基於一維卷積神經網路的即時表面肌電訊號輔助機器人臂遠端控制
該研究提出了一種基於四通道表面肌電訊號（sEMG）的即時介面，用於遠端控制輔助機器人臂。透過一維卷積神經網路（CNN）分類，在模擬和實際平臺上均實現了90%以上的分類準確率，平均延遲約0.32秒，證明了sEMG遠端控制在輔助機器人領域的可行性。
來源arXiv Robotics作者: Edgar Manacorda, Mena Samir Kama Abouseffien, Olivier Lecompte, Amandine Gesta, Abolfazl Mohebbi
一項最新研究提出了一種基於表面肌電訊號（sEMG）的即時控制介面，用於輔助機器人臂的遠端操作。該技術透過非侵入式方式捕捉使用者肌肉活動，實現直觀可靠的機器人操控，有望幫助上肢運動障礙患者恢復日常活動能力。
研究團隊採用四通道sEMG採集裝置獲取肌電訊號，經過預處理和滑窗分割後，利用一維卷積神經網路（CNN）進行分類。系統能夠識別五種手勢以及靜息狀態，並實現了多種即時控制策略，包括閾值啟動檢測、兩階段分類（先區分靜息與運動，再進行手勢識別）以及統一的單分類器方案。
實驗在模擬環境和真實機器人平臺上進行驗證。結果顯示，CNN分類器在測試集上準確率超過90%，並對實驗採集的訊號展現出良好的泛化能力。系統即時效能穩定，平均延遲約為0.32秒，與所選滑窗策略一致。機器人能夠根據離散手勢指令產生平滑連貫的運動，在模擬和實際環境中均表現可靠。
這項研究強調了訊號處理、深度學習和控制策略整合到統一即時框架中的重要性。作者指出，未來工作可以探索將sEMG與其他感測模態相結合的混合控制方法，以進一步提高系統的魯棒性和易用性。例如，結合視覺或力反饋感測器可以增強對複雜環境的適應能力。此外，研究團隊計劃測試更多使用者群體，驗證系統的長期穩定性和臨床適用性。