一种基于社区投票机制的肌电假肢手手势识别方法技术

本发明专利技术涉及一种基于社区投票机制的肌电假肢手手势识别方法，包括：步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；步骤S4：将测试数据集带入BP神经网络进行手势识别。与现有技术相比，本发明专利技术具有识别正确率高等优点。

【技术实现步骤摘要】
一种基于社区投票机制的肌电假肢手手势识别方法
本专利技术涉及人工智能和康复医学领域，尤其是涉及一种基于社区投票机制的肌电假肢手手势识别方法。
技术介绍
康复机器人与人类健康密切相关，是智能机器人发展方向之一，涉及康复医学、运动仿生学、人-机工程学等领域。假肢手是智能机器人的一种，其关键技术为生物人机接口技术和智能控制技术。我国由于交通事故、地震灾害、工伤等造成的肢体残疾人，以及由于中风、帕金森症、脊髓损伤导致的中枢神经受损运动功能障碍者每年都在以超百万的人数增长，老龄化加剧了这一现象，偏瘫、全瘫病人成为家庭的沉重负担。目前，假肢手的手势识别技术主要从两方面入手：一种基于摄像和计算机技术，运用视觉和图像处理技术进行识别；一种是基于传感器技术，运用运动测量的方式进行识别。这两种识别方式都立足于宏观角度，前者对软硬件要求很高，比如摄像头的采集效果、图像处理软件的技术功能，甚至拍照摄像时外界的环境光强；后者需要佩戴大量传感器，高端传感器价格昂贵且穿戴并不方便。因此基于微观角度的手势识别方法应运而生，即基于生物微信号。当前常用的生物微信号有肌动信号、脑电信号、肌电信号。肌电信号的采集传感器简单，能够受到的客观影响因素较少，遵循手部动作的简易性又能够如实反映手势的特点，具有很强的实用性。手势识别归根结底是一种预测和多分类问题，主要解决特征提取和分类器设计问题。将人工智能运用于相关算法设计，能够有效提高识别正确率，减少识别时间，增强识别可靠性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于社区投票机制的肌电假肢手手势识别方法。本专利技术的目的可以通过以下技术方案来实现：一种基于社区投票机制的肌电假肢手手势识别方法，包括：步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；步骤S4：将测试数据集带入BP神经网络进行手势识别。所述步骤S3具体包括：步骤S31：以BP神经网络从输入层到隐含层、从隐含层到输出层的权值、阈值构成人群种群中的单个个体，随机产生3N个个体，将这3N个个体平均分成三个社区分别作为激进社区、一般社区、保守社区，初始化并设置当前迭代次数为t为0；步骤S32：以社区为单位，分别计算每个社区中各个体的适应度值，针对每个社区，得到社区中每个个体的个体最佳值和各自社区的全局最佳值；步骤S33：根据每个社区所属的性质及权重，综合得到当前代整体个体最佳值和整体全局最佳值；步骤S34：当前迭代次数加1；步骤S35：判断当前迭代次数是否超过预设置的最大迭代次数，或当前代整体全局最佳值是否满足目标值，若均为否，则执行步骤S36，反之，则执行步骤S4；步骤S36：激进社区、一般社区和保守社区分别计算各自人群种群中每个个体的下一步搜索方向；步骤S37：按照搜索方向更新每一个个体的位置后返回步骤S32。所述S33中，每个社区的权重一致。所述S33中，所述步骤S36中，每个个体的下一步搜索方向包括利他方向、利己方向和预动方向：di(t)＝sgn[αdialt(t)+βdegot(t)+γdipro(t)]其中：di(t)为搜索方向，sgn[·]为指出参数的正负号，dialt(t)为利他方向，α为利他方向的权重，degot(t)为利己方向，β为利己方向的权重，dipro(t)为预动方向，γ为预动方向的权重。所述每个个体的下一步搜索方向还包括搜索步长，该搜索步长为：其中：lij(t)为搜索步长，δij为高斯隶属函数参数，uij为隶属度值，且uij＝rand(0.01,1)。所述利他方向为：dialt(t)＝pgd(t)-hij(t)其中：pgd(t)为社区当前全局最佳值，hij(t)为个体当前所处位置。所述利己方向为：degot(t)＝pid(t)-hij(t)其中：pid(t)为个体当前最佳值，hij(t)为个体当前所处位置。所述预动方向为：dipro(t)＝hij(t)-hij(t-1)其中：hij(t)为个体当前所处位置，hij(t-1)为个体上次迭代所处位置。所述步骤S37中，按照搜索方向更新每一个个体的位置时，还根据不同类型社区的不同投票风格进行变异。所述激进社区的变异率为0.5～1，所述一般社区的变异率为0.1～0.5、保守社区的变异率为0。与现有技术相比，本专利技术具有以下有益效果：1)把人工智能应用于基于表面肌电信号的假肢手手势识别，将群体人工智能与个体人工智能相结合，不仅涉及个体智能思考问题的神经网络，还将人群中决策重大事件时的投票机制思考方式按社区形式与之相结合，以达到对个体智能综合优化的目的。2)具有识别正确率高，识别速度快，识别可靠性高的特点。3)为研制高性能康复机器人提供技术基础，对改善残疾人生活状况，促进残疾人事业发展起着巨大作用。附图说明图1为本专利技术方法的主要步骤流程示意图；图2为本专利技术的基于社区投票机制的肌电假肢手手势识别模型流程图；图3为建立模型算法的适应度曲线；图4(a)～(j)为手势动作示意图；图5是模型算法预测识别手势值与实际手势值对比图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。一种基于社区投票机制的肌电假肢手手势识别方法，如图1和图2所示，包括：步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数，具体包括：步骤S31：以BP神经网络从输入层到隐含层、从隐含层到输出层的权值、阈值构成人群种群中的单个个体，随机产生3N个个体，将这3N个个体平均分成三个社区分别作为激进社区、一般社区、保守社区，初始化并设置当前迭代次数为t为0；步骤S32：以社区为单位，分别计算每个社区中各个体的适应度值，针对每个社区，得到社区中每个个体的个体最佳值PQid和各自社区的全局最佳值PQgd；步骤S33：根据每个社区所属的性质及权重，综合得到当前代整体个体最佳值和整体全局最佳值，优选的，每个社区的权重一致；步骤S34：当前迭代次数加1；步骤S35：判断当前迭代次数是否超过预设置的最大迭代次数，或当前代整体全局最佳值是否满足目标值，若均为否，则执行步骤S36，反之，则执行步骤S4；步骤S36：激进社区、一般社区和保守社区分别计算各自人群种群中每个个体的下一步搜索方向；其中，每个个体的下一步搜索方向包括利他方向、利己方向和预动方向：di(t)＝sgn[αdialt(t)+βdegot(t)+γdipro(t)]其中：di(t)为搜索方向，sgn[·]为指出参数的正负号，dialt(t)为利他方向，α为利他方向的权重，degot(t)为利己方向，β为利己方向的权重，dipro(t)为预动方向，本文档来自技高网...

【技术保护点】
1.一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，包括：步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；步骤S4：将测试数据集带入BP神经网络进行手势识别。

【技术特征摘要】
1.一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，包括：步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；步骤S4：将测试数据集带入BP神经网络进行手势识别。2.根据权利要求1所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述步骤S3具体包括：步骤S31：以BP神经网络从输入层到隐含层、从隐含层到输出层的权值、阈值构成人群种群中的单个个体，随机产生3N个个体，将这3N个个体平均分成三个社区分别作为激进社区、一般社区、保守社区，初始化并设置当前迭代次数为t为0；步骤S32：以社区为单位，分别计算每个社区中各个体的适应度值，针对每个社区，得到社区中每个个体的个体最佳值和各自社区的全局最佳值；步骤S33：根据每个社区所属的性质及权重，综合得到当前代整体个体最佳值和整体全局最佳值；步骤S34：当前迭代次数加1；步骤S35：判断当前迭代次数是否超过预设置的最大迭代次数，或当前代整体全局最佳值是否满足目标值，若均为否，则执行步骤S36，反之，则执行步骤S4；步骤S36：激进社区、一般社区和保守社区分别计算各自人群种群中每个个体的下一步搜索方向；步骤S37：按照搜索方向更新每一个个体的位置后返回步骤S32。3.根据权利要求2所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述S33中，每个社区的权重一致。4.根据权利要求2所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述S33中，所述步骤S36中，每个个体的下一步搜索方向包括利他方向、利己...

【专利技术属性】
技术研发人员：陈佳佳，茅红伟，张倩，陈广钦，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：上海,31