Abstract The interaction between robots and humans is of great relevance for the field of neurorobotics as it can provide insights on how humans perform motor control and sensor processing and on how it can be applied to robotics. We propose a spiking neural network (SNN) to trigger finger motion reflexes on a robotic hand based on human surface Electromyography (sEMG) data. The first part of the network takes sEMG signals to measure muscle activity, then classify the data to detect which finger is being flexed in the human hand. The second part triggers single finger reflexes on the robot using the classification output. The finger reflexes are modeled with motion primitives activated with an oscillator and mapped to the robot kinematic. We evaluated the SNN by having users wear a non-invasive sEMG sensor, record a training dataset, and then flex different fingers, one at a time. The muscle activity was recorded using a Myo sensor with eight different channels. The sEMG signals were successfully encoded into spikes as input for the SNN. The classification could detect the active finger and trigger the motion generation of finger reflexes. The SNN was able to control a real Schunk SVH 5-finger robotic hand online. Being able to map myo-electric activity to functions of motor control for a task, can provide an interesting interface for robotic applications, and a platform to study brain functioning. SNN provide a challenging but interesting framework to interact with human data. In future work the approach will be extended to control also a robot arm at the same time.

中文翻译：

---

尖峰网络对人类 sEMG 信号进行分类并触发机械手的手指反射

摘要 机器人与人类之间的交互对于神经机器人学领域具有重要意义，因为它可以提供有关人类如何执行运动控制和传感器处理以及如何将其应用于机器人技术的见解。我们提出了一种基于人体表面肌电图 (sEMG) 数据的尖峰神经网络 (SNN) 来触发机器人手上的手指运动反射。网络的第一部分采用 sEMG 信号来测量肌肉活动，然后对数据进行分类以检测人手正在弯曲哪个手指。第二部分使用分类输出触发机器人上的单指反射。手指反射是用振荡器激活的运动基元建模的，并映射到机器人运动学。我们通过让用户佩戴非侵入性 sEMG 传感器、记录训练数据集来评估 SNN，然后弯曲不同的手指，一次一个。使用具有八个不同通道的 Myo 传感器记录肌肉活动。sEMG 信号被成功编码为尖峰信号，作为 SNN 的输入。分类可以检测活动手指并触发手指反射的运动生成。SNN 能够在线控制真正的 Schunk SVH 5 指机械手。能够将肌电活动映射到任务的运动控制功能，可以为机器人应用提供一个有趣的界面，以及一个研究大脑功能的平台。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。使用具有八个不同通道的 Myo 传感器记录肌肉活动。sEMG 信号被成功编码为尖峰信号，作为 SNN 的输入。分类可以检测活动手指并触发手指反射的运动生成。SNN 能够在线控制真正的 Schunk SVH 5 指机械手。能够将肌电活动映射到任务的运动控制功能，可以为机器人应用提供一个有趣的界面，以及一个研究大脑功能的平台。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。使用具有八个不同通道的 Myo 传感器记录肌肉活动。sEMG 信号被成功编码为尖峰信号，作为 SNN 的输入。分类可以检测活动手指并触发手指反射的运动生成。SNN 能够在线控制真正的 Schunk SVH 5 指机械手。能够将肌电活动映射到任务的运动控制功能，可以为机器人应用提供一个有趣的界面，以及一个研究大脑功能的平台。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。分类可以检测活动手指并触发手指反射的运动生成。SNN 能够在线控制真正的 Schunk SVH 5 指机械手。能够将肌电活动映射到任务的运动控制功能，可以为机器人应用提供一个有趣的界面，以及一个研究大脑功能的平台。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。分类可以检测活动手指并触发手指反射的运动生成。SNN 能够在线控制真正的 Schunk SVH 5 指机械手。能够将肌电活动映射到任务的运动控制功能，可以为机器人应用提供一个有趣的界面，以及一个研究大脑功能的平台。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。SNN 提供了一个具有挑战性但有趣的框架来与人类数据交互。在未来的工作中，该方法将扩展到同时控制机器人手臂。