的流程图。
图2为本申请实施例提供的基于人体肌电信号的机械夹爪控制装置的模块图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,本申请实施例提供的一种基于人体肌电信号的机械夹爪控制方法,应用于机器人控制装置(机械夹爪设置在该机器人的机械臂末端),包括步骤:
A1.获取操作者小臂的肌电信号;
A2.对肌电信号进行滤波处理;
A3.把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;
A4.以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;
A5.把控制指令发送至机器人以控制机械夹爪做出相应的动作。
由于步骤A4中,用预设周期内出现次数最多的手部动作是该预设周期出现概率最大的动作类型,用该手部动作作为最终的识别结果比直接用当前时刻的识别结果作为最终识别结果的准确率更高,从而可提高对机械夹爪的控制准确率。
在一些优选的实施方式中,A1.获取操作者小臂的肌电信号的步骤包括:
A101.获取至少6路电极传感器的电信号;
A102.对该电信号进行放大处理;
A103.对放大处理后的电信号进行A/D转换,得到肌电信号。
电极传感器获取的电信号是比较微弱的模拟信号,通过放大处理后可得到较强的电信号使电信号的变化情况更加明显,再对放大后的电信号进行A/D转换可把模拟信号转化为数字信号,以便进行分析处理。
在实际应用中,电极传感器越多动作识别的准确性越高,但是数据处理量越大,若电极传感器太少,则动作识别的准确性太低,若电极传感器太多,则处理速度太慢无法应用于实际作业中。路电极传感器的数量优选为6-9个。
进一步的,上述的至少6路电极传感器可以直线排列、环绕排列、矩阵排列等方式贴于操作者小臂的皮肤上;优选的,这些电极传感器环绕操作者小臂等距分布,经试验,在同等条件下,采用环绕等距分布的方式设置电极传感器,动作识别的准确性最高。
在一些优选的实施方式中,A2.对肌电信号进行滤波处理的步骤包括:
对肌电信号进行卡尔曼滤波处理。
由于肌电信号是非周期性、非线性、容易受到影响而含有大量噪声的生理信号,需要进行滤波处理以去除噪声;现有技术中,一般是采用小波变换算法、陷波滤波和低通滤波等方式来进行滤波处理的,这些处理方法对于含有大量非周期的高斯噪声和白噪声的肌电信号处理效果并不理想,因此,此处使用卡尔曼滤波可以有效去除高斯噪声和白噪声,从而为动作识别提供了更加准确的输入数据,有利于提高识别结果的准确性。
进行卡尔曼滤波处理时,可先确定***噪声的协方差Q和测量噪声的协方差R,然后构建卡尔曼状态方程,在使用递归优化的方法,根据上一次的计算值和当前的测量值来计算当前状态的真实值;具体的包括以下步骤:
(1)通过以下公式估算***在当前时间k的状态:
其中,为当前时间k的肌电信号估算值,为上一时刻k-1的肌电信号估算
值,为当前时间k的肌电信号的***输入,A为状态转移矩阵,B为输入矩阵。在本实施例
中,,由于不知道到手部动作跟肌电对应的数学模型,所以使用的是无模型估计,即
假设保持原来的状态不变,所以把输入设置为0。
(2)通过以下公式计算估算误差协方差矩阵:
(3)通过以下公式计算卡尔曼滤波增益系数:
(4)根据测量值,更新状态变量:
(5)更新估算误差协方差矩阵:
在本实施例中,步骤A3中使用的支持向量机分类器通过以下方式训练得到:
S1.采集预设手部动作的预设数量的肌电信号作为样本数据,该手部动作作为结果标签;
S2.对样本数据进行标准化处理,得到训练数据;
S3.使用训练数据对初始的支持向量机分类器进行训练以生成最终的支持向量机分类器。
以具有6路肌电信号和握拳、展拳、手腕上翻、手腕下翻4类预设手部动作的情况为例;
在步骤S1中,可采集每种动作的6路肌电信号,每路信号对应采集200个数据,作为样本数据;
在步骤S2中,通过对样本数据进行标准化处理,可提高训练速度和识别精度;本实施例中,对样本数据进行Z-score标准化处理:
通过Z-score标准化处理后的数据均集中在0附近,成为均值为0,方差为1的正态分布;比较适合于对最大值或最小值未知,或有超出样本取值范围的数据的标准化处理。
支持向量机(SVM)是一种基于统计学的小样本机器学习方法,能够解决非线性的样本分类问题,可以处理多特征的高纬度样本数据集,无局部极小值问题,具有泛化能力强的优点;此处,使用支持向量机的多类别识别问题,通过求解优化问题:
步骤S3中,具体的训练过程如下:按下开始训练按钮,等待10s钟后***开始提示训练第一个动作,这时候做一个预先想好的手部动作并保持不变,等待30s后,***提示动作训练完成,这时***提示可以休息5s,接着以同样的方式训练下一个动作。当想要停止训练,可以在休息的时候按下停止训练按键,当停止训练按键按下时,***开始通过支持向量机(SVM)进行学习建立预测模型,等待大约1分钟后,***将提示训练完成。训练完成后,按下开始识别按钮,***就会根据手部肌电信号的输入预测手部动作。
进一步的,A4.以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令的步骤包括:
A401.获取当前时刻之前的预设周期T1内的手部动作识别结果信息;
A402.根据手部动作识别结果信息统计各类手部动作的出现次数;
A403.以出现次数最多的手部动作类型作为手部动作的最终识别结果;
A404.根据最终识别结果生成下一个控制周期T2的控制指令。
由于采样频率一般较高,在一秒内会得到多个肌电信号采样值,例如采样频率为50Hz,则一秒内会得到50个肌电信号采样值,把其输入到支持向量机分类器中将得到每秒50个动作识别结果,而机械夹爪作出动作时是有一定的反应时间的,若根据每一个动作识别结果均生成一个控制指令发送至机器人,机械夹爪是无法及时响应的,因此,一般会周期性地生成控制指令并发送至机器人,控制指令的生成周期即控制周期T2。
此处,以每次生成控制指令前的预设周期T1内的所有手部动作识别结果为分析对象,选取出现次数最多的手部动作类型作为手部动作的最终识别结果,该最终识别结果对应的手部动作为在该预设周期T1内出现概率最大的手部动作,与以单一时刻的识别结果作为最终识别结果的方式相比,准确性更高。而把控制指令发送至机器人后,机械夹爪在下一个控制周期T2内将作出并保持对应的动作。
其中,预设周期T1一般与控制周期T2相等,但不限于此。
在实际工作过程中,在预设周期T1内出现次数最多的手部动作类型可能会多于1个,此时,若其中一个手部动作的类型与上一控制周期T2的最终识别结果相同,则选取该手部动作类型为本控制周期T2的最终识别结果;否则以该预设周期T1中的后半周期内的出现次数最多的手部动作类型作为手部动作的最终识别结果,若后半周期内出现次数最多的手部动作类型依然多于1个,则再以该后半周期的后半周期为对象进行筛选,直到出现次数最多的手部动作类型只有1个,并用最后筛选出来的手部动作类型作为最终识别结果。若在预设周期T1内出现次数最多的手部动作类型可能会多于1个,还可以用以下方式进行处理:从前到后地逐次缩减预设周期T1的手部动作识别结果信息(只是把手部动作识别结果信息从预设周期T1的手部动作识别结果信息集合中移出,而非从存储设备中删除),每次按照预设的数量进行缩减(预设的数量一般为1,但不限于此),对该预设周期T1内手部动作识别结果信息,每次删除后查询剩余手部动作识别结果信息中出现次数最多的手部动作类型,直到出现次数最多的手部动作类型只有1个,并用最后筛选出来的手部动作类型作为最终识别结果。其中,前一种方法的筛选速度更快,而后一种方法筛选速度相对较慢,但由于每次缩减的数据量较少,因此更加准确。
由上可知,该基于人体肌电信号的机械夹爪控制方法,通过获取操作者小臂的肌电信号;对所述肌电信号进行滤波处理;把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;把所述控制指令发送至机器人以控制机械夹爪做出相应的动作;由于预设周期内出现次数最多的手部动作是该预设周期出现概率最大的动作类型,用该手部动作作为最终的识别结果比直接用当前时刻的识别结果作为最终识别结果的准确率更高,从而可提高对机械夹爪的控制准确率。
请参阅图2,本申请实施例还提供一种基于人体肌电信号的机械夹爪控制装置,包括第一获取模块1、第一执行模块2、第二执行模块3、第三执行模块4、第四执行模块5;
其中,第一获取模块1,用于获取操作者小臂的肌电信号;
其中,第一执行模块2,用于对肌电信号进行滤波处理;
其中,第二执行模块3,用于把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;
其中,第三执行模块4,用于以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;
其中,第四执行模块5,用于把控制指令发送至机器人以控制机械夹爪做出相应的动作。
在一些实施方式中,第一获取模块1在获取操作者小臂的肌电信号时,先获取至少6路电极传感器的电信号,再对该电信号进行放大处理,最后对放大处理后的电信号进行A/D转换,得到肌电信号。
在一些实施方式中,第一执行模块2对肌电信号进行的滤波处理,包括卡尔曼滤波处理。
在一些实施方式中,第二执行模块3使用的支持向量机分类器通过以下方式训练得到:
先采集预设手部动作的预设数量的肌电信号作为样本数据;
再对样本数据进行标准化处理(例如进行Z-score标准化处理),得到训练数据;
最后使用训练数据对初始的支持向量机分类器进行训练以生成最终的支持向量机分类器。
在一些实施方式中,第三执行模块4在以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令时,
先获取当前时刻之前的预设周期T1内的手部动作识别结果信息;
再根据手部动作识别结果信息统计各类手部动作的出现次数;
然后以出现次数最多的手部动作类型作为手部动作的最终识别结果;
最后根据最终识别结果生成下一个控制周期T2的控制指令。
进一步的,当在预设周期T1内出现次数最多的手部动作类型多于1个时,若其中一个手部动作的类型与上一控制周期T2的最终识别结果相同,则选取该手部动作类型为本控制周期T2的最终识别结果;否则以该预设周期T1中的后半周期内的出现次数最多的手部动作类型作为手部动作的最终识别结果,若后半周期内出现次数最多的手部动作类型依然多于1个,则再以该后半周期的后半周期为对象进行筛选,直到出现次数最多的手部动作类型只有1个,并用最后筛选出来的手部动作类型作为最终识别结果。若在预设周期T1内出现次数最多的手部动作类型可能会多于1个,还可以用以下方式进行处理:从前到后地逐次缩减预设周期T1的手部动作识别结果信息(只是把手部动作识别结果信息从预设周期T1的手部动作识别结果信息集合中移出,而非从存储设备中删除),每次按照预设的数量进行缩减(预设的数量一般为1,但不限于此),对该预设周期T1内手部动作识别结果信息,每次删除后查询剩余手部动作识别结果信息中出现次数最多的手部动作类型,直到出现次数最多的手部动作类型只有1个,并用最后筛选出来的手部动作类型作为最终识别结果。其中,前一种方法的筛选速度更快,而后一种方法筛选速度相对较慢,但由于每次缩减的数据量较少,因此更加准确。
由上可知,该基于人体肌电信号的机械夹爪控制装置,通过获取操作者小臂的肌电信号;对所述肌电信号进行滤波处理;把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;把所述控制指令发送至机器人以控制机械夹爪做出相应的动作;由于预设周期内出现次数最多的手部动作是该预设周期出现概率最大的动作类型,用该手部动作作为最终的识别结果比直接用当前时刻的识别结果作为最终识别结果的准确率更高,从而可提高对机械夹爪的控制准确率。
请参阅图3,本申请实施例还提供一种电子设备100,包括处理器101和存储器102,存储器102中存储有计算机程序,处理器101通过调用存储器102中存储的计算机程序,用于执行上述的基于人体肌电信号的机械夹爪控制方法。
其中,处理器101与存储器102电性连接。处理器101是电子设备100的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或调用存储在存储器102内的计算机程序,以及调用存储在存储器102内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
存储器102可用于存储计算机程序和数据。存储器102存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器101通过调用存储在存储器102的计算机程序,从而执行各种功能应用以及数据处理。
在本实施例中,电子设备100中的处理器101会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器102中,并由处理器101来运行存储在存储器102中的计算机程序,从而实现各种功能:获取操作者小臂的肌电信号;对所述肌电信号进行滤波处理;把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;把所述控制指令发送至机器人以控制机械夹爪做出相应的动作。
由上可知,该电子设备,通过获取操作者小臂的肌电信号;对所述肌电信号进行滤波处理;把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;把所述控制指令发送至机器人以控制机械夹爪做出相应的动作;由于预设周期内出现次数最多的手部动作是该预设周期出现概率最大的动作类型,用该手部动作作为最终的识别结果比直接用当前时刻的识别结果作为最终识别结果的准确率更高,从而可提高对机械夹爪的控制准确率。
综上所述,虽然本发明已以优选实施例揭露如上,但上述优选实施例并非用以限制本发明,本领域的普通技术人员,在不脱离本发明的精神和范围内,均可作各种更动与润饰,其方案与本发明实质上相同。
Claims (10)
1.一种基于人体肌电信号的机械夹爪控制方法,应用于机器人控制装置,其特征在于,包括步骤:
获取操作者小臂的肌电信号;
对所述肌电信号进行滤波处理;
把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;
以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;
把所述控制指令发送至机器人以控制机械夹爪做出相应的动作。
2.根据权利要求1所述的基于人体肌电信号的机械夹爪控制方法,其特征在于,所述获取操作者小臂的肌电信号的步骤包括:
获取至少6路电极传感器的电信号;
对所述电信号进行放大处理;
对放大处理后的电信号进行A/D转换,得到肌电信号。
3.根据权利要求2所述的基于人体肌电信号的机械夹爪控制方法,其特征在于,所述至少6路电极传感器环绕操作者小臂等距分布。
4.根据权利要求1所述的基于人体肌电信号的机械夹爪控制方法,其特征在于,所述对所述肌电信号进行滤波处理的步骤包括:
对所述肌电信号进行卡尔曼滤波处理。
5.根据权利要求1所述的基于人体肌电信号的机械夹爪控制方法,其特征在于,所述支持向量机分类器通过以下方式训练得到:
采集预设手部动作的预设数量的肌电信号作为样本数据;
对所述样本数据进行标准化处理,得到训练数据;
使用所述训练数据对初始的支持向量机分类器进行训练以生成最终的支持向量机分类器。
6.根据权利要求1所述的基于人体肌电信号的机械夹爪控制方法,其特征在于,所述以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令的步骤包括:
获取当前时刻之前的预设周期内的手部动作识别结果信息;
根据所述手部动作识别结果信息统计各类手部动作的出现次数;
以出现次数最多的手部动作类型作为手部动作的最终识别结果;
根据所述最终识别结果生成下一个控制周期的控制指令。
7.一种基于人体肌电信号的机械夹爪控制装置,其特征在于,包括:
第一获取模块,用于获取操作者小臂的肌电信号;
第一执行模块,用于对所述肌电信号进行滤波处理;
第二执行模块,用于把滤波后的肌电信号输入支持向量机分类器进行动作分类,以识别出操作者的手部动作类型;
第三执行模块,用于以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令;
第四执行模块,用于把所述控制指令发送至机器人以控制机械夹爪做出相应的动作。
8.根据权利要求7所述的基于人体肌电信号的机械夹爪控制装置,其特征在于,所述第一执行模块对所述肌电信号进行的滤波处理,包括卡尔曼滤波处理。
9.根据权利要求7所述的基于人体肌电信号的机械夹爪控制装置,其特征在于,所述第三执行模块在以当前时刻之前的预设周期内出现次数最多的手部动作类型作为最终识别结果生成控制指令时,
先获取当前时刻之前的预设周期内的手部动作识别结果信息;
再根据所述手部动作识别结果信息统计各类手部动作的出现次数;
然后以出现次数最多的手部动作类型作为手部动作的最终识别结果;
最后根据所述最终识别结果生成下一个控制周期的控制指令。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行权利要求1-6任一项所述的基于人体肌电信号的机械夹爪控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770968.8A CN111730604B (zh) | 2020-08-04 | 2020-08-04 | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770968.8A CN111730604B (zh) | 2020-08-04 | 2020-08-04 | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111730604A true CN111730604A (zh) | 2020-10-02 |
CN111730604B CN111730604B (zh) | 2020-12-04 |
Family
ID=72657090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770968.8A Active CN111730604B (zh) | 2020-08-04 | 2020-08-04 | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111730604B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442798A (zh) * | 2020-11-06 | 2022-05-06 | 复旦大学附属妇产科医院 | 便携控制***及控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07248873A (ja) * | 1994-03-08 | 1995-09-26 | Sharp Corp | 筋電信号を用いた制御装置 |
CN102426651A (zh) * | 2011-08-25 | 2012-04-25 | 武汉理工大学 | 人体前臂表面肌电信号采集及模式识别*** |
CN105205436A (zh) * | 2014-06-03 | 2015-12-30 | 北京创思博德科技有限公司 | 一种基于前臂生物电多传感器的手势识别*** |
CN107553499A (zh) * | 2017-10-23 | 2018-01-09 | 上海交通大学 | 一种多轴机械臂的自然手势运动控制***和方法 |
WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
CN110413107A (zh) * | 2019-06-21 | 2019-11-05 | 浙江科技学院 | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 |
CN111241982A (zh) * | 2020-01-07 | 2020-06-05 | 金陵科技学院 | 一种基于cae-svm的机器人手势识别方法 |
-
2020
- 2020-08-04 CN CN202010770968.8A patent/CN111730604B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07248873A (ja) * | 1994-03-08 | 1995-09-26 | Sharp Corp | 筋電信号を用いた制御装置 |
CN102426651A (zh) * | 2011-08-25 | 2012-04-25 | 武汉理工大学 | 人体前臂表面肌电信号采集及模式识别*** |
CN105205436A (zh) * | 2014-06-03 | 2015-12-30 | 北京创思博德科技有限公司 | 一种基于前臂生物电多传感器的手势识别*** |
WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
CN107553499A (zh) * | 2017-10-23 | 2018-01-09 | 上海交通大学 | 一种多轴机械臂的自然手势运动控制***和方法 |
CN110413107A (zh) * | 2019-06-21 | 2019-11-05 | 浙江科技学院 | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 |
CN111241982A (zh) * | 2020-01-07 | 2020-06-05 | 金陵科技学院 | 一种基于cae-svm的机器人手势识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442798A (zh) * | 2020-11-06 | 2022-05-06 | 复旦大学附属妇产科医院 | 便携控制***及控制方法 |
CN114442798B (zh) * | 2020-11-06 | 2024-05-07 | 复旦大学附属妇产科医院 | 便携控制***及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111730604B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lekha et al. | Real-time non-invasive detection and classification of diabetes using modified convolution neural network | |
CN107516075B (zh) | 心电信号的检测方法、装置及电子设备 | |
CN109620244B (zh) | 基于条件生成对抗网络和svm的婴儿异常行为检测方法 | |
US20150272509A1 (en) | Diagnostic apparatus and method | |
CN105929966B (zh) | 一种可自适应学习的脑波控制***设备方法 | |
CN115736902B (zh) | 一种基于智能穿戴设备的施工人员管理*** | |
CN116602642B (zh) | 心率监测方法、装置、设备 | |
CN111844032A (zh) | 肌电信号处理、外骨骼机器人控制方法及装置 | |
CN111730604B (zh) | 基于人体肌电信号的机械夹爪控制方法、装置和电子设备 | |
WO2008035611A1 (fr) | Dispositif de traitement de données, procédé de traitement de données et programme de traitement de données | |
CN105718884A (zh) | 一种基于多指机械手触感信息特征提取的物件分类方法 | |
JP2020096851A5 (zh) | ||
Sharma et al. | On the use of temporal and spectral central moments of forearm surface EMG for finger gesture classification | |
Kunapipat et al. | Sensor-assisted EMG data recording system | |
Shi et al. | A Novel Method of sEMG Signal Segmentation | |
Martišius et al. | Real-time training of voted perceptron for classification of EEG data | |
WO2021250971A1 (ja) | グリップ判定装置、グリップ判定方法及びグリップ判定プログラム | |
US20210026453A1 (en) | Method and apparatus for processing sensor data | |
Lukodono et al. | Arm Muscle Activation Performance Analysis Using Machine Learning Algorithm in the Assembly System | |
Xue et al. | SEMG based intention identification of complex hand motion using nonlinear time series analysis | |
Rajput et al. | SEMG based recognition of hand motions for lower limb prostheses | |
CN111743668A (zh) | 假肢控制方法、装置、电子设备和存储介质 | |
Rodriguez Jorge et al. | Adaptive Threshold, Wavelet and Hilbert Transform for QRS Detection in Electrocardiogram Signals | |
Sharma et al. | FECG Extraction Using 1D Convolution Neural Network | |
Patil et al. | Comprehensive Review of EEG-Based Algorithms for Mental Stress Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |