[发明专利]一种基于多级决策的击键识别方法

说明书

本发明提供一种基于多级决策的击键识别方法，涉及人机交互技术领域。本发明步骤如下：步骤1：获取击键特征向量形成初始训练集和测试集；步骤2：采用SCM算法对测试集中的任一待分类样本进行击键识别，输出分类样本的类别；所述SCM算法由基于特征分布区间的阈值决策算法、基于中心距特征的距离决策算法以及基于加速度幅值特征的击键修正算法构成，基于特征分布区间的阈值决策算法和基于中心距特征的距离决策算法都是投票最高的类被认为是预测类，此外，修正决策算法选择加速度数据来进行基准键的单独识别。本方法不受缺失值的影响，具有较小的计算量，同时对计算资源和内存空间要求较少，具有较强的可解释性和易实现性。

技术领域

本发明涉及人机交互技术领域，尤其涉及一种基于多级决策的击键识别方法。

背景技术

在以往的研究过程中，我们提出了一种基于智能指环的虚拟输入方法及系统。该虚拟键盘基于一个智能指环，用户只需佩戴在手指上进行打字动作，即可在设备端进行字母的显示。在这些研究中，我们采用传统的机器学习方法进行击键动作的识别。但是，这些算法通常需要更多的计算资源，不能很好地在有限的资源环境中运行。它通常只能提供有限的计算能力和内存空间，不能很好地满足实时性和一些最基本的运行条件。

传统的机器学习算法，比如支持向量机，决策树，朴素贝叶斯等，这些模型往往需要复杂的参数调节和寻优过程，这使得这些算法在原有较高的计算复杂度情况下更加复杂。在模型构建过程中，比如支持向量机，对大规模训练数据很难实施，求解支持向量时函数的二次规划的求解会耗费大量的内存空间和运算时间；决策树虽然计算量相对较小，但容易产生巨大的决策树分支，导致过拟合；决策树的预测结果可能是不稳定的，而且数据的一个微小变化就可能导致生成一个完全不同的树，而且对于各类别样本数量不一致的数据，信息增益的结果更偏向于那些具有更多数值的特征，导致创建一个有偏异的树。朴素贝叶斯分类是另外一个常见的机器学习算法，由于它通过先验和数据来决定后验的概率进行预测，导致分类决策存在一定的错误率，而且在属性个数比较多或者属性之间相关性较大时，分类效果不很理想。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多级决策的击键识别方法，实现对虚拟键盘的击键识别；本方法不受缺失值的影响，具有较小的计算量，同时对计算资源和内存空间要求较少，具有较强的可解释性和易实现性。

为解决上述技术问题，本发明所采取的技术方案是：

本发明提供一种基于多级决策的击键识别方法，包括以下步骤：

步骤1：获取击键特征向量，形成初始样本集合，初始样本集合中每个击键特征向量都包括α个特征；将初始样本集合分为初始训练集和测试集；所述初始训练集中必须包括所有类别等数量的击键特征向量，且每个击键特征向量都带有正确类别标签；

步骤2：采用SCM算法对测试集中的任一待分类样本进行击键识别，输出分类样本的类别；具体步骤如下：

步骤2.1：采用基于特征分布区间的阈值决策算法对测试集中的任一待分类样本进行初始分类，得到该样本的类别；

步骤2.1.1：基于3σ准则对初始训练集中的样本进行去噪，剔除异常点得到训练集，

步骤2.1.2：根据步骤2.1.1中得到的训练集，设定训练集内每个类别中各个特征的初始阈值，所述初始阈值包括初始上阈值和初始下阈值；

类别为η的击键特征向量中第α个特征的初始上阈值和初始下阈值确定方法为：

获取训练集中所有类别为η的击键特征向量，并提取其中的第α个特征值，得到所有特征值中的上限分布端点和下限分布端点，将上限分布端点作为初始上阈值，下限分布端点作为初始下阈值；