利用Myo臂環採集肌電信號（EMG）和角速度（來自陀螺儀）來實現實時手勢識別
一、系統概述與工作原理
Myo臂環是一款可穿戴設備，它包含：
- 8個EMG傳感器：測量前臂肌肉產生的電信號。不同的手勢會激活不同的肌肉羣，產生獨特的肌電模式。
- 9軸IMU：包含陀螺儀（角速度）、加速度計和磁力計，用於捕捉手部的運動和朝向。
核心思想：將EMG和角速度等多模態數據融合，通過機器學習算法訓練一個分類模型，從而實時識別出執行的手勢。
二、技術流程詳解
1. 數據採集與預處理
- 連接Myo：使用Myo的SDK（MATLAB支持通過Myo SDK的MEX包裝器）建立連接。
- 數據流：同時訂閲EMG和IMU（陀螺儀）數據流。
- 預處理：
- EMG：通常應用一個帶通濾波器（如20-450 Hz）來去除直流偏移和高頻噪聲。
- 陀螺儀：數據通常已經比較平滑，有時需要進行校準以去除零偏。
2. 數據分割（用於訓練）
實時識別需要處理連續的數據流。通常採用滑動窗口方法：
- 窗口長度：200-300 ms（平衡實時性和信息量）。
- 窗口重疊：50%的重疊率很常見，這能提高響應速度，確保不會在窗口邊緣錯過手勢。
3. 特徵提取
這是最關鍵的一步。從每個數據窗口中提取特徵，以降低維度並捕獲模式。
對於EMG信號（每個通道提取特徵，共8通道）：
- 時域特徵（計算速度快，適合實時系統）：
- 平均值：信號的平均能量。
- 標準差：信號的幅度變化。
- 積分肌電值：信號的絕對值的和或積分。
- 過零率：信號穿過零點的次數。
- 威爾遜振幅：信號一階差分絕對值的平均值。
- 頻域特徵（計算量稍大）：
- 中值頻率、平均頻率（需對信號進行FFT）。
對於陀螺儀信號（每個軸X, Y, Z提取特徵）：
- 均值：平均角速度。
- 標準差：角速度的變化量。
- 峯值：窗口內的最大角速度。
- 信號幅度面積：角速度絕對值的積分。
最終，對於一個數據窗口，你會得到一個長長的特徵向量（例如，8個EMG通道 * 4個特徵 + 3個陀螺儀軸 * 3個特徵 = 41個特徵）。
4. 模型訓練（離線階段）
- 數據收集：錄製每個手勢（例如，握拳、張開、手腕左旋、手腕右旋、休息）的多組數據。
- 標註：為錄製的每一段數據打上標籤（如
1=握拳，2=張開…）。 - 特徵提取：對每個窗口的數據進行上述特徵提取，形成特徵矩陣和標籤向量。
- 訓練分類器：使用特徵矩陣和標籤來訓練一個機器學習模型。常用且高效的算法有：
- 支持向量機：在小數據集上表現優異，非常受歡迎。
- 隨機森林：抗過擬合能力強，性能穩定。
- LDA：計算量小，速度快，適合實時系統。
5. 實時識別（在線階段）
- 實時獲取數據並放入滑動窗口。
- 對窗口內的最新數據提取相同的特徵。
- 將特徵向量輸入到已訓練好的模型中。
- 模型輸出一個預測的手勢標籤。
- 根據識別出的手勢執行相應操作（如控制機器人、虛擬鼠標等）。
三、MATLAB 實現代碼
步驟 1: 離線訓練模型
% 假設你已經錄製並加載了數據
% load('training_data.mat');
% trainingData: N x Features 矩陣
% trainingLabels: N x 1 標籤向量
% 使用隨機森林訓練分類模型
rng(1); % 控制可重複性
model = TreeBagger(100, trainingData, trainingLabels, ...
'Method', 'classification', ...
'OOBPrediction', 'on', ...
'MinLeafSize', 5);
% 或者使用SVM
% model = fitcecoc(trainingData, trainingLabels);
% 評估模型（使用留出法或交叉驗證）
[predictions, scores] = model.predict(trainingData);
accuracy = sum(predictions == trainingLabels) / numel(trainingLabels);
fprintf('Training Accuracy: %.2f%%\n', accuracy * 100);
% 保存模型
save('my_gesture_model.mat', 'model');步驟 2: 實時識別循環
function realTimeRecognition()
% 加載預訓練模型
load('my_gesture_model.mat', 'model');
% 初始化Myo連接
mm = MyoMex();
myo = mm.myoData;
% 參數設置
windowLength = 200; % 200ms 窗口
sampleRate = 200; % Myo EMG採樣率約為200Hz
windowSize = round(windowLength / 1000 * sampleRate); % 計算窗口點數
overlap = round(windowSize * 0.5); % 50% 重疊
bufferEMG = zeros(windowSize, 8); % 環形緩衝區存儲EMG
bufferGyro = zeros(windowSize, 3); % 環形緩衝區存儲Gyro
index = 1;
h = figure;
stop = false;
disp('Starting real-time recognition. Press any key to stop.');
% 主循環
while ishghandle(h) && ~stop
% 獲取最新數據
latestEMG = myo.emg_log;
latestGyro = myo.rotational_velocity_log;
if ~isempty(latestEMG)
% 將新數據填入緩衝區（模擬實時流）
for i = 1:size(latestEMG, 1)
bufferEMG(index, :) = latestEMG(i, :);
bufferGyro(index, :) = latestGyro(i, :);
index = mod(index, windowSize) + 1; % 環形索引
% 每當緩衝區填滿一個“步長”後就進行一次預測
if index == overlap
% 1. 獲取當前窗口數據（需要處理環形緩衝區的索引）
windowEMG = [bufferEMG(index:end, :); bufferEMG(1:index-1, :)];
windowGyro = [bufferGyro(index:end, :); bufferGyro(1:index-1, :)];
% 2. 特徵提取 (這裏簡化了，實際需要為每個通道計算)
features = [];
for ch = 1:8 % EMG特徵
sig = windowEMG(:, ch);
features = [features, mean(sig), std(sig), mean(abs(sig))];
end
for ax = 1:3 % Gyro特徵
sig = windowGyro(:, ax);
features = [features, mean(sig), std(sig)];
end
% 3. 進行預測
[gestureLabel, scores] = predict(model, features);
gestureStr = string(gestureLabel);
confidence = max(scores);
% 4. 顯示結果
clf;
text(0.5, 0.7, gestureStr, 'FontSize', 30, 'HorizontalAlignment', 'center');
text(0.5, 0.3, sprintf('Conf: %.2f', confidence), 'FontSize', 20, 'HorizontalAlignment', 'center');
drawnow;
% 5. 這裏可以添加控制邏輯:
% if gestureStr == "fist", ... end
end
end
end
pause(0.01); % 短暫暫停，避免佔用100% CPU
stop = ~isempty(get(h,'CurrentCharacter'));
end
delete(mm); % 斷開Myo連接
close(h);
end參考代碼 利用myo採集肌電信號和角速度信息，實現實時的手勢識別 www.youwenfan.com/contentcsj/53663.html
四、挑戰與改進建議
- 個性化與校準：不同用户的肌肉信號差異很大。最好為每個用户單獨收集數據並訓練模型，或使用遷移學習來適配新用户。
- 手勢設計：選擇在EMG和運動模式上差異明顯的手勢，以提高識別率。例如，“握拳” vs. “張開” vs. “手腕左旋”是很好的選擇。
- 疲勞和位移：長時間使用後，肌肉疲勞或臂環稍微轉動都會導致信號漂移。可以考慮加入在線自適應機制，定期更新模型。
- 數據同步：確保EMG和陀螺儀數據的時間戳對齊。
- 延遲優化：在MATLAB中實現真正的低延遲實時處理具有挑戰性。對於性能要求極高的應用，可以考慮用C++實現核心算法。
本文章為轉載內容，我們尊重原作者對文章享有的著作權。如有內容錯誤或侵權問題，歡迎原作者聯繫我們進行內容更正或刪除文章。