在控制手指和拇指灵巧运动的肌肉收缩过程中，前臂肌肉会产生电活动。使用这种电活动作为输入来训练神经网络以对手指运动进行分类并不简单。与医用级肌电图检测系统相比，低成本可穿戴传感器，即Myo Gesture控制臂带（www.bynorth.com）的采样率通常较低，例如200 Hz与2000 Hz。使用诸如Myo之类的传感器，再加上单个手指运动产生的较低振幅，很难实现高分类精度。低采样率使得在使用单个网络时很难区分大量细微的手指运动。本研究使用两个网络，以减少每个分类网络中的运动数量；进而改进分类。这是通过开发和训练LSTM网络实现的，该网络侧重于手指的伸展和屈曲信号，以及使用拇指运动信号数据训练的单独网络。通过采用这种方法，本研究将个人手指运动的分类提高到了90%至100%。

1. [1] C.Millar、N.Siddique和E.Kerr，“使用低成本可穿戴传感器对单个手指运动的sEMG信号进行LSTM分类”，国际交响乐团。关于以社区为中心的系统，doi:10.1109/CcS49175.2020.92315152020。
2. [2] R.N.Khushaba、A.Al-Ani和A.Al-Jumaily，“多功能肌电手控制的正交模糊邻域判别分析”，IEEE Trans。生物医学工程，第57卷，第6期，第1410-1419页，doi:10.1109/TBME.2009.2039480，2010年。
3. [3] R.Hodson，“一个棘手的问题”，《自然》，第557卷，第7704号，第S23-S25页，2018年。
4. [4] J.Bohg、A.Morales、T.Asfour和D.Kragic，“数据驱动的抓取综合——调查”，IEEE Trans。《机器人学》，第30卷，第2期，第289-309页，doi:10.1109/TRO.2013.2289018，2014年。
5. [5] H.Liu、Y.Wu、F.Sun和G.Di，“触觉物体识别的最新进展”，《高级机器人系统国际期刊》，第14卷，第4期，第1-12页，doi:10.1177/17298814177170562017年。
6. [6] A.Saxena、L.L.S.Wong和A.Y.Ng，“利用部分形状信息学习掌握策略”，Proc。第23届全国人工智能大会（AAAI'08），第3卷，第2期，第1491-1494页，2008年。
7. [7] Z.C.Marton、D.Pangercic、N.Blodow、J.Kleinehellefort和M.Beetz，“从单一视角对新型物体进行通用3D建模”，IEEE/RSJ 2010智能机器人和系统国际会议，第3700-3705页，doi:10.1109/IROS.2010.5650434，2010年。
8. [8] I.Cerulo、F.Ficuciello、V.Lippiello和B.Siciliano，“使用人手运动跟踪实现SCHUNK S5FH欠驱动拟人手的遥操作”，《机器人与自治系统》，第89卷，第75-84页，doi:10.1016/j.robot.2016.12.004，2017年。
9. [9] K.Nymoen、M.R.Haugen和A.R.Jensenius，“MuMYO–评估和探索MYO臂章用于音乐互动”，Proc。《音乐表达新接口国际会议》（NIME’15），第215-218页，2015年。
10. [10] S.Shin、Y.Baek、J.Lee、Y.Eun和S.H.Son，“基于组相关NN模型的使用EMG和IMU传感器的韩语手语识别”，Proc。2017年IEEE Symp。计算智能系列（SSCI 2017），doi:10.1109/SSCI.2017.82809082018。
11. [11] F.Tenore、A.Ramos、A.Fahmy、S.Acharya、R.Etienne-Cummings和N.V.Thakor，“利用表面肌电信号控制假手的单个手指”，2007年IEEE医学与生物工程学会第29届国际会议，第6145-6148页，doi:10.1109/IEMBS.2007.4353752，2007年。
12. [12] A.Phinyomark、C.Limsakul和P.Phukpattaranont，“鲁棒肌电模式识别的新型特征提取”，《计算杂志》，第1卷，第1期，第71-80页，2009年。
13. [13] M.Atzori、A.Gijsberts、C.Castellini、B.Caputo、A.-G M.Hager、S.Elsig、G.Giatsidis、F.Bassetto和H.Müller，“非侵入性自然控制机器人手假肢的肌电图数据”，《科学数据》，第1卷，第140053条，doi:10.1038/data.2014.53，2014年。
14. [14] Md.R.Ahsan、M.I.Ibrahimy和O.O.Khalifa，“从肌电信号检测手部运动的神经网络分类器”，第五届吉隆坡国际生物医学工程会议，2011年，第536-541页，doi:10.1007/978-3642-21729-6_1352011年。
15. [15] B.Hudgins、P.Parker和R.N.Scott，“多功能肌电控制的新策略”，IEEE Trans。生物医学工程，第40卷，第1期，第82-94页，doi:10.1109/10.204774，1993年。
16. [16] M.Zardoshti-Kermani、B.C.Wheeler、K.Badie和R.M.Hashemi，“上肢假体运动控制的肌电图特征评估”，IEEE Trans。《康复工程》，第3卷，第4期，第324-333页，doi:10.1109/86.481972，1995年。
17. [17] F.V.G.Tenore、A.Ramos、A.Fahmy、S.Acharya、R.Etienne-Cummings和N.V.Thakor，“使用表面肌电图解码个体手指运动”，IEEE Trans。生物医学工程，第56卷，第5期，第1427-1434页，doi:10.1109/TBME.2008.20054852009。
18. [18] M.Atzori、A.Gijsberts、I.Kuzborskij、S.Elsig、A.-G.M.Hager、O.Deriaz、C.Castellini、H.Müller和B.Caputo，“肌电运动分类基准数据库的特征描述”，IEEE Trans。神经系统与康复工程，第23卷，第1期，第73-83页，doi:10.10109/TNSR.2014.23284951015。
19. [19] Md.R.Ahsan、M.I.Ibrahimi和O.O.Khalifa，“使用人工神经网络（ANN）的基于肌电图（EMG）信号的手势识别”，2011年第四届国际机电一体化会议：工业和社会发展综合工程（ICOM’11），doi:10.1009/ICOM.2011.59371352011。
20. [20] K.Tatarian、M.S.Couceiro、E.P.Ribeiro和D.R.Faria，“迈向跨人文主义：学术界EMG-控制的低成本假手”，2018年智能系统国际会议，第807-812页，doi:10.1109/IS.2018.87104892019。
21. [21]M.E.Benalcazar、A.G.Jaramillo、Jonathan、A.Zea、A.Páez和V.H.Andaluz，“使用机器学习和Myo臂章进行手势识别”，2017年第25届欧洲信号处理大会（EUSIPCO），第1040-1044页，doi:10.23919/EUSIPCO.2017.8081366，2017年。
22. [22]M.E.Benalcázar、C.Motoche、J.A.Zea、A.G.Jaramillo、C.E.Anchundia、P.Zambrano、M.Segura、F.B.Palacios和M.Pérez，“使用Myo臂章和肌肉活动检测进行实时手势识别”，2017 IEEE第二届厄瓜多尔技术章节会议（ETCM 2017），doi:10.1109/ETCM.2017.82474582018。
23. [23]T.Supuk、T.Bajd和G.Kurillo，“静止物体的抓取轨迹评估”，《临床生物力学》，第26卷，第8期，第811-818页，doi:10.1016/j.clinbiomech.2011.04.0072011年。
24. [24]R.M.Stephenson、R.Chai和D.Eager，“利用稀疏通道时空肌电成像进行等长手指姿势识别”，Proc。IEEE医学与生物学会工程（EMBS）年度国际会议，第5232-5235页，doi:10.1109/EMBC.2018.85134452018。
25. [25]Y.Wu，B.Zheng，Y.Zhao，“基于LSTM-CNN的动态手势识别”，Proc。2018年中国自动化大会（CAC 2018），第2446-2450页，doi:10.1109/CAC.2018.86230352019。
26. [26]K.Akhmadeev、E.Rampone、T.Yu、Y.Aoustin和E.Le Carpentier，“使用表面肌电进行实时手势分类的测试系统”，IFAC-PapersOnLine，第50卷，第1期，第11498-11503页，doi:10.1016/j.ifacol.2017.08.16022017。
27. [27]P.Paudyal、J.Lee、A.Banerjee和S.K.S.Gupta，“使用臂带可穿戴设备进行手语字母识别的技术比较”，ACM Trans。交互式智能系统，第9卷，第2-3期，第14条，doi:10.1145/31509742019年。
28. [28]A.Phinyomark、R.N.Khushaba和E.Scheme，“基于可穿戴肌电传感器的肌电控制特征提取和选择”，《传感器》，第18卷，第5期，第1615条，doi:10.3390/s180516152018。
29. [29]M.H.Schieber，“游离手指肌肉的肌肉生成-手指运动”，《神经科学杂志》，第15卷，第1期，第284-297页，doi:10.1523/JNEUROSCI.15-01-00284.1995，1995年。
30. [30]Y.Gu，D.Yang，Q.Huang，W.Yang，and H.Liu，“存在混杂因素时的鲁棒肌电模式识别：特征、分类器和自适应学习”，《应用专家系统》，第96卷，第208-217页，doi:10.1016/j.eswa.2017.11.049，2018年。
31. [31]I.Mendez、B.W.Hansen、C.M.Grabow、E.J.L.Smedegaard、N.B.Skogberg、X.J.Uth、A.Bruhn、B.Geng和E.N.Kamavuako，“手部运动分类用Myo臂章的评估”，IEEE康复机器人国际协调会（ICORR），第1211-1214页，doi:10.1109/ICORR.2017.8009414，2017年。
32. [32]A.Phinyomark和E.Scheme，“基于可穿戴肌电传感器的肌电控制的特征提取问题”，2018 IEEE传感器应用研讨会。（SAS），doi:10.10109/SAS2018.83367532018。
33. [33]A.Gijsberts、M.Atzori、C.Castellini、H.Müller和B.Caputo，“基于sEMG的手部运动分类机器学习方法评估的运动错误率”，IEEE Trans。神经系统与康复工程，第22卷，第4期，第735-744页，doi:10.1109/TNSRE.2014.2303394，2014年。
34. [34]S.Pizzolato、L.Tagliapietra、M.Cognolato、M.Reggiani、H.Müller和M.Atzori，“手部运动分类任务中六种肌电图采集设置的比较”，《公共科学图书馆·综合》，第12卷，第10期，doi:10.1371/journal.pone.0186132，2017年。
35. [35]S.Hochreiter和J.Schmidhuber，“长短期记忆”，《神经计算》，第9卷，第8期，第1735-1780页，doi:10.1162/neco.1997.9.817351997年。
36. [36]T.Cooijmans，N.Ballas，C.Laurent，圣保罗。Gülçehre和A.Courville，“重复批次标准化”，第五届学习表征国际会议（ICLR 2017），2019年。
37. [37]M.Tomaszewski，“Myo SDK MATLAB MEX Wrapper”，2019年。
38. [38]S.Thalkar和D.Upasani，“从ECG信号中消除电力线干扰的各种技术”，《科学与工程研究国际期刊》，第4卷，第12期，第12-23页，2013年。
39. [39]A.Lopez-del Rio、M.Martin、A.Perera-Lluna和R.Saidi，“序列填充对古生物蛋白质功能预测中深度学习模型性能的影响”，《科学报告》，第10卷，第14634条，doi:10.1038/s41598-020-71450-82020。
40. [40]M.Schak和A.Gepperth，“深度LSTM网络中灾难性遗忘的研究”，人工神经网络和机器学习——ICANN 2019:深度学习，第714-728页，doi:10.1007/978-3-030-30484-3_562019。