王柏衡 赵潇洋
关键词：深度学习;EMG;机械手臂;手势控制系统设计;应用
1 相关概念解析
1.1 深度学习技术
从本质上来讲，深度学习技术是对数据进行表征学习的一种算法，该技术可以通过对大量的未标记数据进行计算，寻求出这些数据之间的表示方法，进而将数据的表征抽象为数学模型，进而可以对其他未知的数据进行类似于神经系统的反应判断工作。例如，在图像识别研究领域，机器可以对一类动物的数据进行深度学习和分类，通过提取图像中的诸如颜色分布，形状大小等表征数据，经过多层的计算后判断一个动物是否是猫或者狗。除了图像识别领域，深度学习算法同样在诸如翻译学习、语音和手写字符识别、特征编码识别等领域展现了其学习和分类计算能力。利用深度学习算法，让机器可以更加接近于真实世界人类的学习和思考过程。
1.2 EMG技术
EMG（肌肉电信号）是生物电信号中的一种，除此之外还有EEG、ECG、EOG等，人类在生物电领域已经有了较长历史的研究。近年来，生物电技术与人机交互设计结合越来越密切，在医疗健康领域、包容性设计领域（如残障人士等）、机器人技術领域和可穿戴领域都有着广阔地应用。EMG技术最早被应用到医疗诊断中，主要是生成肌电图，为医生提供辅助医疗。近年来由于EMG电极贴片生产工艺提升，成本降低，逐渐民用化，同时由于嵌入式技术的发展，各类单片机技术能和肌电传感器与之相配合，这一套设备能为计算机提供一个交互接口，解决了曾经计算机不能直接有效地获取肌电数据的缺陷。因此，这使得EMG传感器配合单片机的使用场景逐渐丰富起来。
2 深度学习技术在EMG机械手臂的手势控制系统设计中的应用意义
将深度学习技术引入EMG机械手臂的手势控制系统设计中，通过大量的样本数据使机器学习这些不同手势信号并加以分类区别。基于EMG技术的控制已经成为了康复机器人设备中有希望的替代方案，总的来说，将深度学习技术应用在EMG机械手臂手势控制系统设计中可以降低研发成本，简化工程方案，还能为设计人员提供产品测试和迭代的交互接口，为实现智能机器人的自然运动手势做出一定贡献。因此，将深度学习技术应用于EMG机械手臂的手势控制系统设计具有一定的意义。
3 深度学习技术在EMG机械手臂的手势控制系统设计中的应用思路
3.1 用于训练的手势设计
如何将采集到的机械手臂信号进行分类，进一步归纳为易于机器学习使用的编码数据并进行训练，是本文的研究重点。因为人类的双手互为手相对称，所以本文只选取了左手进行运动分析，定义了两种腕部动作、五个手指动作，其中包括手腕左右转动、手腕上下摆动，拇指张开、食指张开、中指张开、无名指张开、小指张开。为了保证训练数据的有效性，张开幅度尽量保证与手背在一个平面，如图1所示。这些手势动作被解释为EMG传感器在单片机里处理的不同控制命令。
3.2 运用Classification（分类算法）模型训练分类
运用训练机器生成一个分类模型，由于EMG 信号是复杂且不规则的波形，且存在着很多的噪波和干扰波，因此传统方法很难对未处理的EMG信号进行分类，为此开发了一种方便计算的深度学习方案，方便对EMG信号进行分类。分类能正确地分析手势运动以获得有意义的信号，有必要对每个运动引起的连续EMG 信号进行多次采样，以确保信号样本数据容量足以被训练。在该项目中，对五种手指手势和两种腕部手势进行从0至6的编号，分别为：0号，大拇指张开;1号，食指张开;2号，中指张开;3号，小指张开;4号，无名指张开;5号，手腕摆动;6号，手腕旋转。肌肉信号的刺激由实验者佩戴EMG电极贴片，将每个手势的运动记录十次，每次记录五秒钟，每次手势运动的时候尽量保证运动频率一致，以保证样本数据尽量准确可用，之后将收集到的信号图像通过串口传送给计算机，每种手势的编号与对应的信号图像编组作为样本数据。然后将数据馈入神经网络进行训练，如图2所示。通过LSTM 神经网络训练后可以将0至6不同手势种类的EMG信号进行特征提取，不同的手势有着对应的信号特征，表明训练完成。
3.3 利用训练完成后的模型进行误差测试
为了验证误差，我们可以将机械手臂与Arduino单片机进行连接，将新的EMG数据通过计算机训练好的模型进行分类，发送给单片机，最后利用单片机控制每个手指上的伺服电机来观察验证不同手势的运动结果，流程如图3所示。
在这项实验中，受试者随机对两种腕部运动和五种手指运动进行测试，每次运动时长为五秒左右，每次运动时间间隔为二至五秒，且该时间间隔处理交给单片机进行优化，为了保证分类的准确性，规定每次手势运动只允许一种手势进行运动，以确保信号的准确性。表1是深度学习分类模型对每种手势的识别准确率取的平均值，ClassificationRate（识别准确率）的值越大代表准确率越高。
实验的结果表明，利用深度学习进行EMG机械手臂的手势分类评估工作是有效的，深度学习可以对不同手势产生的EMG信号进行学习和区分。这项研究更加说明了深度学习技术在EMG机械手臂产品中的可用性，设计人员可以利用该研究方法设计更多的机械手势动作，例如端水杯、操作鼠标、键盘打字、做手语手势等。此外，设计人员不再需要与技术人员再去为每项手势进行动作优化，只需要向机器提供更多的手势样本数据，便可以完成手势动作优化工作。
4 结语
在本文中，我们提出了一种利用人工智能技术来分类EMG机械手臂手势的设计方法，该方法可以通过机器学习来对不同手势产生的EMG信号进行学习，解决了传统EMG机械手臂在工程上技术复杂，难以调试等问题。该研究的结果表明，通过使用深度学习可以将不同手势产生的EMG信号转化为手势特征，形成一个训练完备的模型，可以提供给设计人员进行实际EMG机械手臂的手势调试和优化工作。由于在本研究中训练的样本数据有限，因此只设计了7种手势的分类训练，在未来的研究种还可以设计更多类型的手势和更多的训练样本数据实现更多的功能，探索机械手臂设计方案的无限可能。
