一种针对肌电个体差异问题的在线手势识别方法技术

一种针对肌电个体差异问题的在线手势识别方法，包括以下步骤：(1)手势肌电数据集建立，获得初始数据；(2)训练初始分类模型；(3)新增样本KKT判别；(4)使用DBSCAN密度聚类获得初步训练集；(5)二次筛选获得最终训练集。本发明专利技术提供一种针对肌电个体差异问题的在线手势识别方法。该方法结合DBSCAN密度聚类算法，改进了原有的KKT‑SVM增量学习方法，用于在线肌电手势识别，以解决个体差异性问题。

An online gesture recognition method for individual differences in electromyography

An on-line gesture recognition method for individual differences of EMG includes the following steps: (1) establishing EMG data set to obtain initial data; (2) training initial classification model; (3) KKT discrimination of new samples; (4) using DBSCAN density clustering to obtain initial training set; (5) obtaining the final training set through secondary screening. The invention provides an online gesture recognition method aiming at individual differences in electromyography. This method combines DBSCAN density clustering algorithm and improves the original KKT_SVM incremental learning method for on-line EMG gesture recognition to solve the problem of individual differences.

【技术实现步骤摘要】
一种针对肌电个体差异问题的在线手势识别方法
本专利技术涉及肌电信号处理和增量学习领域，特别是涉及一种针对肌电个体差异问题的在线手势识别方法。
技术介绍
表面肌电信号(sEMG)作为一种交互媒介手段，被广泛的应用于假肢、外骨骼、矫形器等外设的控制中。sEMG能够实时的反映肌肉活动程度，是人-机之间理想的控制源。但由于皮脂、用力方式、肌纤维组织等个体差异性因素，很难获得一个通用的公共分类模型进行肌电模式识别，因此往往需要针对个体用户进行长时间的前期训练以获得精准分类辨识模型，相对耗时耗力。并且在实际应用时，分类器经过初次训练后一般不会再有改变，或较长的一段时间中固定不变。国内外已有很多学者使用基于增量学习(IncrementalLearning)的自适应方法解决sEMG的时变问题(如环境变化、电极位置改变、疲劳等)。通过增量学习，分类器系统可以在已经学习获得知识的基础上，不断从新样本中学习到新的知识。但仍少有研究将增量学习的思想用于个体用户分类模型的前期训练，以解决sEMG的个体差异性问题。在众多增量学习算法中，基于支持向量机(SVM)的增量学习由于其特有的优点，近年来逐渐成为研究的热点问题。最早由Syed等提出的SVM增量学习算法Batch-ISVM，是将本次增量后的支持向量集(SV集)与所有的新增样本在下次增量学习中一起训练学习，舍弃非SV样本。该方法的问题在于新增样本中可能包含无用或糟糕的样本，不仅影响训练速度也会降低识别精度。基于此，有学者提出了基于KKT条件(Karush-Kuhn-Tucker)的SVM增量学习算法(KKT-ISVM)，来获得有效新增样本。虽然KKT-ISVM比Batch-ISVM更进一步，但仍存在以下问题：(1)舍弃的非SV样本可能包含有用的分类信息；(2)因满足KKT条件而舍弃的新增样本也可能包含有用的分类信息。
技术实现思路
为了克服现有的手势识别方式的无法解决个体差异性问题、识别准确率较低的不足，本专利技术提供一种针对肌电个体差异问题的在线手势识别方法。该方法结合DBSCAN密度聚类算法，改进了原有的KKT-SVM增量学习方法，用于在线肌电手势识别，以解决个体差异性问题。本专利技术解决其技术问题所采用的技术方案是：一种针对肌电个体差异问题的在线手势识别方法，包括以下步骤：(1)手势肌电数据集建立，获得初始数据；(2)训练初始分类模型；(3)新增样本KKT判别；(4)使用DBSCAN密度聚类获得初步训练集；(5)二次筛选获得最终训练集。进一步，所述步骤(1)中，所述的初始数据是为了构建增量学习的初始模型。共采集20名男性被试的8种常见的手势动作，分别为：手张开、手握拳、手抓取、手放松、腕内收、腕外展、腕外旋和腕内旋。肌电的采样率为1024Hz，采用滑动窗的方式开窗，窗口长度设为200ms。对每个窗口进行3种时域特征提取，分别为均方根值(RMS)、平均绝对值(MAV)和积分肌电(iEMG)。一个窗口(样本)可获得一个3(特征值)×4(通道)共12维的特征向量[{RMSk,MAVk,iEMGk}Ch]，其中，k为样本编号，Ch为通道数。每个被试跟随屏幕中的提示，随机保持一种手势5s，每种手势出现30次，则每个被试的数据集为手势×30次，其中，twindow为开窗长度(200ms)，则每个被试的数据集样本总数为6000个再进一步，所述步骤(2)中，对于每个被试，将初始数据中其余19个被试的所有训练样本用来训练该被试的SVM初始分类模型Ψold和初始SV集Dold-SV。更进一步，所述步骤(3)中，每120秒进行一次增量学习，在该时间段中，每个被试跟随屏幕中的提示，随机保持一种手势5s，每种手势出现3次(即120秒)，增量样本为手势×3次共600个。使用初始分类模型Ψold来检测新增样本集Dnew，将新增样本集Dnew分为满足KKT条件的新增训练样本Dnew-KKT和不满足KKT条件的新增训练样本Dnew-NKKT。区分方法：若样本位于分类间隔上或分类间隔外，为满足KKT条件的新增训练样本；若样本位于分类间隔内，为不满足KKT条件的新增训练样本。所述步骤(4)中，将满足KKT条件的新增训练样本Dnew-KKT、初始SV集Dold-SV和初始非SV集Dold-NSV放在一起，使用DBSCAN进行密度聚类，获得多个聚类簇Cm。选出核心对象为初始SV集Dold-SV中样本的聚类簇Cm，这些聚类簇Cm中包含初始SV集附近的初始非SV样本D′old-NSV和初始SV集附近的满足KKT条件的新增训练样本D′new-KKT。初始SV集Dold-SV、初始SV集附近的初始非SV样本D′old-NSV、初始SV集附近的满足KKT条件的新增训练样本D′new-KKT和不满足KKT条件的新增训练样本Dnew-NKKT构成初步训练集Dnew1。所述步骤(4)中，所述的DBSCAN密度聚类方法通过样本分布的紧密程度来确定聚类结构。它基于一组邻域参数(ε,MINPts)来分析样本之间的可连接性，并不断通过扩展聚类簇获得聚类结果。取ε＝0.11，MinPts＝4。所述的DBSCAN密度聚类方法步骤如下：(4.1)基于邻域参数找出核心对象集；(4.2)从核心对象集中随机选取一个“种子”核心对象，找出所有密度可达的样本，构成第一个聚类簇；(4.3)将聚类簇中包含的核心样本从核心对象集中去除。所述步骤(5)中，对初始SV集附近的初始非SV样本D′old-NSV和初始SV集附近的满足KKT条件的新增训练样本D′new-KKT进行二次筛选，以减少训练集样本个数，减少训练时间。因为离分类超平面距离太远，成为SV几率较小，二次筛选规则为：计算初始SV集附近的初始非SV样本D′old-NSV和初始SV集附近的满足KKT条件的新增训练样本D′new-KKT中各个样本到分类超平面的距离，离超平面的最大距离为δ，选取这两个样本集中距离小于1/2δ的样本，获得二次筛选后的初始SV集附近的初始非SV样本D″old-NSV和初始SV集附近的满足KKT条件的新增训练样本D″new-KKT。由初始SV集Dold-SV、二次筛选后的初始SV集附近的初始非SV样本D″old-NSV、二次筛选后的初始SV集附近的满足KKT条件的新增训练样本D″new-KKT和不满足KKT条件的新增训练样本Dnew-NKKT构成最终训练集Dnew2，用来训练该次增量学习后的分类模型Ψnew。本专利技术的有益效果是：(1)结合DBSCAN密度聚类算法，改进了原有的KKT-SVM增量学习方法，用于在线肌电手势识别，以解决个体差异性问题。(2)该方法能保持更高的识别准确率。计算前10次增量学习的平均分类识别率，本专利技术方法(92.12％)与传统SVM(69.23％)、Batch-ISVM(86.41％)、KKT-ISVM(90.03％)三种算法相比，具有最高平均识别率。其中，Batch-ISVM和KKT-ISVM为传统的增量学习方法；传统SVM算法并无增量学习过程，直接通过初始分类模型进行后面新增样本的分类，用来描述肌电的个体差异性(识别率很低，即体现个体差异性影响公共模型分类识别率的问题)。(3)该方法能进一步提高分类模型训练学习速度。计算前10次增量学习的平均训练时间，本发本文档来自技高网...

【技术保护点】
1.一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述方法包括以下步骤：(1)手势肌电数据集建立，获得初始数据；(2)训练初始分类模型；(3)新增样本KKT判别；(4)使用DBSCAN密度聚类获得初步训练集；(5)二次筛选获得最终训练集。

【技术特征摘要】
1.一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述方法包括以下步骤：(1)手势肌电数据集建立，获得初始数据；(2)训练初始分类模型；(3)新增样本KKT判别；(4)使用DBSCAN密度聚类获得初步训练集；(5)二次筛选获得最终训练集。2.如权利要求1所述的一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述步骤(1)中，所述的初始数据是为了构建增量学习的初始模型，共采集20名男性被试的8种常见的手势动作，分别为：手张开、手握拳、手抓取、手放松、腕内收、腕外展、腕外旋和腕内旋。3.如权利要求2所述的一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述步骤(1)中，肌电的采样率为1024Hz，采用滑动窗的方式开窗，窗口长度设为200ms，对每个窗口进行3种时域特征提取，分别为均方根值RMS、平均绝对值MAV和积分肌电iEMG；一个窗口可获得一个3×4共12维的特征向量[{RMSk,MAVk,iEMGk}Ch]，其中，k为样本编号，Ch为通道数；每个被试跟随屏幕中的提示，随机保持一种手势5s，每种手势出现30次，则每个被试的数据集为手势×30次，其中，twindow为开窗长度，则每个被试的数据集样本总数为6000个。4.如权利要求3所述的一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述步骤(2)中，对于每个被试，将初始数据中其余19个被试的所有训练样本用来训练该被试的SVM初始分类模型Ψold和初始SV集Dold-SV。5.如权利要求4所述的一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述步骤(3)中，每120秒进行一次增量学习，在该时间段中，每个被试跟随屏幕中的提示，随机保持一种手势5s，每种手势出现3次，增量样本为手势×3次共600个，使用初始分类模型Ψold来检测新增样本集Dnew，将新增样本集Dnew分为满足KKT条件的新增训练样本Dnew-KKT和不满足KKT条件的新增训练样本Dnew-NKKT；区分方法：若样本位于分类间隔上或分类间隔外，为满足KKT条件的新增训练样本；若样本位于分类间隔内，为不满足KKT条件的新增训练样本。6.如权利要求5所述的一种针对肌电个体差异问题的在线手势识别方法，其特征在于，所述步骤(4)中，将满足KKT条件的新增训练样本Dnew-KK...

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