本發(fā)明屬于人體動作識別技術(shù)領(lǐng)域，特別涉及了一種基于手臂表面肌電信號的手勢識別方法。

背景技術(shù)：

表面肌電信號(SEMG)是一種與神經(jīng)肌肉活動相關(guān)的生物電信號。當(dāng)運動指令經(jīng)由神經(jīng)中樞系統(tǒng)傳導(dǎo)到相關(guān)肌纖維時，會引起肌纖維上電位發(fā)生變化并發(fā)生肌纖維的收縮，該電位變化在皮膚表面處發(fā)生時間和空間上的疊加而形成表面肌電信號，可通過表面肌電電極采集到電信號信息。表面肌電信號包含了肌肉收縮的模式以及收縮強度的信息，不同的肢體動作對應(yīng)不同的肌電信號，通過分析表面肌電信號就可以判別出該信號所對應(yīng)的具體動作模式。

現(xiàn)有的手勢區(qū)分方法，需要對采集到的生物電信號進(jìn)行時域和頻域分析，過程復(fù)雜，計算量大，因此對數(shù)據(jù)處理器性能要求高，往往要依靠計算機進(jìn)行數(shù)據(jù)分析計算，應(yīng)用成本高，不利于一些手勢識別設(shè)備的推廣應(yīng)用。

技術(shù)實現(xiàn)要素：

為了解決上述背景技術(shù)提出的技術(shù)問題，本發(fā)明旨在提供一種基于手臂表面肌電信號的手勢識別方法，克服傳統(tǒng)手勢分類方法復(fù)雜、計算量大的缺陷。

為了實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種基于手臂表面肌電信號的手勢識別方法，包括以下步驟：

(1)設(shè)采樣頻率為f，采樣時間為T，重復(fù)多次對肌電信號進(jìn)行采樣，得到M段肌電信號；

(2)計算采集的肌電信號絕對值的均值，計算相鄰兩段肌電信號絕對值的均值的一階差分，并將肌電信號絕對值的均值、相鄰兩段肌電信號絕對值的均值的一階差分作為肌電信號的特征值，向各特征值分配權(quán)值后組成特征向量X；

(3)將特征向量X作為訓(xùn)練樣本，采用K-means聚類算法對訓(xùn)練樣本進(jìn)行分類，得到K種手勢以及每種手勢對應(yīng)的特征標(biāo)簽y_k，k＝1,2,…,K；

(4)以采樣頻率f、采樣時間T采集待識別手勢的肌電信號，將采集到的肌電信號的絕度值的均值、相鄰兩端肌電信號絕對值的均值的一階差分作為特征值，向各特征值分配權(quán)值后組成特征向量X’；

(5)分別求特征向量X’與k個特征標(biāo)簽y_k的相似度數(shù)據(jù)；

(6)舍棄k個相似度數(shù)據(jù)中大于預(yù)設(shè)閾值的相似度數(shù)據(jù)，根據(jù)保留的相似度數(shù)據(jù)進(jìn)行手勢識別。

進(jìn)一步地，在步驟(2)中，采用下式計算肌電信號絕對值的均值：

上式中，MAV(j)為采集的第j段肌電信號的絕對值的均值，S_j(t)為采集的第j段肌電信號的第t個采樣值的絕對值，N為S_j(t)的長度，N＝f·T；

采用下式計算相鄰兩端肌電信號絕對值的均值的一階差分：

R(i)＝MAV(i+1)-MAV(i),i＝1,2,…,M-1

上式中，R(i)為第i+1段肌電信號與第i段肌電信號絕對值的均值的一階差分；

則特征向量X＝[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)]，μ、τ為權(quán)值。

進(jìn)一步地，在步驟(5)中，計算特征向量X’與k個特征標(biāo)簽y_k的誤差向量，將誤差向量的2范數(shù)的平方值作為X’與y_k的相似度數(shù)據(jù)：

φ(k)＝X′-y_k

Z(k)＝(||φ(k)||₂)²

上式中，φ(k)是誤差向量，Z(k)是相似度數(shù)據(jù)。

進(jìn)一步地，在步驟(6)中，在保留的相似度數(shù)據(jù)中找出最小的相似度數(shù)據(jù)Z(k)，則該最小相似度數(shù)據(jù)對應(yīng)的特征標(biāo)簽y_k所代表的手勢即為識別結(jié)果。

進(jìn)一步地，特征向量X的權(quán)值μ、τ滿足：

μ+τ＝1。

進(jìn)一步地，對特征向量X的權(quán)值μ、τ反復(fù)迭代優(yōu)化，具體過程如下：

(a)設(shè)μ的初始區(qū)間為(0,1)，且在區(qū)間內(nèi)設(shè)置μ的兩個選值μ₁、μ₂，且μ₁＞μ₂；

(b)分別計算μ₁下的相似度數(shù)據(jù)和μ₂下的相似度數(shù)據(jù)

(c)若則μ₁為較優(yōu)值，則將μ的區(qū)間縮小為(μ₂,1)；若則μ₂為較優(yōu)值，則將μ的區(qū)間縮小為(0,μ₁)；

(d)在步驟(c)中確定的μ的區(qū)間內(nèi)，重新設(shè)置μ₁、μ₂的值，重復(fù)步驟(b)-(d)。

進(jìn)一步地，在設(shè)置權(quán)值μ的兩個選值μ₁、μ₂時，將μ₁設(shè)置為μ的區(qū)間的黃金分割點值。

采用上述技術(shù)方案帶來的有益效果：

本發(fā)明根據(jù)肌電信號這種生物電信號的特有特征，降低了數(shù)據(jù)處理復(fù)雜度，也能保證手勢識別率達(dá)到較高水平，讓手勢識別設(shè)備具備低功耗，攜帶性強，識別速度快等優(yōu)點。

附圖說明

圖1是本發(fā)明的方法流程圖。

具體實施方式

以下將結(jié)合附圖，對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

如圖1所示，一種基于手臂表面肌電信號的手勢識別方法，步驟如下：

步驟1：設(shè)采樣頻率為200Hz，采樣時間為500ms，對肌電信號重復(fù)進(jìn)行采樣，共得到M段肌電信號，每段肌電信號的長度N＝100。

步驟2：計算采集的肌電信號絕對值的均值，計算相鄰兩段肌電信號絕對值的均值的一階差分，并將肌電信號絕對值的均值、相鄰兩段肌電信號絕對值的均值的一階差分作為肌電信號的特征值，向各特征值分配權(quán)值后組成特征向量X。

采用下式計算肌電信號絕對值的均值：

上式中，MAV(j)為采集的第j段肌電信號的絕對值的均值，S_j(t)為采集的第j段肌電信號的第t個采樣值的絕對值。

相鄰兩端肌電信號絕對值的均值的一階差分：

R(i)＝MAV(i+1)-MAV(i),i＝1,2,…,M-1

上式中，R(i)為第i+1段肌電信號與第i段肌電信號絕對值的均值的一階差分。

則特征向量X＝[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)]，μ、τ為權(quán)值。

權(quán)值μ、τ滿足μ+τ＝1。對特征向量X的權(quán)值μ、τ反復(fù)迭代優(yōu)化，具體過程如下：

a、設(shè)μ的初始區(qū)間為(0,1)，且在區(qū)間內(nèi)設(shè)置μ的兩個選值

b、分別計算μ₁下的相似度數(shù)據(jù)和μ₂下的相似度數(shù)據(jù)

c、若則μ₁為較優(yōu)值，則將μ的區(qū)間縮小為(μ₂,1)；若則μ₂為較優(yōu)值，則將μ的區(qū)間縮小為(0,μ₁)；

d、在步驟c中確定的μ的區(qū)間內(nèi)，重新設(shè)置μ1、μ2的值，重復(fù)步驟b-d。

步驟3：將特征向量X作為訓(xùn)練樣本，采用K-means聚類算法對訓(xùn)練樣本進(jìn)行分類，得到K種手勢以及每種手勢對應(yīng)的特征標(biāo)簽y_k，k＝1,2,…,K。

步驟4：以采樣頻率200Hz、采樣時間500ms采集待識別手勢的肌電信號，將采集到的肌電信號的絕度值的均值、相鄰兩端肌電信號絕對值的均值的一階差分作為特征值，向各特征值分配權(quán)值后組成特征向量X’。

步驟5：算特征向量X’與k個特征標(biāo)簽y_k的誤差向量，將誤差向量的2范數(shù)的平方值作為X’與y_k的相似度數(shù)據(jù)：

φ(k)＝X′-y_k

Z(k)＝(||φ(k)||₂)²

上式中，φ(k)是誤差向量，Z(k)是相似度數(shù)據(jù)。

步驟6：舍棄k個相似度數(shù)據(jù)中大于預(yù)設(shè)閾值的相似度數(shù)據(jù)，在保留的相似度數(shù)據(jù)中找出最小的相似度數(shù)據(jù)Z(k)，則該最小相似度數(shù)據(jù)對應(yīng)的特征標(biāo)簽y_k所代表的手勢即為識別結(jié)果。

實施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明保護(hù)范圍之內(nèi)。