肢体动作识别方法、装置、系统以及可读存储介质制造方法及图纸

本发明专利技术公开了一种肢体动作识别方法，包括分别获得肌电信号和加速度信号；对每个有效活动时间段对应的有效肌电信号和有效加速度信号均分别进行AR模型特征提取、小波分析特征提取以及模糊熵特征提取，并将获得的肌电第一特征数据、肌电第二特征数据、肌电第三特征数据，加速度第一特征数据、加速度第二特征数据和加速度第三特征数据进行相关性分析，获得融合特征矩阵；利用预先创建获得的支持向量机对融合特征矩阵进行识别，获得肢体动作信息。本申请以肌电信号和加速度信号三个不同方面特征的融合特征识别肌体动作，提升了肌体动作识别的准确性。本申请还提供了一种肌体动作识别装置、系统以及计算机可读存储介质，具有上述有益效果。益效果。益效果。

【技术实现步骤摘要】
肢体动作识别方法、装置、系统以及可读存储介质


[0001]本专利技术涉及肢体动作识别领域，特别是涉及一种肢体动作识别方法、装置、系统以及计算机可读存储介质。

技术介绍

[0002]随着科学技术的创新与人工智能领域的不断发展，人机交互成为新兴科技领域广受关注的研究难点与热点。人机交互的媒介正在由早期的鼠标键盘等外部设备输入的机器语言向人本身的自然语言转变，人体蕴含丰富的可用于人机交互的信息，比如，眼睛虹膜、指纹、掌纹、面部表情、DNA等人体特征由于其独一无二的性质应用于电子设备解锁与交易支付等领域；肌电、脑电、心电、眼电等生物电信号广泛应用于医疗检测、康复训练、智能家居和生物控制等领域。
[0003]我国是世界上残疾人数最多的国家，假肢能够弥补肢体残疾患者外在形象上的不足，而能够根据使用者主观意识对假肢动作进行控制则在生活和工作中给残疾患者带来极大的便利性。
[0004]使用者能够自主控制的假肢主要是依赖使用者在控制假肢运动时对未缺失或者是处于健康状态的肢体进行动作控制，该部分肢体的肌肉会产生相应动作，由此即可通过检测该肌肉动作的相关信息确定使用者想要控制假肢执行的动作类型，例如通过肌电信号传感器检测肌肉动作的肌电信号，通过对肌电信号的分析识别确定出该肌体的动作，进而识别出使用者想要对假肢进行握拳动作控制，驱动假肢进行相应动作控制即可。
[0005]在基于使用者主观意识对假肢动作控制过程中，确定识别使用者的通过完好肢体传达的控制动作指令的准确性直接影响到对假肢动作控制的准确性。因此如何基于肢体动作准确确定出使用者的动作意图，是业内热门研究的方向之一。

技术实现思路

[0006]本专利技术的目的是提供一种肢体动作识别方法、装置、系统以及计算机可读存储介质，在一定程度上提升肢体动作识别的准确性。
[0007]为解决上述技术问题，本专利技术提供一种肢体动作识别方法，包括：
[0008]通过贴合肢体设置的肌电信号传感器和加速度传感器，分别获得肌电信号和加速度信号；
[0009]根据所述肌电信号和所述加速度信号进行有效活动时间段识别，并获得所述有效活动时间段对应的有效肌电信号和有效加速度信号；
[0010]对每个所述有效活动时间段对应的所述有效肌电信号和所述有效加速度信号均分别进行AR模型特征提取、小波分析特征提取以及模糊熵特征提取，获得所述有效肌电信号对应的肌电第一特征数据、肌电第二特征数据、肌电第三特征数据，以及所述有效加速度信号对应的加速度第一特征数据、加速度第二特征数据和加速度第三特征数据；
[0011]以所述肌电第一特征数据、所述肌电第二特征数据和所述肌电第三特征数据作为
第一样本矩阵，所述加速度第一特征数据、所述加速度第二特征数据和所述加速度第三特征数据作为第二样本矩阵，对所述第一样本矩阵中的各个特征数据和所述第二样本矩阵中的特征数据进行相关性分析，获得融合特征矩阵；
[0012]利用预先创建获得的支持向量机对所述融合特征矩阵进行识别，获得所述肢体动作信息。
[0013]可选地，对所述第一样本矩阵中的各个特征数据和所述第二样本矩阵中的特征数据进行相关性分析，获得融合特征矩阵的过程包括：
[0014]设定所述第一样本矩阵和所述第二样本矩阵分别满足的第一线性关系式和第二线性关系式其中，X为所述第一样本矩阵；x
i
为所述第一样本矩阵中的第i个特征数据；a
i
为所述第一线性关系式中第i个特征数据对应的第一相关变量；a＝(a1,a2,......,a
n
)；Y为所述第二样本矩阵；y
i
为所述第二样本矩阵中的第i个特征数据；b
i
为所述第二线性关系式中第i个特征数据对应的第二相关变量；b＝(b1,b2,......,b
n
)；
[0015]利用基于广义典型相关判别准则构建的拉格朗日目标函数以a
T
·
S
xx
·
a
i
＝1，b
T
·
S
yy
·
b
i
＝1为约束条件，确定各组(a
i
,b
i
)；S
xx
为所述第一样本矩阵中各个特征数据的方差；S
yy
为所述第二样本矩阵中各个特征数据的方差；为所述第一样本矩阵和所述第二样本矩阵之间的协方差；
[0016]根据各组(a
i
,b
i
)，提取所述第一样本矩阵、所述第二样本矩阵对应的广义正则判别特征，获得第一广义正则判别特征W
x
＝(a1x1,a2x2,......,a
n
x
n
)和第二广义正则判别特征W
y
＝(b1y1,b2y2,......,b
n
y
n
)；
[0017]根据所述第一广义正则判别特征和所述第二广义正则判别特征获得融合特征矩阵。
[0018]可选地，根据所述第一广义正则判别特征和所述第二广义正则判别特征获得融合特征矩阵包括：
[0019]根据所述第一广义正则判别特征和所述第二广义正则判别特征确定所述融合特征矩阵为
[0020]其中，第一权重系数为第二权重系数为
[0021]可选地，获得所述肌电信号的过程包括：
[0022]利用数字高通滤波算法对所述肌电信号传感器采集的原始肌电信号进行滤波，获得频率在20Hz～200Hz之间的肌电信号。
[0023]可选地，获得所述加速度信号的过程包括：
[0024]利用递推平均滤波的原理将所述加速度传感器采集的原始加速度信号中，按照每N个连续采样的原始加速度信号的平均值作为第N个原始加速度信号对应的采样时刻的加速度信号，获得各个所述原始加速度信号对应的采样时刻的加速度信号。
[0025]可选地，根据所述肌电信号和所述加速度信号进行有效活动时间段识别，包括：
[0026]根据所述肌电信号识别所述肌电信号对应的第一有效活动时间段；
[0027]根据所述加速度信号识别所述加速度信号对应的第二有效活动时间段；
[0028]其中，识别所述第一有效活动时间段的过程包括：
[0029]基于能量均值公式确定每个采样点对应的能量均值；其中，E(i)为第i个采样点对应的能量均值；S
k
(i)为第k个肌电信号传感器的第i个采样点对应的肌电信号；I为所述肌电信号传感器的数量；N为递推滑动窗口长度；
[0030]判断各个所述采样点中对应的能量均值大于能量阈值的连续的采样点数量是否大于数量阈值；若是，则对应的能量均值大于能量阈值的多个连续采样点对应的采样时间段为所述第一有效活动时间段。
[0031]一种肢体动作识别装置，包括：
[0032]信号获取模块，用于通过贴合肢体设置的肌电信号传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肢体动作识别方法，其特征在于，包括：通过贴合肢体设置的肌电信号传感器和加速度传感器，分别获得肌电信号和加速度信号；根据所述肌电信号和所述加速度信号进行有效活动时间段识别，并获得所述有效活动时间段对应的有效肌电信号和有效加速度信号；对每个所述有效活动时间段对应的所述有效肌电信号和所述有效加速度信号均分别进行AR模型特征提取、小波分析特征提取以及模糊熵特征提取，获得所述有效肌电信号对应的肌电第一特征数据、肌电第二特征数据、肌电第三特征数据，以及所述有效加速度信号对应的加速度第一特征数据、加速度第二特征数据和加速度第三特征数据；以所述肌电第一特征数据、所述肌电第二特征数据和所述肌电第三特征数据作为第一样本矩阵，所述加速度第一特征数据、所述加速度第二特征数据和所述加速度第三特征数据作为第二样本矩阵，对所述第一样本矩阵中的各个特征数据和所述第二样本矩阵中的特征数据进行相关性分析，获得融合特征矩阵；利用预先创建获得的支持向量机对所述融合特征矩阵进行识别，获得所述肢体动作信息。2.如权利要求1所述的肢体动作识别方法，其特征在于，对所述第一样本矩阵中的各个特征数据和所述第二样本矩阵中的特征数据进行相关性分析，获得融合特征矩阵的过程包括：设定所述第一样本矩阵和所述第二样本矩阵分别满足的第一线性关系式和第二线性关系式其中，X为所述第一样本矩阵；x
i
为所述第一样本矩阵中的第i个特征数据；a
i
为所述第一线性关系式中第i个特征数据对应的第一相关变量；a＝(a1,a2,......,a
n
)；Y为所述第二样本矩阵；y
i
为所述第二样本矩阵中的第i个特征数据；b
i
为所述第二线性关系式中第i个特征数据对应的第二相关变量；b＝(b1,b2,......,b
n
)；利用基于广义典型相关判别准则构建的拉格朗日目标函数以a
T
·
S
xx
·
a
i
＝1，b
T
·
S
yy
·
b
i
＝1为约束条件，确定各组(a
i
,b
i
)；其中，S
xx
为所述第一样本矩阵中各个特征数据的方差；S
yy
为所述第二样本矩阵中各个特征数据的方差；为所述第一样本矩阵和所述第二样本矩阵之间的协方差；λ1、λ2分别为第一系数和第二系数；根据各组(a
i
,b
i
)，提取所述第一样本矩阵、所述第二样本矩阵对应的广义正则判别特征，获得第一广义正则判别特征W
x
＝(a1x1,a2x2,......,a
n
x
n
)和第二广义正则判别特征W
y
＝(b1y1,b2y2,......,b
n
y
n
)；根据所述第一广义正则判别特征和所述第二广义正则判别特征获得融合特征矩阵。3.如权利要求2所述的肢体动作识别方法，其特征在于，根据所述第一广义正则判别特征和所述第二广义正则判别特征获得融合特征矩阵包括：根据所述第一广义正则判别特征和所述第二广义正则判别特征确定所述融合特征矩
阵为其中，第一权重系数为第二权重系数为4.如权利要求1所述的肢体动作识别方法，其特征在于，获得所述肌电信号的过程包括：利用数字高通滤波算法对所述肌电信号传感器采集的原始肌电信号进行滤波，获得频率在20Hz～200Hz之间的肌电信号。5.如权利要求4所述的肢体动作识别方法，其特征在于，获得所述加速度信号的过程包括：利用递推平均滤波的原理将所述加速度传感器采集的原始加速度信号中，按照每N个连续采样的原始加速度信号的平均值作为第N个原始加速度信号对应的采样时刻的加速度信号，获得各个所述原始加速度信号对应的采样时刻的加速度信号。6.如权利要求1所述的肢体动作识别方法，其特征在于，根据所述肌电信号和所述加速度信号进行有效活动时间段识别，包括：根据所述肌电信号识别所述肌电信号对应的第一有效活动时间...

【专利技术属性】
技术研发人员：宫玉琳，杨慧芳，陈晓娟，胡命嘉，文垠锞，王法通，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：