基于自适应学习的用户无关肌电手势识别系统技术方案

本发明专利技术涉及一种基于自适应学习的用户无关肌电手势识别系统，包括依次连接的数据获取单元、聚类单元、自适应KNN近邻分类器和风险评估器；所述数据获取单元，获取现有用户数据，并进行数据处理；所述聚类单元，将数据处理后的信号数据，采用K

【技术实现步骤摘要】
基于自适应学习的用户无关肌电手势识别系统


[0001]本专利技术涉及手势识别领域，具体涉及一种基于自适应学习的用户无关肌电手势识别系统。

技术介绍

[0002]随着设备智能化的发展，过去以计算机为中心的人机交互(Human Machine Interaction,HMI)方式正转变为以人为中心的自然人机交互方式，这种转变使得人类仅凭手势或者思想即可实现与计算机的自然交流。由于表面肌电信号直接反映了肌肉的活跃程度，经过解析后能得到用户的运动意图，因此被广泛应用于人机交互领域。
[0003]目前，基于表面肌电信号的人机交互系统通常包括两个主要过程：1)利用用户的训练样本离线训练手势分类模型；2)利用训练后的分类模型进行在线手势识别，并将识别结果作为人机交互的控制输入，上述过程使得系统在多种手势动作下也能取得较好的识别表现。然而，上述过程所应用的方法是用户相关的，即模型的训练数据和测试数据均来自同一用户。由于皮肤阻抗、肌肉形态以及生理和心理等方面差异的原因，不同用户执行相同动作时的肌电信号会存在较大差异，使得用户相关模型应用在新用户手势识别时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应学习的用户无关肌电手势识别系统，其特征在于，包括依次连接的数据获取单元、聚类单元、自适应KNN近邻分类器和风险评估器；所述数据获取单元，获取现有用户数据，并进行数据处理；所述聚类单元，将处理后的信号数据，采用K
‑
Means聚类找到不同动作的聚类中心，提取各个用户每种动作与聚类中心距离最近的N个样本充当训练集，用于训练自适应KNN近邻分类器；所述自适应KNN近邻分类器，用于根据新用户数据得到对应的标签；所述风险评估器对新用户数据进行评估，合格的样本则用来替换训练集的偏远样本和更新训练集样本的权值。2.根据权利要求1所述的基于自适应学习的用户无关肌电手势识别系统，其特征在于，所述数据处理包括去除信号中的工频50Hz噪声、全波整流、3阶巴特沃夫低通滤波、活动段提取、特征提取以及归一化处理。3.根据权利要求2所述的基于自适应学习的用户无关肌电手势识别系统，其特征在于，所述活动段提取过程中，设置窗长为200ms、步长为50ms的滑窗，对低通滤波后的包络线进行滑动窗口处理，每个的滑动窗口处理记为T(t)；取阈值为窗内峰值的0.015倍，当T(t)内持续180ms的数据均大于阈值时，该段确定为活动段；当T(t)内大于阈值的数据持续时间少于180ms时，该段确定为静息段；对每个活动段，利用非负矩阵分解算法提取肌肉协同：对每个活动段，利用非负矩阵分解算法提取肌肉协同：其中，V为样本集矩阵，W为肌肉协同矩阵，H为激活稀疏矩阵，i＝1，2，3...I，o＝1，2，3...O，j＝1，2，3...J，I为肌肉数目，J为采样点数，O为肌肉协同数目；肌肉协同的数目由VAF值确定4.根据权利要求2所述的基于自适应学习的用户无关肌电手势识别系统，其特征在于，所述归一化处理，对于每一个肌肉协同W具体为：其中，W_max和W_min分别为W的最大值与最小值。5.根据权利要求1所述的基于自适应学习的用户无关肌电手势识别系统，其特征在于，所述采用K
‑
Means聚类找到不同动作的聚类中心，具体为：设待测样本为肌肉协同W，类别簇为C1，C2，C3，C4，μ
i
为类...

【专利技术属性】
技术研发人员：李玉榕，郑楠，张文萱，李吉祥，
申请(专利权)人：福州大学，
类型：发明
国别省市：