深度學(xué)習(xí)技術(shù)在EMG機(jī)械手臂的手勢控制系統(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)上來講，深度學(xué)習(xí)技術(shù)是對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的一種算法，該技術(shù)可以通過對大量的未標(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，在圖像識別研究領(lǐng)域，機(jī)器可以對一類動(dòng)物的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)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(shù)據(jù)，經(jīng)過多層的計(jì)算后判斷一個(gè)動(dòng)物是否是貓或者狗。除了圖像識別領(lǐng)域，深度學(xué)習(xí)算法同樣在諸如翻譯學(xué)習(xí)、語音和手寫字符識別、特征編碼識別等領(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)和思考過程。

1.2 EMG技術(shù)

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(lǐng)域已經(jīng)有了較長歷史的研究。近年來，生物電技術(shù)與人機(jī)交互設(shè)計(jì)結(jié)合越來越密切，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)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)的使用場景逐漸豐富起來。

2 深度學(xué)習(xí)技術(shù)在EMG機(jī)械手臂的手勢控制系統(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)械手臂的手勢控制系統(tǒng)設(shè)計(jì)中，通過大量的樣本數(shù)據(jù)使機(jī)器學(xué)習(xí)這些不同手勢信號并加以分類區(qū)別?；贓MG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，總的來說，將深度學(xué)習(xí)技術(shù)應(yīng)用在EMG機(jī)械手臂手勢控制系統(tǒng)設(shè)計(jì)中可以降低研發(fā)成本，簡化工程方案，還能為設(shè)計(jì)人員提供產(chǎn)品測試和迭代的交互接口，為實(shí)現(xiàn)智能機(jī)器人的自然運(yùn)動(dòng)手勢做出一定貢獻(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)練的手勢設(shè)計(jì)

如何將采集到的機(jī)械手臂信號進(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、食指張開、中指張開、無名指張開、小指張開。為了保證訓(xùn)練數(shù)據(jù)的有效性，張開幅度盡量保證與手背在一個(gè)平面，如圖1所示。這些手勢動(dòng)作被解釋為EMG傳感器在單片機(jī)里處理的不同控制命令。

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)方法很難對未處理的EMG信號進(jìn)行分類，為此開發(fā)了一種方便計(jì)算的深度學(xué)習(xí)方案，方便對EMG信號進(jìn)行分類。分類能正確地分析手勢運(yùn)動(dòng)以獲得有意義的信號，有必要對每個(gè)運(yùn)動(dòng)引起的連續(xù)EMG 信號進(jìn)行多次采樣，以確保信號樣本數(shù)據(jù)容量足以被訓(xùn)練。在該項(xiàng)目中，對五種手指手勢和兩種腕部手勢進(jìn)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(dòng);6號，手腕旋轉(zhuǎn)。肌肉信號的刺激由實(shí)驗(yàn)者佩戴EMG電極貼片，將每個(gè)手勢的運(yùn)動(dòng)記錄十次，每次記錄五秒鐘，每次手勢運(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圖像通過串口傳送給計(jì)算機(jī)，每種手勢的編號與對應(yīng)的信號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LSTM 神經(jīng)網(wǎng)絡(luò)訓(xùn)練后可以將0至6不同手勢種類的EMG信號進(jìn)行特征提取，不同的手勢有著對應(yīng)的信號特征，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)手指上的伺服電機(jī)來觀察驗(yàn)證不同手勢的運(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)對兩種腕部運(yùn)動(dòng)和五種手指運(yùn)動(dòng)進(jìn)行測試，每次運(yùn)動(dòng)時(shí)長為五秒左右，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)定每次手勢運(yùn)動(dòng)只允許一種手勢進(jìn)行運(yùn)動(dòng)，以確保信號的準(zhǔn)確性。表1是深度學(xué)習(xí)分類模型對每種手勢的識別準(zhǔn)確率取的平均值，ClassificationRate（識別準(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)械手臂的手勢分類評估工作是有效的，深度學(xué)習(xí)可以對不同手勢產(chǎn)生的EMG信號進(jìn)行學(xué)習(xí)和區(qū)分。這項(xiàng)研究更加說明了深度學(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)械手勢動(dòng)作，例如端水杯、操作鼠標(biāo)、鍵盤打字、做手語手勢等。此外，設(shè)計(jì)人員不再需要與技術(shù)人員再去為每項(xiàng)手勢進(jìn)行動(dòng)作優(yōu)化，只需要向機(jī)器提供更多的手勢樣本數(shù)據(jù)，便可以完成手勢動(dòng)作優(yōu)化工作。

4 結(jié)語

在本文中，我們提出了一種利用人工智能技術(shù)來分類EMG機(jī)械手臂手勢的設(shè)計(jì)方法，該方法可以通過機(jī)器學(xué)習(xí)來對不同手勢產(chǎn)生的EMG信號進(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)試等問題。該研究的結(jié)果表明，通過使用深度學(xué)習(xí)可以將不同手勢產(chǎn)生的EMG信號轉(zhuǎn)化為手勢特征，形成一個(gè)訓(xùn)練完備的模型，可以提供給設(shè)計(jì)人員進(jìn)行實(shí)際EMG機(jī)械手臂的手勢調(diào)試和優(yōu)化工作。由于在本研究中訓(xùn)練的樣本數(shù)據(jù)有限，因此只設(shè)計(jì)了7種手勢的分類訓(xùn)練，在未來的研究種還可以設(shè)計(jì)更多類型的手勢和更多的訓(xùn)練樣本數(shù)據(jù)實(shí)現(xiàn)更多的功能，探索機(jī)械手臂設(shè)計(jì)方案的無限可能。