[发明专利]基于SEMG的人手手内动作识别方法

说明书

提供一种基于SEMG的人手手内动作识别方法，结合人手操作的常用动作，通过SEMG获取每一种动作的肌电信号，采用经验模态分解(EMD)算法对原始肌电信号进行预处理，采用最大Lyapunov指数(MLE)法对经过降噪处理后的肌电信号进行特征提取，最后将获得的非线性MLE特征通过随机森林(RF)算法进行分类，本发明使用EMD+MLE+RF进行SEMG信号处理和分类的非线性时序分析方法，通过数据分析和比较的实验结果表明，本发明可以有效的识别10种不同的人手手内动作，准确率高达91.67％。

技术领域

本发明属于及表面肌电信号手势识别技术领域，具体涉及一种基于SEMG的人手手内动作识别方法。

背景技术

随着传感器技术和信号处理技术的发展，表面肌电仪(SEMG)作为一种新颖的感知技术，在多功能假肢手控制、临床医学、人机交互等领域得到了广泛的应用。SEMG是通过电极采集浅层肌肉和神经干活动在皮肤表面的生物电信号，并将其记录、滤波、放大，传输和反馈，从而实现肌肉功能的评定和模拟。由于人手在进行物体操作过程中的SEMG信号较微弱、易受干扰(噪声、电磁干扰等)，测量难度大，如何有效地对其进行信号采集、特征提取和不同人手动作的分类已成为实现手势识别的关键技术。

目前常用的SEMG信号采集装置，如FlexComp Infiniti System(加拿大ThoughtTechnology公司)、肌电图表面肌电传感器和采集分析系统(Biometrics公司)和MotionLab肌电仪(美国MoitonLabs公司)，大多采用导线传输的方式将采集到的SEMG信号存储到数据采集卡或特定的医疗器械中进行分析处理，电极片贴附于目标肌肉的表面，并采用市电作为电极供电电源。因此，这些采集装置在SEMG信号采集过程中不可避免的存在着电极移位、工频干扰和电磁干扰等显著缺点。

人手对物体的操作是通过手指、手掌之间协调完成，多通道SEMG信号采集可保证整体人手运动状态中肌电活动的信息复杂性。目前用于表征原始SEMG信号的特征主要包括时域特征(均值、方差和脉冲因子等)、频域特征(均方频率和频率方差等)和时频域特征(小波系数、Hibert谱和边际谱等)。Xue等人采用6种典型的时域特征提取多模态感知信号，结合ADAG算法实现对十种人手动作的识别，平均识别率达到了94.57％。Wang等人提取加速度信号中的频域特征，通过概率神经网络对十种手势动作进行识别，识别率达到了98.75％。陈等人结合三种特征类型的6种特征，对8种常见的康复训练手势通过BP神经网络进行识别，其中，DAMV+IAV+AR的特征组合获得的识别率最高为97.71％。

为了能够精确地实现对人手手内动作的识别，各种各样的分类器比如神经网络、支持向量机和隐马尔科夫模型等被应用于SEMG信号的处理。实验结果表明了这些分类器都能够获得较高的动作分类精度，但较为复杂的结构可能会增加训练和测试时的时间和空间复杂度。此外，它们大多针对无操作物情况下的单个肌肉收缩引起的动作分类，而多肌肉收缩结合的人手手内物体操作动作识别，SEMG信号的不确定性比如肌肉疲劳、不同试验人员等尚未考虑在内。因此有必要提出改进。

发明内容

本发明解决的技术问题：提供一种基于SEMG的人手手内动作识别方法，本发明设计人手操作的常用动作，通过SEMG获取每一种动作的肌电信号，采用经验模态分解(EMD)算法对原始肌电信号进行预处理，采用最大Lyapunov指数(MLE)法对经过降噪处理后的肌电信号进行特征提取，最后将获得的非线性MLE特征通过随机森林算法进行分类，本发明使用EMD+MLE+RF进行SEMG信号处理和分类的非线性时序分析方法，通过数据分析和比较的实验结果表明，本发明可以有效的识别多种种不同的人手手内动作，准确率高达91.67％。

本发明采用的技术方案：基于SEMG的人手手内动作识别方法，包括以下步骤；

1)自定义人手动作：结合人手操作的常用动作，设计多种人手动作；