CN102013016B - 可用于假肢手控制的基于肌音信号手部动作模式识别方法 - Google Patents
可用于假肢手控制的基于肌音信号手部动作模式识别方法 Download PDFInfo
- Publication number
- CN102013016B CN102013016B CN 201010558259 CN201010558259A CN102013016B CN 102013016 B CN102013016 B CN 102013016B CN 201010558259 CN201010558259 CN 201010558259 CN 201010558259 A CN201010558259 A CN 201010558259A CN 102013016 B CN102013016 B CN 102013016B
- Authority
- CN
- China
- Prior art keywords
- action
- muscle sound
- hand
- sound signal
- signal
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000003205 muscle Anatomy 0.000 title claims abstract description 27
- 230000005236 sound signal Effects 0.000 title claims abstract 10
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012567 pattern recognition method Methods 0.000 claims abstract 4
- 230000011218 segmentation Effects 0.000 claims abstract 4
- 238000013480 data collection Methods 0.000 claims abstract 2
- 238000000605 extraction Methods 0.000 claims abstract 2
- 238000001914 filtration Methods 0.000 claims description 10
- 210000000707 wrist Anatomy 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000002513 implantation Methods 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 210000003414 extremity Anatomy 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 239000013074 reference sample Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Prostheses (AREA)
Abstract
本发明涉及可用于假肢手控制的基于肌音信号手部动作模式识别方法，该方法包括以下步骤：A、数据采集：a1)通过传感器采集肌肉声音信号，a2)利用数据采集卡采集手动作的肌音信号；B、数据处理：b1)将采集到的信号进行数字滤波，b2)将滤波后的信号通过滑动窗等长分割成短时帧，经判断后完成整个数据段的动作分割，b3)提取动作帧的时域特征和频域特征，构成特征空间，b4)利用特征提取方法对特征空间进行降维处理，b5)将降维后得到的新的特征空间输入分类器，得到动作判别结果数据。与现有技术相比，本发明具有方法简单，识别准确率高，易于将算法植入嵌入式系统，可实现基于肌音信号的手部动作实时识别等优点。
Description
技术领域
本发明涉及一种手部动作模式的识别方法，尤其是涉及可用于假肢手控制的基于肌音信号手部动作模式识别方法。
背景技术
加拿大多伦多大学的J.Silva实验室利用六个传感器对手部9个动作识别率达到90±4％。最近，华东理工大学虚拟样机与系统仿真试验室利用单个传感器对手部张合动作识别率达到95.63±2.55％。尚没有对四种手部动作模式的识别方法的研究，而四模式的研究对市场上占有率极高的两自由度假肢手的控制极为适用。此类识别方法，实际应用时需要算法尽量简单、传感器尽量少，以达到实时、低成本的目的，然而两者在研究中相互矛盾，利用简单算法时必然需要多个传感器才能达到较高的准确率，反之亦然。因此，对四种手部动作模式的识别技术是当前亟待解决的难题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种方法简单、识别准确率高、易于将算法植入嵌入式系统、可实现手部动作的实时识别的可用于假肢手控制的基于肌音信号手部动作模式识别方法。
本发明的目的可以通过以下技术方案来实现：可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，该方法包括以下步骤：
A、数据采集：
a1)通过多个压电加速度传感器采集肌肉声音信号；
a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；
B、数据处理：
b1)将采集到的信号进行数字滤波；
b2)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值，则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，据此，完成整个数据段的动作分割；
b3)提取动作帧的时域特征和频域特征，构成特征空间；
b4)利用特征提取方法对特征空间进行降维处理；
b5)将降维后得到的新的特征空间输入二次或线性分类器，得到动作识别结果数据，该识别结果数据可用于假肢手控制。
所述的数字滤波采用20阶最小二乘法线性相位FIR低通滤波器。
所述的b2)中的阈值为不同人设定不同的阈值。
所述的b2)中的动作分割具体为，动作分割时，采用绝对均值和方差两个可变阈值，且判定动作帧后，其后的两个帧直接跳过，再进行下面一个动作的判断，排除了干扰信号对动作分割的影响。
所述的时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。
特征提取方法中，利用核广义判别分析法(KDA)时降维至6维，利用主成分分析法(PCA)时参数取t＝0.9。
利用核广义判别分析法(KDA)以及二次分类器进行试验，双通道信号即取得了较高的识别准确率，达到95.12±3.83％。
利用主成分分析法(PCA)以及线性分类器识别四个模式的手部动作时，三通道信号可得到最佳效果，准确率可达到96.55±4.48％。
与现有技术相比，本发明具有以下优点：
1、方法简单，且识别准确率高；
2、易于将算法植入嵌入式系统，可实现手部动作的实时识别；
3、硬件系统简单，成本低廉。
应用时若更重视成本低廉、系统简单，则应用KDA(核广义判别分析法)以及二次分类器，需要两个传感器；若更重视算法简单、实时，则采用PCA(主成分分析)和线性分类器，需要三个传感器。总之，利用本发明的方法，可以根据具体情况，选择线性或非线性方法对手部动作的四个模式进行识别，从而实现对机械手的控制或其它用途。
具体实施方式
下面结合具体实施例对本发明进行详细说明。
实施例1
可用于假肢手控制的基于肌音信号手部动作模式识别方法，包括以下步骤：
A.数据采集：
a1)通过2个压电加速度传感器采集肌肉声音信号；
a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；
B.数据处理：
b1)采用2路肌音信号，利用20阶最小二乘法线性相位FIR低通滤波器对信号进行数字滤波。
b2)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值(阈值因人而异，需用参考样本训练获得)则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，这样可以排除干扰信号对动作分割的影响。据此方法，完成整个数据段的动作分割；
b3)提取动作帧的时域特征和频域特征，构成特征空间。时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。
b4)利用核广义判别分析法(KDA)特征提取方法将特征空间降维至6维。
b5)将降维后得到的新的特征空间输入二次分类器进行试验，得到动作判别的结果，识别准确率达到95.12±3.83％。
实施例2
可用于假肢手控制的基于肌音信号手部动作模式识别方法，包括以下步骤：
A.数据采集：
a1)通过3个压电加速度传感器采集肌肉声音信号；
a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；
B.数据处理：
b1)采用3路肌音信号，利用20阶最小二乘法线性相位FIR低通滤波器对信号进行数字滤波。
b2)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值(阈值因人而异，需用参考样本训练获得)则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，这样可以排除干扰信号对动作分割的影响。据此方法，完成整个数据段的动作分割；
b3)提取动作帧的时域特征和频域特征，构成特征空间。时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。
b4)利用主成分分析法(PCA)特征优化方法，参数取t＝0.9对特征空间进行降维。
b5)将降维后得到的新的特征空间输入线性分类器进行试验，得到动作判别的结果，识别准确率可达到96.55±4.48％。
由于传感器采集位置并不影响识别效果，则两通道信号和三通道信号传感器的排布位置没有严格规定。
本方法主要分为三大部分：
1、数据采集部分：将压电加速度传感器用带子固定在前臂特定位置的肌肉表面，采集肌肉声音信号，然后利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号。将信号转化为数字信号之后存入电脑为后续处理做准备。
2、数据处理部分：将采集到的信号进行数字滤波。再把滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，从而完成动作分割。接着提取动作帧的时域和频域特征一共18个参数，构成特征空间；再利用不同的特征提取方法对特征空间进行降维处理；最后将降维后得到的新的特征空间输入不同分类器，得到动作判别的结果。
3、数据处理结果分析：传感器采集位置的不同对动作识别准确率无影响。利用线性方法(PCA和线性分类器)识别四个模式的手部动作时，三通道信号可得到最佳效果，准确率可达到96.55±4.48％。利用非线性方法(KDA以及二次分类器)进行试验，双通道信号即取得了较高的识别准确率，达到95.12±3.83％。
应用时若更重视成本低廉、系统简单，则应用KDA(核广义判别分析法)以及二次分类器，需要两个传感器；若更重视算法简单、实时，则采用PCA(主成分分析)和线性分类器，需要三个传感器。
通过试验共对32个健康个体进行采样分析，实验对象年龄25±3岁，其中男性15名，女性17名。
试验过程中队每位对象采集两组数据，每组数据采集180秒，大约可完成100-150个动作。试验者遵循试验规范，均阅读过《赫尔辛基宣言》并签署志愿书，所以试验数据有效。最终对手部动作四个模式的识别率，采用三通道信号，利用线性方法(PCA和线性分类器)，准确率可达到96.55±4.48％；采用两通道信号，利用非线性方法(KDA以及二次分类器)，准确率可达到95.12±3.83％。完全可以满足实际应用的需要。
Claims (3)
1.可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，该方法包括以下步骤：
A、数据采集：
a1）通过多个压电加速度传感器采集肌音信号；
a2）利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；
B、数据处理：
b1）将采集到的信号进行数字滤波；
b2）将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值，则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，据此，完成整个数据段的动作分割；
b3）提取动作帧的时域特征和频域特征，构成特征空间；
b4）利用特征提取方法对特征空间进行降维处理；
b5）将降维后得到的新的特征空间输入二次或线性分类器，得到动作识别结果数据，该识别结果数据可用于假肢手控制；
所述的数字滤波采用20阶最小二乘法线性相位FIR低通滤波器；
所述的时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。
2.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，所述的b2)中的阈值为不同人设定不同的阈值。
3.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，所述的b2）中的动作分割具体为，动作分割时，采用绝对均值和方差两个可变阈值，且判定动作帧后，其后的两个帧直接跳过，再进行下面一个动作的判断，排除了干扰信号对动作分割的影响。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010558259 CN102013016B (zh) | 2010-11-23 | 2010-11-23 | 可用于假肢手控制的基于肌音信号手部动作模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010558259 CN102013016B (zh) | 2010-11-23 | 2010-11-23 | 可用于假肢手控制的基于肌音信号手部动作模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102013016A CN102013016A (zh) | 2011-04-13 |
| CN102013016B true CN102013016B (zh) | 2013-05-08 |
Family
ID=43843188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201010558259 Expired - Fee Related CN102013016B (zh) | 2010-11-23 | 2010-11-23 | 可用于假肢手控制的基于肌音信号手部动作模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102013016B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102614061A (zh) * | 2012-03-01 | 2012-08-01 | 上海理工大学 | 基于肌音信号的人体上肢功能康复训练实现方法 |
| US10371516B2 (en) * | 2013-01-21 | 2019-08-06 | Invensense, Inc. | Method and apparatus for determination of misalignment between device and pedestrian |
| CN103294199B (zh) * | 2013-06-09 | 2017-09-12 | 华东理工大学 | 一种基于脸部肌音信号的无声信息识别系统 |
| CN105117703B (zh) * | 2015-08-24 | 2018-10-16 | 复旦大学 | 基于矩阵乘法的快速动作单元识别方法 |
| CN105786189B (zh) * | 2016-04-28 | 2018-07-06 | 深圳大学 | 一种基于肌动信号的指部独立动作识别方法及系统 |
| CN107744436A (zh) * | 2017-10-16 | 2018-03-02 | 华东理工大学 | 一种基于颈部肌音信号处理的轮椅控制方法及控制系统 |
| CN109171124A (zh) * | 2018-09-11 | 2019-01-11 | 华东理工大学 | 一种用于手语识别的肌音信号无线采集手环 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101766509A (zh) * | 2009-12-24 | 2010-07-07 | 华东理工大学 | 一种基于单点采集肌音信号的假肢实时控制方法 |
-
2010
- 2010-11-23 CN CN 201010558259 patent/CN102013016B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101766509A (zh) * | 2009-12-24 | 2010-07-07 | 华东理工大学 | 一种基于单点采集肌音信号的假肢实时控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 夏春明等.基于肌音信号的虚拟假肢控制.《华东理工大学学报（自然科学版）》.2010,第36卷(第4期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102013016A (zh) | 2011-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102013016B (zh) | 可用于假肢手控制的基于肌音信号手部动作模式识别方法 | |
| CN106726030B (zh) | 基于临床脑电信号控制机械手运动的脑机接口系统及其应用 | |
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| CN108670200A (zh) | 一种基于深度学习的睡眠鼾声分类检测方法及系统 | |
| CN101766509B (zh) | 一种基于单点采集肌音信号的假肢实时控制方法 | |
| CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN103294199B (zh) | 一种基于脸部肌音信号的无声信息识别系统 | |
| WO2019023879A1 (zh) | 咳嗽声音识别方法、设备和存储介质 | |
| CN110598676B (zh) | 基于置信度得分模型的深度学习手势肌电信号识别方法 | |
| CN104545906B (zh) | 基于sEMG的检测面瘫患者针灸疗效系统 | |
| CN111870235A (zh) | 一种基于ippg的吸毒人员筛查方法 | |
| CN102930284A (zh) | 基于经验模态分解和分形的表面肌电信号模式识别方法 | |
| CN113974607B (zh) | 一种基于脉冲神经网络的睡眠鼾声检测系统 | |
| CN102885616A (zh) | 一种去除脉搏波信号基线漂移的方法 | |
| CN114159079B (zh) | 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法 | |
| CN107918487A (zh) | 一种基于皮肤电信号识别中文情感词的方法 | |
| CN116738295A (zh) | sEMG信号分类方法、系统、电子设备及存储介质 | |
| CN113116361A (zh) | 一种基于单导脑电的睡眠分期方法 | |
| CN103425983A (zh) | 一种基于网络同步性的脑网络拓扑差异的快速提取方法 | |
| CN116522106A (zh) | 一种基于迁移学习并行多尺度滤波器组时域卷积的运动想象脑电信号分类方法 | |
| CN109645957B (zh) | 一种鼾声来源分类方法 | |
| CN114569143A (zh) | 一种基于注意力机制与多特征融合的肌电手势识别方法 | |
| CN109271889A (zh) | 一种基于双层lstm神经网络的动作识别方法 | |
| CN115346561A (zh) | 基于语音特征的抑郁情绪评估预测方法及系统 | |
| CN110956192A (zh) | 一种非重构压缩感知生理数据的分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent for invention or patent application | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xia Chunming Inventor after: Zeng Yong Inventor after: Cao Wei Inventor after: Song Zhongjian Inventor after: Zhou Kanheng Inventor after: Dong Chang Inventor before: Xia Chunming Inventor before: Zeng Yong Inventor before: Cao Wei |
|
| COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: XIA CHUNMING CENG YONG CAO WEI TO: XIA CHUNMING CENG YONG CAO WEI SONG ZHONGJIAN ZHOU KANHENG DONG CHANG |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130508 Termination date: 20151123 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |