Розмір шрифта:
КЕРУВАННЯ РОБОТОМ-МАНІПУЛЯТОРОМ ЗА ДОПОМОГОЮ СИГНАЛІВ ПОВЕРХНЕВОЇ ЕЛЕКТРОМІОГРАФІЇ ТА ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ
Остання редакція: 2025-06-22
Анотація
У роботі розглянуто систему для збору ЕМГ-сигналів, що передаються через послідовний інтерфейс до комп’ютера, де вони обробляються за допомогою нейронної мережі для розпізнавання жестів, що управляють роботизованим маніпулятором. Дані з платформи NinaPro використовуються для навчання моделі, а також застосовуються методи нормалізації для покращення якості обробки сигналів
CONTROL OF A ROBOT MANIPULATOR USING SURFACE ELECTROMYOGRAPHY SIGNALS AND CONVULSIVE NEURAL NETWORK
Abstract
The paper considers a system for collecting EMG signals transmitted via a serial interface to a computer, where they are processed using a neural network for recognizing gestures that control a robotic manipulator. Data from the NinaPro platform is used to train the model, and normalization methods are also applied to improve the quality of signal processing
Ключові слова
ЕМГ; Myo; нейромережі; маніпулятор; жести; EMG; bracelet; neural networks; manipulator; gestures
Посилання
1. Guo, B., Ma, Y., Yang, J., Wang, Z., & Zhang, X. (2020). Lw-CNN-Based Myoelectric Signal Recognition and Real-Time Control of Robotic Arm for Upper-Limb Rehabilitation. Computational Intelligence and Neuroscience, 2020, 8846021. https://doi.org/10.1155/2020/8846021.
2. Wan, Y., Han, Z., Zhong, J., & Chen, G. (2018). Pattern recognition and bionic manipulator driving by surface electromyography signals using convolutional neural network. Advances in Mechanical Engineering, 10(10), 1–11. https://doi.org/10.1177/1729881418802138.
3. Bao, T., Zaidi, S. A. R., Xie, S., Yang, P., & Zhang, Z. (2019). A CNN-LSTM Hybrid Framework for Wrist Kinematics Estimation Using Surface Electromyography. arXiv preprint arXiv:1912.00799. https://arxiv.org/abs/1912.00799.
4. Real-time Bionic Arm Control Via CNN-based EMG Recognition. (n.d.). Hackster.io. https://www.hackster.io/emgarm/real-time-bionic-arm-control-via-cnn-based-emg-recognition-b013d3.
5. Meng, Q., Yue, Y., Li, S., & Yu, H. (2022). Electromyogram-based motion compensation control for the upper limb rehabilitation robot in active training. Mechanical Sciences, 13(2), 675–685. https://doi.org/10.5194/ms-13-675-2022.
2. Wan, Y., Han, Z., Zhong, J., & Chen, G. (2018). Pattern recognition and bionic manipulator driving by surface electromyography signals using convolutional neural network. Advances in Mechanical Engineering, 10(10), 1–11. https://doi.org/10.1177/1729881418802138.
3. Bao, T., Zaidi, S. A. R., Xie, S., Yang, P., & Zhang, Z. (2019). A CNN-LSTM Hybrid Framework for Wrist Kinematics Estimation Using Surface Electromyography. arXiv preprint arXiv:1912.00799. https://arxiv.org/abs/1912.00799.
4. Real-time Bionic Arm Control Via CNN-based EMG Recognition. (n.d.). Hackster.io. https://www.hackster.io/emgarm/real-time-bionic-arm-control-via-cnn-based-emg-recognition-b013d3.
5. Meng, Q., Yue, Y., Li, S., & Yu, H. (2022). Electromyogram-based motion compensation control for the upper limb rehabilitation robot in active training. Mechanical Sciences, 13(2), 675–685. https://doi.org/10.5194/ms-13-675-2022.
Повний текст:
PDF