一种基于肌电地形图的手势识别方法技术

一种基于肌电地形图的手势识别方法，包括以下步骤：(1)数据采集：通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集；(2)数据预处理：对采集到的表面肌电信号进行预处理；(3)肌电地形图生成；4)深度卷积神经网络模型训练和手势识别，生成肌电地形图特征图像，肌电地形图首先转化为64*64的灰度图像，再使用ZCA白化预处理，生成特征图像；根据肌电地形图特性，设计相应的卷积神经网络模型结构，并构建模型；将测试集数据输入到训练好的网络模型中进行手势识别分类。本发明专利技术可以对不同被试做同一手势生成相似的肌电地形图，从而有效的解决表面肌电信号的个体差异性问题。

Hand gesture recognition method based on EMG topographic map

A gesture recognition method based on EMG topography, which comprises the following steps: (1) data collection: the upper arm muscle surface electromyography signals of different gestures through the array type electrode surface EMG acquisition; (2) data preprocessing: surface EMG acquisition of signal pretreatment; (3) EMG terrain map generation 4); convolutional neural network model training and gesture recognition, generated EMG topography image, EMG topography is transformed into gray image 64*64, then use ZCA whitening preprocessing, feature image generation; according to the EMG topography characteristics, the structure design of convolutional neural network model, and build a model; test set the data input to the trained network model for gesture recognition classification. The invention can generate EMG topographic map similar to different participants were given the same gesture, individual differences to solve effectively the surface EMG signal.

【技术实现步骤摘要】
一种基于肌电地形图的手势识别方法
本专利技术属于计算机与生物信号相结合领域，具体涉及一种基于肌电地形图的手势识别方法。
技术介绍
基于生理信号的人体运动意图识别和感知，已经成为了人机交互领域的研究重点之一，即通过特定的传感设备将生物体的生理信号数字化，并与其他感知或认知通道的信号进行集成融合，自然、协同地完成各种人机交互任务。表面肌电信号(surfaceElectromyography，sEMG)是肌肉收缩时伴随的电信号，活动的变化在很大程度上能够定量反映电极所测范围内肌肉活动的局部疲劳程度、肌力水平、肌肉激活模式、运动单位兴奋传导速度、多肌群协调性等肌肉活动和中枢控制特征的变化规律,并且具有方便、安全性高和检测无创性等优点。随着表面肌电信号采集与处理技术的不断深入发展，其在疾病诊断、运动医学、假肢控制等医疗康复领域以及遥控机器人、虚拟现实、手势识别等人机交互领域具有越来越广泛的应用。目前基于sEMG的传统手势识别方法普遍存在以下两个问题：1、由于肌电信号的个体差异性问题，训练好的分类模型往往只适用于提供训练数据的人群，不适用于之外的人群；2、往往需要进行大量的特征提取操作。因此，一本文档来自技高网...

【技术保护点】
一种基于肌电地形图的手势识别方法，其特征在于：所述方法包括以下步骤：(1)数据采集：通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集；(2)数据预处理：对采集到的表面肌电信号进行预处理；(3)肌电地形图生成，包含如下子步骤：(3.1)数据分段：使用“重叠窗”方法对每个被试的每种手势动作数据进行开窗分段；(3.2)功率值计算：计算阵列式表面肌电电极各个采集点的肌电信号功率谱总功率和峰值功率参数，来提取表面肌电信号特征；(3.3)空间插值：对各采集点之间的空白处采用插值公式进行插值填充；(3.4)功率值‑灰度映射：功率值映射到8位灰度区间，为每个功率值的灰度大小分配一个0‑255范围...

【技术特征摘要】
1.一种基于肌电地形图的手势识别方法，其特征在于：所述方法包括以下步骤：(1)数据采集：通过阵列式表面肌电电极进行不同手势的上臂肌肉表面肌电信号的采集；(2)数据预处理：对采集到的表面肌电信号进行预处理；(3)肌电地形图生成，包含如下子步骤：(3.1)数据分段：使用“重叠窗”方法对每个被试的每种手势动作数据进行开窗分段；(3.2)功率值计算：计算阵列式表面肌电电极各个采集点的肌电信号功率谱总功率和峰值功率参数，来提取表面肌电信号特征；(3.3)空间插值：对各采集点之间的空白处采用插值公式进行插值填充；(3.4)功率值-灰度映射：功率值映射到8位灰度区间，为每个功率值的灰度大小分配一个0-255范围内的强度值；(4)深度卷积神经网络模型训练和手势识别，包含如下子步骤：(4.1)生成肌电地形图特征图像，肌电地形图首先转化为64*64的灰度图像，再使用ZCA白化预处理，生成特征图像；(4.2)根据肌电地形图特性，设计相应的卷积神经网络模型结构，并构建模型；(4.3)卷积神经网络模型的输入为肌电地形图特征图像，输出为手势类别；将每个被试的每种和测试集；(4.4)使用训练集数据和验证集数据进行网络模型优化和参数调整，使用测试集数据测试训练好的模型的识别率；(4.5)运用步骤(4.2)和步骤(4.4)中得到的网络结构模型和优化后的参数进行网络模型的训练，训练中迭代预设上限次数以上，并通过训练集和检验集的损失函数判断网络是否收敛，获得最优分类模型；(4.6)将测试集数据输入到步骤(4.5)中的训练好的网络模型中进行手势识别分类。2.如权利要求1所述的一种基于肌电地形图的手势识别方法，其特征在于：所述步骤(2)中，预处理包含如下子步骤：(2.1)带通滤波和陷波处理；(2.2)信号放大；(2.3)去除噪声，通过加权平均增大信噪比。3.如权利要求1或2所述的一种基于肌电地形图的手势识别方法，其特征在于：所述步骤(3.1)中，设每个手势动作的肌电数据采集时间为T秒，每种手势重复n次，则每个被试的每种手势动作共有n×(T×1000-100)/100个样本数据。4.如权...

【专利技术属性】
技术研发人员：唐智川，吴剑锋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33