通过解码截肢者的表面肌电图，提出了一个低功耗嵌入式平台(EMG)识别手臂手势的信号。该系统由ADS1298作为模拟前端(AFE)它可以同时获得8个通道的肌电信号。为了在实时环境中验证系统，我们招募了4名受试者，其中一名是桡骨截肢者。每个受试者都是肌电图实验进行了6项活动。有两种案例用于测试DSP数据分析在处理器中实时分类。案例一(DSP97.平均分类准确率为95%.40%。案例二(在DSP97.平均分类准确率为92%的75%。这表明该系统能够在实时环境中识别用户意图，准确率超过91%。
介绍
肌电图(EMG)信号是一种不可缺少的生物参数之一，在人机交互、假肢装置开发和康复装置等方面有着广泛的应用。肌电图测量肌肉潜力，可以提供有关神经肌肉活动的有用的调查或诊断信息，并为假肢设备提供丰富的运动控制信息。肌电号可以解码，以控制使用(PR)方法控制智能假肢设备。这可以通过在残肢上使用肌电图电极来实现，并在嵌入式平台上使用分类技术来确定用户的意图。 许多研究人员为基于肌电图的公关和控制方案做出了贡献。基于肌电图的PR算法可以概括为基于人工神经网络的(ANN)算法、分类器算法、概率模型算法和模糊逻辑算法[1]和[2]。基于神经网络和线性识别分析(LDA)该技术是基于可饮用肌电图的手势识别系统[3]的最佳适用方案。 上肢假肢应用[4]、[5]、[10]也开发了便携式肌电图数据采集系统。再次支配靶向肌肉(TMR)该技术还用于通过侵入性方法提取用户意图。提出的系统大多进行离线训练，无法检测到用户[5]的瞬态响应。还需要开发一个实时和便携式系统来识别神经信息(EMG)假肢应用。在提出的工作中，实时公关平台开发了一个修复应用的平台。该系统有8个差异输入，精度为24位ADC，具有前置检测能力。一个ARMCortexM4处理器已用于DSP处理。本文的主要贡献如下:(1)系统对用户进行在线培训，预测受试者的瞬态意图。(2)设计了一个灵活可调的前臂肌电信号采集臂带。(3)系统已经测试了四个受试者，包括一个桡骨截肢者，(4)开发了一个实时嵌入式平台。 ms检测用户意图，准确率在91%以上。
方法
系统由ADS1298作为模拟前端(AFE)或ADC，DSP处理器、电源管理电路和先进的柔性带可调带。该条带利用Ag-AgCl贴片从皮肤上收集肌电信号。保护电路和大偏置电阻(200M)保持高输入阻抗。电路共模电压送回调节人体接地。采用具有ARMCortex-M4核心的32位DSP处理器数字处理算法。AFE和DSP规格见表1。输入每8个差分，ADC采样率固定在10000SPS，系统由一个3.7V锂离子电池供电。 该系统还在机器学习算法的训练阶段使用数字显示器。该设备重17.5克，带电池支撑，可连续运行40小时。如图所示，系统概述和臂带。分别为1和2。此外，选择12dB/oct由于沉降时间快，超调少，巴特沃斯滤波器的斜率较小。在这个滤波器中，10-500Hz带滤波器和50hz沉波滤波器卷积。带通滤波器系数已经存在MATLAB 2015a计算软件。循环缓冲器在信号处理过程中已用于缓冲操作，以避免开支。在提出的DSP数字化后，8通道差分输入的数据被收集并存储在环形缓冲器中。在这个缓冲区，数据被用于特征提取，然后分类器将这些特征用于特定活动的训练目的。在嵌入式系统中实现LDA如图3所示。
为了获取数据，每个截肢者都被要求舒适地坐在实验室的椅子上。每个受试者被要求进行六力，包括一个休息姿势，如图4所示。 动作安排不是随机的，以鼓励受试者尽可能自然地执行动作。腕带被放置在前臂周围，两个电极被放置在二头肌和三头肌的主要活动点。
校准后，要求受试者进行在线验证测试，每个受试者都可以通过计算机显示查看实时活动。所有通道系统的过滤数据如图5所示。均方根用于特征提取(RMS)、波形长度(WL)、过零点(ZC)变化斜率符号(SSC)四个特征。该特征集是通过我们的离线初步工作选择的，并集成了肌电图表3中存在的能量信息(RMS和WL)和频率信息(SSC和ZC)。情况二信号的分类精度如图6所示。200 ms的窗口大小采用75 ms增量[7]，[8]。
此外，还为开发系统的性能分析创建了两个案例。在第一种情况下，通过系统获取数据、计算特征和准备训练矩阵。这些特性已保存在内存中进一步分析。然后在案例2中DSP硬实时应用在处理器中进行测试和训练。
对于第一种情况，表2给出了每个受试者的分类性能。受试者1和第三名受试者(均为非截肢者)的最高分类精度。PR率为92%，适合于实时表现。所有受试者的混淆矩阵如图7所示。在第4条和第5条法案之间很少有错误的分类。 
为了测试目的，每个受试者被要求执行5次捕获30次。桡骨截肢参与本实验的截肢超过2.未使用任何辅助假肢5年。活动完成时间固定在75日 ms。每个受试者的分类准确性见表3。所有受试者的平均分类准确率为94.14%。97.75%。截肢者的分类精度达到91.65%表明该系统可以为桡骨截肢者提供实时工作
然后，嵌入式系统参数的实时手势识别比较如表4所示。从分析中可以看出，该系统可以进行在线培训和测试，其分类精度高于文献中现有的系统。使用了LDA分类器，它比SVM由于不需要参数变化，分类器要简单得多。LDA仅取决于特征向量的大小，SVM它还取决于特征向量的大小和支持向量。LDA计算复杂度低[7]。在线训练的优点是可以利用当前与肌电信号相关的信息，从而提高系统的整体精度。该系统的另一个优点是信号采集中使用的频带的灵活性，可以用来改变前臂的大小和位置。该系统还可以识别瞬态用户意图。如表5所示，实现的平均功耗系统与正在比较的现有系统相同。
本文为截肢者提出了实时手臂手势识别系统。该系统可用于实时控制肌电假肢，精度超过91%。在DSP处理器包含四个时域特征和LDA分类器。训练模型生成后，该系统可以是75 ms抓取运动在完成时间内轻松解码。该系统重量轻，电池电源支持可达40小时。该系统在康复和肌电修复的低功耗应用中取得了良好的效果。功率优化将进一步提高系统的使用寿命。