【技术实现步骤摘要】
本专利技术涉及生物医学信号处理领域，具体来说，涉及一种基于时间-频率浓度特征的运动信号识别方法。
技术介绍
1、在现代医学中，手部缺失是一种常见的身体疾病，给患者的生活、工作及社交交往带来了重大影响，失去手部的功能不仅使患者失去了重要的劳动工具，还影响了他们的日常活动和社交参与，为了弥补这一缺失，许多患者转向使用假手，肌电假手控制技术以其独特的优势成为改善生活质量的理想选择；肌电假手控制技术是一种先进的技术，通过电极采集人体表面肌电信号(semg)，进行精密的分析和控制，相较于其他控制技术，它具有非侵入性、低成本等优势，为手部缺失患者提供了一种有效而可行的解决方案，是假手控制的理想控制源。
2、semg信号是肌肉收缩过程中产生的生物电信号，主要频率在20hz-200hz，通过特征值提取、模式识别的手段，能够监测肌肉活动和识别运动意图。传统的semg信号特征提取方法有时域分析法、频域分析法及时频分析法，其中：时域分析法利用绝对均值(mav)、方差(var)、过零点数(zc)等作为特征量，仅能体现幅值随时间的变化，在处理非平稳信号时无法提供准确的特征描述；频域分析法利用平均功率频率(mpf)、中值频率(mf)等作为特征量，具有相对稳定性，但无法提供信号在时间上的变化性；时频分析法是通过短时傅里叶变换、小波变换等方法将一维时间的肌电信号映射到二维时频空间，能实时反映手势在运动过程中信号的变化，但其原始方法需要提取高维特征系数，计算复杂度较高。
3、因此，亟需研究一种高效可靠的特征提取方法，用于提升semg信号的
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种基于时间-频率浓度特征的运动信号识别方法，具备有良好的稳定性、普适性和抗噪性，能实时反应手势的动态变化的优点，进而解决现有技术中semg信号特征提取方法存在局限性的问题。
2、为此，本专利技术采用的具体技术方案如下：
3、一种基于时间-频率浓度特征的运动信号识别方法，该基于时间-频率浓度特征的运动信号识别方法包括以下步骤：
4、s1、基于手指与前臂肌肉的对应关系，采集semg信号并进行标记；
5、s2、利用滤波器与信号处理算法对标记的semg信号进行数据预处理，得到semg信号的时频关系图；
6、s3、根据semg信号的时频关系图进行分析，计算频率浓度值并进行归一化处理，建立时间-频率浓度特征模型；
7、s4、利用时间-频率浓度特征模型对运动信号进行信号识别与判定。
8、进一步的，基于手指与前臂肌肉的对应关系，采集semg信号并进行标记包括以下步骤：
9、s11、在手指与控制手指运动的前臂肌肉之间搭建对应关系；
10、s12、基于搭建的对应关系，在对应的前臂肌肉处放置肌电传感器；
11、s13、根据手指不同状态，利用肌电传感器进行semg信号采集；
12、s14、基于搭建的对应关系，对采集的semg信号进行标记。
13、进一步的，在手指与控制手指运动的前臂肌肉之间搭建的对应关系包括：semg1，semg2，semg3，semg4，semg5；
14、其中，semg1表示大拇指与拇短和/或拇长伸肌之间搭建的对应关系，semg2表示食指与指伸肌之间搭建的对应关系，semg3表示中指与尺侧腕伸肌之间搭建的对应关系，semg4表示无名指与桡侧腕短伸肌之间搭建的对应关系，semg5表示小拇指与小指伸肌之间搭建的对应关系。
15、进一步的，手指不同状态包括：初始状态，弯曲状态及回复状态。
16、进一步的，利用滤波器与信号处理算法对标记的semg信号进行数据预处理，得到semg信号的时频关系图包括以下步骤；
17、s21、利用陷波滤波器对标记的semg信号进行滤除工频干扰处理；
18、s22、利用带通滤波器对经过处理的semg信号进行带通滤波优化；
19、s23、基于信号处理算法，对经过优化的semg信号进行短时傅里叶变换，得到semg信号的时频关系图。
20、进一步的，基于信号处理算法，对经过优化的semg信号进行短时傅里叶变换，得到semg信号的时频关系图包括以下步骤：
21、s231、根据所需时频关系图的时间分辨率和频率分辨率，选择窗口长度与重叠样本数；
22、s232、根据经过优化的semg信号特征，选择短时傅里叶变换的窗函数；
23、s233、基于选择的窗口长度、重叠样本数及窗函数，利用信号处理算法对经过优化的semg信号进行短时傅里叶变换，得到semg信号的时频关系图。
24、进一步的，根据semg信号的时频关系图进行分析，计算频率浓度值并进行归一化处理，建立时间-频率浓度特征模型包括以下步骤；
25、s31、根据semg信号的时频关系图选取满足预设要求的频带宽度；
26、s32、基于频带宽度计算频率能量的初始值，并确定运动频率；
27、s33、根据运动频率计算频率浓度值，并对频率浓度值进行归一化处理；
28、s34、基于时间和归一化处理后的频率浓度值，构建时间-频率浓度特征模型。
29、进一步的，基于频带宽度计算频率能量的初始值，并确定运动频率包括以下步骤：
30、s321、基于选取的频带宽度，计算手指初始状态时所有频率能量的均值，得到频率能量的初始值；
31、s322、比较频率能量的初始值与所有频率的大小；
32、s323、根据比较结果，记录所有大于频率能量的初始值的频率，得到运动频率。
33、进一步的，根据运动频率计算频率浓度值的计算公式为：
34、
35、对频率浓度值进行归一化处理的公式为：
36、
37、式中，fc(t)表示频率浓度值；
38、表示单位时间长度内所有运动频率之和；
39、fmax表示频带宽度最大值；
40、fmin表示频带宽度最小值；
41、t表示单位时间长度；
42、xnom表示归一化处理后的频率浓度值；
43、x表示原始频率浓度值；
44、xmax表示原始频率浓度值的最大值；
45、xmin表示原始频率浓度值的最小值；
46、a表示映射区间的最小值，取值为-1；
47、b表示映射区间的最大值，取值为1。
48、进一步的，利用时间-频率浓度特征模型对运动信号进行信号识别与判定包括以下步骤：
49、s41、利用时间-频率浓度模型对输入的运动信号进行算法识别；
50、s4本文档来自技高网...
【技术保护点】
1.一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，该基于时间-频率浓度特征的运动信号识别方法包括以下步骤：
2.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述基于手指与前臂肌肉的对应关系，采集sEMG信号并进行标记包括以下步骤：
3.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述在手指与控制手指运动的前臂肌肉之间搭建的对应关系包括：sEMG1，sEMG2，sEMG3，sEMG4，sEMG5；
4.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述手指不同状态包括：初始状态，弯曲状态及回复状态。
5.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述利用滤波器与信号处理算法对标记的sEMG信号进行数据预处理，得到sEMG信号的时频关系图包括以下步骤；
6.根据权利要求5所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述基于信号处理算法，对经过优化的sEMG信号
7.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述根据sEMG信号的时频关系图进行分析，计算频率浓度值并进行归一化处理，建立时间-频率浓度特征模型包括以下步骤；
8.根据权利要求7所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述基于频带宽度计算频率能量的初始值，并确定运动频率包括以下步骤：
9.根据权利要求7所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述根据运动频率计算频率浓度值的计算公式为：
10.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述利用时间-频率浓度特征模型对运动信号进行信号识别与判定包括以下步骤：
...【技术特征摘要】
1.一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，该基于时间-频率浓度特征的运动信号识别方法包括以下步骤：
2.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述基于手指与前臂肌肉的对应关系，采集semg信号并进行标记包括以下步骤：
3.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述在手指与控制手指运动的前臂肌肉之间搭建的对应关系包括：semg1，semg2，semg3，semg4，semg5；
4.根据权利要求2所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述手指不同状态包括：初始状态，弯曲状态及回复状态。
5.根据权利要求1所述的一种基于时间-频率浓度特征的运动信号识别方法，其特征在于，所述利用滤波器与信号处理算法对标记的semg信号进行数据预处理，得到semg信号的时频关系图包括以下步骤；
6....
【专利技术属性】
技术研发人员：王强，盛春华，张全，张晓，于洋，郭光明，
申请(专利权)人：南通大学，
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。