[发明专利]身体非静止状态的手部震颤识别方法

权利要求书

1.身体非静止状态的手部震颤识别方法，其特征在于，具体按照以下步骤实施：

步骤1、建立手部震颤数学模型；

步骤2、数据校准与噪音消除；

步骤3、消除时变直流分量与计算时变震颤频率；

步骤4、基于CNN-LSTM的手部震颤识别方法。

2.根据权利要求1所述的身体非静止状态的手部震颤识别方法，其特征在于，所述步骤1具体按照以下步骤实施：

设一只携带无源标签的手在颤抖，在该手部震颤活动中，震颤频率r随时间变化，震颤幅度g也随时间而变化，在这种情况下，θ(t)不再是理想状态下的周期曲线，公式(1)和(2)改写为：

R(t)代表无源标签到RFID天线距离，震颤幅度g(t)，震颤频率r，基准距离d(t)，时间t，φ为震颤方向与RFID天线至基准位置的直线之间的锐角，θ(t)代表相位，θ₀是硬件设备引入的偏移量，λ是射频波长，其中，ε是由环境噪声引起的误差；距离R(t)和相位θ(t)共同构成手部震颤数学模型。

3.根据权利要求2所述的身体非静止状态的手部震颤识别方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、使用离散小波变换DWT将手部震颤相位θ(t)分解为：

其中，θ(t)是相位，l₀是初始分辨率，t表示时间，l是伸缩因子，k是平移因子，是离散比例函数，ψ_l,k(t)是离散小波函数，两个函数相互正交，A(l₀,k)和D(l,k)是每一级的近似和详细系数，在去噪过程中进行滤波，系数定义为：

θ(t)是相位，是离散比例函数，ψ_l,k(t)是离散小波函数，A(l,k)和D(l,k)是每一级的近似和详细系数；

步骤2.2、利用极大极小阈值算法进行阈值选择，最佳阈值定义如公式(8)所示：

其中，表示阈值，σ为标准差，指射频载波波长的值，通过优化目标函数获得，如公式(9)所示：

在上式中，λ是射频载波波长，指优化后的波长，d表示通过离散小波变换获得的n个系数中的一个，风险计算为R_λ(d)＝E(δ_λ(d)-d)²，R_ideal是理想结果，表示是否保留小波系数，由下式给出：

R_ideal(d):＝min(d²,1) (10)

步骤2.3、最后，基于阈值λ_M选择近似系数和详细系数，并使用近似系数和详细系数重构无噪声的信号，将上述噪声消除后的相位数据集表示为Θ*。