一种基于肌电信号的智能手势动作生成方法技术

本发明专利技术公开了一种基于肌电信号的智能手势动作生成方法，包括：采用肌电信号采集设备获取N个通道的肌电信号；通过实时获取的肌电信号训练出手势相关的神经网络模型；通过训练好的神经网络模型对未知的肌电信号进行手势生成，再将生成的手势应用到各种场景当中来，例如辅助残疾人的智能义肢，智能家居中的手势控制，军事中的外骨骼设备。本发明专利技术的有益效果在于提供一种实用性高、灵活性高、准确率高、应用范围广的基于肌电信号的智能手势动作生成方法。

【技术实现步骤摘要】
一种基于肌电信号的智能手势动作生成方法
本专利技术涉及人工智能
，尤其涉及一种基于肌电信号的智能手势动作生成方法。
技术介绍
随着人工智能技术与生物电采集技术的发展，人们对于智能化的辅助设备的需求日益强烈。在残疾人的生活当中，义肢的需求不再仅仅局限于美观与一些简单的辅助，更多的是对智能化义肢的渴求。在日常生活当中，智能家居的发展我们也希望通过一些手势来控制一些智能设备。在军事方面，可以实现人体的增强，通过外骨骼设备帮助军人拥有更强的力量，同时通过肌电信号可以让操作变得更加灵活。
技术实现思路
本专利技术的目的是提供一种实用性高、灵活性高、准确率高、应用范围广的基于肌电信号的智能手势动作生成方法。本专利技术为实现上述专利技术目的采用如下技术方案：本专利技术提供了一种基于肌电信号的智能手势动作生成方法，包括：采用肌电信号采集设备获取N个通道的肌电信号；通过实时获取的肌电信号训练出手势相关的神经网络模型；通过训练好的神经网络模型对未知的肌电信号进行手势生成。进一步地，通过实时获取的肌电信号训练出手势相关的神经网络模型的方法具体包括：构建神经网络模型；通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练。进一步地，构建神经网络模型的方法具体包括：首先构建输入层，用来获取输入的肌电信号。接着构建卷积层，使用多个一维卷积核对输入层获取的肌电信号进行卷积运算，对输入层进行边界补0操作得到新的序列，在卷积层中每个卷积核从新序列首端做内积运算一直到序列末端，得到一个新的特征层；然后构建激活层，将新的特征层的结果通过激活函数进行激活，得到激活层的输出；接着构建最大池化层，对激活层输出的值进行最大池化，得到最大池化的结果；接着构建全连接层，将最大池化的结果输入到全连接层中进行分类，把分布式特征映射到样本标记空间；得到全连接层的输出；最后构建SoftMax层，将全连接层输出的值输入到SoftMax中，得到每个类别的概率。进一步地，将特征层输出的结果通过Relu激活函数激活并得到激活层，Relu激活函数的公式如下：Ac＝max(0,f)其中，max表示所有输入的数值当中最大的数值；f表示输入的数据；Ac表示激活函数的输出结果。进一步地，对激活层输出的Ac进行最大池化，得到最大池化的结果，公式如下：Poi＝max({Aci,Aci+1...Aci+ma-2,Aci+ma-1})其中，ma为最大池化的长度；Poi为最大池化的结果；i表示Ac矩阵中第i个元素。进一步地，全连接层由池化层得到的Poi连成一个一维向量PO，再将一维向量M中的所有值连接到n个神经元并构成输出，n的值为手势生成的类别总数，表达式如下：(fc1,fc2,…,fcn)＝(∑PO·w1,∑PO·w2,…,∑PO·wn)其中，w1,w2,…,wn为随机的权重，将w1,w2,…,wn与Poi进行对位相乘并求和得到多个值，fc1,fc2,…,fcn为全连接层的输出结果。进一步地，所述SoftMax计算方法公式如下：ph为每个fch经由SoftMax的输出，得到的ph为当前目标为第h类手势的概率。进一步地，通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练的方法包括：通过肌电采集设备实时采集肌电信号，记录肌电采集设备的电极的放置位置与对应的手势标签，并使用肌电信号与手势标签来对神经网络模型进行训练，使用自适应矩估计优化器来优化网络参数。使用梯度下降策略训练构建的神经网络模型。对于给定的迭代次数，首先基于在整个数据集上求出的罚函数loss(W)对模型的参数向量W计算梯度向量。然后对参数W进行更新：对参数W减去梯度值乘学习率的值，也就是在反梯度方向，更新参数。其中，为参数梯度下降方向，即loss(W)的偏导数，η为学习率。其中yh表示样本的真实值，ph为预测为第h类的概率。当完成迭代时，实现W的更新与模型的建立。进一步地，通过训练好的神经网络模型对未知的肌电信号进行手势生成具体包括：将肌电信号采集设备的电极放置在记录的电极位置，通过肌电采集设备来获取肌电信号，使用训练好的神经网络模型将肌电信号生成对应的手势。进一步地，将获取的肌电信号通过无线的方式传输到计算设备上，计算设备将肌电信号输入到训练好的神经网络模型中，并生成出相应的手势。本专利技术的有益效果如下：本专利技术提供一种实用性高、灵活性高、准确率高、应用范围广的基于肌电信号的智能手势动作生成方法。实用性高：本专利技术在日常生活当中可以通过肌电信号来实现智能控制，简化一些生活的操作，例如智能家居中的家具控制。针对残疾人本专利技术可以帮助残疾人通过肌电信号恢复手掌的动作，不再仅仅是起到美观作用的义肢。在军事方面，可以实现人体的增强，通过外骨骼设备帮助军人拥有更强的力量，同时通过肌电信号可以让操作变得更加灵活。灵活性高：本专利技术在采集肌电信号时位置不固定，只要保持训练模型采集的数据与使用模型时采集的数据的电极放置位置相同即可。这使得不同状况的残疾人都可以使用该产品。准确率高：目前我们针对六种手势的识别进行了实验，最终我们设计的模型对肌电信号识别手势的准确率达到了98.3％。设备简单：采集设备十分便携，采集肌电信号的通道数较少易于安装。设备轻量化能耗较低，续航持久。附图说明图1为根据本专利技术实施例提供的神经网络模型结构图；图2为根据本专利技术实施例提供的肌电采集示意图；图3为根据本专利技术实施例提供的智能义肢整体流程图。具体实施方式本实施例的主要思想为：构建神经网络模型。通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练，使用自适应矩估计优化器来优化网络参数。本案例训练了六种手势动作，分别为：打响指，握拳，张开，向右挥手，向左挥手，静止等动作。通过8通道的肌电采集设备来获取数据，通过训练好的模型生成手势动作，并传输到机械手臂实现手势生成。实施例：本专利技术已经构建了原型系统，通过8个通道的轻量化肌电采集设备采集小臂处的肌电信号生成了6种状态的手势，分别为打响指，握拳，张开，向右挥手，向左挥手，静止。经过大量的实验验证准确率可以达到98.3％。本案例使用8个通道OpenBCI的生物电采集设备与单层卷积神经网络模型的情况下保证了检测的精度，减少了计算开销。包括以下步骤：步骤1：本案例使用python实现代码，所述神经网络模型通过Tensorflow框架搭建，使用32个一维卷积核进行卷积运算，在卷积层中每个卷积核与输入层中边界补0的输入序列从序列首端做内积运算一直到序列末端，得到新的特征层；步骤2：将输出层的结果通过Relu激活函数激活，所述Relu激活函数如式(1)所示：Ac＝max(0,f)(1)其中m本文档来自技高网...

【技术保护点】
1.一种基于肌电信号的智能手势动作生成方法，其特征在于，包括：/n采用肌电信号采集设备获取N个通道的肌电信号；/n通过实时获取的肌电信号训练出手势相关的神经网络模型；/n通过训练好的神经网络模型对未知的肌电信号进行手势生成。/n

【技术特征摘要】
1.一种基于肌电信号的智能手势动作生成方法，其特征在于，包括：
采用肌电信号采集设备获取N个通道的肌电信号；
通过实时获取的肌电信号训练出手势相关的神经网络模型；
通过训练好的神经网络模型对未知的肌电信号进行手势生成。


2.根据权利要求1所述的一种基于肌电信号的智能手势动作生成方法，其特征在于，通过实时获取的肌电信号训练出手势相关的神经网络模型的方法具体包括：
构建神经网络模型；
通过肌电采集设备采集的肌电信号与对应的手势来对神经网络模型进行训练。


3.根据权利要求2所述的一种基于肌电信号的智能手势动作生成方法，其特征在于，构建神经网络模型的方法具体包括：
首先构建输入层，用来获取输入的肌电信号。
接着构建卷积层，使用多个一维卷积核对输入层获取的肌电信号进行卷积运算，对输入层进行边界补0操作得到新的序列，在卷积层中每个卷积核从新序列首端做内积运算一直到序列末端，得到一个新的特征层；
然后构建激活层，将新的特征层的结果通过激活函数进行激活，得到激活层的输出；
接着构建最大池化层，对激活层输出的值进行最大池化，得到最大池化的结果；
接着构建全连接层，将最大池化的结果输入到全连接层中进行分类，把分布式特征映射到样本标记空间；得到全连接层的输出；
最后构建SoftMax层，将全连接层输出的值输入到SoftMax层中，得到每个类别的概率。


4.根据权利要求3所述的一种基于肌电信号的智能手势动作生成方法，其特征在于，将特征层输出的结果通过Relu激活函数激活并得到激活层，Relu激活函数的公式如下：
Ac＝max(0,f)
其中，max表示所有输入的数值当中最大的数值；f表示输入的数据；Ac表示激活函数的输出结果。


5.根据权利要求4所述的一种基于肌电信号的智能手势动作生成方法，其特征在于，对激活层输出的Ac进行最大池化，得到最大池化的结果，公式如下：
Poi＝max({Aci，Aci+...

【专利技术属性】
技术研发人员：徐小龙，徐浩严，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32