肌电信号线性特征融合和经验模态分解对动作识别的影响

电子科学与技术学报20（2022）100169肌电信号线性特征的特征层融合与经验王俊耀a，戴跃红a，b，*，1，司霞曦a，1a电子科技大学航空航天学院，成都，611731b电子科技大学飞行器群智能感知与协同控制四川省重点实验室A R T I C L EI N FO编辑：Xuan Xie保留字：复向量法肌电信号经验模态分解特征层融合串联拼接法A B S T R A C T为探讨不同特征融合对识别的影响，以不同运动（步行、跨步、斜坡、蹲下和坐姿）下的股直肌肌电信号为信号，提取信号的线性特征（时域特征（方差（VAR）和均方根（RMS））、频域特征（平均频率（MF）和平均功率频率（MPF））和非线性特征（EMD）。设计了两种特征融合算法--串联拼接法和复向量法，并采用双隐层误差反向传播（BP）神经网络对算法进行了验证。结果表明，随着特征融合类型和复杂度的增加，肌电信号对动作的识别率逐渐提高。当肌电信号用于串联拼接方法时，时域-频域-经验模式分解（TD-FD-EMD）拼接的识别率最高，平均识别率为92.32%。采用复向量法将BP神经网络的预测精度提高到96.1%，同时减小了BP神经网络的方差1. 介绍肌电信号是人体运动过程中产生的一种生理信号源，属于非线性、非平稳的一维时间序列信号[1]。 由于它可以在一定程度上提前表示人体运动，近年来在外骨骼辅助康复和人机交互领域引起了广泛的关注[2，3]。然而，由于采集过程中受到电子设备固有噪声、环境噪声、运动伪影等因素的影响，肌电信号中混杂着大量的噪声信号[4]，导致肌电信号的利用率低，对人体运动意图的识别效果差因此，如何从微弱的肌电信号中提取有效的信息，提高肌电信号的利用率是当今研究的热点之一现有的微弱信号检测方法可分为线性方法和非线性方法。线性方法分为时域、频域和时频分析。时域分析将信号中的有用信息和噪声作为一个整体，通过一系列线性运算得到信号的线性特征因此，结果中会含有一定的噪声，在提取特征值时会丢弃一些有用的信息，势必会对识别结果产生一定的影响* 通讯作者。电子科技大学航空航天学院，成都，611731。电子邮件地址：JunyaoWang1994@hotmail.com（J.- Y. Wang），daiyh@uestc.edu.cn（Y.- H.戴先生），763504121@qq.com（X.- X. Si）。1、作者贡献均等。https://doi.org/10.1016/j.jnlest.2022.100169接收日期：2022年4月19日;接收日期：2022年7月25日;接受日期：2022年8月7日在线预订2022年1674- 862 X/©2022电子科技大学。Elsevier B. V.代表KeAi Communications Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表电子科学与技术学报期刊主页：www.keaipublishing.com/en/journals/journal-of-electronic-science-and-technologyJ. - Y. Wang等人电子科学与技术学报20（2022）100169Fig. 1. 本文的研究思路。2[5、6]。在众多的时频分析方法中，短时傅立叶变换和小波变换在处理非平稳信号方面具有较好的性能。然而，这些方法不能保持足够的频率分辨率来及时准确地定位信号[7，8]。近几十年来，非线性科学发展迅速经验模态分解是Huang等人提出的一种非线性信号处理1998年其主要思想是将待分析的信号分解为由多个本征模式函数（IMF）分量组成的信号[9，10]。 IMF包含信号的不同特定时间尺度，其分解函数是从数据本身导出的，因此结果本身确保了所考虑信息的非平稳性。该方法不仅适用于线性和稳定序列，也适用于非平稳和非线性序列。 但是经验模态分解方法也存在一些不足。该方法根据能量定律，直接丢弃多个低阶IMF和残差特别是当信号中包含较多的尖锐信号或奇异点时，在滤除噪声的同时会丢失一些有用的信息[11]。针对上述问题，本文采用信息融合的方法对肌电信号中常见的线性和非线性特征进行信息融合是将空间或时间上的冗余或互补信息按照某种准则进行组合，以获得对被测对象的一致解释或描述，从而使信息系统获得比由其组成的系统更好的性能[12，13]。用于融合的信息可以是未经处理的原始数据或经处理的数据。信息融合不仅可以在数据级进行，还可以在特征级和决策级进行。本文采用的方法是特征层融合，即提取肌电信号的线性和非线性特征值，然后进行特征融合线性特征是肌电信号的时域和频域特征，非线性特征是肌电信号经经验模态分解算法分解后的IMF分量。本文的贡献可归纳如下：1) 采集5种不同运动模式下下肢股直肌肌电信号，比较不同运动模式下肌电信号线性和非线性特征的异同2) 该方法将不同的特征串接成一个高维矩阵，与单个特征作为误差反向传播（BP）神经网络的输入相比，提高了识别率提出了一种复矢量方法，将线性特征作为实部，非线性特征（通过经验模态分解得到）作为虚部来表示复矢量。 复矢量法综合了信号的更多特征，改善效果更明显。为寻求提高肌电信号识别率的方法提供了思路。2. 方法2.1. 信号分析过程为了利用BP神经网络对五种动作的肌电信号进行识别在对肌电信号进行去噪处理后，提取信号的不同特征值，并采用不同的算法进行信息具体的研究思路见图1。1.一、1) 选取大腿前部的股直肌作为测试肌肉，按照走、步、斜、蹲、坐五个动作采集运动时的肌电信号。2) 信号经滤波和去噪后，利用MATLAB提取信号的线性特征（时域特征：方差（VAR）和均方根（RMS），频域特征：平均频率（MF）和平均功率频率（MPF））和非线性特征（经验模态分解IMF）。3) 提出了串联拼接法和复矢量法融合肌电信号的线性和非线性特征 串联拼接法是将不同的特征直接拼接成一个高维矩阵。复矩阵方法利用复数的实部和虚部的不同特征构成复矩阵，然后对矩阵向量进行量化。J. - Y. Wang等人电子科学与技术学报20（2022）100169图二. 肌电信号降噪处理.3×4) 将3）中构造的特征矩阵输入双隐层BP神经网络，对5个动作进行识别，根据识别率的均值和方差判断特征值的组合性能2.2. 信号采集与预处理A. 设备参数本实验使用美国iWorx生理信号采集系统：数据采集器为IX-BIO 8，其可同时采集8路肌电信号，并设置参比电极构成检测电路。分析软件采用LabScribe，可对采集的信号进行简单的放大和滤波具体采集参数设定如下：1) 采样频率为1000 Hz。最大采样值为500 Hz，最小采样值为5 Hz;2) 发射信号的倍数（增益）为1000 uv/div;3) 实验者四肢健全，采样前无剧烈运动，皮肤表面无疾病和物理损伤在连接传感器之前，清洁皮肤表面并用酒精擦拭通常认为皮肤电阻小于60 Ω。肌电传感器贴片沿股直肌方向靠近，参考电极位于测试腿阔筋膜张肌处。B. 动作设计本文选取了步态、跨步、斜步、深蹲和坐姿，既保证了训练数据的可分性，又验证了所选信号和分类器的识别性。具体运动周期如下：步行：步行是一个持续的膝关节伸展和伸展的过程 本研究从双足站立开始，然后是测试腿的向前一步，接着是另一条腿，最后再次完成双足站立，作为一个完整的步态周期。在运动过程中，重心在小范围内上下摆动。步距：步距为15 cm 40 cm，即步高15 cm，步宽40 cm，每步长150 cm。总共有15个台阶，台阶的坡度（每个台阶的每个前缘的线与水平面之间的夹角）为37.5度。坡道：为了保持与台阶相同的高度和坡度，在台阶两侧建立坡道，因此坡度为37.5度，长度为23米。在与步相同的高度标记点，以确保与步步态相同的步幅深蹲：在这个动作中，双脚与肩同宽，小腿保持不动，大腿绕膝关节逆时针弯曲，人体重心上下变化大腿和小腿的肌肉参与下蹲动作。坐：实验者保持直立，然后依次完成站-坐-站的动作本文规定了三个步态周期，站立为0周期。首先，要有一个正确的判断，然后，要有一个正确的判断，然后，要有正确的判断。当身体再次站立时，这是一个100%的循环。整个循环需要2秒。下蹲和坐姿的完整循环也保持2秒。C. 滤波器设计采集设备输出的肌电信号称为原始信号。该信号仅由硬件设备进行滤波原始EMG信号不能直接使用仍然有许多噪声无法通过硬件滤波来滤波，例如基线漂移和工频干扰。同时，我们发现，经验模态分解的效果并不令人满意的使用原始肌电信号。因此，在信号处理中仍然需要降噪在本文中，信号依次通过均值滤波器、巴特沃斯滤波器和椭圆滤波器 具体步骤如图所示。 二、以一个步行周期为例，将肌电信号依次通过上述滤波器后，结果如图所示。3.第三章。结果表明，上述滤波器对肌电信号有较好的滤波效果，特别是当肌电信号振荡较大时（采样点2500 ~ 3500），能较好地保留肌电信号的某些特征。J. - Y. Wang等人电子科学与技术学报20（2022）1001694图三. 过滤效果。2.3. 信号采集与预处理经验模态分解算法的本质是生成一系列具有不同尺度和残差分量的IMF [9]。分解的原理是基于信号序列时间尺度的局部特征在不设置任何基函数的情况下，从高频到低频提取构成原始信号的每个尺度分量[10]。分解得到的IMF由高频到低频排列，即最高频率图四、 经验模态分解算法流程。J. - Y. Wang等人电子科学与技术学报20（2022）1001695首先得到次高频分量，然后得到次高频分量，最后得到频率接近0的残差分量[9，10]。IMF分解应满足以下两个条件[12]：1) 计算整个待处理数据中极值点和过零点的个数时，必须满足极值点和过零点个数之差等于或至多为1的条件2) 由局部最大值表示的包络和由局部最小值表示的包络的平均值在任何点处为0本文不再重复经验模态分解的基本数学方程，只是简单介绍分解过程。 经验模态分解算法的主要步骤如下，如图所示。 [13]：1) 假设EMG信号x（t）被分解，并计算输入信号x（t）上的所有最大和最小点2) 上下包络y1（t）和y2（t）由局部极大值和局部极小值点拟合，拟合方法为三次样条插值。3) 计算两个包络线的平均值曲线m（中值包络线）4) 从原始信号中减去中值包络，结果定义为h。5) 判断h是否满足IMF条件。如果是，输出一阶函数imf 1，定义为c（n）;如果不是，取h作为原始信号，重复步骤1）到4），直到满足IMF条件。6) 计算一阶分量与原始序列之间的差，定义为r;7) 判断r是否为单函数。如果满足，则r是残差分量;如果不满足，则将r作为原始信号，重复步骤1）至4），直到满足IMF条件。本文利用经验模态分解后不同信号的IMF作为肌电信号的非线性特征但在实际分解过程中发现，不同运动的肌电信号用经验模式分解时，IMF的个数不同（步行为4个，踏步和斜坡为5个，蹲和坐为6个）。为了消除IMF维数对识别效果的影响，丢弃分解后的残差信号，只保留前4阶IMF为了判断本文的选择，比较了模态函数是否能在不损失太多有效信息的情况下表示肌电信号。将EMG信号的前4阶IMF分别相加 所得结果如图所示。五、黑色曲线是原始EMG信号，红色曲线是由IMF表示的信号可以看出，对残差信号和冗余IMF进行滤波后，对信号的影响很小，在下蹲和坐姿的峰值处，原始肌电信号与经验模态分解合成的拟合信号之间只有很小的误差。结果表明，肌电信号可以用一阶四阶IMF分量表示。肌电信号分解得到的IMF构成一个矩阵，供后续用途：EMD¼½ C1C2C3C4]（1）其中EMD表示由EMG信号的IMFCn组成的矩阵X，并且Cn是1维列向量。2.4. 线性特征选择本文选取了肌电信号中两个常见的、具有代表性的线性特征：RMS和VAR。图五、 原始数据与经验模态分解组合的拟合信号的比较：（a）步行，（b）步进，（c）斜坡，（d）蹲下，(e)坐着J. - Y. Wang等人电子科学与技术学报20（2022）10016961/1I¼1 2N：（2）N¼ ð···ÞZð ÞZZZ1型¼N-1我1/1RMS是均方根，是肌电信号特征提取的常用方法。其计算公式见（2）[14]：RMS¼sPNX2NsX2X2··X2NVAR是方差，是EMG信号数据离散程度的度量[14]。其计算公式为：VAR¼1 XX-X2：（3）其中，XX1;X2;;Xi是EMG信号序列，X是EMG信号的平均值，N是序列长度。特征时间窗口大小为200 ms，滑动窗口大小为100ms。图图6示出了在5种运动模式期间单个周期中EMG信号的两个特征。结果表明，肌电信号的RMS和VAR保留了信号的特征，在时域上从不同角度反映了信号的特征，具有一定的可分性。由从EMG信号中提取的时域特征组成的矩阵表示如下：TD¼½RMS VAR]（4）其中TD表示EMG信号的线性时域特性选择MPF和MF作为频域特征。 具体的数学方程如下：MPF是平均功率频率，定义为（5）[15]：f平均值¼þ∞fPfdf0，Z∞0Pfdf（5）其中P f是功率谱密度函数。MF是平均频率，它是功率谱上左右两侧能量相等的点[15]：fmf0þ∞Pfdf¼fmfþ∞P fdf20Pfdf（6）其中fmf是要确定的中值频率由从EMG信号中提取的频域特征组成的矩阵表示如下：（7）第一批出口商品其中FD表示EMG信号的线性频域特性J. - Y. Wang等人电子科学与技术学报20（2022）1001697图六、 比较不同运动模式下的肌电信号特征值：（a）步行，（b）台阶，（c）斜坡，（d）蹲下，和（e）坐。J. - Y. Wang等人电子科学与技术学报20（2022）1001698þþþ3. 肌电信号特征层信息融合算法3.1. 串联拼接法本文将肌电信号中常见的线性和非线性特征以不同的组合方式组合起来，构造了一个高维特征矩阵为了消除参与组合的特征数量不平衡带来的不利影响，首先，我们对特征空间的数据进行标准化α/βx-μπ ι =σ（8）其中x是数据，μ是数据的平均值，σ是数据的方差，α是标准化数据。在串联拼接方法中，TD FD表示EMG信号的时域和频域特征的串联拼接TD FD ½RMS VAR 强积金 MF]TD EMD表示肌电信号的时域特征和经验模式分解信号的串联拼接TD EMD1/2RMS VAR C1C2C3C4]FD EMD表示EMG信号的频域特征和经验模式分解信号的串联拼接：FD-100- MF C1C2C3C4]：TDFD EMD表示EMG信号的线性特征和经验模式分解信号的串联拼接TD标准差±标准差±标准差 VAR 强积金 MF C1C2C3C4]本文采用双隐层BP神经网络作为分类器进行验证。 BP神经网络是一种多层前向神经网络，包括一个输入层、多个隐层和一个输出层。 它可以实现从n维自变量到m维因变量的函数映射，是目前最成功的神经网络学习算法之一[16]。神经元接收来自前一个神经元的外部信号并对信号进行加权根据阈值确定神经元的输出或抑制。BP神经网络的特点是误差的反向传递，根据预测误差调整网络的权值和阈值，使网络输出不断逼近期望输出[16]。所选双隐层神经网络的拓扑结构如图所示。7.第一次会议。隐藏层参数节点的设置在表1的第二列中示出（根据参考文献10确定）。[17输出层节点数为5（因为有5种不同的下肢运动）;学习率设置为0.01; epoch设置为100;训练目标设置为0.00004。识别结果以及识别率的平均值和方差示于下表1中。根据表1：1) 肌电信号的线性和非线性特征都可以用来识别下肢运动。单纯利用线性特征对下肢运动的识别率较低。步行动作的识别率最低，仅为70.4%，蹲下动作的识别率最高，为85.7%。对5个动作的平均识别率仅为79.48%，识别率的方差为34.697，表明神经网络系统在识别下肢动作时不稳定见图7。 BP神经网络的拓扑结构。J. - Y. Wang等人电子科学与技术学报20（2022）1001699Hþ;;i;j表1BP神经网络在串联拼接法中的识别结果输入输入数量隐藏层数不同运动的识别率（%）均值（%）方差步行步坡道蹲坐电话：+86-510- 88888888传真：+86-510 - 88888888EMD4 8 81.5 82.3 81.4 82.2 83.5 82.18 0.707电话：+86 21 6600000传真：+86 21 6600000FD-1000 - 10000 - 100000 - 1000000 - 100000000 - 10000000 -000000000 - 00000000 - 00000电话：+86-510 - 8888888传真：+86-510 - 8888888具有线性特征。而基于非线性特征的识别率的方差仅为0.707，但五个动作的识别率均值为82.18%。2) 在串联拼接中，TD_FD_EMD的拼接识别率最高，平均识别率为92.32%。同时，方差也低于单个TD或FD特征与EMD串联拼接的方差（TDFDEMD的值为6.467，TDEMD和FDEMD的值分别为10.008和11.4883.2. 复数矢量法假设A和B是模式样本向量空间Ω上的两个不同特征空间，它们对应的两个特征向量分别为x2A和y2B，归一化后的特征向量记为α（线性特征向量）和β（非线性特征向量），则复向量γ<$A<$iβ（其中i为虚数单位）表示组合向量。如果α和β的维数不相等，则将低维特征向量补充为0。以这种方式，获得n维复向量空间C，其中n^maximum_dimension_α_n;dimension_β_n [20]。空间中的标量积定义为：（9）第一次见面其中X; Y2C它的欧氏距离是Z1-Z21/4 qq qq其中Z1和Z2是酉空间中的两个复向量（十）由于BP神经网络在训练过程中面临复数处理的困难[19]。 同时，为了进一步融合肌电信号的线性和非线性特征，本文将这两种特征组成复矩阵，然后将其作为BP神经网络的输入，即用复矩阵中元素的模长来代替复元素。数学方程是ai j/q。ffi ffiαffi ffiiffiffijffiΣffiffi2ffiffiffiþffiffiffiffiffi.ffiffiβffiffiffiffiffiΣffiffiffi2ffi（十一）其中，ai;j是去向量化矩阵X的第i行和第j列的特征值，αi;j和βi;j是EMG信号标准化后的线性和非线性特征值[21]。将去矢量化后的矩阵输入BP神经网络的输入层，对5种步态和动作进行识别。识别结果以及识别率的均值和方差见表2。上述实验结果表明，当采用时域线性特征和经验模态分解非线性特征组成的复矩阵方法时，BP神经网络对深蹲动作的识别率最低，仅为90.7%，对步行动作的识别率最高，为95.4%;五个动作的平均识别率为93.32%，方差为3.817。 当复矩阵由频域线性特征和经验模式分解非线性特征（FD EMD）组成时，识别率平均提高了1.06%，说明这两种组合方法都能很好地识别人体下肢运动。 当肌电信号的三种特征相结合时，识别率全面提高，平均值超过96%，方差减小，保证了各种动作识别的稳定性。为了比较BP神经网络在不同输入条件下的识别率和性能，比较了两种构造矩阵的方法的识别率及其方差。 结果示于图8.第八条。表2复向量法BP神经网络的识别结果输入输入数量隐藏层数量不同运动的识别率（%）均值方差步行步坡道蹲坐电话：+86-510 - 8888888传真：+86-510 - 8888888FD-1000 - 10000 - 100000 - 1000000- 10000000 - 100000000- 1000000000 - 10000000000电话：+86-10 - 8888888传真：+86-10 - 88888888J. - Y. Wang等人电子科学与技术学报20（2022）10016910þþþþ图8.第八条。 两种融合方法的比较。从图中可以看出。随着特征融合类型的增加和融合方法复杂度的变化，BP神经网络系统对动作的识别率逐渐提高，说明肌电信号可以从不同角度描述人体下肢的运动。然而，只有当EMD单独输入的直接拼接方法和TD FD EMD输入作为复矩阵X（分别为0.607和0.700，在另一种方法）的识别率的方差是最低的。当肌电信号的线性特征作为输入时，方差最大，为34.697，表明该方法下的识别率不均匀。非线性特征反映了人体肌电信号不同于物理意义上的线性特征的非线性属性。因此，它在识别步态运动中的作用将与肌电信号的线性特征互补。同时，在对复矩阵进行去向量化的同时，进一步融合了信号的特征，从而进一步提高了识别率。然后，可以提高BP神经网络的识别率，特别是当信号的时域、频域和非线性特征被融合时。单从识别率的角度来看，复向量法确实是最好的，但综合考虑这两个指标后，两种方法还是如前所述各有利弊。4. 结论本文提出了两种不同的方法，即级数拼接法和复矩阵法，用于融合人体下肢肌电信号的线性和非线性特征采用BP神经网络进行识别，以识别率均值和方差作为判别准则。具体结论如下：1) 基于肌电信号线性特征的下肢运动识别率低，神经网络系统不稳定。 该系统在识别具有非线性特征的运动时相对稳定，但识别率平均只有82.18%。在串联拼接方法中，TD FD EMD的拼接识别率最高，平均识别率为92.32%，系统稳定性也较高。采用复向量法融合肌电信号的特征后，识别率显著提高，系统更加稳定。 将肌电信号的三种特征值进行组合，识别率得到全面提高，平均值达到96%以上。2) 随着特征值融合类型的增加和融合方法复杂度的变化，BP神经网络系统的识别率逐渐提高，说明肌电信号能够从线性和非线性的不同角度描述人体下肢的运动。然而，通过增加特征融合的数量，系统更稳定这就要求我们在选择特征值类型和特征值融合方法时要多加考虑资金本工作得到了国家航空航天研究计划项目的资助020202竞合利益作者声明无利益冲突J. - Y. Wang等人电子科学与技术学报20（2022）10016911确认作者谨此向博士表示感谢唐鹏博士及陈博士。李朝阳对本文进行了有益的讨论和修正。引用[1] N.T. Mahmood，M.H.Al-Muifraje，S.K.Salih，T.R.Saeed，通过机器学习基于EMG信号的复合运动模式识别，Eng.Technol. J 39（2A）（2021年2月）295- 305。[2] N.N. Unanyan，A.A. Belov，基于EMG信号处理的上肢假肢实时运动检测方法的设计，Biomed。信号处理控制70（9月）2021），103062，1-11.[3] T. Triwiyanto，E.尤利安托，I.D.G.H. Wisana等人，肌电图特征分析识别假手设计中的手部运动，J. Biomim。 Biomater.Biomed. Eng.50（2021年4月）25- 37。[4] K. Kang，H.C.Shin，基于EMG的手势识别使用噪声去除，在：Proc。关于Intl.Conf. 信息网络，济州岛，2021年，pp。 640- 643[5] L. Moreira，J. Figueiredo，P. Fonseca，J. P. Vilas-Boas，C. P. Santos，以受控速度行走期间年轻健康人的下肢运动学，动力学和EMG数据，Sci. 数据8（1）（2021）103，1-11。[6] R.H. Chowdhury，M.B.I.Reaz，M.A.B.M.艾莉匿名戒酒协会Bakar，K.Chellappan，T.G.张，表面肌电图信号处理和分类技术，传感器13（9）（9月。2013）12431-12466。[7] Q. 王X-P. Wang，通过深度时频学习进行基于EMG的手势识别，用于辅助生活&康复，在：Proc。 第11届IEEE年度普适计算，电子&移动通信会议，纽约，2020年，pp。 558- 561[8] I. 张文，张文，等.肌电信号的小波分析与去噪.北京：清华大学出版社.Med. Res. 20（1）（Mar.2020）13- 19.[9] G.- F. 范，S。Qing，H.Wang，基于经验模式分解和自回归的电力负荷预测支持向量回归模型，能源6（4）（2013）1887- 1901。[10] X. Zhang，P.周，表面肌电信号的整体经验模式分解滤波，医学。Eng. Phys. 35（4）（Apr.2013）537- 542。[11] T. 王，EMD算法及其在信号去噪中的应用研究，博士。哈尔滨工程大学博士论文大学、哈尔滨，2010年。[12] X.- G. Xi，H.吴志-Z. 罗，基于EMD自相关的表面肌电信号去噪方法，中国。J. Sci. 仪器 35（11）（2014）2494- 2500，11月[13] X.- F. 李，M.-J. 刘氏H. 基于独立分量分析的侵彻加速度信号处理EEMD算法研究Proc. 第三届国际 图像&信号处理会议，烟台，2010年，pp. 4135- 4138[14] A. 罗斯，A.Jain，生物特征识别中的信息融合，模式识别。Lett. 24（13）（Sept.2003）2115- 2125。[15] H.S. Kang，H.C. Shin，基于多模态信息融合的具有EMG和视觉的智能人机接口，J.Meas. Sci.仪器2（2）（2011年6月）152- 156。[16] K. Kiguchi，Y. Hayashi，An EMG-based control for an upper limb power-assisted exoskeleton robot，IEEE Trans. on Systems，Man，andCybernetics，Part B（Cybernetics）42（4）（2012）1064- 1071，Aug.[17] E.P. 多埃尼角Goulding，M.W.弗拉德湖Mcmanus，M.M.Lowery，在力变化和疲劳收缩过程中，可穿戴表面EMG传感器与实验室标准EMG的对比评估，IEEE传感器。J. 20（5）（2020）2757- 2765，Mar.[18] S. 孔，W。向，BP网络结构、参数和训练方法的设计与选择，计算机辅助设计。Eng. 27（10）（10月）2001）36- 38。[19] Y. 霍，X。X. 马，基于BP神经网络的图像噪声识别算法，在：Proc.中国控制与决策会议，2020年，第100页。 106- 111[20] E. Chigozie，E.Eziokwu，关于反函数定理及其在酉空间中的推广，Mo。J. 数学Sci. 4（3）（Nov.2020）4- 9.[21] A. Hirose，复值神经网络，IEEJ Trans.电子学。INF. 系统131（1）（Jan.2011）2- 8。王君尧出生于1994年。他得到了B. S。2015年毕业于成都电子科技大学机械工程专业，2015年获得理学硕士学位。2018年毕业于沈阳建筑大学机械工程专业。他目前正在攻读博士学位。电子科技大学控制工程专业主要研究方向包括人体特殊运动时的表面肌电信号、传感器或摄像机对人体肢体运动的采集、多模态信号处理、智能控制算法设计等。戴月红出生于1967年。他接受了生物学检查，法医和博士分别于1988年、1991年和1995年在重庆大学获得机械工程学位。一九九七年至二零零一年，彼为成都西华大学机械工程与自动化学院副教授。二零零二年至二零零九年，彼为西华大学机械工程及自动化学院教授。 现任电子科技大学航空航天学院教授，电子科技大学飞行器群智能传感与协同控制四川省重点实验室教授。研究方向包括飞机和车辆的智能化、无人化、电动化驾驶与控制，可穿戴关节辅助机器人的智能感知与智能驾驶控制，工业机器人智能制造与信息物联网生产系统。J. - Y. Wang等人电子科学与技术学报20（2022）100169121999年出生的夏夕斯。她得到了B. S。2020年毕业于郑州大学自动化专业。她目前是电子科技大学航空航天学院的研究生她的研究兴趣包括肌电信号和足底压力信号的分析和识别