【技术实现步骤摘要】
本专利技术涉及肌电一体化，尤其涉及一种基于肌电信号的手势识别方法和系统。
技术介绍
1、随着科技的发展，运动障碍康复训练的辅助装置为患者的日常生活提供了极大的便捷性，作为一类智能肌电一体化装置，其融合了信息传感、交互控制等技术，可为患者提供恰当的动作辅助和支撑，是当前人机交互研究的重要课题。此类辅助装置通过获取患者肌肉活动单元的表面肌电信号(surface electromyography，semg)来实现对患者行为意图的解读，是实现行为意图识别的重要基础。
2、目前，利用semg进行行为意图识别的方法主要包括semg信号特征提取和分类器设计两部分内容。在semg信号特征提取方面，常见的肌电信号特征提取方法主要包括时域分析、频域分析、时频分析三种，但由于semg信号存在随机性、非平稳性、混叠度高的特点，不可避免存在信号串扰，导致上述方法在进行计算时也存在一定程度的不稳定性，且现有技术缺乏统一的参数标准，对特征的提取不充分，意图识别准确率仍存在较大提升空间。在分类器设计方面，现已广泛开展人工神经网络(artificial neural network，ann)的相关研究，主要包括卷积神经网络、多层感知器等，但同样由于semg信号的随机性特征，在将semg信号直接作为网络输入后，计算结果存在不稳定性。
3、综上所述，当前现有技术缺乏更为精准可靠的基于肌电信号的手势识别方法。
技术实现思路
1、有鉴于此，本专利技术实施例提出一种基于肌电信号的手势识别方法和系统，通
2、本专利技术实施例提出一种基于肌电信号的手势识别方法，包括：
3、获取表面肌电信号semg信号数据，并对来自多通道的所述semg信号数据进行预处理，其中，所述semg信号数据来源于非侵入式穿戴设备；
4、对所述semg信号数据进行多尺度分解得到第一特征图像，并利用能量核方法构建与所述semg信号数据相对应的能量核相图得到第二特征图像；
5、构建双分支卷积神经网络模型，将所述第一特征图像与所述第二特征图像分别输入至所述双分支卷积神经网络模型得到第一高层特征和第二高层特征，拼接所述第一高层特征和第二高层特征，并输入至全连接层得到行为识别结果。
6、示例性地，所述对来自多通道的所述semg信号数据进行预处理包括：
7、利用多阶巴特沃斯带通滤波算法对所述semg信号数据进行第一滤波处理以消除低频噪声干扰；
8、采用非递归型滤波器对所述semg信号数据进行第二滤波处理以消除工频干扰；
9、利用零相滤波器对所述semg信号数据进行第三滤波处理以消除相位失真，并对处理后的semg信号数据进行白化处理。
10、示例性地，所述第一特征图像为离散小波变换系数图像，所述对所述semg信号数据进行多尺度分解得到第一特征图像包括：
11、利用小波基函数对所述semg信号数据进行离散小波变换，将所述semg信号数据分解为高频系数和低频系数；
12、根据所述高频系数和低频系数计算得到小波变换系数矩阵，并通过归一化将所述小波变换系数矩阵转化为所述离散小波变换系数图像。
13、示例性地，所述利用能量核方法构建与所述semg信号数据相对应的能量核相图得到第二特征图像包括：
14、构建semg信号能量核模型，将多通道的所述semg信号数据转化为能量核相图；
15、利用网格法对所述能量核相图进行灰度处理得第一灰度数字图像，定义网格面积为网格权重，将所述第一灰度数字图像对应的数字矩阵与所述网格权重相乘得到第二灰度数字图像；
16、对所述第二灰度数字图像进行像素处理得到所述第二特征图像。
17、示例性地，所述双分支卷积神经网络模型中用于处理第一特征图像流的模型分支包括2个卷积层，用于处理第二特征图像流的模型分支包括3个卷积层。
18、示例性地，所述拼接所述第一高层特征和第二高层特征，并输入至全连接层得到行为识别结果包括：
19、将输入为所述第一特征图像流所对应模型分支输出的所述第一高层特征，与输入为所述第二特征图像流所对应模型分支输出的所述第二高层特征进行拼接得到综合特征向量；
20、将所述综合特征向量输入至神经元数量等于待识别行为类别数量的所述全连接层，并将所述全连接层的输出作为分类器的输入，得到所述行为识别结果，其中，所述行为识别结果包括手势识别和膝部识别。
21、本专利技术的另一实施例提出一种基于肌电信号的手势识别系统，包括：
22、获取单元，用于获取表面肌电信号semg信号数据，并对来自多通道的所述semg信号数据进行预处理，其中，所述semg信号数据来源于非侵入式穿戴设备；
23、特征提取单元，用于对所述semg信号数据进行多尺度分解得到第一特征图像，并利用能量核方法构建与所述semg信号数据相对应的能量核相图得到第二特征图像；
24、模型计算单元，用于构建双分支卷积神经网络模型，将所述第一特征图像与所述第二特征图像分别输入至所述双分支卷积神经网络模型得到第一高层特征和第二高层特征，拼接所述第一高层特征和第二高层特征，并输入至全连接层得到行为识别结果。
25、本专利技术提供了一种基于肌电信号的手势识别方法和系统，包括获取表面肌电信号semg信号数据，并对来自多通道的肌电信号数据进行预处理；对semg信号数据进行多尺度分解得到第一特征图像，并利用能量核方法构建与semg信号数据相对应的能量核相图得到第二特征图像；构建双分支卷积神经网络模型，将第一特征图像与第二特征图像分别输入至双分支卷积神经网络模型得到第一高层特征和第二高层特征，拼接第一高层特征和第二高层特征，并输入至全连接层得到行为识别结果。本专利技术通过全面提取肌电信号特征，实现了多类特征融合，具有良好的手部、膝部动作模式识别结果，有效支撑康复训练辅助装置的发展。
本文档来自技高网...【技术保护点】
1.一种基于肌电信号的手势识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于肌电信号的手势识别方法，其特征在于，所述对来自多通道的所述sEMG信号数据进行预处理包括：
3.根据权利要求2所述的一种基于肌电信号的手势识别方法，其特征在于，所述第一特征图像为离散小波变换系数图像，所述对所述sEMG信号数据进行多尺度分解得到第一特征图像包括：
4.根据权利要求3所述的一种基于肌电信号的手势识别方法，其特征在于，所述利用能量核方法构建与所述sEMG信号数据相对应的能量核相图得到第二特征图像包括：
5.根据权利要求4所述的一种基于肌电信号的手势识别方法，其特征在于，所述双分支卷积神经网络模型中用于处理第一特征图像流的模型分支包括2个卷积层，用于处理第二特征图像流的模型分支包括3个卷积层。
6.根据权利要求5所述的一种基于肌电信号的手势识别方法，其特征在于，所述拼接所述第一高层特征和第二高层特征，并输入至全连接层得到行为识别结果包括：
7.一种基于肌电信号的手势识别系统，其特征在于，包括：
【技术特征摘要】
1.一种基于肌电信号的手势识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于肌电信号的手势识别方法，其特征在于，所述对来自多通道的所述semg信号数据进行预处理包括：
3.根据权利要求2所述的一种基于肌电信号的手势识别方法，其特征在于，所述第一特征图像为离散小波变换系数图像，所述对所述semg信号数据进行多尺度分解得到第一特征图像包括：
4.根据权利要求3所述的一种基于肌电信号的手势识别方法，其特征在于，所述利用能量核方法构建与所述se...
【专利技术属性】
技术研发人员：白端元，张东，张永恒，石英杰，吴婷益，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。