[发明专利]一种手势分类识别方法及其应用

说明书

本申请属于数据分类技术领域，特别是涉及一种手势分类识别方法及其应用。但是当前的一些关于sEMG信号的手势分类识别算法，识别准确度低，训练模型过程中还会存在过拟合与欠拟合、梯度消失、鲁棒性差，训练时间长。本申请提供了一种手势分类识别方法，所述方法包括如下步骤：获取表面肌电信号；对所述表面肌电信号进行特征提取得到手势特征序列和手势类型；将所述手势特征序列和所述手势类型输入循环门电路神经网络训练获得分类模型，采用所述分类模型实现手势分类识别。提高了预测分类的准确率。

技术领域

本申请属于数据分类技术领域，特别是涉及一种手势分类识别方法及其应用。

背景技术

随着科学技术的发展，新的人机交互方法越来越受到研究人员的关注。手势作为一种生活中自然直观的交互手段，是人机交互中非常重要的感知渠道。在人机交互中，识别可与计算机进行交互的手势类型，对于当前对假肢的控制研究具有十分重要的意义。

与通过计算机视觉实现人机交互的方式相比，当前的研究使用表面肌电信号(surface electromyography，sEMG)可以有效的避免因光照等物理因素带来的影响。sEMG信号是随着人的肌肉运动而产生的重要的生物电信号，通过电极记录在肌肉表面的信号的变化。不同的手势运动对应不同的肌肉运动，产生的sEMG信号也不同，sEMG信号在手势动作分类中具有很大的应用价值。基于sEMG信号的手势分类识别已经成为假体控制和康复训练领域的研究热点之一，且未来手势动作的识别也将被广泛应用于运动医学以及临床肌肉诊断等领域。

sEMG信号是一种时间序列信号，在处理序列信号的问题上，循环神经网络(RecurrentNeuralNetwork，RNN)相比于机器学习网络和卷积神经网络，它通过循环神经网络来记忆和学习信号的序列数据，是一种很好的处理序列问题的工具。但是，由于RNN的循环只是简单的线性关系，存在长期的依赖问题，在计算过程的多次迭代中，系数相乘会越来越小，会间接导致距离较远的数据信息的丢失。

但是当前的一些关于sEMG信号的手势分类识别算法，识别准确度低，训练模型过程中还会存在过拟合与欠拟合、梯度消失、鲁棒性差，训练时间长。

发明内容

1.要解决的技术问题

基于当前的一些关于sEMG信号的手势分类识别算法，识别准确度低，训练模型过程中还会存在过拟合与欠拟合、梯度消失、鲁棒性差，训练时间长的问题，本申请提供了一种手势分类识别方法及其应用。

2.技术方案

为了达到上述的目的，本申请提供了一种手势分类识别方法，所述方法包括如下步骤：获取表面肌电信号；对所述表面肌电信号进行特征提取得到手势特征序列和手势类型；将所述手势特征序列和所述手势类型输入循环门电路神经网络训练获得分类模型，采用所述分类模型实现手势分类识别。

本申请提供的另一种实施方式为：获取表面肌电信号包括采用酒精擦拭实验设备和被试者皮肤表面，将采集肌电信号的电极放置在被试者的皮肤表面，实时采集不同手臂的手势动作带来的肌肉信号变化。

本申请提供的另一种实施方式为：所述电极为8个，所述8个电极等距分布在前臂上。

本申请提供的另一种实施方式为：所述表面肌电信号通过无线装置传输至智能终端进行数据处理。

本申请提供的另一种实施方式为：对所述表面肌电信号进行处理包括将所述表面肌电信号转换为数字信号，对所述数字信号进行特征值提取。

本申请提供的另一种实施方式为：所述表面肌电信号采用滑动加窗法输入至所述智能终端。

本申请提供的另一种实施方式为：所述采集表面肌电信号频率为2kHZ，所述滑动窗口宽度为100ms，滑动步长为0.5ms。

本申请提供的另一种实施方式为：所述特征值提取通过计算均方根值进行提取。