一种基于肌电智能穿戴的交互式康复系统的制作方法

1.本发明涉及一种手部识别动作的系统。特别是涉及基于肌电智能穿戴的交互式康复系统。


背景技术：

2.在肢体运动中，手部动作是一种生活中不可或缺的肢体语言，被大量的应用到日常交际中，随着科学技术的发展，手部动作的智能识别及应用逐渐走入日常生活，成为智能化生活的一个体现。采集人体手部肌肉电信号，进行分类识别，理解人类手势意图，进而做出相关的响应，渐渐成为一个智能化生活的一个重要趋势。而进行手部动作之前，相对应的手部肌肉电信号会产生。
3.每当手部的细胞被电击刺激或者通过神经使其激活的时候，人体就会产生相应的肌肉电位。所以，在此时测量人体肌肉的电信号，进行数据分析，这样就可以检测和分析人体相应的肌肉运动情况，或者了解神经元被刺激的水平。因此，在肌肉收缩或舒张时，发送的电信号，在一定程度上可以体现神经和肌肉的运动情况，再利用算法进行训练分类。
4.人体电信号采集技术是一种建立人体与计算机之间信息通路的新方式。人体电信号采集技术通过对穿戴者的手部肌电信号进行采集和分析，提取蕴含在肌电信号中的丰富特征，进而判断穿戴者的手部动作状态，以后可能会用在假体运动控制，临床手部疾病检测，运动损伤的临床诊断，运动员的训练，以及医疗康复和改善日常生活活动，甚至在一些游戏娱乐领域。
5.然而，现有的多通道肌电采集设备大多存在价格昂贵、体积笨重、操作繁琐，不能实时分类等不便之处，穿戴式肌电采集设备则普遍存在精度不足、通道较少等缺点。因此，设计并开发一套高精度、多通道的穿戴式肌电采集设备，并用于人体电信号采集领域是非常必要的。
6.高性能、低成本、低功耗的嵌入式单片机(stm32)微处理器被广泛应用于工业控制、消费电子、物联网、通讯设备、医疗服务、安防监控等应用领域。基于stm32运行的稳定性和高性能理念设计的穿戴式肌电采集设备解决了通道较少，无线传输等问题。因此本发明采用stm32作为穿戴式肌电采集设备的主控芯片，配合高精度生物电信号采集模块，设备的采集精度也能得到满足。
7.肌电信号是一种生物电流信号，它产生于任意组织器官，一般是一种时间和一系列的振幅、频率和波形函数。肌电信号是伴随肌肉收缩动作产生的一种生物电信号,采集皮肤表面的肌电信号称为表面肌电信号semg。semg肌电信号是人体表面肌肉通过收缩产生的生物电流。神经系统控制肌肉的活动(收缩或者放松)，在表面皮肤不同的肌肉纤维运动单元在同一时间产生相互不同的信号。所以肌电信号具有非线性、非稳态、噪声干扰严重等特点。
8.随着深度学习的兴起，和计算能力的提升，根据算法的分类判断，进而实时判断人体运动已经成为可能。近年来，深度学习在目标检测、语音识别和自然语言处理等领域展示
出其强大的潜力。深度卷积神经网络作为深度学习中成功应用的代表，能够对栅格状数据中的特征进行有效的提取。多层神经元的自编码神经网络和深度卷积神经网络的模型，能够发挥各自组成部分的相应优势，提取相对应的肌电信号的时域频域特征，进而实现对穿戴者手部动作的准确识别。


技术实现要素：

9.本发明所要解决的技术问题是，提供一种基于肌电的能够对穿戴者手部动作进行快速、准确的初步辨识进而控制仿生机械手的穿戴式肢体运动智能感知系统。
10.本发明所采用的技术方案是：基于低功耗的ads采集芯片设计的可穿戴设备用于采集人体表面肌肉电信号(semg)，在采集过程中，semg信号经过滤波，放大，数字化，再经无线传输设备传输到手机端，在手机专用的app中，进行数字滤波，运用深度学习算法进行训练和分类。此项研究搭建开发了数据分析的手机端软件平台，可快速、准确对多种手势进行分类，分类效果能达到较高水平，并且在手机端的app中，可以查看到semg肌电信号各个通道的实时波形。在采集信号后可将预测的信号传输到仿生机械手设备，进行下一步的动作。较高的准确率表明这套系统功能是具有可行性的。在本发明中，给出了详细的基于神经网络训练的算法结构和手部识别动作。
附图说明
11.图1是本发明基于肌电智能穿戴的交互式康复系统的构成框图；
12.图2是本发明中穿戴式肌电采集设备构成框图；
13.图3是本发明中无线传输模块构成框图；
14.图4是本发明中时频域特征融合算法构成框图；
具体实施方式
15.下面结合实例和附图对本发明的基于肌电智能穿戴的交互式康复系统做出详细说明。如图1所示，一种基于肌电智能穿戴的交互式康复系统，包括有依次连接的：穿戴式肌电采集设备(1)、手部肌电主动训练界面(2)、生理状态分析模块(3)和仿生机械手模块(4)。其特征在于，使用者通过所述的手部肌电主动训练界面(2)，应用所述的穿戴式手部肌电采集设备(1)从使用者手部采集semg肌电信号。
16.所述的生理状态分析模块(3)接收semg肌电信号，并结合深度学习卷积神经网络算法 (cnn)，智能辨识使用者做出的手部动作。在本发明中，搭建开发了数据分析的手机端软件平台，即可以在手机端实现所述的生理状态分析模块(3)的功能，并且可以查看各个通道 semg肌电采集设备的的波形。在手机端利用深度学习卷积神经网络算法(cnn)进行智能辨识后，通过无线远程设备，控制仿生机械手设备(4)。
17.所述的仿生机械手模块(4)以生理状态分析模块(3)作为基础，通过无线远程设备，控制仿生机械手设备(4)做出与手部动作相对应的运动，另外陀螺仪模块也通过无线远程设备，发送数据，与生理状态分析模块(3)相结合，共同控制仿生机械手设备(4)。
18.如图2所示，所述的基于肌电智能穿戴的交互式康复系统，其特征在于，所述的穿戴式肌电采集设备(1)包括有：依次连接的用于采集semg肌电信号的电极贴及其导联线
(11)，用于肌电信号放大和转换的生物电信号采集模块(12)、用于控制肌电信号的采集以及向生理状态分析模块(2)传输semg肌电信号的stm32微处理器(13)和wifi无线数据传输电路(14)，陀螺仪电路(15)、用于测量穿戴式肌电采集设备(1)的加速度，角速度和角度；分别连接生物电信号采集模块(12)和stm32微处理器(13)的系统供电电路(16)，以及蓝牙无线传输电路(17)，其中，所述的电极贴及其导联线(11)中的电极贴采集手部不同肌肉的semg肌电信号，通过导联线及pj313b接口与生物电信号采集模块(12)相连接，用于生物电信号的采集和传输；电极贴粘贴在穿戴者手部前臂，肌电采集设备所测的肌肉为：尺侧腕伸肌，指伸肌，桡侧腕短伸肌，桡侧腕长伸肌，肱桡肌，旋前圆肌，桡侧腕屈肌，掌长肌，尺侧桡屈肌，可获得手部8个通道的肌电信号，由于手部前臂肌肉的混杂，本发明中并未单独采集手部前臂某一块的肌肉。
19.所述的生物电信号采集模块(12)是由数片集成了用于接收电极贴采集的人体表面肌肉电压semg信号的高共模抑制比模拟输入ad模块、用于进行测量肌电压semg，将肌电信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器的生物电信号采集芯片组成；
20.所述的stm32微处理器(13)用于调整生物电信号采集模块的采集模式与调整和控制 wifi无线数据传输模块(14)和nrf24l01无线远程电路(17)输出semg肌电信号，发送到手机端，以供生理状态分析模块(3)进行数据分析。以及将陀螺仪电路(15)所测得的加速度，角速度，角度信号进行数据分析，最终发送到仿生机械手设备(4)。
21.所述的wifi无线数据传输模块(14)工作在ap模式下，最高传输速率4mbps，在stm32 微处理器(13)的控制下，周期性地将采集到的semg肌电信号以数据包的形式通过wifi 无线数据传输模块(14)向手部肌电主动训练界面(2)和手机端的生理状态分析模块(3) 输出semg肌电信号。
22.所述的蓝牙无线传输电路(17)应用的是低功耗单模模块，低功耗单模模块是针对低功率传感器和附近的单模设备。蓝牙无线传输电路(17)传输距离达到100米以上，最大发射功率可达10dbm；能够满足本发明中的无线传输要求。在stm32微处理器(13)的控制下，周期性地将采集到的semg肌电信号以数据包的形式通过蓝牙无线传输电路(17)向手部肌电主动训练界面(2)和生理状态分析模块(3)输出semg肌电信号，另外，蓝牙无线传输电路(17)可将陀螺仪电路(15)测得的数据通过stm32微处理器(13)的简单分析后，发送给仿生机械手控制模块(4)，如图3所示；
23.所述的陀螺仪电路(15)主要应用的是六轴姿态角度传感器，并设计了相对应的电路。陀螺仪电路(15)采用高精度的陀螺加速度计mpu6050，通过stm32微处理器(13)读取 mpu6050的测量数据，然后通过串口输出，模块内部集成了姿态解算器，配合动态卡尔曼滤波算法，能够在动态环境下准确输出想对应的加速度，角速度和角度，模块的当前姿态，姿态测量精度为0.05度，稳定性极高。数据输出频率为100hz(波特率115200)或者20hz (波特率9600)，能够满足本发明中对陀螺仪电路的要求。
24.所述的系统供电电路(16)，输入电压为3.7v，由锂电池(17)进行供电，通过电压转换模块提供系统不同芯片的工作电压分别为
‑
2.5v，2.5v，3.3v。
25.本发明所述的基于肌电智能穿戴的交互式康复系统，仿生机械手控制模块(4)具体为仿生机械手掌，五个手指由五个防堵转的lfd
‑
01舵机驱动，云台由180度的ld
‑
1501mg
数字舵机驱动，ld
‑
1501mg数字舵机驱动为17kg的扭力，供电系统的适配器为6v，5a，dc 适配器，仿生机械手掌的手部为5个自由度，底座为1个自由度。
26.本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，所述的生理状态分析模块(3)具有在线实时分类功能,实时在线分类功能能够分类20个手部动作；
27.(1)20个手部动作分别为：竖大拇指手势、握拳手势、手掌外摆手势、手掌内摆手势、手掌向上摆手势、大拇指与食指捏在一起手势、大拇指与中指捏在一起手势、大拇指与无名指捏在一起手势、大拇指与小拇指捏在一起手势、五指抓网球手势、大拇指与食指掐住水瓶手势、抓取手杯手势、手掌握住手杯手势、大拇指与食指拿住笔保持使其保持竖直手势、手掌握住网球手势、拿毛笔手势、握住笔筒手势、握住书本使其保持竖直手势、端书本手势、手拿木棍指向前方手势；
28.首先，通过穿戴式肌电采集设备采集穿戴者的semg肌电信号，周期性地将采集到的 semg肌电信号通过wifi无线数据传输模块(14)向手部肌电主动训练界面(2)发送数据，然后通过转换算法，从a/d转换结果解析出semg肌电信号实际电压值，最后训练深度学习卷积神经网络cnn模型，在训练完成后，通过蓝牙无线传输电路(17)向生理状态分析模块 (3)发送semg肌电信号，其中，再次通过转换算法，从a/d转换结果解析出semg肌电信号实际电压值，送入生理状态分析模块(3)，进行在线实时分类；
29.本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，所述的通过转换算法，从a/d转换结果解析出semg肌电信号实际电压值，包括如下步骤：
30.1)确定生物电信号采集模块(12)的参考电压v
ref
以及可编程增益放大器的放大倍数g
pga
；
31.2)将每个通道的原始的十六进制a/d转换结果v
16
，转化为十进制a/d转换结果v
10
；
32.3)按照下列公式，计算semg肌电信号实际电压值v
in
：
[0033][0034]
其中
[0035]
本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，所述的基于肌电时域频域特征融合的卷积神经网络cnn算法包括如下步骤：
[0036]
1)获取原始semg肌电信号其中，n为原始semg肌电信号通道数， l为每个通道原始semg肌电信号的数据长度，表示原始semg肌电信号中第c个电极采集的原始semg肌电信号中第g个数值；
[0037]
2)对原始semg肌电信号进行数字带通滤波，并进行50hz陷波滤波，去除工频干扰，得到处理后的semg肌电信号其中，x
c,g
表示滤波后第c个电极对应的semg肌电信号中第g个数值；
[0038]
3)基于数字化滤波的semg肌电信号在滤波后构建多个样本集。
[0039]
4)进入参数微调阶段，将每位使用者数字滤波后的semg肌电信号，依次送入初始
深度的并行卷积神经网络模型，进行训练和梯度修正。
[0040]
本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，步骤2)所述的对原始 semg肌电信号进行数字化滤波，是采用带通滤波器，所述带通滤波器的第一阻带频率 f
stop1
＝0.001hz，第一通带频率f
pass1
＝10hz，第二通带频率f
pass2
＝30hz，第二阻带频率 f
stop2
＝40hz，第一阻带衰减率5db，第二阻带衰减百分比5db。
[0041]
本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，步骤4)所述的每位使用者数字滤波后的semg肌电信号样本集，依次送入初始深度的卷积神经网络模型。对深度卷积神经网络模型进行全监督训练，模型初始学习率设为0.004，学习率以指数形式衰减，以防止固定的学习率得不到最优模型，共进行500周期的循环训练，batchsize大小为128，并设置了earlystopping早停机制。可获得训练所有周期中，训练模型最好的模型。在预训练的基础上不必进行模型参数微调，在本发明中在设计深度卷积神经网络模型时，采集了很多人的肌电数据，来进行训练，使得深度学习模型具有跨被试的泛化能力。所述深度卷积神经网络模型的输出即为生理状态分析模块(2)输出的与仿生机械手运动相对应的结果。与许多传统的机器学习算法相比，cnn使用多层结构来提高识别模型的泛化性能和抽象性能，经过多次实验表明，利用本发明中所应用的cnn算法关于多通道semg信号处理是一种用于手部运动模式识别的高效方法。
[0042]
在深度卷积神经网络模型中，主要是利用正向传播和反向传播。首先，通过所有cnn层分析原始的semg肌电信号样本，前向传播的semg肌电信号数据集，以获得输出值。然后计算输出值和期望值之间的误差，以确定输出的准确性。接下来，使用误差反向传播过程来修改权重值。这两个过程由迭代操作系统重复执行，直到网络的损耗值最小为止。然后使用梯度下降算法修改加权值。为防止过度修改权值，致使最终的模型并不是最优模型，因此在本发明中，设置了earlystopping早停机制，用于减少过度拟合，为取测试损失函数最小值的模型设为目前训练最优的模型。
[0043]
深度卷积神经网络模型中，包括五个分支，每一分支的输入均为数字化滤波后的semg 肌电信号；五个分支为不同的卷积池化层，并且五个卷积池化层是并行运行，在进入全连接层前，将五个分支的时域频域特征进行融合，五个深度卷积池化部分分别侧重点在时域和频域中提取一维的数据，并且在maxpooling层中减小时域和频域特征的维度，最终输出不同的时域频域特征。这五个深度卷积池化部分足够深，且十分稳定，能够有效的提取semg肌电信号的时频域特征。进行特征融合后，对20个手部动作的分类有较好的分类；
[0044]
第一个卷积神经网络提取时域频域特征依次包括：
[0045]
(1)一个数据输入层，输入数据为数字化滤波后的semg肌电信号样本；
[0046]
(2)第一卷积层，卷积核数量为64个卷积核，大小为20
×
4，步长为(1,1)。卷积核选择 relu作为激活函数，
[0047]
(3)第一最大池化层，池化核大小为20
×
1，步长为(1,1)，对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0048]
(4)第二卷积层，卷积核数量为128个，卷积核大小为3
×
1，步长为(1,1)。卷积核选择relu作为激活函数；
[0049]
(5)第二最大池化层，池化核大小为7
×
1，步长为(1,1)对当前池化核覆盖下的输
入数据的元素提取最大值作为输出；
[0050]
(6)一个flatten层，用于将多维的输入一维化；
[0051]
第二个卷积神经网络提取时域频域特征依次包括：
[0052]
(1)一个数据输入层，输入数据为数字化滤波后的semg肌电信号样本；
[0053]
(2)第一卷积层，卷积核数量为64个卷积核，大小为16
×
4，步长为(1,1)。卷积核选择 relu作为激活函数，
[0054]
(3)第一最大池化层，池化核大小为20
×
1，步长为(1,1)，对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0055]
(4)第二卷积层，卷积核数量为128个，卷积核大小为4
×
1，步长为(1,1)。卷积核选择 relu作为激活函数；
[0056]
(5)第二最大池化层，池化核大小为6
×
1，步长为(1,1)对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0057]
(6)一个flatten层，用于将多维的输入一维化；
[0058]
第三个卷积神经网络提取时域频域特征依次包括：
[0059]
(1)一个数据输入层，输入数据为数字化滤波后的semg肌电信号样本；
[0060]
(2)第一卷积层，卷积核数量为64个卷积核，大小为12
×
4，步长为(1,1)。卷积核选择 relu作为激活函数，
[0061]
(3)第一最大池化层，池化核大小为20
×
1，步长为(1,1)，对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0062]
(4)第二卷积层，卷积核数量为128个，卷积核大小为5
×
1，步长为(1,1)。卷积核选择 relu作为激活函数；
[0063]
(5)第二最大池化层，池化核大小为5
×
1，步长为(1,1)对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0064]
(6)一个flatten层，用于将多维的输入一维化；
[0065]
第四个卷积神经网络提取时域频域特征依次包括：
[0066]
(1)一个数据输入层，输入数据为数字化滤波后的semg肌电信号样本；
[0067]
(2)第一卷积层，卷积核数量为64个卷积核，大小为8
×
4，步长为(1,1)。卷积核选择relu 作为激活函数，
[0068]
(3)第一最大池化层，池化核大小为20
×
1，步长为(1,1)，对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0069]
(4)第二卷积层，卷积核数量为128个，卷积核大小为6
×
1，步长为(1,1)。卷积核选择 relu作为激活函数；
[0070]
(5)第二最大池化层，池化核大小为4
×
1，步长为(1,1)对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0071]
(6)一个flatten层，用于将多维的输入一维化；
[0072]
第五个卷积神经网络提取时域频域特征依次包括：
[0073]
(1)一个数据输入层，输入数据为数字化滤波后的semg肌电信号样本；
[0074]
(2)第一卷积层，卷积核数量为64个卷积核，大小为1
×
4，步长为(1,1)。卷积核选择relu 作为激活函数，
[0075]
(3)第一最大池化层，池化核大小为20
×
1，步长为(1,1)，对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0076]
(4)第二卷积层，卷积核数量为128个，卷积核大小为4
×
1，步长为(1,1)。卷积核选择 relu作为激活函数；
[0077]
(5)第二最大池化层，池化核大小为3
×
1，步长为(1,1)对当前池化核覆盖下的输入数据的元素提取最大值作为输出；
[0078]
(6)一个flatten层，用于将多维的输入一维化；
[0079]
五个卷积神经网络输出的五个不同的时域频域特征均为一维数据，对数据拼接，即进行时域频域特征信息融合，进而进入全连接层；
[0080]
(7)第一个全连接层，选择节点数为128，选择relu作为激活函数，选择l2范数作为正则化项，l2范数设置为0.004；
[0081]
(8)第二个dropout层，防止过拟合提升模型泛化能力，随机选择上一层的神经元，使该神经元不输出，选择概率为0.3；
[0082]
(9)第二个全连接层输出分类结果，选择节点数为手部动作数目，选择softmax作为激活函数，softmax函数本质上是归一化的指数函数，定义为其中e为自然对数值，z
h
为第h个神经元的输出，式子中的分母充当了正则项的作用，使得
[0083]
本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，在进入深度学习算法之前，将采集的8个通道的semg肌电信号以250次为一个样本，使深度学习算法更好的提取semg肌电信号的时域和频域的特征，送入深度学习算法。
[0084]
本发明所述的基于肌电的穿戴式肢体运动智能感知系统，其特征在于，在semg肌电信号中，每一个通道的肌电数据，都可以表示为一个所测肌肉通道的波形数据。因此本发明中，在深度学习模型进行语义分割时，并未采用规则形状nxn的常规空间卷积池化，而是采用狭长卷积和条带池化。方形大小的卷积层和池化层限制了捕获实时手部动作中semg肌电信号的对每一个通道的上下数据信息的相关性和灵活性。
[0085]
为了更有效地捕获semg肌电信号的对每一个通道的上下数据信息的相关性和灵活性，本发明中利用狭长卷积和条带池化来扩大深度学习模型的接收范围并收集semg肌电信号上下数据的相关性特征。在提取第一个时域频域特征中的卷积神经网络中，首先使用20
×
4大小的狭长卷积核，来提取semg时域频域特征，根据semg肌电信号的频率特征，肌电频率主要分布在0
‑
500hz，在经过数字化滤波后，semg肌电信号的频率虽然全部处于0
‑
500hz 的频率范围内，但本发明所采集的semg肌电信号的各个动作中，频率分布特征较为
显著，因此，在肌电卷积核大小方面，提取肌电信号的时域和频域特征，而并未只提取根据肌电信号波形特征明显的时域信号。输入的semg肌电信号经过水平和竖直狭长卷积核卷积计算h
ꢀ×
1和1
×
w，在经过狭长池化后变为h
×
1和1
×
w，对池化核内的元素值求最大值，并以该值作为池化输出值。
[0086]
在本发明中，上述所提及的提取semg肌电信号中的时域特征中，提取频域特征，符合 semg肌电信号的数据波形特征，此外，在第二卷积层中，通过3
×
1大小的的狭长卷积，提取semg肌电信号的时域特征。因此，提取第一个时域频域特征中，有不同比例的semg肌电信号的时域和频域的特征，在不同特征的时域频域数据，进入全连接后，会有不同的预测结果。依次重复4次，提取四种semg肌电信号的时域和频域特征，再送入全连接层，经实验表明，有较高的分类效果。
[0087]
本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，所使用的的狭长卷积的计算公式为：
[0088][0089]
本发明所述的基于肌电智能穿戴的交互式康复系统，其特征在于，在深度学习模型中，首先应用20
×
4的狭长卷积，提取semg肌电信号的时域频域特征，再经过20
×
1的最大值条带池化，再应用3
×
1的狭长卷积，提取sengl的时域特征，在经过7
×
1的最大值条带池化。在提取第一个semg肌电信号的时频域特征过程中，对本发明中的各个动作的频率分布进行了多次的特征融合和降维，在应用条带池化层后，maxpooling层有局部不变性而且可以提取显著特征的同时降低模型的参数，从而降低模型的过拟合。maxpooling只提取了semg肌电信号的显著特征，并舍弃了不显著的信息，提取的时频域特征可以有效地表征semg肌电信号的多元时间序列，由于模型的参数减少了，从而一定程度上可以缓解过拟合的产生。在本发明中，肌电信号时域频域融合的深度学习卷积神经网络cnn算法构成框图如图4所示。
[0090]
本发明所述的基于肌电智能穿戴的交互式康复系统的应用，远程无人机控制模块，其特征在于，包括：
[0091]
(1)在权利要求7所述的生理状态分析模块(2)所输出的结果，通过蓝牙无线传输电路(17) 发送信号控制仿生机械手控制模块(4)。
[0092]
本发明所述的基于肌电智能穿戴的交互式康复系统的应用，其特征在于，包括：
[0093]
(1)为保证电极贴与皮肤完全接触；，在测量肌电信号semg前，先用酒精棉擦拭穿戴者的惯用手的被测位置的皮肤，穿戴者要求保持静坐，眼部注释屏幕，并完成手部肌电主动训练界面所要求的动作；在确保系统供电电路(16)正常后，开启系统，通过穿戴式肌电采集设备采集semg肌电信号并传送至生理状态分析模块，完成肌电采集工作；
[0094]
(2)生理状态分析模块自动对采集的semg肌电信号进行数字化滤波；
[0095]
(3)分类识别系统基于预先训练好的深度卷积神经网络模型，根据数字化滤波的semg肌电信号进行分类识别；
[0096]
(4)通过蓝牙无线传输电路(17)将分类结果发送信号控制仿生机械手控制模块(4)。