文献类型：期刊文章

作　　者：李自由[1,2,3] 赵新刚[1,2] 张弼[1,2] 丁其川[4] 张道辉[1,2] 韩建达[1,2,5]

LI Zi-You;ZHAO Xin-Gang;ZHANG Bi;DING Qi-Chuan;ZHANG Dao-Hui;HAN Jian-Da(Skate Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016;Institute of Robotics and Intelligent Manufacturing Innovation,Chinese Academy of Sciences,Shenyang 110016;University of Chinese Academy of Sciences,Beijing 100049;School of Robotics and Engineering,Northeastern University,Shenyang 110004;School of Artificial Intelligence,Nankai University,Tianjin 300350)

机构地区：[1]中国科学院沈阳自动化研究所机器人学国家重点实验室,沈阳110016 [2]中国科学院机器人与智能制造创新研究院,沈阳110016 [3]中国科学院大学,北京100049 [4]东北大学机器人科学与工程学院,沈阳110004 [5]南开大学人工智能学院,天津300350

出　　处：《自动化学报》

基　　金：国家自然科学基金(61773369,U1813214);中国博士后科学基金项目(2019M661157)资助。

年　　份：2021

卷　　号：47

期　　号：5

起止页码：955-969

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

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.

关 键 词：肌电信号识别  研究进展  非理想条件  模式识别

分 类 号：TN911.7] R318]