CN113970968B - 一种智能仿生手的动作预判方法 - Google Patents
一种智能仿生手的动作预判方法 Download PDFInfo
- Publication number
- CN113970968B CN113970968B CN202111576932.7A CN202111576932A CN113970968B CN 113970968 B CN113970968 B CN 113970968B CN 202111576932 A CN202111576932 A CN 202111576932A CN 113970968 B CN113970968 B CN 113970968B
- Authority
- CN
- China
- Prior art keywords
- gesture
- candidate
- intelligent bionic
- historical
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Neurosurgery (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Health & Medical Sciences (AREA)
- Dermatology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种智能仿生手的动作预判方法，方法包括：获取肌电信号和结束手势，其中，结束手势为采集到的肌电信号之前智能仿生手执行完毕的手势；获取智能仿生手的历史手势数据集，根据历史手势数据集和结束手势确定若干候选手势；根据肌电信号和若干候选手势确定待执行手势。由于历史手势数据集可以反映穿戴者的手势操作习惯，因此本发明可以基于历史手势数据集确定与上一次的结束手势关联程度较高的若干候选手势，然后将肌电信号与这些候选手势进行匹配，就可以快速识别出穿戴者的运动意图，解决了现有技术中将智能仿生手采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配才能识别出穿戴者的运动意图，识别速度慢的问题。
Description
技术领域
本发明涉及机器人领域，尤其涉及的是一种智能仿生手的动作预判方法。
背景技术
智能仿生手是一款脑机接口技术于人工智能算法高度融合的智能产品。智能仿生手可以通过提取穿戴者手臂的肌电信号，识别穿戴者的运动意图，并将运动示意图转化成智能仿生手的动作，从而做到灵巧智能，手随心动。目前智能仿生手基于肌电信号进行运动意图识别通常采用的方法是，直接将当前采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配，以得到相似度最高的手势模板，并将该手势模板作为穿戴者期望做出的手势，但是这种方法需要花费大量的匹配次数，难以快速识别出穿戴者的运动意图。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种智能仿生手的动作预判方法，旨在解决现有技术中将智能仿生手采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配才能识别出穿戴者的运动意图，识别速度慢的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种智能仿生手的动作预判方法，其中，所述方法包括：
获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；
获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；
根据所述肌电信号和若干所述候选手势确定待执行手势。
在一种实施方式中，所述智能仿生手包括五个智能仿生手指，所述获取肌电信号和结束手势，包括：
通过肌电感应传感器获取所述肌电信号，其中，所述肌电感应传感器位于所述智能仿生手上，且与穿戴者的皮肤接触；
通过五个传感器分别获取五个所述智能仿生手指的运动数据，根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势。
在一种实施方式中，所述根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势，包括：
根据五个所述智能仿生手指分别对应的所述运动数据，确定五个所述智能仿生手指分别对应的移动轨迹数据；
根据五个所述智能仿生手指分别对应的移动轨迹数据，确定所述结束手势。
在一种实施方式中，所述根据所述历史手势数据集和所述结束手势确定若干候选手势，包括：
对所述历史手势数据集进行分类，得到若干历史手势，其中，每一所述历史手势对应不同的手势类别；
根据所述历史手势数据集，从若干所述历史手势中确定所述结束手势对应的若干所述候选手势，其中，每一所述候选手势与所述结束手势组合出现的次数均高于目标阈值。
在一种实施方式中，所述根据所述肌电信号和若干所述候选手势确定待执行手势，包括：
获取预设的手势模板数据库，根据所述手势模板数据库确定若干所述候选手势分别对应的手势模板，得到若干候选手势模板，其中，每一所述候选手势模板分别带有肌电信号标签和手势类别标签；
将所述肌电信号与每一所述候选手势模板的所述肌电信号标签进行比对，得到目标手势模板；
根据所述目标手势模板对应的所述手势类别标签，确定所述待执行手势。
在一种实施方式中，将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板，包括：
根据每一所述候选手势与所述结束手势组合出现的次数，一一对应地确定每一所述候选手势模板的优先级，其中，所述次数越高对应的优先级越高；
根据每一所述候选手势模板对应的所述优先级，确定比对顺序；
根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板。
在一种实施方式中，根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板，包括：
根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到比对失败的结果；
将所述肌电信号与所述手势模板数据库中除所述候选手势模板之外的所述手势模板进行匹配，得到所述目标手势模板。
第二方面，本发明实施例还提供一种智能仿生手的动作预判系统，其中，所述系统包括：
获取模块，用于获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；
筛选模块，用于获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；
确定模块，用于根据所述肌电信号和若干所述候选手势确定待执行手势。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如上述任一所述的智能仿生手的动作预判方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的智能仿生手的动作预判方法的步骤。
本发明的有益效果：本发明实施例通过获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；根据所述肌电信号和若干所述候选手势确定待执行手势。由于历史手势数据集可以反映穿戴者的手势操作习惯，因此本发明可以基于历史手势数据集确定与上一次的结束手势关联程度较高的若干候选手势，然后将肌电信号与这些候选手势进行匹配，就可以快速识别出穿戴者的运动意图，解决了现有技术中将智能仿生手采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配才能识别出穿戴者的运动意图，识别速度慢的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的智能仿生手的动作预判方法的流程示意图。
图2是本发明实施例提供的智能仿生手的动作预判系统的内部模块示意图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种智能仿生手的动作预判方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
智能仿生手是一款脑机接口技术于人工智能算法高度融合的智能产品。智能仿生手可以通过提取穿戴者手臂的肌电信号，识别穿戴者的运动意图，并将运动示意图转化成智能仿生手的动作，从而做到灵巧智能，手随心动。目前智能仿生手基于肌电信号进行运动意图识别通常采用的方法是，直接将当前采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配，以得到相似度最高的手势模板，并将该手势模板作为穿戴者期望做出的手势，但是这种方法需要花费大量的匹配次数，难以快速识别出穿戴者的运动意图。
针对现有技术的上述缺陷，本发明提供一种智能仿生手的动作预判方法，所述方法包括：获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；根据所述肌电信号和若干所述候选手势确定待执行手势。由于历史手势数据集可以反映穿戴者的手势操作习惯，因此本发明可以基于历史手势数据集确定与上一次的结束手势关联程度较高的若干候选手势，然后将肌电信号与这些候选手势进行匹配，就可以快速识别出穿戴者的运动意图，解决了现有技术中将智能仿生手采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配才能识别出穿戴者的运动意图，识别速度慢的问题。
如图1所示，所述方法包括如下步骤：
步骤S100、获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势。
具体地，本实施例中的智能仿生手可以获取穿戴者的肌电信号，该肌电信号是基于穿戴者的大脑发出的，当穿戴者的大脑产生运动意图时，其大脑周围神经系统就会兴奋，进而诱发肌肉产生动作电位，最终被智能仿生手采集得到肌电信号。智能仿生手通过识别该肌电信号来确定穿戴者期望执行的手势。而结束手势则指的是智能仿生手刚刚执行完毕的手势，例如穿戴者想先做出食指弹的手势，然后再做出中指弹的手势，则当食指弹的手势执行完毕以后食指弹即为结束手势，而穿戴者大脑基于中指弹的运动意图产生的动作电位被智能仿生手采集到以后，即得到肌电信号。
在一种实现方式中，所述智能仿生手包括五个智能仿生手指，所述获取肌电信号和结束手势，具体包括如下步骤：
步骤S101、通过肌电感应传感器获取所述肌电信号，其中，所述肌电感应传感器位于所述智能仿生手上，且与穿戴者的皮肤接触；
步骤S102、通过五个传感器分别获取五个所述智能仿生手指的运动数据，根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势。
具体地，为了检测到穿戴者肌肉产生的动作电位，本实施例中的智能仿生手上设置有一个肌电感应传感器，该肌电感应传感器基于采集到的动作电位输出可以反映穿戴者运动意图的肌电信号。可以理解的是，当穿戴者产生的运动意图不同时，肌电感应传感器输出的肌电信号的信号特征也不同。此外，为了识别出结束手势的手势类别，本实施例还需要获取五个智能仿生手指各自的运动数据，由于运动数据可以反映各智能仿生手指的运动情况，当智能仿生手执行不同的手势时每个智能仿生手指的运动情况是不相同的，因此基于五个智能仿生手指各自的运动数据可以确定智能放生手在获取当前的肌电信号之前执行的是何种手势，从而得到结束手势。
在一种实现方式中，所述根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势，具体包括如下步骤：
步骤S1021、根据五个所述智能仿生手指分别对应的所述运动数据，确定五个所述智能仿生手指分别对应的移动轨迹数据；
步骤S1022、根据五个所述智能仿生手指分别对应的移动轨迹数据，确定所述结束手势。
具体地，本实施例中智能仿生手指的运动数据可以反映其自身的运动情况，例如每个智能仿生手指在不同时间点的加速度和角速度，因此基于智能仿生手指的运动数据可以确定其自身的移动轨迹数据。可以理解的是，当智能仿生手在执行不同的手势时，五个智能仿生手指的移动轨迹数据是不同的。例如，当智能仿生手在执行握拳的手势时，五个智能仿生手指的移动轨迹数据是向掌心移动的；当智能仿生手在执行五指张开的手势时，五个智能仿生手指的移动轨迹数据是自掌心向外移动的。因此基于每一智能仿生手指的移动轨迹数据，就可以确定结束手势。
如图1所示，所述方法还包括如下步骤：
步骤S200、获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势。
具体地，智能仿生手的历史手势数据集中包含有智能仿生手执行过的所有手势，由于智能仿生手是基于穿戴者大脑产生的运动意图进行工作的，所以历史手势数据集在一定程度上可以反映穿戴者的手势操作习惯，例如穿戴者控制智能仿生手执行鼠标握取手势后，通常会接着控制智能仿生手执行单指点击手势。所以通过历史手势数据集合和结束手势，可以筛选出一部分候选手势，其中，每一候选手势可以反映穿戴者在做出结束手势以后习惯做出何种手势。由于肌电信号是智能仿生手执行完毕结束手势以后获取到的，因此肌电信号的手势识别结果有极大可能是这些候选手势中的一个。本实施例通过缩小匹配范围，可以有效减少手势匹配的次数，降低了智能仿生手的计算开销。
在一种实现方式中，所述根据所述历史手势数据集和所述结束手势确定若干候选手势，具体包括如下步骤：
步骤S201、对所述历史手势数据集进行分类，得到若干历史手势，其中，每一所述历史手势对应不同的手势类别；
步骤S202、根据所述历史手势数据集，从若干所述历史手势中确定所述结束手势对应的若干所述候选手势，其中，每一所述候选手势与所述结束手势组合出现的次数均高于目标阈值。
具体地，本实施例先对历史手势数据集进行数据分类，将对应于同一手势类别的历史手势数据分为一类，然后得到若干历史手势。由于历史手势数据集可以穿戴者的手势操作习惯，因此根据历史手势数据集可以确定每一历史手势执行的次数以及通常与哪些手势一起组合执行。当某一历史手势与结束手势组合出现的次数高于预设的目标阈值时，表示穿戴者在执行完毕结束手势以后，有较大概率会执行该历史手势，则将该历史手势作为候选手势，用于后续识别新获取的肌电信号对应的运动意图。
如图1所示，所述方法还包括如下步骤：
步骤S300、根据所述肌电信号和若干所述候选手势确定待执行手势。
具体地，肌电信号可以反映穿戴者的真实运动意图，当智能仿生手获取到肌电信号以后，现有技术需要依次将预先构建的所有手势模板一一与肌电信号进行匹配，以识别出肌电信号对应的手势。然而这种方法需要耗费智能仿生手较大的计算开销，并且一旦构建的手势模板的数量过多，匹配的时长也难以估计。本实施例中通过分析穿戴者的手势操作预先确定了多个候选手势，因此肌电信号对应的手势识别结果存在于各个候选手势中的概率较大，所以本实施例优先将从肌电信号与各个候选手势进行匹配，从而快速得到智能仿生手下一步应该做的待执行手势。
在一种实现方式中，所述步骤S300，具体包括如下步骤：
步骤S301、获取预设的手势模板数据库，根据所述手势模板数据库确定若干所述候选手势分别对应的手势模板，得到若干候选手势模板，其中，每一所述候选手势模板分别带有肌电信号标签和手势类别标签；
步骤S302、将所述肌电信号与每一所述候选手势模板的所述肌电信号标签进行比对，得到目标手势模板；
步骤S303、根据所述目标手势模板对应的所述手势类别标签，确定所述待执行手势。
具体地，为了对肌电信号进行识别，本实施例预先构建了一个手势模板数据库，其中包含有多个手势模板，并且每一手势模板关联存储有至少两个标签，一个是手势类别标签，用于反映每一手势模板的手势类别，例如某一手势模板手势类别标签为抓取或者握拳；另一个是肌电信号标签，用于反映穿戴者想做出每一手势模板时分别会产生何种特征的肌电信号。正常来说，为了对当前获取的肌电信号进行识别，需要将肌电信号与手势模板数据库中每一手势模板的肌电信号标签进行比对。但是本实施例中为了缩短比对时长，快速识别出肌电信号对应的手势，将各个候选手势分别对应的手势模板作为候选手势模板，并优先将肌电信号与各候选手势模板的肌电信号标签进行比对，以得到肌电信号对应的目标手势模板。最后基于目标手势模板对应的手势类别标签，确定智能仿生手下一步所要执行的手势，即得到待执行手势。
在一种实现方式中，所述步骤S302，具体包括如下步骤：
步骤S3021、根据每一所述候选手势与所述结束手势组合出现的次数，一一对应地确定每一所述候选手势模板的优先级，其中，所述次数越高对应的优先级越高；
步骤S3022、根据每一所述候选手势模板对应的所述优先级，确定比对顺序；
步骤S3023、根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板。
具体地，当某一候选手势与结束手势组合出现的次数越高，则表示智能仿生手执行完结束手势以后执行该候选手势的可能性越高，因此在对肌电信号进行手势匹配的时候，将该候选手势对应的候选手势模板的优先级设置的更高。由于本实施例是根据每一候选手势模板的优先级确定比对顺序的，因此优先级越高的候选手势模块会优先与肌电信号进行比对，从而达到快速匹配出目标手势模板的效果。
在一种实现方式中，所述步骤S3023，具体包括如下步骤：
步骤S30231、根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到比对失败的结果；
步骤S30232、将所述肌电信号与所述手势模板数据库中除所述候选手势模板之外的所述手势模板进行匹配，得到所述目标手势模板。
具体地，由于候选手势模板是基于穿戴者的手势操作习惯确定的，因此肌电信号的手势识别结果也有可能不存在于候选手势模板中。一旦将肌电信号与每一候选手势模板的绩点信号标签比对后，没有比对成功，则需要重新将肌电信号与手势模板数据库中的其他手势模板进行比配，直至得到目标手势模板。
基于上述实施例，本发明还提供了一种智能仿生手的动作预判系统，如图2所示，所述系统包括：
获取模块01，用于获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；
筛选模块02，用于获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；
确定模块03，用于根据所述肌电信号和若干所述候选手势确定待执行手势。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图3所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现智能仿生手的动作预判方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个或者一个以上的程序，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；
获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；
根据所述肌电信号和若干所述候选手势确定待执行手势。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了一种智能仿生手的动作预判方法，所述方法包括：获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；根据所述肌电信号和若干所述候选手势确定待执行手势。由于历史手势数据集可以反映穿戴者的手势操作习惯，因此本发明可以基于历史手势数据集确定与上一次的结束手势关联程度较高的若干候选手势，然后将肌电信号与这些候选手势进行匹配，就可以快速识别出穿戴者的运动意图，解决了现有技术中将智能仿生手采集到的肌电信号和穿戴者预先注册的所有手势模板一一进行匹配才能识别出穿戴者的运动意图，识别速度慢的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种智能仿生手的动作预判方法，其特征在于，所述方法包括：
获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；
获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；
根据所述肌电信号和若干所述候选手势确定待执行手势；
所述智能仿生手包括五个智能仿生手指，所述获取肌电信号和结束手势，包括：
通过肌电感应传感器获取所述肌电信号，其中，所述肌电感应传感器位于所述智能仿生手上，且与穿戴者的皮肤接触；
通过五个传感器分别获取五个所述智能仿生手指的运动数据，根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势；
所述根据所述历史手势数据集和所述结束手势确定若干候选手势，包括：
对所述历史手势数据集进行分类，得到若干历史手势，其中，每一所述历史手势对应不同的手势类别；
根据所述历史手势数据集，从若干所述历史手势中确定所述结束手势对应的若干所述候选手势，其中，每一所述候选手势与所述结束手势组合出现的次数均高于目标阈值。
2.根据权利要求1所述的智能仿生手的动作预判方法，其特征在于，所述根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势，包括：
根据五个所述智能仿生手指分别对应的所述运动数据，确定五个所述智能仿生手指分别对应的移动轨迹数据；
根据五个所述智能仿生手指分别对应的移动轨迹数据，确定所述结束手势。
3.根据权利要求1所述的智能仿生手的动作预判方法，其特征在于，所述根据所述肌电信号和若干所述候选手势确定待执行手势，包括：
获取预设的手势模板数据库，根据所述手势模板数据库确定若干所述候选手势分别对应的手势模板，得到若干候选手势模板，其中，每一所述候选手势模板分别带有肌电信号标签和手势类别标签；
将所述肌电信号与每一所述候选手势模板的所述肌电信号标签进行比对，得到目标手势模板；
根据所述目标手势模板对应的所述手势类别标签，确定所述待执行手势。
4.根据权利要求3所述的智能仿生手的动作预判方法，其特征在于，将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板，包括：
根据每一所述候选手势与所述结束手势组合出现的次数，一一对应地确定每一所述候选手势模板的优先级，其中，所述次数越高对应的优先级越高；
根据每一所述候选手势模板对应的所述优先级，确定比对顺序；
根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板。
5.根据权利要求4所述的智能仿生手的动作预判方法，其特征在于，根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到目标手势模板，包括：
根据所述比对顺序将所述肌电信号与每一所述候选手势模板的肌电信号标签进行比对，得到比对失败的结果；
将所述肌电信号与所述手势模板数据库中除所述候选手势模板之外的所述手势模板进行匹配，得到所述目标手势模板。
6.一种智能仿生手的动作预判系统，其特征在于，所述系统包括：
获取模块，用于获取肌电信号和结束手势，其中，所述结束手势为采集到的所述肌电信号之前智能仿生手执行完毕的手势；
筛选模块，用于获取所述智能仿生手的历史手势数据集，根据所述历史手势数据集和所述结束手势确定若干候选手势；
确定模块，用于根据所述肌电信号和若干所述候选手势确定待执行手势；
所述智能仿生手包括五个智能仿生手指，所述获取肌电信号和结束手势，包括：
通过肌电感应传感器获取所述肌电信号，其中，所述肌电感应传感器位于所述智能仿生手上，且与穿戴者的皮肤接触；
通过五个传感器分别获取五个所述智能仿生手指的运动数据，根据五个所述智能仿生手指分别对应的所述运动数据确定所述结束手势；
所述根据所述历史手势数据集和所述结束手势确定若干候选手势，包括：
对所述历史手势数据集进行分类，得到若干历史手势，其中，每一所述历史手势对应不同的手势类别；
根据所述历史手势数据集，从若干所述历史手势中确定所述结束手势对应的若干所述候选手势，其中，每一所述候选手势与所述结束手势组合出现的次数均高于目标阈值。
7.一种终端，其特征在于，所述终端包括有存储器和一个或者一个以上处理器；所述存储器存储有一个或者一个以上的程序；所述程序包含用于执行如权利要求1-5中任一所述的智能仿生手的动作预判方法的指令；所述处理器用于执行所述程序。
8.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-5任一所述的智能仿生手的动作预判方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111576932.7A CN113970968B (zh) | 2021-12-22 | 2021-12-22 | 一种智能仿生手的动作预判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111576932.7A CN113970968B (zh) | 2021-12-22 | 2021-12-22 | 一种智能仿生手的动作预判方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113970968A CN113970968A (zh) | 2022-01-25 |
| CN113970968B true CN113970968B (zh) | 2022-05-17 |
Family
ID=79590747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111576932.7A Active CN113970968B (zh) | 2021-12-22 | 2021-12-22 | 一种智能仿生手的动作预判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113970968B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114167995B (zh) * | 2022-02-14 | 2022-05-17 | 浙江强脑科技有限公司 | 一种仿生手的手势锁定方法、装置、终端及存储介质 |
| CN114625246A (zh) * | 2022-02-14 | 2022-06-14 | 深圳市心流科技有限公司 | 一种手势组合触发方法、装置、智能仿生手及存储介质 |
| CN114167996B (zh) * | 2022-02-14 | 2022-05-17 | 浙江强脑科技有限公司 | 一种基于传感器的动作预判方法、装置及存储介质 |
| CN114217694A (zh) * | 2022-02-21 | 2022-03-22 | 深圳市心流科技有限公司 | 一种仿生手及其手势控制方法、服务器及存储介质 |
| CN114625257B (zh) * | 2022-05-16 | 2022-08-16 | 浙江强脑科技有限公司 | 一种基于肌电信号的动作识别方法和识别装置 |
| CN114676737B (zh) * | 2022-05-26 | 2022-09-27 | 深圳市心流科技有限公司 | 一种肌电信号的采样频率的动态调节方法 |
| CN115131878B (zh) * | 2022-08-30 | 2022-11-11 | 深圳市心流科技有限公司 | 一种智能假肢的动作确定方法、装置、终端及存储介质 |
| CN115317207B (zh) * | 2022-10-12 | 2023-03-17 | 深圳市心流科技有限公司 | 一种仿生肢体动作控制方法和控制装置 |
| CN117784941A (zh) * | 2024-02-23 | 2024-03-29 | 浙江强脑科技有限公司 | 仿生手的手势控制方法、存储介质、控制装置和仿生手 |
| CN117827010A (zh) * | 2024-03-01 | 2024-04-05 | 浙江强脑科技有限公司 | 仿生手的控制方法、控制装置、仿生手和存储介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103777752A (zh) * | 2013-11-02 | 2014-05-07 | 上海威璞电子科技有限公司 | 基于手臂肌肉电流检测和运动传感器的手势识别设备 |
| CN204965329U (zh) * | 2014-09-30 | 2016-01-13 | 苹果公司 | 便携式电子设备和运动和手势探测系统 |
| CN106530926A (zh) * | 2016-11-29 | 2017-03-22 | 东南大学 | 基于Myo臂带及视线追踪的虚拟假手训练平台及其训练方法 |
| CN107411857A (zh) * | 2017-09-21 | 2017-12-01 | 哈尔滨工业大学 | 一种分布式腕手假肢系统的控制系统 |
| CN108268818A (zh) * | 2016-12-31 | 2018-07-10 | 广州映博智能科技有限公司 | 基于表面肌电信号和加速度的手势识别方法 |
| WO2018135692A1 (ko) * | 2017-01-22 | 2018-07-26 | 계명대학교 산학협력단 | 동작 인식 및 제어를 위한 웨어러블 장치 및 이를 이용한 동작 인식 제어 방법 |
| KR20180112308A (ko) * | 2017-04-03 | 2018-10-12 | 김정모 | 손동작을 기반으로 전자 장치를 제어하는 웨어러블 디바이스 및 이의 제어 방법 |
| CN109407531A (zh) * | 2018-10-30 | 2019-03-01 | 深圳市心流科技有限公司 | 智能家居控制方法、装置及计算机可读存储介质 |
| WO2019051082A1 (en) * | 2017-09-06 | 2019-03-14 | Georgia Tech Research Corporation | SYSTEMS, METHODS AND DEVICES FOR GESTURE RECOGNITION |
| CN110413107A (zh) * | 2019-06-21 | 2019-11-05 | 浙江科技学院 | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 |
| CN110624217A (zh) * | 2019-09-23 | 2019-12-31 | 孙孟雯 | 一种基于多传感器融合的复健手套及其实现方法 |
| CN111839847A (zh) * | 2020-07-02 | 2020-10-30 | 北京海益同展信息科技有限公司 | 肌电假肢控制方法、装置、电子设备和计算机可读介质 |
| CN112603758A (zh) * | 2020-12-21 | 2021-04-06 | 上海交通大学宁波人工智能研究院 | 一种基于sEMG与IMU信息融合的手势识别方法 |
| CN113657243A (zh) * | 2021-08-13 | 2021-11-16 | 黄理鑫 | 一种针对非接触式仿生学遥控手势性能影响的测试方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11106273B2 (en) * | 2015-10-30 | 2021-08-31 | Ostendo Technologies, Inc. | System and methods for on-body gestural interfaces and projection displays |
| US11328815B2 (en) * | 2018-01-31 | 2022-05-10 | MedPather, Inc. | Physical measurement of empirical indicators of patient-related outcome value using time and motion sensor results |
| CN113589920A (zh) * | 2020-04-30 | 2021-11-02 | 北京海益同展信息科技有限公司 | 手势识别方法、人机交互方法、装置、设备及存储介质 |
-
2021
- 2021-12-22 CN CN202111576932.7A patent/CN113970968B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103777752A (zh) * | 2013-11-02 | 2014-05-07 | 上海威璞电子科技有限公司 | 基于手臂肌肉电流检测和运动传感器的手势识别设备 |
| CN204965329U (zh) * | 2014-09-30 | 2016-01-13 | 苹果公司 | 便携式电子设备和运动和手势探测系统 |
| CN106530926A (zh) * | 2016-11-29 | 2017-03-22 | 东南大学 | 基于Myo臂带及视线追踪的虚拟假手训练平台及其训练方法 |
| CN108268818A (zh) * | 2016-12-31 | 2018-07-10 | 广州映博智能科技有限公司 | 基于表面肌电信号和加速度的手势识别方法 |
| WO2018135692A1 (ko) * | 2017-01-22 | 2018-07-26 | 계명대학교 산학협력단 | 동작 인식 및 제어를 위한 웨어러블 장치 및 이를 이용한 동작 인식 제어 방법 |
| KR20180112308A (ko) * | 2017-04-03 | 2018-10-12 | 김정모 | 손동작을 기반으로 전자 장치를 제어하는 웨어러블 디바이스 및 이의 제어 방법 |
| WO2019051082A1 (en) * | 2017-09-06 | 2019-03-14 | Georgia Tech Research Corporation | SYSTEMS, METHODS AND DEVICES FOR GESTURE RECOGNITION |
| CN107411857A (zh) * | 2017-09-21 | 2017-12-01 | 哈尔滨工业大学 | 一种分布式腕手假肢系统的控制系统 |
| CN109407531A (zh) * | 2018-10-30 | 2019-03-01 | 深圳市心流科技有限公司 | 智能家居控制方法、装置及计算机可读存储介质 |
| CN110413107A (zh) * | 2019-06-21 | 2019-11-05 | 浙江科技学院 | 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 |
| CN110624217A (zh) * | 2019-09-23 | 2019-12-31 | 孙孟雯 | 一种基于多传感器融合的复健手套及其实现方法 |
| CN111839847A (zh) * | 2020-07-02 | 2020-10-30 | 北京海益同展信息科技有限公司 | 肌电假肢控制方法、装置、电子设备和计算机可读介质 |
| CN112603758A (zh) * | 2020-12-21 | 2021-04-06 | 上海交通大学宁波人工智能研究院 | 一种基于sEMG与IMU信息融合的手势识别方法 |
| CN113657243A (zh) * | 2021-08-13 | 2021-11-16 | 黄理鑫 | 一种针对非接触式仿生学遥控手势性能影响的测试方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于表面肌电和加速度信号融合的动作识别和人体行为分析研究;成娟;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20131015;I136-12 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113970968A (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113970968B (zh) | 一种智能仿生手的动作预判方法 | |
| CN113946225B (zh) | 一种手势锁定方法、智能仿生手、终端以及存储介质 | |
| KR102619981B1 (ko) | 근전도 신호를 이용한 동작 분류 방법 및 장치 | |
| CN113946224B (zh) | 智能仿生手的肌电手势识别的控制方法、装置及存储介质 | |
| CN113977589B (zh) | 一种手势识别阈值调整方法、装置及存储介质 | |
| CN114167995B (zh) | 一种仿生手的手势锁定方法、装置、终端及存储介质 | |
| Gupta et al. | Indian sign language recognition using wearable sensors and multi-label classification | |
| US20200268270A1 (en) | Apparatus and method for predicting disease | |
| CN114707562B (zh) | 一种肌电信号采样频率控制方法、装置及存储介质 | |
| CN114625257B (zh) | 一种基于肌电信号的动作识别方法和识别装置 | |
| CN112074798A (zh) | 使用可穿戴式压力传感装置进行书写识别 | |
| CN113977588B (zh) | 一种智能仿生手的手势识别方法、装置、终端及存储介质 | |
| CN111149104A (zh) | 用于生物特征识别的装置、方法和计算机程序产品 | |
| Almasre et al. | Recognizing Arabic Sign Language gestures using depth sensors and a KSVM classifier | |
| Ni et al. | Neurally-inspired hyperdimensional classification for efficient and robust biosignal processing | |
| CN114652493A (zh) | 一种肌电信号控制方法、装置、肌电设备、存储介质 | |
| Singh et al. | A reliable and efficient machine learning pipeline for american sign language gesture recognition using EMG sensors | |
| Jaramillo-Yanez et al. | Short-term hand gesture recognition using electromyography in the transient state, support vector machines, and discrete wavelet transform | |
| CN114139630A (zh) | 姿态识别方法、装置、存储介质和电子设备 | |
| CN112463205B (zh) | 基于ai和大数据的应用程序管理方法及人工智能服务器 | |
| CN114167996B (zh) | 一种基于传感器的动作预判方法、装置及存储介质 | |
| CN112329633A (zh) | 基于张量分解的情感识别方法、装置、介质及电子设备 | |
| CN115814222A (zh) | 混合机械通气模式下人机不同步波形识别方法及相关设备 | |
| CN114625246A (zh) | 一种手势组合触发方法、装置、智能仿生手及存储介质 | |
| Yang et al. | Multi-stream CNN-SVM Hybrid Model for Gesture Recognition based on sEMG Signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |