[发明专利]一种面向肌电臂环的手势识别的方法及系统

说明书

本发明提供了一种面向肌电臂环的手势识别方法和系统，该方法基于多变量经验模态分解将不同时刻的表面肌电信号进行重构以获得时序肌电图像，并利用训练好的手势识别模型预测对应的手势类别。本发明的手势识别方法能够有效避免可穿戴肌电臂环在使用过程中因周围多块肌肉的干扰而影响手势识别精度的问题。

技术领域

本发明涉及信号处理、人机交互技术技术领域，尤其涉及面向肌电臂环的手势识别的方法及系统。

背景技术

表面肌电信号(surface Electromyographic，sEMG)是一种常见的生物电信号，其可非侵扰地感知、解析用户肌肉活动。鉴于其在用于肌肉活动感知中的直观性、有效性，sEMG在手势识别领域展现了较好的应用前景。如图1所示，常用的sEMG感知设备有三种形态：第一种设备(如图1(a)所示)的sEMG电极需精准附着于指定肌肉位置，以感知特定肌肉的活动；第二种设备(如图1(b)所示)使用高密度肌电电极阵列，无需佩戴于特定肌肉就能够感知前臂上端特定部位的肌肉活动，但此类设备耗电量较大，具有较大功耗负担；第三种设备(即肌电臂环，如图1(c)所示)由单环肌电电极构成，一般佩戴于用户前臂。肌电臂环穿戴便利且功耗较小，因此在普适计算领域具有较广泛应用前景。

然而，肌电臂环通常由多个肌电电极构成，各个肌电电极的信号之间并非完全独立，一个肌电电极的信号往往与周围多个肌电电极和附近多块肌肉相关，导致sEMG信号非线性、不平稳，从而影响手势识别的精准度。

因此，亟需一种更加精准的面向肌电臂环的手势识别方法和系统。

发明内容

因此，本发明实施例的目的在于克服上述现有技术的缺陷，提供一种面向肌电臂环的手势识别模型的训练方法，包括：获取不同时刻的表面肌电信号的训练样本；基于多变量经验模态分解将所述不同时刻的表面肌电信号的训练样本进行重构，获得所述不同时刻的表面肌电信号的训练样本的时序肌电图像；以及利用所述时序肌电图像训练手势识别模型，所述手势识别模型为卷积神经网络或卷积递归神经网络。

在一个实施例中，所述基于多变量经验模态分解将所述不同时刻的表面肌电信号的训练样本进行重构，获得所述不同时刻的表面肌电信号的训练样本的时序肌电图像包括：基于Hammersley序列选择一组方向向量；获取所述表面肌电信号的训练样本在所述方向向量的每个方向上的投影；基于所述表面肌电信号的训练样本在每个方向上的投影以及映射该投影的极值对应的时间，获取所述表面肌电信号的训练样本在每个方向上包络；基于所述表面肌电信号的训练样本及其每个方向上包络，获取所述表面肌电信号的训练样本的本征模函数的数量；以及基于所述表面肌电信号的本征模函数的数量，获得所述表面肌电信号的训练样本的时序肌电图像。

在一个实施例中，所述手势识别模型为卷积神经网络，所述卷积神经网络包括标准卷积层和组卷积层。

在一个实施例中，所述手势识别模型为卷积递归神经网络，所述卷积递归神经网络包括卷积层和递归层，所述递归层包括双向长短时记忆单元。

在一个实施例中，对于离线手势识别，所述手势识别模型将基于时序肌电图像预测得到的手势类别中类条件概率最大的手势类别作为所述表面肌电信号的手势类别。

在一个实施例中，对于在线手势识别，使用负对数似然函数作为损失函数训练所述手势识别模型。

本发明的另一方面提供一种面向肌电臂环的手势识别方法，包括：获取用户不同时刻的表面肌电信号；利用通过上述任一训练方法获得的手势识别模型预测所述用户的手势类别。