CN104899594A - 基于表面肌电信号分解的手部动作识别方法 - Google Patents

Abstract

本发明涉及一种基于表面肌电(sEMG)分解的手部动作识别方法，所述方法包括两部分：sEMG信号分解得到运动单元动作电位序列(MUAPT)；以及基于MUAPT手部动作识别方法。其中sEMG信号分解由sEMG信号预处理、sEMG尖峰检测及高斯混合模型(GMM)聚类组成；而基于MUAPT的手部动作识别包括特征提取、主成分分析(PCA)降维，LDA分类等。本发明在仅仅使用一个通道sEMG的条件下，利用sEMG信号分解得到的运动单元动作电位信息，对手部动作进行识别，有效提高了单通道sEMG识别率，具有重要的理论意义和实际应用价值。

Description

基于表面肌电信号分解的手部动作识别方法

技术领域

本发明设计生物信号识别技术领域，具体涉及一种基于表面肌电信号分解的手部动作识别方法。

背景技术

手部动作识别已经成为人机交互的重要方法之一，广泛应用于手语识别、假肢控制、体感游戏控制、遥操作等领域。基于肌电信号(sEMG)的手部动作识别方法，具有实时、便捷、无创的特点，且更适用于助老助残等康复领域，目前已经得到越来越广泛的关注。

传统的手部动作识别方法，常利用多个通道的sEMG数据[1-8]，提取相应的时域[4,5]、频域[6,7]、时频域[8]的特征，利用特定的数据分类算法[9-11]，完成动作分类。

目前，国内东南大学宋爱国（中国专利CN103006358）提出一种基于sEMG最大值与最小值比例因子的方法，通过两通道的sEMG，实现两个动作识别。杭州电子科技大学张启忠（中国专利CN102930284）提出基于经验模态分解与分形的表面肌电信号模式识别方法，利用一个通道sEMG信号，识别展拳动作。太原科技大学郭一娜（中国专利CN102631185A）提出利用经验模态分解与独立成分分析的方法，对多路sEMG信号进行分离，从而降低硬件复杂度。综上所述，目前的研究与应用中，未见到基于单通道sEMG分解的手势识别。

由此可知，在实际应用中，要精确识别出多个不同手势，则需要多个通道sEMG信号。而传感器数量的增加，一方面造成系统复杂度提升，另一方面也带来了更大的噪声干扰，且由于肌肉形状与传感器体积的限制，使用更少的传感器，识别出更多的手势，是目前亟需解决的重要问题。

[1]张旭,基于表面肌电信号的人体动作识别与交互,生物医学工程,中国科学技术大学,2010年博士学位论文

[2]赵章琰,表面肌电信号检侧和处理中若干关键技术研究,生物医学工程,中国科学技术大学,2010年博士学位论文

[3]杨大鹏,仿人型假手多运动模式的肌电控制研究,机械电子工程,哈尔滨工业大学,2011年博士论文

[4]Ding,Q.C.,Xiong,A.B.,Zhao,X.G.,and Han,J.D.(2011,October).A novel EMG-driven state space model forthe estimation of continuous joint movements.In 2011 IEEE International Conference on Systems,Man,andCybernetics(SMC),pp.2891-2897.

[5]Xiong,A.,Chen,Y.,Zhao,X.,Han,J.,and Liu,G.(2011,December).A novel HCI based on EMG and IMU.In2011 IEEE International Conference on Robotics and Biomimetics(ROBIO),pp.2653-2657.

[6]Chang,K.M.,Liu,S.H.,Wang,J.J.,and Cheng,D.C.(2013,July).Exercise muscle fatigue detection systemimplementation via wireless surface electromyography and empirical mode decomposition.In 35th AnnualInternational Conference of the IEEE Engineering in Medicine and Biology Society(EMBC),pp.1001-1004.

[7]Singh,V.P.,Kumar,D.K.,Polus,B.,and Fraser,S.(2007).Strategies to identify changes in SEMG due to musclefatigue during cycling.Journal of medical engineering & technology,31(2),144-151.

[8]Li,W.G.,and Luo,Z.Z.(2008,June).Wavelet transform and independent component analysis application tomulti-channel SEMG processing.In IEEE International Conference on Information and Automation,2008.ICIApp.826-830.

[9]Xiong,A.,Lin,G.,Zhao,X.,Han,J.,&Liu,G.(2012,October).Feasibility of EMG-based ANN controller for areal-time virtual real itysimulation.In 2012-38th Annual Conference on IEEE Industrial Electronics Society,pp.2699-2704.

[10]Naik,G.R.,&Kumar,D.K.(2010).Twin SVM for gesture classification using the surface electromyogram.IEEETransactions on Information Technology in Biomedicine,14(2),301-308.

[11]Al-Timemy,A.,Bugmann,G.,Escudero,J.,& Outram,N.(2013).Classification of Finger Movements for theDexterous Hand Prosthesis Control with Surface Electromyography.IEEE Journal of Biomedical and HealthInformatics,608-618.

发明内容

针对现有技术的不足，本发明提供一种基于单通道sEMG分解的高准确率手部动作识别方法。能够利用一个通道的sEMG信号，准确识别握拳、伸掌、捏食指、中指等手势动作。

本发明为实现上述目的所采用的技术方案是：一种基于sEMG分解的手部动作识别方法，

采集旋前方肌处sEMG信号；

采用二阶差分滤波方法对采集到的sEMG信号进行滤波；

对滤波后的sEMG信号，进行尖峰检测，得到的所有尖峰组成样本矩阵；

对样本矩阵采用PCA方法降维；

将降维后的样本矩阵采用高斯混合模型进行聚类，得到MUAPT；

将得到的MUAPT，采用滑动平均方法进行处理，提取相应特征，并组成特征向量；

对特征向量采用PCA降维；

降维后的样本利用LDA进行分类，得到不同的手部动作。

所述采用的二阶差分滤波方法如下：

x_t＝y_t+2-y_t+1-y_t+y_t-1

其中y_t是采集到的原始sEMG信号，x_t是滤波后的sEMG信号，t为采样时间。

所述对滤波后的sEMG信号进行尖峰检测包括以下过程：

阈值的计算公式如下：

$\mathrm{\α}=c_1[\underset{t=1}{\overset{T_1}{\mathrm{\Σ}}}{x}_t^{2}I(\mathrm{\α},t)/\underset{t=1}{\overset{T_1}{\mathrm{\Σ}}}I(\mathrm{\α},t)]$

其中，c₁=3.5,x_t是滤波后的sEMG信号， $I(\mathrm{\&alpha;},t)=\left\{\begin{array}{cc}1,& \mathrm{if}\left|x\right|<\mathrm{\&alpha;}\\ 0,& \mathrm{otherwise}\end{array}\right.;$

记录滤波后的sEMG信号中，由下向上穿越阈值α的采样点x_i，以及与之邻近的由上向下穿越阈值的采样点x_i+k；x_i到x_i+k中的最大值即为尖峰峰值：

peak_i＝max(x_i,x_i+1,...,x_i+k)

其中，peak_i为尖峰峰值；

确定尖峰峰值位置后，则一个尖峰由其相邻的八个采样点组成：

spike_i＝{peak_i-3,...,peak_i,...,peak_i+4}

其中spike_i为一个尖峰。

所述所有尖峰组成样本矩阵：

$\mathrm{SPIKE}={\left[\begin{array}{c}{\mathrm{peak}}_{i-3},{\mathrm{peak}}_{i-2},{\mathrm{peak}}_{i-1},{\mathrm{peak}}_i,{\mathrm{peak}}_{i+1},{\mathrm{peak}}_{i+2},{\mathrm{peak}}_{i+3},{\mathrm{peak}}_{i+4}\\ {\mathrm{peak}}_{j-3},{\mathrm{peak}}_{j-2},{\mathrm{peak}}_{j-1},\mathrm{pea}{k}_j,{\mathrm{peak}}_{j+1},{\mathrm{peak}}_{j+2},{\mathrm{peak}}_{j+3},{\mathrm{peak}}_{j+4}\\ ...\\ {\mathrm{peak}}_{k-3},{\mathrm{peak}}_{k-2},{\mathrm{peak}}_{k-1},{\mathrm{peak}}_k,{\mathrm{peak}}_{k+1},{\mathrm{peak}}_{k+2},{\mathrm{peak}}_{k+3},{\mathrm{peak}}_{k+4}\end{array}\right]}_{q\&times;8}$

其中，SPIKE是所有尖峰组成样本矩阵，peak_i为尖峰峰值，q指sEMG信号中检测到的尖峰的个数。

所述对样本矩阵采用PCA方法降维包括：

[pc1,score,latent]＝princomp(SPIKE)

pcaSPIKE_p×D＝SPIKE_p×8*pc1(:,1:D)

其中，princomp(·)是主元分析函数，pc2是主元分析投影矩阵，latent是协方差矩阵的特征值，score是SPIKE在主成分空间的投影表示，SPIKE与pc1的前D列相乘，得到pcaSPIKE矩阵。

所述将降维后的样本矩阵采用高斯混合模型进行聚类，得到MUAPT包括以下过程：

obj＝gmdistribution.fit(pcaSPIKE,k)

label＝cluster(obj,pcaSPIKE)

其中，gmdistribution.fit(·)为高斯混合模型训练函数，obj为训练得到的高斯混合模型，其中包含M个组元，即将原始的sEMG信号分成了M类，cluster(·)是聚类函数，能够根据obj将pcaSPIKE样本分为不同的类别，以不同的label表示出来，其中label是类别的标记；

将属于同一个类别的尖峰spike_i按照其在原来sEMG信号中的先后顺序排列，小于阈值的sEMG信号用0代替，就分别构成了M个MUAPT。

所述滑动平均方法中，采用的时间窗为N，滑动窗为N/4。

所述相应特征包括绝对值积分(IAV),最大值(MAX),非零中值(NonZeroMed),非零中值序号(Ind),其计算公式如下：

$\mathrm{IAV}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|x_i\right|$

$\mathrm{MAX}=\underset{i=1,...,N}{\max }\left|x_i\right|$

NonZeroMed＝median(nonzeros(x₁,x₂,...,x_i,...,x_N))

Ind＝index of the NonZeroMed

其中x_i是sEMG的第i个采样值，N为时间窗的长度，median(·)表示计算序列的中值，nonzeros(·)表示计算序列的非零值，Ind表示非零中值在原时间窗中所在的位置。

所述特征向量为：

$\mathrm{FV}={\left[\begin{array}{cccc}{\mathrm{IAV}}_{11}& {\mathrm{IAV}}_{21}& ...& {\mathrm{IAV}}_{p1}\\ {\mathrm{MAX}}_{11}& {\mathrm{MAX}}_{21}& ...& {\mathrm{MAX}}_{p1}\\ {\mathrm{NonZeroMed}}_{11}& {\mathrm{NonZeroMed}}_{21}& ...& {\mathrm{NonZeroMed}}_{p1}\\ {\mathrm{Ind}}_{11}& {\mathrm{Ind}}_{21}& ...& {\mathrm{Ind}}_{p1}\\ {\mathrm{IAV}}_{12}& {\mathrm{IAV}}_{22}& ...& {\mathrm{IAV}}_{p2}\\ {\mathrm{MAX}}_{12}& {\mathrm{MAX}}_{22}& ...& {\mathrm{MAX}}_{p2}\\ {\mathrm{NonZeroMed}}_{12}& {\mathrm{NonZeroMed}}_{22}& ...& {\mathrm{NonZeroMed}}_{p2}\\ {\mathrm{Ind}}_{12}& {\mathrm{Ind}}_{22}& ...& {\mathrm{Ind}}_{p2}\\ ...& ...& ...& ...\\ {\mathrm{IAV}}_{1M}& {\mathrm{IAV}}_{2M}& ...& {\mathrm{IAV}}_{\mathrm{pM}}\\ {\mathrm{MAX}}_{1M}& {\mathrm{MAX}}_{2M}& ...& {\mathrm{MAX}}_{\mathrm{pM}}\\ {\mathrm{NonZeroMed}}_{1M}& {\mathrm{NonZeroMed}}_{2M}& ...& {\mathrm{NonZeroMed}}_{\mathrm{pM}}\\ {\mathrm{Ind}}_{1M}& {\mathrm{Ind}}_{2M}& ...& {\mathrm{Ind}}_{\mathrm{pM}}\end{array}\right]}_{4M\&times;p}^T$

其中，M表示分解得到的MUAPT的个数，p为时间窗的个数，IAV是绝对值积分,MAX是最大值,NonZeroMed是非零中值,Ind是非零中值序号。

所述对特征向量采用PCA降维过程包括：

[pc2,score,latent]＝princomp(FV)

pcaFV_p×r＝FV_p×4M*pc2(:,1:r)

其中，princomp(·)是主元分析函数，pc2是主元分析投影矩阵，latent是协方差矩阵的特征值，score是SPIKE在主成分空间的投影表示，特征向量FV与pc2的前r列相乘，得到降维后的矩阵pcaFV。

所述对降维后的样本利用LDA进行分类包括：

class=classify(sample，pcaFV，group)

其中，classify(·)是LDA分类函数，sample是待分类的数据样本，pcaFV是降维后的矩阵，group是对应所属的类别。

本发明具有以下有益效果及优点：

1.本发明利用一个通道的sEMG信号，正确识别五个手部动作，在实际应用中，能够有效减少传感器数量，提高系统的实用性。

2.本发明采用二阶差分滤波对肌电信号进行预处理，能够有效滤除环境噪声对表面肌电的影响；

3.本发明利用阈值检测的方法，检测有效的MUAP尖峰，并进行PCA降维及GMM聚类，将一个通道sEMG分解为多个MUAPT；

4.本发明提取MUAPT的时频域特征，组建特征向量，并使用PCA算法对特征向量降维，减小计算量，提高数据的稳定性；

5.本发明利用分解得到的多个MUAPT及LDA分类方法进行手势动作分类，提高了单通道sEMG分类的精度，能够应用于假肢控制等等场合，具有较高的实际应用价值。

附图说明

图1是本发明方法流程图；

图2是本发明的滤波后的sEMG及检测到的尖峰；

图3是本发明的属于5个不同类别的MUAP；

图4是本发明的spikes形成MUAPT示意图；

图5是本发明的5个不同类别对应的MUAPT；

图6是本发明的手部动作分类结果。

具体实施方式

下面结合附图及实施例对本发明做进一步的详细说明。

如图1所示为本发明的方法流程图，采集旋前方肌处的sEMG信号y_t，并进行二阶差分滤波，方法如下：

x_t＝y_t+2-y_t+1-y_t+y_t-1

其中x_t是滤波之后的sEMG信号，下标t为采样时间。

对滤波后的sEMG信号x_t，进行尖峰检测，其阈值α的计算公式如下：

$\mathrm{\&alpha;}=c_1[\underset{t=1}{\overset{T_1}{\mathrm{\&Sigma;}}}{x}_t^{2}I(\mathrm{\&alpha;},t)/\underset{t=1}{\overset{T_1}{\mathrm{\&Sigma;}}}I(\mathrm{\&alpha;},t)]$

其中，c₁是经验常数，等于3.5， $I(\mathrm{\&alpha;},t)=\left\{\begin{array}{cc}1,& \mathrm{if}\left|x\right|<\mathrm{\&alpha;}\\ 0,& \mathrm{otherwise}\end{array}\right.,$ 超过该阈值即认为有尖峰spike出现。

记录x_t由下向上穿越阈值α的采样点x_i，以及与之邻近的由上向下穿越阈值的采样点x_i+k。尖峰峰值即为x_i到x_i+k中的最大值：

peak_i＝max(x_i,x_i+1,...,x_i+k)

确定尖峰峰值位置后，则一个尖峰由其相邻的八个采样点组成：

spike_i＝{peak_i-3,...,peak_i,...,peak_i+4}

而小于阈值的sEMG信号，将由0代替。图2点划线即为检测到的sEMG尖峰。

将检测到的所有尖峰组成样本矩阵：

$\mathrm{SPIKE}={\left[\begin{array}{c}{\mathrm{peak}}_{i-3},{\mathrm{peak}}_{i-2},{\mathrm{peak}}_{i-1},{\mathrm{peak}}_i,{\mathrm{peak}}_{i+1},{\mathrm{peak}}_{i+2},{\mathrm{peak}}_{i+3},{\mathrm{peak}}_{i+4}\\ {\mathrm{peak}}_{j-3},{\mathrm{peak}}_{j-2},{\mathrm{peak}}_{j-1},\mathrm{pea}{k}_j,{\mathrm{peak}}_{j+1},{\mathrm{peak}}_{j+2},{\mathrm{peak}}_{j+3},{\mathrm{peak}}_{j+4}\\ ...\\ {\mathrm{peak}}_{k-3},{\mathrm{peak}}_{k-2},{\mathrm{peak}}_{k-1},{\mathrm{peak}}_k,{\mathrm{peak}}_{k+1},{\mathrm{peak}}_{k+2},{\mathrm{peak}}_{k+3},{\mathrm{peak}}_{k+4}\end{array}\right]}_{q\&times;8}$

其中，q指sEMG信号中检测到的尖峰的个数。

对样本矩阵SPIKE采用PCA方法降成3维：

[pc1,score,latent]＝princomp(SPIKE)

pcaSPIKE_p×3＝SPIKE_p×8*pc1(:,1:3)

其中，princomp(·)是主元分析函数，能够计算得到SPIKE矩阵的降维投影矩阵pc1；latent是协方差矩阵的特征值；score是SPIKE在主成分空间的投影表示。

SPIKE与pc1的前D列相乘，得到pcaSPIKE矩阵，以达到降维的目的。

对降维后的样本矩阵pcaSPIKE采用高斯混合模型进行聚类：

obj＝gmdistribution.fit(pcaSPIKE,k)

label＝cluster(obj,pcaSPIKE)

其中，gmdistribution.fit(·)为高斯混合模型训练函数，obj即为训练得到的高斯混合模型，其中包含M个组元，即聚类类别的个数为M，本实验中M=5。cluster(·)根据obj将pcaSPIKE样本分为不同的类别，以不同的label(label=1,2,…,5)表示出来。图3(a-e)即是属于不同类别的MUAP，图例中的数字分别表示属于这一个类别的尖峰的数量，圈划线是这个类别所有MUAP的平均值，也称为该类别的MUAP模板(Template)。

将属于同一个类别(label)的尖峰spike_i按照其在原来sEMG的位置顺序排列，可形成不同的运动单元动作电位序列（MUAPT），示意图见图4，在本发明中，sEMG分解将构成5个MUAPT，可认为sEMG由最显著的5个MUAPT组成。见图5.

将得到的5个MUAPT提取特征，以800ms的时间窗，200ms的滑动窗进行处理，提取相应特征，包括绝对值积分(IAV),最大值(MAX),非零中值(NonZeroMed),非零中值序号(Ind),其计算公式如下：

$\mathrm{IAV}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|x_i\right|$

$\mathrm{MAX}=\underset{i=1,...,N}{\max }\left|x_i\right|$

NonZeroMed＝median(nonzeros(x₁,x₂,...,x_i,...,x_N))

Ind＝index of the NonZeroMed

其中x_i是sEMG的第i个采样值，N为时间窗的长度。median(·)计算序列的中值，nonzeros(·)计算序列的非零值，Ind表示非零中值在原时间窗中所在的位置。

将上述特征组成特征向量(Feature Vector)

$\mathrm{FV}={\left[\begin{array}{cccc}{\mathrm{IAV}}_{11}& {\mathrm{IAV}}_{21}& ...& {\mathrm{IAV}}_{p1}\\ {\mathrm{MAX}}_{11}& {\mathrm{MAX}}_{21}& ...& {\mathrm{MAX}}_{p1}\\ {\mathrm{NonZeroMed}}_{11}& {\mathrm{NonZeroMed}}_{21}& ...& {\mathrm{NonZeroMed}}_{p1}\\ {\mathrm{Ind}}_{11}& {\mathrm{Ind}}_{21}& ...& {\mathrm{Ind}}_{p1}\\ {\mathrm{IAV}}_{12}& {\mathrm{IAV}}_{22}& ...& {\mathrm{IAV}}_{p2}\\ {\mathrm{MAX}}_{12}& {\mathrm{MAX}}_{22}& ...& {\mathrm{MAX}}_{p2}\\ {\mathrm{NonZeroMed}}_{12}& {\mathrm{NonZeroMed}}_{22}& ...& {\mathrm{NonZeroMed}}_{p2}\\ {\mathrm{Ind}}_{12}& {\mathrm{Ind}}_{22}& ...& {\mathrm{Ind}}_{p2}\\ ...& ...& ...& ...\\ {\mathrm{IAV}}_{1M}& {\mathrm{IAV}}_{2M}& ...& {\mathrm{IAV}}_{\mathrm{pM}}\\ {\mathrm{MAX}}_{1M}& {\mathrm{MAX}}_{2M}& ...& {\mathrm{MAX}}_{\mathrm{pM}}\\ {\mathrm{NonZeroMed}}_{1M}& {\mathrm{NonZeroMed}}_{2M}& ...& {\mathrm{NonZeroMed}}_{\mathrm{pM}}\\ {\mathrm{Ind}}_{1M}& {\mathrm{Ind}}_{2M}& ...& {\mathrm{Ind}}_{\mathrm{pM}}\end{array}\right]}_{4M\&times;p}^T$

其中，20=4×5，表示分解得到的5个MUAPT，每个提取4个特征，p为时间窗的个数。

将FV利用pca降到r维，本实验中r=7：

[pc2,score,latent,tsquare]＝princomp(FV)

pcaFV_p×7＝FV_p×20*pc2(:,1:7)

降维后的样本pcaFV利用Linear discrimination analysis(LDA)进行分类，得到不同的手部动作。

class=classify(sample,pcaFV,group)

其中，classify(·)是LDA分类函数，sample是待分类的数据样本，pcaFV是待分类的训练样本和group是对应所属的类别。分类的结果见图6和表1。

表1

其中黑点表示LDA分类出的手势动作，虚线表示实际的手势动作，纵坐标中MFC,IFC,PS,FC,Rest分别表示捏中指、捏食指、伸掌、握拳以及休息等五个手部动作。可以看到，应用基于sEMG分解的手部动作识别方法的精度很高，达到83.1%。

Claims (11)

1.一种基于sEMG分解的手部动作识别方法，其特征在于：

采集旋前方肌处sEMG信号；

采用二阶差分滤波方法对采集到的sEMG信号进行滤波；

对滤波后的sEMG信号，进行尖峰检测，得到的所有尖峰组成样本矩阵；

对样本矩阵采用PCA方法降维；

将降维后的样本矩阵采用高斯混合模型进行聚类，得到MUAPT；

将得到的MUAPT，采用滑动平均方法进行处理，提取相应特征，并组成特征向量；

对特征向量采用PCA降维；

降维后的样本利用LDA进行分类，得到不同的手部动作。

2.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述采用的二阶差分滤波方法如下：

x_t＝y_t+2-y_t+1-y_t+y_t-1

其中y_t是采集到的原始sEMG信号，x_t是滤波后的sEMG信号，t为采样时间。

3.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述对滤波后的sEMG信号进行尖峰检测包括以下过程：

阈值的计算公式如下：

$\mathrm{\&alpha;}=c_1[\underset{t=1}{\overset{T_1}{\mathrm{\&Sigma;}}}{x}_t^{2}I(\mathrm{\&alpha;},t)/\underset{t=1}{\overset{T_1}{\mathrm{\&Sigma;}}}I(\mathrm{\&alpha;},t)]$

其中，c₁=3.5,x_t是滤波后的sEMG信号， $I(\mathrm{\&alpha;},t)=\left\{\begin{array}{cc}1,& \mathrm{if}\left|x\right|<\mathrm{\&alpha;}\\ 0,& \mathrm{otherwise}\end{array}\right.;$

记录滤波后的sEMG信号中，由下向上穿越阈值α的采样点x_i，以及与之邻近的由上向下穿越阈值的采样点x_i+k；x_i到x_i+k中的最大值即为尖峰峰值：

peak_i＝max(x_i,x_i+1,...,x_i+k)

其中，peak_i为尖峰峰值；

确定尖峰峰值位置后，则一个尖峰由其相邻的八个采样点组成：

spike_i＝{peak_i-3,...,peak_i,...,peak_i+4}

其中spike_i为一个尖峰。

4.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述所有尖峰组成样本矩阵：

$\mathrm{SPIKE}={\left[\begin{array}{c}{\mathrm{peak}}_{i-3},{\mathrm{peak}}_{i-2},{\mathrm{peak}}_{i-1},{\mathrm{peak}}_i,{\mathrm{peak}}_{i+1},{\mathrm{peak}}_{i+2},{\mathrm{peak}}_{i+3},{\mathrm{peak}}_{i+4}\\ {\mathrm{peak}}_{j-3},{\mathrm{peak}}_{j-2},{\mathrm{peak}}_{j-1},\mathrm{pea}{k}_j,{\mathrm{peak}}_{j+1},{\mathrm{peak}}_{j+2},{\mathrm{peak}}_{j+3},{\mathrm{peak}}_{j+4}\\ ...\\ {\mathrm{peak}}_{k-3},{\mathrm{peak}}_{k-2},{\mathrm{peak}}_{k-1},{\mathrm{peak}}_k,{\mathrm{peak}}_{k+1},{\mathrm{peak}}_{k+2},{\mathrm{peak}}_{k+3},{\mathrm{peak}}_{k+4}\end{array}\right]}_{q\&times;8}$

其中，SPIKE是所有尖峰组成样本矩阵，peak_i为尖峰峰值，q指sEMG信号中检测到的尖峰的个数。

5.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述对样本矩阵采用PCA方法降维包括：

[pc1,score,latent]＝princomp(SPIKE)

pcaSPIKE_p×D＝SPIKE_p×8*pc1(:,1:D)

其中，princomp(·)是主元分析函数，pc2是主元分析投影矩阵，latent是协方差矩阵的特征值，score是SPIKE在主成分空间的投影表示，SPIKE与pc1的前D列相乘，得到pcaSPIKE矩阵。

6.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述将降维后的样本矩阵采用高斯混合模型进行聚类，得到MUAPT包括以下过程：

obj＝gmdistribution.fit(pcaSPIKE,k)

label＝cluster(obj,pcaSPIKE)

其中，gmdistribution.fit(·)为高斯混合模型训练函数，obj为训练得到的高斯混合模型，其中包含M个组元，即将原始的sEMG信号分成了M类，cluster(·)是聚类函数，能够根据obj将pcaSPIKE样本分为不同的类别，以不同的label表示出来，其中label是类别的标记；

将属于同一个类别的尖峰spike_i按照其在原来sEMG信号中的先后顺序排列，小于阈值的sEMG信号用0代替，就分别构成了M个MUAPT。

7.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述滑动平均方法中，采用的时间窗为N，滑动窗为N/4。

8.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述相应特征包括绝对值积分(IAV),最大值(MAX),非零中值(NonZeroMed),非零中值序号(Ind),其计算公式如下：

$\mathrm{IAV}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\left|x_i\right|$

$\mathrm{MAX}=\underset{i=1,...,N}{\max }\left|x_i\right|$

NonZeroMed＝median(nonzeros(x₁,x₂,...,x_i,...,x_N))

Ind＝index of the NonZeroMed

其中x_i是sEMG的第i个采样值，N为时间窗的长度，median(·)表示计算序列的中值，nonzeros(·)表示计算序列的非零值，Ind表示非零中值在原时间窗中所在的位置。

9.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述特征向量为：

$\mathrm{FV}={\left[\begin{array}{cccc}{\mathrm{IAV}}_{11}& {\mathrm{IAV}}_{21}& ...& {\mathrm{IAV}}_{p1}\\ {\mathrm{MAX}}_{11}& {\mathrm{MAX}}_{21}& ...& {\mathrm{MAX}}_{p1}\\ {\mathrm{NonZeroMed}}_{11}& {\mathrm{NonZeroMed}}_{21}& ...& {\mathrm{NonZeroMed}}_{p1}\\ {\mathrm{Ind}}_{11}& {\mathrm{Ind}}_{21}& ...& {\mathrm{Ind}}_{p1}\\ {\mathrm{IAV}}_{12}& {\mathrm{IAV}}_{22}& ...& {\mathrm{IAV}}_{p2}\\ {\mathrm{MAX}}_{12}& {\mathrm{MAX}}_{22}& ...& {\mathrm{MAX}}_{p2}\\ {\mathrm{NonZeroMed}}_{12}& {\mathrm{NonZeroMed}}_{22}& ...& {\mathrm{NonZeroMed}}_{p2}\\ {\mathrm{Ind}}_{12}& {\mathrm{Ind}}_{22}& ...& {\mathrm{Ind}}_{p2}\\ ...& ...& ...& ...\\ {\mathrm{IAV}}_{1M}& {\mathrm{IAV}}_{2M}& ...& {\mathrm{IAV}}_{\mathrm{pM}}\\ {\mathrm{MAX}}_{1M}& {\mathrm{MAX}}_{2M}& ...& {\mathrm{MAX}}_{\mathrm{pM}}\\ {\mathrm{NonZeroMed}}_{1M}& {\mathrm{NonZeroMed}}_{2M}& ...& {\mathrm{NonZeroMed}}_{\mathrm{pM}}\\ {\mathrm{Ind}}_{1M}& {\mathrm{Ind}}_{2M}& ...& {\mathrm{Ind}}_{\mathrm{pM}}\end{array}\right]}_{4M\&times;p}^T$

其中，M表示分解得到的MUAPT的个数，p为时间窗的个数，IAV是绝对值积分,MAX是最大值,NonZeroMed是非零中值,Ind是非零中值序号。

10.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述对特征向量采用PCA降维过程包括：

[pc2,score,latent]＝princomp(FV)

pcaFV_p×r＝FV_p×4M*pc2(:,1:r)

其中，princomp(·)是主元分析函数，pc2是主元分析投影矩阵，latent是协方差矩阵的特征值，score是SPIKE在主成分空间的投影表示，特征向量FV与pc2的前r列相乘，得到降维后的矩阵pcaFV。

11.根据权利要求1所述的基于sEMG分解的手部动作识别方法，其特征在于：所述对降维后的样本利用LDA进行分类包括：

class=classify(sample，pcaFV，group)

其中，classify(·)是LDA分类函数，sample是待分类的数据样本，pcaFV是降维后的矩阵，group是对应所属的类别。