[发明专利]一种基于表面肌电信号的手指手势分类方法

说明书

本发明提供了一种基于表面肌电信号的手指手势分类方法，包括以下步骤：步骤1，采集人体手指动作的表面肌电信号；步骤2：处理表面肌电信号：(a)提取活动段肌电信号，(b)对活动段信号进行去噪处理，(c)提取特征值，(d)对特征值进行降维；步骤3：手指动作的模式识别：(a)选取SVM混合核函数，(b)基于VGLBSO算法的混合核SVM参数优化，(c)构造SVM多分类器。本发明充分考虑日常生活中所用手势动作的复杂性和多态性，涵盖了手指的微小手势动作，并将矢量分组学习BSO(Vector Grouping Learning,VGLBSO)算法应用到SVM模型的重要参数寻优中，选出权重系数δ、目标函数中正则化参数c和RBF核函数中参数σ的最优值，达到了提高SVM模型预测分类准确率的目的。

技术领域

本发明涉及人机交互技术领域，具体为一种基于表面肌电信号的手指手势分类方法。

背景技术

计算机的存在和人机交互的设施给社会带来了积极的影响。在日常生活中，人们主要通过物理按压键盘和触摸板与计算机、家用电子产品和工业设备进行互动。随着虚拟和增强现实方面技术的不断进步，更自然、更和谐、更符合人类交互习惯的人机交互方式，手势交互已经成为研究热点，其中的关键在于手势识别。

手势识别是通过传感器获取骨骼肌的电信号，然后通过模式分类识别手势的类型。最近的研究表明，手势识别可以实现广泛的互动活动，如远程控制家庭服务机器人、与智能手机进行交互、甚至可以帮助聋人更有效地与不懂手语的人沟通。如果与Oculus Rift或Microsoft HoloLens等系统结合使用，实时手势识别还可用于虚拟现实和增强现实领域。

常人的手受人类意识支配而进行灵活运动，存在于大脑的意识通过神经元以生物电信号的形式传递到身体的各个部位，并指引相关肌肉群收缩从而牵动相对应的骨骼完成手势动作。利用电极可以记录伴随肌肉活动而产生的表面肌电信号(surfaceelectromyography,sEMG)，不同的手势动作对应着不同的肌肉运动方式，所产生的sEMG信号也不同。通过对sEMG信号的处理可以得到手势动作的信息，因此sEMG信号对于手势动作的识别具有重要意义。基于sEMG信号的手势识别已成为虚拟现实、假肢控制和康复训练领域的研究热点之一。随着科学技术的不断发展，手势动作的识别也将广泛的被应用于临床肌肉诊断、运动医学和医疗康复学等领域。

发明内容

本发明的目的是针对现有的SVM手势识别分类模型，使用改进型的BSO算法，矢量分组学习BSO算法，即VGLBSO算法来提高SVM模型对手指动作分类识别的准确度。本发明充分考虑了SVM模型中的参数优化问题，采用VGLBSO算法对混合核SVM模型中的参数进行寻优，选出权重系数δ、目标函数中正则化参数c和RBF核函数中参数σ的最优值，提高了预测分类的准确率。

为实现上述目的，本发明提供如下技术方案：一种基于表面肌电信号的手指手势分类方法，包括以下步骤：

步骤1：采集人体手指动作的表面肌电信号：

放置表面电极，利用生理信号采集仪和计算机采集手指表面肌电信号，并将采集到的sEMG信号上传到计算机端。

步骤2：处理表面肌电信号：

(a)提取活动段肌电信号，采用基于能量值的端点检测法首先提取出一小段时间内的肌电信号数据，对其进行平方积分得到当前时段内的信号能量值，公式如下：

式中，x(t)是当前时段内的sEMG信号数据，E为t时刻对应的sEMG信号的能量值；

采用滑动矩形窗口的方法进一步提高数据的处理速度，窗口宽度设置为T，滑动窗口的移动步长设置为T/2，由此得到肌电信号的能量值；对能量值进行分割，从原始sEMG信号中获取手部活动段信号。

(b)对活动段信号进行去噪处理，采用带通滤波器和陷波器对采集到的肌电信号进行滤波和去噪处理。