一种手势动作过程中肌肉空间激活模式提取和识别方法技术

本发明专利技术提出一种手势动作过程中肌肉空间激活模式提取和识别方法，包括如下步骤：步骤1、使用电极阵列采集用户执行手势动作时产生的表面肌电信号；步骤2、对采集的表面肌电信号的数据集进行预处理；步骤3、使用矩阵分解算法提取肌肉空间激活模式矩阵W和募集模式矩阵H，根据VAF阈值确定空间激活模式数目；步骤4、利用W和H的二范数能量积的大小对W矩阵中的矢量进行调整，并重新排列，得到更新后的空间激活模式矩阵W

【技术实现步骤摘要】
一种手势动作过程中肌肉空间激活模式提取和识别方法
本专利技术涉及生物信号处理领域，尤其涉及一种基于高密度表面肌电的肌肉空间激活模式提取及识别方法。
技术介绍
表面肌电信号是肌肉中多个运动单元兴奋产生的生物电信号在时间和空间上的叠加，携带有人体情绪或意图信息。基于表面肌电的手势识别技术，在可用于实现肌电控制，同时也为虚拟现实、消费电子等领域提供了新型的人机交互方式。由于高密度阵列电极具有可捕获丰富肌肉激活时空分布信息的特点，基于高密度表面肌电的手势识别问题获得了广泛关注。随着深度学习技术在视频、图像、语音识别等领域的成功应用及快速发展，研究者们尝试将其引入基于高密度表面肌电的手势识别领域，在识别率方面取得了可显著超越传统机器学习方法的性能。然而，由于电极偏移、手势运动等带来的噪声会不可避免的影响采集信号质量，利用深度学习技术进行基于高密度阵列表面肌电的手势识别时，需要足够的样本才能训练出相对鲁棒的识别网络，而大样本的数据采集会给用户带来沉重的训练负担。此外，大部分研究工作将原始肌电信号作为样本输入网络进行模式识别，手势动作的识别常依赖于高本文档来自技高网...

【技术保护点】
1.一种手势动作过程中肌肉空间激活模式提取和识别方法，其特征在于，包括如下步骤：/n步骤1、使用电极阵列采集用户执行手势动作时产生的表面肌电信号；/n步骤2、对采集的表面肌电信号的数据集进行预处理；/n步骤3、使用矩阵分解算法提取肌肉空间激活模式矩阵W和募集模式矩阵H，根据VAF阈值确定空间激活模式数目；/n步骤4、利用W和H的二范数能量积的大小对W矩阵中的矢量进行调整，并重新排列，得到更新后的空间激活模式矩阵W

【技术特征摘要】
1.一种手势动作过程中肌肉空间激活模式提取和识别方法，其特征在于，包括如下步骤：
步骤1、使用电极阵列采集用户执行手势动作时产生的表面肌电信号；
步骤2、对采集的表面肌电信号的数据集进行预处理；
步骤3、使用矩阵分解算法提取肌肉空间激活模式矩阵W和募集模式矩阵H，根据VAF阈值确定空间激活模式数目；
步骤4、利用W和H的二范数能量积的大小对W矩阵中的矢量进行调整，并重新排列，得到更新后的空间激活模式矩阵Wnew，无监督地实现不同动作样本的空间激活模式对齐；
步骤5、将调整后的矩阵Wnew作为手势动作样本，对设计好的网络模型进行训练和测试；
步骤6、利用空间激活模式矩阵Wnew和深度学习网络完成对手势动作的识别。


2.根据权利要求1所述的一种手势动作过程中肌肉空间激活模式提取和识别方法，其特征在于，手势动作包括能涉及肘、腕以及各指关节的多种状态的组合。


3.根据权利要求1所述的一种手势动作过程中肌肉空间激活模式提取和识别方法，其特征在于，所述电极阵列行通道数为m，列通道数为n，阵列内部相邻通道距离为d。


4.根据权利要求2所述的一种手势动作过程中肌肉空间激活模式提取和识别方法，其特征在于，所述的电极阵列采集目标肌群执行手势动作时产生的表面肌电信号，包括：前臂伸肌群，覆盖指伸总肌、桡侧腕伸肌、尺侧腕伸肌；前臂屈肌群，覆盖屈肌、桡侧腕屈肌、尺侧腕屈肌；肱二头肌和肱三头肌。


5.根据权利要求1所述的一种手势动作过程中肌肉空间激活模式提取和识别方法，其特征在于，所述步骤2中对手势动作阵列肌电信号进行以下预处理：
(2.1)活动段分割，采用基于信号能量阈值的移动平均方法分割肌电数据，以所有通道信号的能量均值是否大于预定的能量阈值判断活动段起止点；
(2.2)滤波及归一化，首先，对各通道肌电信号进行高通滤波，以消除数据采集过程中可能出现的低频噪声；然后，对滤波后的信号进行去均值和全波整...

【专利技术属性】
技术研发人员：陈香，文庆庆，张旭，胡若晨，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34