科研之友
微信
新浪微博
Facebook
分享链接
摘要
在基于表面肌电信号(Surface electromyography, sEMG)的意图识别研究领域,目前大多数的研究主要集中在提高肌电识别的准确性方面.然而,在实际应用中,基于sEMG识别的交互系统往往受到诸多非理想因素干扰,肌电识别的准确性大大降低.本文主要关注在非理想条件下肌电识别的鲁棒性研究,首先详细归纳了肌电识别方法受到的非理想干扰因素(如电极偏移、个体性差异、肌肉疲劳、肢体姿态或其他综合性干扰),总结了当前研究的抗干扰方法;随后讨论了非理想干扰因素研究现状中的主要问题;最后在构建肌电数据集、探索深度学习和迁移学习以及肌电分解研究等方面,对未来的关键技术进行了展望.
- 单位
