一种基于表面肌电信号的手势识别方法技术

本发明专利技术公开了一种基于表面肌电信号的手势识别方法，包括步骤：1)实验前准备；2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；3)把原始数据输入50HZ陷波器与50‑150HZ带通滤波器进行滤波；4)提取出每个手势动作的活动段，把休息段舍去；5)对活动段加窗分割，得到窗口样本；6)计算窗口内的肌电特征；7)利用PCA对所求得的肌电特征进行降维处理；8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。本发明专利技术能够满足机电控制系统实时控制的要求，并有效提高识别率。

Hand gesture recognition method based on surface electromyography

The invention discloses a method comprising the steps of gesture recognition method based on sEMG: 1) before the experiment; 2) subjects make a fist, exhibition boxing, curved wrist, wrist and grip, pinch the cylindrical pieces of paper, OK, and the eight kinds of forefinger gesture, 3) to collect the original signal; the original data input in 50HZ band-pass filter filter with 50 150HZ filtering; 4) extract active segments of each gesture, the rest section 5) to give; movable window segmentation window, get the samples; 6) calculation of EMG in the window; 7) to reduce the dimension of the EMG the use of PCA; 8) to reduce the dimensionality. After the samples were divided into training set and test set, to train the SVM classifier, and then classifies the test sample, calculate the correct classification rate. The invention can meet the requirements of the real-time control of the electromechanical control system, and effectively improve the recognition rate.

【技术实现步骤摘要】
一种基于表面肌电信号的手势识别方法
本专利技术涉及表面肌电信号手势识别的
，尤其是指一种基于表面肌电信号的手势识别方法，可应用于控制假肢和其他的人机交互情形。
技术介绍
人体的任何一个动作都是由多个肌肉群在神经系统的支配下相互协调，共同完成的。由表面肌电传感器在响应肌群皮肤表面捕获的肌肉活动信息不但能够反映关节的伸屈状态和伸曲强度，还能反映动作完成过程中肢体的形状和位置等信息，是感知人体动作的重要方式。不同的手势动作，会产生不同的表面肌电信号(SEMG)，通过对表面肌电信号的分析，可以判断出具体的动作模式。特别是利用表面肌电信号识别手势动作，驱动假手做出相应手势动作，帮助残疾人，获得了广泛的关注和研究。尽管国内外学者做出了很多的成绩，但是同时也存在很多的问题。表面肌电信号的研究是为了达到更高的动作识别率、更快的识别速度，因此探索一种识别率较高同时识别速度快，能够满足实时性要求的算法是表面肌电信号的手势识别的重点和难点。
技术实现思路
本专利技术目的在于克服现有技术的不足与缺点，提出了一种基于表面肌电信号的手势识别方法，对表面肌电信号多类手势动作识别率高，整个信号处理过程简单，能够满足机电控制系统实时控制的要求。为实现上述目的，本专利技术所提供的技术方案为：一种基于表面肌电信号的手势识别方法，包括以下步骤：1)实验前准备1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程；2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；3)把原始数据输入50HZ陷波器与50-150HZ带通滤波器进行滤波；4)提取出每个手势动作的活动段，把休息段舍去；5)对活动段加窗分割，得到窗口样本；6)计算窗口内的肌电特征；7)利用PCA对所求得的肌电特征进行降维处理；8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。在步骤3)中，获得的原始信号中含有大量的噪声信息，在分析之前要经过滤波，SEMG信号能量集中在50到500HZ的范围内，且主要集中在50到150HZ的范围内，采用50HZ陷波器滤除工频干扰，50到150HZ带通滤波器滤除干扰。在步骤4)中，所述活动段的提取过程如下：采用移动平均方法处理SEMG信号序列的瞬时能量，选择信号最大值的2％作为阈值，起始点定义为移动平均信号超过阈值且之后的64ms信号也超过阈值，结束点定义为移动平均信号刚低于阈值且以后64ms信号均低于阈值；根据得到的起点和终点，舍去数据长度达不到要求的数据段，确定出每个手势样本所对应的多通道SEMG信号活动段。在步骤5)中，所述滑动窗口的长度为250ms，重叠比为50％。在步骤6)中，选择标准差、绝对均值比、4阶AR系数为特征，其中，所述标准差、绝对均值比、4阶AR系数的计算公式分别如下：标准差：绝对均值比：4阶AR系数：式中，N为窗口大小；ak为AR系数，k＝1,2,3,4；Wi为白噪声残差。在步骤7)中，把原来的样本数据投影到一个新的空间中，将数据的主成分保留下来，忽略掉对数据描述不重要的成分，将主成分维度组成的向量空间作为低维空间，将高维数据投影到这个空间上，其具体过程如下：7.1)输入数据集Dh*m，对所有样本进行中心化；7.2)计算样本协方差矩阵；7.3)对协方差矩阵做特征值分解；7.4)选取前n个最大特征值对应的特征向量构成特征向量矩阵Wm*n；7.5)输出D＝Wm*n*Dh*m；经过变换后，各列由h维降至n维，这里根据贡献率，n＝4。在步骤8)中，将样本分为训练集和测试集，采用SVM二分类，用训练集训练分类器，通过投票的方式确定出最终的分类结果。本专利技术与现有技术相比，具有如下优点与有益效果：1、运用了PCA降维处理信号提取的特征，降低计算复杂度。2、采用SVM分类器，识别率高。3、整个信号处理过程简单，处理速度快，能够满足实时性要求同时识别率高。具体实施方式下面结合具体实施例对本专利技术作进一步说明。现在以识别握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指八类手势动作为例，结合本专利技术提出的技术方案，给出详细的操作步骤和具体的识别结果，其过程如下：1)实验前准备1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程。2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，每类手势持续时间5s，各做21组，做完一组休息1min，防止肌肉疲劳，采用DELSYS桌面式肌电采集仪采集信号，采样率为1KHZ。3)获得的原始信号中含有大量的噪声信息，在分析之前要经过滤波，SEMG信号能量集中在50到500HZ的范围内，且主要集中在50到150HZ的范围内，采用50HZ陷波器滤除工频干扰，50到150HZ带通滤波器滤除干扰。4)采用移动平均方法处理SEMG信号序列的瞬时能量，选择信号最大值的2％作为阈值，起始点定义为移动平均信号超过阈值且之后的64ms信号也超过阈值，结束点定义为移动平均信号刚低于阈值且以后64ms信号均低于阈值；根据得到的起点和终点，舍去数据长度达不到要求的数据段，确定出每个手势样本所对应的多通道SEMG信号活动段。5)采用重叠窗的方式对活动段加窗分割，得到窗口样本，滑动窗口长度为250ms，重叠比为50％，根据此分割方法，一个动作一共得到210个样本。6)计算窗口内的肌电特征：选择标准差、绝对均值比、4阶AR系数为特征，其中所述标准差、绝对均值比、4阶AR系数计算公式分别如下：标准差：绝对均值比：4阶AR系数：式中，N为窗口大小，这里选取N＝250，ak(k＝1,2,3,4)为AR系数，Wi为白噪声残差。7)对肌电特征进行降维处理，利用PCA对所求得的肌电特征进行降维处理，具体过程如下：7.1)输入数据集Dh*m，对所有样本进行中心化；7.2)计算样本协方差矩阵；7.3)对协方差矩阵做特征值分解；7.4)选取前n个最大特征值对应的特征向量构成特征向量矩阵Wm*n；7.5)输出D＝Wm*n*Dh*m；经过变换后，各列由h维降至n维，这里根据贡献率，n＝7。8)把降维后的样本分为训练集和测试集，每个动作有105个训练样本，105个测试样本，采用SVM二分类，用训练集训练分类器，通过投票的方式确定出最终的分类结果，并计算识别率，平均识别率能够达到97％以上。综上所述，在采用以上方案后，算法复杂度降低，能够满足实时处理的要求，识别率也得到有效提高，具有实际价值，值得推广。以上所述实施例只为本专利技术之较佳实施例，并非以此限制本专利技术的实施范围，故凡依本专利技术之形状、原理所作的变化，均应涵盖在本专利技术的保护范围内。本文档来自技高网...

【技术保护点】
一种基于表面肌电信号的手势识别方法，其特征在于，包括以下步骤：1)实验前准备1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程；2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；3)把原始数据输入50HZ陷波器与50‑150HZ带通滤波器进行滤波；4)提取出每个手势动作的活动段，把休息段舍去；5)对活动段加窗分割，得到窗口样本；6)计算窗口内的肌电特征；7)利用PCA对所求得的肌电特征进行降维处理；8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。

【技术特征摘要】
1.一种基于表面肌电信号的手势识别方法，其特征在于，包括以下步骤：1)实验前准备1.1)清理受试者皮肤，去除相应肌肉处的毛发，用棉签蘸取酒精擦拭受试者表面皮肤；1.2)把电极贴在受试者指浅屈肌、拇长屈肌、指总伸肌、尺侧腕屈肌四块肌肉上，调好设备；1.3)让受试者以放松的姿态坐在椅子上，手臂自然下垂，并告知受试者动作规范，和实验流程；2)受试者做出握拳、展拳、曲腕、伸腕、握圆柱、捏纸片、OK、伸食指这八类手势动作，采集原始信号；3)把原始数据输入50HZ陷波器与50-150HZ带通滤波器进行滤波；4)提取出每个手势动作的活动段，把休息段舍去；5)对活动段加窗分割，得到窗口样本；6)计算窗口内的肌电特征；7)利用PCA对所求得的肌电特征进行降维处理；8)把降维后的样本分为训练集和测试集，对SVM分类器进行训练，之后对测试样本进行分类，计算分类正确率。2.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤3)中，获得的原始信号中含有大量的噪声信息，在分析之前要经过滤波，SEMG信号能量集中在50到500HZ的范围内，且主要集中在50到150HZ的范围内，采用50HZ陷波器滤除工频干扰，50到150HZ带通滤波器滤除干扰。3.根据权利要求1所述的一种基于表面肌电信号的手势识别方法，其特征在于：在步骤4)中，所述活动段的提取过程如下：采用移动平均方法处理SEMG信号序列的瞬时能量，选择信号最大值的2％作为阈值，起始点定义为移动平均信号超过阈值且之后的64ms信号也超过阈值，结束点定...

【专利技术属性】
技术研发人员：庄聪聪，李远清，周平，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44