深度學習技術在EMG機械手臂的手勢控制系統設計中的應用

王柏衡 趙瀟洋

關鍵詞：深度學習;EMG;機械手臂;手勢控制系統設計;應用

1 相關概念解析

1.1 深度學習技術

從本質上來講，深度學習技術是對數據進行表征學習的一種算法，該技術可以通過對大量的未標記數據進行計算，尋求出這些數據之間的表示方法，進而將數據的表征抽象為數學模型，進而可以對其他未知的數據進行類似于神經系統的反應判斷工作。例如，在圖像識別研究領域，機器可以對一類動物的數據進行深度學習和分類，通過提取圖像中的諸如顏色分布，形狀大小等表征數據，經過多層的計算后判斷一個動物是否是貓或者狗。除了圖像識別領域，深度學習算法同樣在諸如翻譯學習、語音和手寫字符識別、特征編碼識別等領域展現了其學習和分類計算能力。利用深度學習算法，讓機器可以更加接近于真實世界人類的學習和思考過程。

1.2 EMG技術

EMG（肌肉電信號）是生物電信號中的一種，除此之外還有EEG、ECG、EOG等，人類在生物電領域已經有了較長歷史的研究。近年來，生物電技術與人機交互設計結合越來越密切，在醫療健康領域、包容性設計領域（如殘障人士等）、機器人技術領域和可穿戴領域都有著廣闊地應用。EMG技術最早被應用到醫療診斷中，主要是生成肌電圖，為醫生提供輔助醫療。近年來由于EMG電極貼片生產工藝提升，成本降低，逐漸民用化，同時由于嵌入式技術的發展，各類單片機技術能和肌電傳感器與之相配合，這一套設備能為計算機提供一個交互接口，解決了曾經計算機不能直接有效地獲取肌電數據的缺陷。因此，這使得EMG傳感器配合單片機的使用場景逐漸豐富起來。

2 深度學習技術在EMG機械手臂的手勢控制系統設計中的應用意義

將深度學習技術引入EMG機械手臂的手勢控制系統設計中，通過大量的樣本數據使機器學習這些不同手勢信號并加以分類區別。基于EMG技術的控制已經成為了康復機器人設備中有希望的替代方案，總的來說，將深度學習技術應用在EMG機械手臂手勢控制系統設計中可以降低研發成本，簡化工程方案，還能為設計人員提供產品測試和迭代的交互接口，為實現智能機器人的自然運動手勢做出一定貢獻。因此，將深度學習技術應用于EMG機械手臂的手勢控制系統設計具有一定的意義。

3 深度學習技術在EMG機械手臂的手勢控制系統設計中的應用思路

3.1 用于訓練的手勢設計

如何將采集到的機械手臂信號進行分類，進一步歸納為易于機器學習使用的編碼數據并進行訓練，是本文的研究重點。因為人類的雙手互為手相對稱，所以本文只選取了左手進行運動分析，定義了兩種腕部動作、五個手指動作，其中包括手腕左右轉動、手腕上下擺動，拇指張開、食指張開、中指張開、無名指張開、小指張開。為了保證訓練數據的有效性，張開幅度盡量保證與手背在一個平面，如圖1所示。這些手勢動作被解釋為EMG傳感器在單片機里處理的不同控制命令。

3.2 運用Classification（分類算法）模型訓練分類

運用訓練機器生成一個分類模型，由于EMG 信號是復雜且不規則的波形，且存在著很多的噪波和干擾波，因此傳統方法很難對未處理的EMG信號進行分類，為此開發了一種方便計算的深度學習方案，方便對EMG信號進行分類。分類能正確地分析手勢運動以獲得有意義的信號，有必要對每個運動引起的連續EMG 信號進行多次采樣，以確保信號樣本數據容量足以被訓練。在該項目中，對五種手指手勢和兩種腕部手勢進行從0至6的編號，分別為：0號，大拇指張開;1號，食指張開;2號，中指張開;3號，小指張開;4號，無名指張開;5號，手腕擺動;6號，手腕旋轉。肌肉信號的刺激由實驗者佩戴EMG電極貼片，將每個手勢的運動記錄十次，每次記錄五秒鐘，每次手勢運動的時候盡量保證運動頻率一致，以保證樣本數據盡量準確可用，之后將收集到的信號圖像通過串口傳送給計算機，每種手勢的編號與對應的信號圖像編組作為樣本數據。然后將數據饋入神經網絡進行訓練，如圖2所示。通過LSTM 神經網絡訓練后可以將0至6不同手勢種類的EMG信號進行特征提取，不同的手勢有著對應的信號特征，表明訓練完成。

3.3 利用訓練完成后的模型進行誤差測試

為了驗證誤差，我們可以將機械手臂與Arduino單片機進行連接，將新的EMG數據通過計算機訓練好的模型進行分類，發送給單片機，最后利用單片機控制每個手指上的伺服電機來觀察驗證不同手勢的運動結果，流程如圖3所示。

在這項實驗中，受試者隨機對兩種腕部運動和五種手指運動進行測試，每次運動時長為五秒左右，每次運動時間間隔為二至五秒，且該時間間隔處理交給單片機進行優化，為了保證分類的準確性，規定每次手勢運動只允許一種手勢進行運動，以確保信號的準確性。表1是深度學習分類模型對每種手勢的識別準確率取的平均值，ClassificationRate（識別準確率）的值越大代表準確率越高。

實驗的結果表明，利用深度學習進行EMG機械手臂的手勢分類評估工作是有效的，深度學習可以對不同手勢產生的EMG信號進行學習和區分。這項研究更加說明了深度學習技術在EMG機械手臂產品中的可用性，設計人員可以利用該研究方法設計更多的機械手勢動作，例如端水杯、操作鼠標、鍵盤打字、做手語手勢等。此外，設計人員不再需要與技術人員再去為每項手勢進行動作優化，只需要向機器提供更多的手勢樣本數據，便可以完成手勢動作優化工作。

4 結語

在本文中，我們提出了一種利用人工智能技術來分類EMG機械手臂手勢的設計方法，該方法可以通過機器學習來對不同手勢產生的EMG信號進行學習，解決了傳統EMG機械手臂在工程上技術復雜，難以調試等問題。該研究的結果表明，通過使用深度學習可以將不同手勢產生的EMG信號轉化為手勢特征，形成一個訓練完備的模型，可以提供給設計人員進行實際EMG機械手臂的手勢調試和優化工作。由于在本研究中訓練的樣本數據有限，因此只設計了7種手勢的分類訓練，在未來的研究種還可以設計更多類型的手勢和更多的訓練樣本數據實現更多的功能，探索機械手臂設計方案的無限可能。