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方案

本发明专利技术属于人工智能技术领域，公开了一种基于表面肌电信号的手势动作在线识别方法及系统，实时采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号；然后进行小波阈值去噪处理；提取处理后信号的均方根(RMS)特征和前4阶AR模型参数特征，最后用SVM投票法和聚类思想联合判别实时动作。每间隔0.05s识别一次。每种动作的训练样本个数只采集10个，样本数和特征种类数少，方便实时识别；利用SVM投票法和聚类思想联合判别，可以提高识别正确率；聚类思想的应用在一定程度上拒绝了对异常动作的识别。

An on-line recognition method and system of gesture based on sEMG

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，但是实时性难以保证，另外识别算法的复杂度对硬件也提出了相应的要求。准确性和实时性难以兼顾。为了提高算法鲁棒性，需要确定通用性和代表性强的特征和采集信号的肌肉位置，使算法能适用于更多种手势。解决上述技术问题的意义：首先，可以降低硬件设计的难度和复杂度，使整个系统的软硬件均易于实现；其次，在不降低太大正确率情况下，较高的实时性使得系统性能更优；最后，算法鲁棒性的提升有助于应用面变得更广。
技术实现思路
针对传统手势在线识别算法中算法鲁棒性不强及实时性和准确性难以兼顾的问题，本专利技术提供了一种基于表面肌电信号的手势动作在线识别方法及系统。本专利技术是这样实现的，一种基于表面肌电信号的手势动作在线识别方法，包括：采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号。提取通过降噪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。用SVM投票法和聚类思想联合判别实时动作；聚类思想的应用在一定程度上拒绝了对异常动作的识别。进一步，所述基于表面肌电信号的手势动作在线识别方法包括如下步骤：步骤一，选取所要识别的若干动作。步骤二，采集训练样本。每种动作采集10个样本，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，特征提取与选择。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，其中，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一个SVM，k个类别的样本需设计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。。进一步，所述步骤三中，所述时间序列的均方根(RMS)特征可参照以下公式计算：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。所述AR模型的定义为白噪声的输入和过去p个信号值进行累加：由上式可知，当模型系数确定后，受到白噪声激励的系统模型随之确定。使用伯格法(burg)迭代求解AR模型的各阶系数，在求解AR模型各阶系数之前，还应确定所构建具体模型阶数p。进一步，采用最终预测误差(FPE)准则对AR模型进行定阶。最终预测误差定义为：式中，N为时间序列的长度，p为AR模型阶数，σ2为模型方差。进一步，所述步骤四中SVM采用高斯核函数，表达式为：式中，x，z分别为两个不同的特征向量，σ为标准差参数。所述距离计算采用欧式距离公式，表达式为：式中，d12为两个特征向量之间的距离，n为特征向量的维数，x1k和x2k分别为两个不同的特征向量。进一步，所述步骤四中，动作在训练时，选择动作所对应的向量作为训练集，得到相应的SVM；在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。所述用SVM投票法和聚类思想联合进行动作识别，具体操作包括：若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。本专利技术的另一目的在于提供一种实施所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势在线识别控制系统。本专利技术的另一目的在于提供一种实施所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势动作在线识别装置。综上所述，本专利技术的优点及积极效果为：本专利技术只提取肌电信号的均方根特征和AR模型特征，每种类别样本只提取10个，提取样本数和特征种类数少，方便实时识别；而SVM算法又非常适用于小样本的分类问题，利用SVM投票法和聚类思想联合判别，可以提高识别正确率，因为聚类思想的应用在一定程度上拒绝了对异常动作的识别；另外，通用性和代表性强的特征和采集信号的肌肉位置使算法能适用于更多种手势，本专利所使用特征为均方根和前四阶AR模型系数特征，所确定的肌肉位置为肱三头肌、肘肌、肱二头肌、肱桡肌；最后，每隔极短时间识别一次，可以避免活动段检测。使用本专利所述方法，采集10位健康成年人手臂表面肌电信号，每人随机做出动作，包括但不限于以下四种动作：屈肘、抬臂、外展和静止。分别统计每人100次识别的正确率。以上四种具体动作、识别正确率及硬件设备见附图。附图说明图1是本专利技术实施例提供的基于表面肌电信号的手势动作在线识别方法流程图。图2是本专利技术实施例提供的SVM算法示意图。图3是本专利技术中所做实验涉及到的屈肘、抬臂、外展和静止四种动作示意图。图4是本专利技术中所做实验识别正确率散点图。图5是本专利技术中所做实验所使用的表面肌电信号采集设备。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。对于简单粗手势的识别，由于使用特征过多，不方便实时控制；单一地使用时域特征或频域特征会大大降低精度。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。现有技术在手势在线识别过程中难以兼顾准确性和实时性，且算法的鲁棒性不够好。针对现有技术存在的问题，本专利技术提本文档来自技高网...

【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