The invention belongs to the field of artificial intelligence technology, and discloses an on-line recognition method and system of hand gestures based on surface electromyography signal, which collects surface electromyography signals of four channels of triceps, elbow, biceps and radius in real time, then carries out wavelet threshold denoising processing, extracts RMS features of processed signals and the first four AR model parameter features, and finally uses SV M-voting and clustering are used to identify real-time actions. It is recognized once every 0.05s. The number of training samples for each action is only 10, and the number of samples and feature types is small, which is convenient for real-time recognition; the combination of SVM voting method and clustering idea can improve the recognition accuracy; the application of clustering idea rejects the recognition of abnormal actions to a certain extent.
【技术实现步骤摘要】
一种基于表面肌电信号的手势动作在线识别方法及系统
本专利技术属于人工智能
,尤其涉及一种基于表面肌电信号的手势动作在线识别方法及系统。
技术介绍
目前,最接近的现有技术:随着科技的发展,对手势识别技术的研究已经成为热门课题,基于手势识别技术的应用也开始渗透到人们生活的方方面面,这是一项技术走向热门的标志。表面肌电信号的应用领域主要在人机交互和假肢控制。在传统基于表面肌电信号的手势识别中,采用了类似语音识别的结构,即信号采集-活动段检测-特征提取-分类。这种方法需要对活动段进行检测后再识别。对于基于表面肌电信号手势的识别,目前大多数方法虽然能达到很高的识别精度,但由于使用特征过多,不方便实时控制;而单一地使用时域特征或频域特征又会大大降低精度;另外,识别算法的复杂度对硬件也提出了相应的要求,否则实时性难以保证。另外,许多识别算法鲁棒性不强,只对于几种固定的手势识别效果较好。现在亟需一种可操作性强,算法易于实现的手势在线识别方法,并且能同时兼顾准确性和实时性。综上所述,现有技术存在的问题是:(1)每次识别之前都需要进行活动段检测。(1)使用特征过多,不方便实时识别;单一地使用时域特征或频域特征会大大降低精度。(2)识别算法的复杂度对硬件也提出了相应的要求,否则实时性难以保证。(3)许多识别算法鲁棒性不强,只对于几种固定的手势识别效果较好。解决上述技术问题的难度:对于固定的若干种手势,使用特征和算法过多虽然可以提高正确率, ...
【技术保护点】
1.一种基于表面肌电信号的手势动作在线识别方法,其特征在于,所述基于表面肌电信号的手势动作在线识别方法包括:/n采集多个通道的表面肌电信号并进行小波阈值去噪处理;/n提取处理后表面肌电信号的前4阶AR模型参数特征和RMS特征,作为每个动作分类识别所使用的特征;/n利用SVM投票法和聚类思想联合判别实时动作。/n
【技术特征摘要】
1.一种基于表面肌电信号的手势动作在线识别方法,其特征在于,所述基于表面肌电信号的手势动作在线识别方法包括:
采集多个通道的表面肌电信号并进行小波阈值去噪处理;
提取处理后表面肌电信号的前4阶AR模型参数特征和RMS特征,作为每个动作分类识别所使用的特征;
利用SVM投票法和聚类思想联合判别实时动作。
2.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法,其特征在于,所述基于表面肌电信号的手势动作在线识别方法,包括以下步骤:
步骤一,选取所要识别的若干种静态手势动作;
步骤二,采集训练样本,每种动作采集10个样本,每种动作采集的时间段为1s,使用硬件设备提取原始的表面肌电信号;进行小波阈值去噪处理。
步骤三,特征提取,对于每个动作样本,肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征;AR模型参数特征提取前4阶参数;
步骤四,手势实时识别,在任意两类动作样本之间设计SVM,则k个类别的样本设计k(k-1)/2个SVM,同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax。
3.如权利要求2中所述的基于表面肌电信号的手势动作在线识别方法,其特征在于,步骤三中,时间序列的均方根RMS特征计算公式为:
式中:RMS是均方根肌电值;N代表肌电信号样本数;X(t)是肌电信号值。
4.如权利要求2中所述的基于表面肌电信号的手势动作在线识别方法,其特征在于,步骤三中,AR模型为白噪声的输入和过去p个信号值进行累加,具体为:
模型系数确定后,受到白噪声激励的系统模型确定;使用伯格法迭代求解AR模型的各阶系数,求解AR模型各阶系数前,先确定阶...
【专利技术属性】
技术研发人员:刘聪,周淑旺,费炜,胡胜,
申请(专利权)人:湖北工业大学,
类型:发明
国别省市:湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。