shayanalibhatti/Finger-Movement-Classification-via-Machine-Learning-using-EMG-Armband-for-3D-Printed-Robotic-Hand

This repository shows how to classify EMG data coming from Myo Armband using neural networks and interface a 3d printed

这是一个将肌电信号（EMG）与机器学习相结合，用于控制3D打印机械手的开源项目。其核心功能是通过Myo手势控制臂环采集前臂的8通道表面肌电信号，利用神经网络对5种或12种手指动作进行分类，并将识别结果通过蓝牙发送给Arduino驱动的3D打印机械手，实现实时模仿。项目主要特点在于提供了一套“快速且计算成本低”的解决方案：采用单隐层神经网络（8个神经元，ReLU激活函数），对原始EMG信号取绝对值后进行窗口大小为50的滑动平均作为特征，训练过程仅需5秒静态数据采集，避免了传统方法中冗长的训练流程。技术栈方面，Python端依赖Niklas Rosenstein的Myo-Python库进行数据读取，使用Keras构建和训练神经网络；硬件端涉及Myo臂环、Arduino Uno、HC-05蓝牙模块、Futaba S3114舵机及舵机驱动板。该项目解决了两个关键问题：一是EMG信号随机性强、难以区分细微手指动作的难题；二是为低成本假肢或机器人控制提供了一种无需昂贵设备、可快速部署的轻量级分类方案。适用场景包括：智能假肢的原型开发、人机交互教学演示、以及需要手势控制的低成本机器人项目。需要注意的是，由于训练和验证时要求手臂保持静止，该方法更适合静态或准静态环境下的手势识别。项目附带了完整的硬件设计文件（3D打印手部模型）、Python训练代码和Arduino控制代码，并提供了论文链接供学术引用。