[发明专利]一种基于小波宽度学习系统的sEMG手势识别方法

说明书

本发明公开了一种基于小波宽度学习系统的sEMG手势识别方法，包括下述步骤：步骤一，根据相应的识别场景定义手势动作种类的数量d；步骤二，使用肌电信号采集设备采集sEMG信号s；步骤三，根据sEMG信号的频率特性，对sEMG原始信号进行滤波降噪，同时利用巴特沃兹滤波器除去10Hz～500Hz频带以外的噪声；步骤四，采用移动窗法检测sEMG信号中的活动段；步骤五，对检测得到的活动段进行特征提取；本发明相比基于传统深度学习网络的算法可更快地完成模型的训练以及参数的确定，从而提高工作效率；可动态地拓展节点从而提高系统的识别率，而不需要完全重新建立和训练模型。

技术领域

本发明涉及机器学习和信号分类技术领域，具体涉及一种基于小波宽度学习系统的sEMG手势识别方法。

背景技术

肌体语言中的手势动作在日常交流之中起到重要的作用，比如足球场上裁判动作等等。因此，学者们就重点研究了如何让计算机与机器能够高效、高精度地识别人类发出的手势动作并执行相应的程序。这将改变人类与机器的交流形式。

目前，对于手势动作的识别算法主要分为以下几种：基于视觉图像识别的分类算法和基于表面肌电信号(sEMG)的手势识别算法；前者针对图像进行处理，这种方法对摄像设备的要求比较高同时设备的价格也会比较昂贵，因此难以普及，但是识别率已经研究到较高的识别率；而基于表面肌电信号(sEMG)的手势识别算法相比前者来说对硬件要求较低而且容易实现，同时采集sEMG信号的硬件可以穿戴在身上也不仅仅局限于固定相机位置的识别产品。目前现有的方法不少是基于人工智能算法去研究如何对信号进行分类。

近几年，国内外开展了大量关于手势动作识别算法的研究，包括：信号采集的研究、对特征提取与计算的研究、信号滤波的研究以及特征分类模型的研究等等。目前，常用的分类模型都是基于经典的机器学习算法，比如随机森林网络、BP神经网络、卷积神经网络等等。但是，这些经典的网络模型在训练过程中都会消耗大量的时间。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于小波宽度学习系统的sEMG手势识别方法，该方法能够更快地完成模型的训练以及参数的确定，从而提高工作效率。

本发明的目的通过下述技术方案实现：

一种基于小波宽度学习系统的sEMG手势识别方法，包括下述步骤：

步骤一，根据相应的识别场景定义手势动作种类的数量d，并对每一种手势分配一个序号；

步骤二，使用肌电信号采集设备采集sEMG信号s；

步骤三，根据sEMG信号的频率特性，对sEMG原始信号进行滤波降噪，同时利用巴特沃兹滤波器除去10Hz～500Hz频带以外的噪声：

其中N为滤波器的阶数，ω_c为截止频率滤；

步骤四，采用移动窗法检测sEMG信号中的活动段；

步骤五，对检测得到的活动段进行特征提取；计算信号段的特征，该特征包括：平均绝对值q₁、均方根q₂、中值频率q₃、均值频率q₄……，串联活动段的各个特征为特征向量：

x_k＝[q₁,q₂,...,q_n]^T，

其中k为第k段活动信号段；

进一步，将每一个活动段的特征向量作为小波宽度学习分类系统的输入向量x；