CN105446484A - 一种基于隐马尔科夫模型的肌电信号手势识别方法 - Google Patents

Abstract

本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。

Description

一种基于隐马尔科夫模型的肌电信号手势识别方法

技术领域

本发明属于计算机与生物信号相结合领域，具体基于隐马尔可夫模型对肌电信号对应的手势进行识别。

背景技术

友好的人机交互界面已成为信息技术领域的研究热点之一，为了计算机能够更好地判断和理解人类的意图，“生、肌、电一体化”是未来人机交互方式的重要发展趋势之一。表面肌电(surfaceelectromyography,sEMG)信号是神经肌肉系统在进行随意性和非随意性活动时的生物电变化经表面电极引导、放大、显示和记录所获得的一维电压时间序列信号。对于体育科学研究、人机交互、康复医学临床和基础研究等具有重要的学术价值和应用意义。在这些应用中，基于肌电信号的手势识别技术担当重要的角色。一个经典的肌电信号手势识别流程由数据预处理、特征空间构建和分类组成。数据预处理部分主要对信号进行整流和滤波来减少噪声，特征空间构建部分将预处理后的信号变换到特征空间使得类间有更大的区分度，最后用一个机器学习方法训练好模型用于分类。

特征空间的构建部分是提高识别准确率十分重要的部分。常用的特征包括时域特征、频域特征和时频域特征。时域特征计算速度快但对噪声信号不鲁棒，频域信号需要先对信号进行傅里叶变换得到功率谱，故对全波整流后的信号不鲁棒。目前已有经典特征集主要包含时域和频域特征，如Phinyomark特征集、Hudgins特征集和Du特征集。Lucas等人使用离散小波变换得到的时频域特征进行识别得到较低错分率，故本发明通过构建特征集同时包含时域、频域和时频域特征三种特征能够克服不同域特征的缺点。

在国内外的研究中，很多分类器被用于肌电信号手势识别中，比如人工神经网络、K近邻、线性判决分析、支持向量机和隐马尔可夫模型。其中支持向量机和隐马尔科夫模型是两种易实现且训练快的常用分类器。隐马尔可夫模型十分擅长对时序数据进行建模，十分适合作为肌电信号手势识别的分类器，但已有发明中没有使用隐马尔科夫模型对肌电信号手势进行识别。

发明内容

本发明的目的是提供一种基于隐马尔可夫模型的表面肌电信号多类手势识别方法，通过设计三种隐马尔可夫分类器，提高了手势识别的准确性。

本发明的目的是通过以下技术方案来实现的：一种基于隐马尔科夫模型判断肌电信号手势动作的方法，该方法包括如下步骤：

(1)获取肌电数据，数据预处理和数据归一化，包括以下子步骤：

(1.1)从公开数据集Non-InvasiveAdaptiveHandProsthetic(NinaPro)中获取手势动作肌电数据，该数据集已对信号进行信号整流和带通滤波；

(1.2)对获取的肌电数据进行均值平滑滤波，滤波窗口长度为50ms；

(1.3)针对每个被试的数据进行归一化；

(2)数据分割，训练数据集和测试数据集划分，包括以下子步骤：

(2.1)NinaPro数据集中每段肌电信号包含多个手势动作，同时提供动作的标签，根据获取到的肌电信号数据及标签，将每段肌电信号中的多个手势动作数据分割成为多个只包含单个手势动作的数据段，形成手势动作数据集；

(2.2)将分割得到的手势动作数据集进行训练数据集和测试数据集的划分；

(3)特征提取，特征归一化及特征降维，包括以下子步骤：

(3.1)使用滑动窗口提取特征，对每个窗口数据提取一种多特征特征集；

(3.2)对提取到的特征数据进行归一化处理；

(3.3)用最小冗余最大相关性准则(MinimumRedundancyMaximumRelevance,MRMR)对特征进行降维；

(4)基于隐马尔可夫模型的多类手势动作识别，包括以下步骤：

(4.1)设计基于隐马尔可夫模型的分类器，所述基于隐马尔可夫模型的分类器为连续隐马尔可夫分类器、半连续隐马尔可夫分类器或区分性训练隐马尔可夫分类器；

(4.2)使用训练数据集对分类器参数逐一进行优化；

(4.3)由步骤4.2训练得到的最优分类器参数和训练数据样本训练获得分类模型；

(4.4)将测试数据集输入分类器模型，输出分类结果。

进一步地，所述步骤1.3具体为：

使用一个被试所有手势数据每个通道中的最大值进行归一化。

$X_{absolute}=\frac{X}{X_{max}}$

其中，X是未归一化的手势数据，X_max是未归一化手势数据每个通道的最大值，X_absolute是归一化后的数据。

进一步地，所述步骤2.2中，训练数据集和测试数据集的划分使用两种评估方法，一种是被试内评估，另一种是被试间评估。被试内评估将单个被试的数据划分为10份，并进行10折交叉验证，针对这种评估方法，训练集为其中9份、测试集为其中1份。被试间评估，将一个被试的数据作为测试集，其余被试的数据作为训练集。

进一步地，所述步骤3.1中滑动窗口的长度为250ms、重叠比为75％；特征集包含时域、频域、时频域和其他域特征。时域特征根据肌电信号计算得到，时域特征计算时间短，但受信号噪声影响较大。频域信号根据肌电信号的功率谱计算得到，对噪声大的信号有更好的鲁棒性。时频域特征主要包含信号进行连续小波变换、离散小波变换和离散小波包变换后信号的统计特征。其他特征包含经过希尔伯特-黄变换后的统计特征。具体包含以下9种特征：信号幅值绝对均值(MAV)、波形长度(WL)、Willison幅值(WSMP)、自回归模型系数(ARC)、绝对均值斜率(MAVSLP)、平均频率(MNF)、功率谱最大值附近能量与总能量比率(PSR)、基于Daubechies1小波的多分辨率小波分析(MRWA)、希尔伯特-黄变换58种统计量(HHT-58)。

进一步地，所述步骤3.2中，针对不同的评估方法，进行不同的特征归一化；

被试内评估方法采用归一化：训练数据集归一化采用训练数据集的每维特征减去其均值并除以方差，测试数据集归一化采用测试数据集的每维特征减去训练数据集对应维度的均值并除以方差。具体公式为：

${\hat{F}}_{train}=\frac{F_{train}-mean\left(F_{train}\right)}{std\left(F_{train}\right)}$

${\hat{F}}_{test}=\frac{F_{test}-mean\left(F_{train}\right)}{std\left(F_{train}\right)}$

其中F_train是归一化前的训练数据，是归一化后的训练数据，F_test是归一化前的测试数据，是归一化后的测试数据。

被试间评估方法采用归一化：针对每个被试的数据，每维特征减去其均值并除以方差。具体公式为：

${\hat{F}}_{subject}=\frac{F_{subject}-mean\left(F_{subject}\right)}{std\left(F_{subject}\right)}$

其中F_subject是单个被试归一化前的数据，是单个被试归一化后的数据。

进一步地，所述步骤3.3具体为：

使用最小冗余-最大相关性准则来选择特征子集，这种方法可以提供具有低特征维度高区分度的特征子集。具体最小冗余-最大关联方法的目的是最大化特征子集中每维特征与标签的关联度且最小化特征之间的冗余度。

假设全特征集有D维特征，标记为F＝{F₁,F₂,...,F_D}，选择N₁维特征，特征选择的目标方程为：

$\underset{S}{\max }\[\frac{1}{\left|S\right|}\underset{F_i\∈S}{\Σ}I(F_i;c)-\frac{1}{|S{|}^2}\underset{E_i,F_j\∈S}{\Σ}I(E_i;F_j)\]$

其中S是特征选择到的特征子集，c是标签。I(F_i；F_j)是两个变量之间的互信息，它的方程为：

$I(F_i;F_j)=\∫\∫p(F_i,F_j)log\frac{p(F_i,F_j)}{p\left(F_i\right)p\left(F_j\right)}dxdy$

其中p(F_i)，p(F_j)和p(F_i,F_j)是概率密度。

进一步地，所述步骤4.1中隐马尔可夫模型是一个加入隐含状态层的统计马尔科夫模型，包含隐含状态变量、状态转移矩阵和发散分布。上一步特征提取部分使用滑动窗口得到的特征作为隐马尔可夫模型的观测变量，时序信息通过隐含状态之间的状态转移矩阵描述。

隐马尔可夫模型有三个重要的参数：初始化状态分布、状态转移概率和发散概率。初始化状态分布标记为π(维度为M*1)，其中π_i表示隐含状态i初始化概率。状态转移概率矩阵描述隐含状态之间的转移关系标记为A(维度为M*M)，其中元素a_ij描述隐含状态i到隐含状态j的转移概率。发散分布描述隐含状态变量到观测变量的分布，标记为B并且用混合高斯模型进行建模，其中b_ik描述隐含状态i到观测k的发散概率。所以整个隐马尔可夫模型可以使用λ＝(A,B,π)标记。假设一个手势F_i有长度为N的观测变量序列F_i1,F_i2,...,F_iN，序列中每个观测变量都是由滑动窗口进行特征提取及特征选择后的结果。

隐马尔科夫模型可以监督学习和非监督学习。非监督学习中连读隐马尔可夫模型和半连续马尔科夫模型被广泛使用。

对于连续隐马尔科夫模型，使用有高斯混合数为K的高斯混合模型对发散分布进行建模，观测变量的概率b_i(F_t)为：

$b_i\left(F_t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_{ij}N(F_t,{\mathrm{\μ}}_{ij},{\mathrm{\Σ}}_{ij})$

其中F_t是在时间t手势的特征向量，w_ij、μ_ij和∑_ij是隐含状态i的第j个高斯分布的权重、均值和协方差。

半连续隐马尔科夫模型不同之处在于所有的隐含状态使用一致的发散分布，需要对更少的参数进行优化，所以模型训练时间短于连读隐马尔可夫模型。则观测变量的概率b(F_t)为：

$b\left(F_t\right)=b_1\left(F_t\right)=b_2\left(F_t\right)=\mathrm{...}=b_M\left(F_t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_{j}N(F_t,{\mathrm{\μ}}_j,{\mathrm{\Σ}}_j)$

假设有C类手势动作需要分类，则针对每类手势训练一个隐马尔可夫模型。在识别时，训练完成的隐马尔可夫模型用于最大似然分类方法，可表示为：

$labe1=\arg \underset{1\≤c\≤C}{\max }P\left(0\right|{\mathrm{\λ}}_c)$

隐马尔可夫模型的监督学习中应用最广泛的是区分性训练隐马尔可夫模型。已知一个手势和其手势序列中每个特征向量的类别标签假设已知隐马尔可夫模型的参数λ＝(A,B,π)，使用维特比算法能够得到给定观测序列对应隐含状态序列训练目标就是最大化L与H之间的相似性。假设训练数据集有Q个手势动作，它们的观测序列长度为l₁,l₂,...,l_Q，相似性函数Similarity可以表示为：

$Similarity=\underset{i=1}{\overset{Q}{\Σ}}\underset{j=1}{\overset{l_i}{\Σ}}\mathrm{\φ}(L_j^i,H_j^i)$

且 $\mathrm{\φ}(L_j^i,H_j^i)=\left\{\begin{array}{cc}1,& L_j^i=H_j^i\\ 0,& otherwise\end{array}\right..$

进一步地，所述步骤4.2中连续隐马尔可夫分类器和半连续隐马尔可夫分类器需要进行分类器参数的优化，主要包括隐含状态数、高斯混合数。隐含状态数取{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17}，高斯混合数取{1,2,3,4,5,6,7,8,9,10}。首先固定高斯混合数为5、隐含状态数变化，得到最优的隐含状态数，然后在最优隐含状态数下，变化高斯混合数获取最优高斯混合数，最终得到最优的隐含状态数和高斯混合数的参数组合。

进一步地，所述步骤4.3具体为：

连续隐马尔可夫分类器和半连续隐马尔可夫分类器的训练过程为：将一个手势的多个特征向量组成的序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和手势的标签作为分类器模型的数据输入，经过训练得到分类器模型。每类手势训练一个隐马尔可夫模型。

区分性训练隐马尔可夫分类器的训练过程为：将一个手势的多个特征向量组成的序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和每个特征向量对应的标签作为分类器模型的数据输入，经过训练得到分类器模型。

进一步地，所述步骤4.4中，连续隐马尔可夫分类器和半连续隐马尔可夫分类器识别过程中，由于每类手势训练一个隐马尔可夫模型，识别时需要对比每个隐马尔可夫模型输出的似然，最大似然对应的类别即为分类结果。区分性训练隐马尔可夫分类器输出测试手势每个特征向量的标签，通过投票的方式确定最终的分类结果。

本发明的有益效果是：对预处理后肌电信号进行针对被试的归一化，被试的所有手势肌电数据除其最大值，能够降低不同被试由于力气、脂肪厚度等造成的信号幅值差异。基于一种高维特征集构建特征空间，该特征集中包含时域特征、频域特征、时频域特征等，从不同角度对肌电信号手势数据进行全面的描述，提取出肌电信号数据中更多的有效信息。使用最小冗余最大相关性准则进行降维，选择出最具区分度的特征用于识别，能够有效提升肌电信号手势的可识别性。基于隐马尔可夫模型对肌电信号数据进行建模，描述肌电信号数据不同时刻间的关联关系及某一时刻的静态特征，更好地描述不同肌电信号手势的不同运动过程。三种常用隐马尔可夫模型分类器都能够通过对肌电信号手势的运动过程进行建模从而准确地识别同一被试的不同手势，较准确地识别不同被试间手势。

附图说明

图1为本发明所述方法流程图；

图2为本发明实验选取的NinaPro数据集的3个手势集，(a)为5种腕部运动的手势集，(b)为8种手部姿态手势集，(c)为12种手指运行手势集。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

如图1所示，本发明一种基于隐马尔科夫模型判断肌电信号手势动作的方法，具体实施步骤如下：

步骤(1)我们使用开放数据集NinaPro进行方法测试，NinaPro数据集已对信号进行整流和带通滤波处理，选取手势集5个腕部动作、8个手语手势和12个手势动作，如图2所示。

步骤(2)对肌电数据进行均值平滑滤波，滤波窗口长度为50ms，并对数据进行归一化。使用一个被试所有手势数据每个通道中的最大值进行归一化，公式为

$X_{absolute}=\frac{X}{X_{\max }}$

其中，X是未归一化的手势数据，X_max是未归一化手势数据每个通道的最大值，X_absolute是归一化方法后的数据。

步骤(3)根据获取到的肌电信号数据及标签，分割得到具体动作数据，并将分割得到的具体动作数据进行训练数据集和测试数据集的划分。由于我们使用两种评估方法，一种是被试内评估，另一种是被试间评估。被试内评估将单个被试的数据划分为10份，并进行10折交叉验证，针对这种评估方法，训练集为其中9份、测试集为其中1份。被试间评估，将一个被试的数据作为测试集，其余被试的数据作为训练集。

步骤(4)使用滑动窗口提取特征，对每个窗口数据提取一种多特征特征集，滑动窗口的窗口长度为250ms、重叠比为75％。

步骤(5)针对不同的评估方法，进行不同的特征归一化。被试内评估方法采用归一化：训练数据集归一化采用训练数据集的每维特征减去其均值并除以方差，测试数据集归一化采用测试数据集的每维特征减去训练数据集对应维度的均值并除以方差。具体公式为：

${\hat{F}}_{train}=\frac{F_{train}-mean\left(F_{train}\right)}{std\left(F_{train}\right)}$

${\hat{F}}_{test}=\frac{F_{test}-mean\left(F_{train}\right)}{std\left(F_{train}\right)}$

其中F_train是归一化前的训练数据，是归一化后的训练数据，F_test是归一化前的测试数据，是归一化后的测试数据。

被试间评估方法采用归一化：针对每个被试的数据，每维特征减去其均值并除以方法。具体公式为：

${\hat{F}}_{subject}=\frac{F_{subject}-mean\left(F_{subject}\right)}{std\left(F_{subject}\right)}$

其中F_subject是单个被试归一化前的数据，是单个被试归一化后的数据。

步骤(6)用最小冗余最大相关性准则(MinimumRedundancyMaximumRelevance,MRMR)对特征进行降维，具体降维的维度选择过程在训练集上进行，自动特征降维输出为每维特征的相关性减去冗余的得分如下：

$I(F_i;c)-\frac{1}{|S{|}^2}\underset{F_i,F_j\∈S}{\Σ}I(F_i;F_j)$

其中S是特征选择到的特征子集，c是标签。I(F_i；F_j)是两个变量之间的互信息，它的方程为：

$I(F_i;F_j)=\∫\∫p(F_i,F_j)\log \frac{p(F_i,F_j)}{p\left(F_i\right)p\left(F_j\right)}dxdy$

我们选择得到最高的前D维特征，其中D可选为{2,4,8,10,20,30,40,60,80,100,200,400}。测试时，直接使用训练集上得到的选择结果。

步骤(7)设计3种基于隐马尔可夫模型的分类器，分别为连续隐马尔可夫分类器、半连续隐马尔可夫分类器和区分性训练隐马尔可夫分类器；

隐马尔可夫模型是一个加入隐含状态层的统计马尔科夫模型，包含隐含状态变量、状态转移矩阵和发散分布。上一步特征提取部分使用滑动窗口得到的特征作为隐马尔可夫模型的观测变量，时序信息通过隐含状态之间的状态转移矩阵描述。

隐马尔可夫模型有三个重要的参数：初始化状态分布、状态转移概率和发散概率。初始状态分布标记为π(维度为M*1)，其中π_i表示隐含状态i初始化概率。状态转移概率矩阵描述隐含状态之间的转移关系标记为A(维度为M*M)，其中元素a_ij描述隐含状态i到隐含状态j的转移概率。发散分布描述隐含状态变量到观测变量的分布，标记为B并且用混合高斯模型进行建模，其中b_ik描述隐含状态i到观测k的发散概率。所以整个隐马尔可夫模型可以使用λ＝(A,B,π)标记。我们假设一个手势F_i有长度为N的观测变量序列F_i1,F_i2,...,F_iN，序列中每个观测变量都是由滑动窗口进行特征提取及特征选择后的结果。

隐马尔科夫模型可以监督学习和非监督学习。非监督学习中连读隐马尔可夫模型和半连续马尔科夫模型被广泛使用。

对于连续隐马尔科夫模型，我们使用有高斯混合数为K的高斯混合模型对发散分布进行建模，观测变量的概率为：

$b_i\left(F_t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_{ij}N(F_t,{\mathrm{\μ}}_{ij},{\mathrm{\Σ}}_{ij})$

其中F_t是在时间t手势的特征向量，w_ij、μ_ij和∑_ij是隐含状态i的第j个高斯分布的权重、均值和协方差。

半连续隐马尔科夫模型不同之处在于所有的隐含状态使用一致的发散分布，需要对更少的参数进行优化，所以模型训练时间短于连读隐马尔可夫模型。则观测变量是概率为

$b\left(F_t\right)=b_1\left(F_t\right)=b_2\left(F_t\right)=\mathrm{...}=b_M\left(F_t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_{j}N(F_t,{\mathrm{\μ}}_j,{\Σ}_j)$

假设我们有C类手势动作需要分类，则针对每类手势训练一个隐马尔可夫模型。在识别时，训练完成的隐马尔可夫模型用于最大似然分类方法，可表示为：

$label=\arg \underset{1\≤c\≤C}{\max }P\left(0\right|{\mathrm{\λ}}_c)$

隐马尔可夫模型的监督训练应用最广泛的是隐马尔可夫模型的判决训练。已知一个手势和其手势序列中每个特征向量的类别标签假设已知隐马尔可夫模型的参数λ＝(A,B,π)，使用维特比算法能够得到给定观测序列对应隐含状态序列训练目标就是最大化L与H之间的相似性。假设训练数据集有Q个手势动作，它们的观测序列长度为l₁,l₂,...,l_Q，相似性函数可以表示为：

$Similarity=\underset{i=1}{\overset{Q}{\Σ}}\underset{j=1}{\overset{l_i}{\Σ}}\mathrm{\φ}(L_j^i,H_j^i)$

且 $\mathrm{\φ}(L_j^i,H_j^i)=\{\begin{array}{cc}1,& L_j^i==H_j^i\\ 0,& otherwise\end{array}.$

步骤(8)3种隐马尔可夫分类器，其中连续隐马尔可夫分类器和半连续隐马尔可夫分类器需要进行分类器参数的优化，主要包括隐含状态数、高斯混合数。隐含状态数取{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17}，高斯混合数取{1,2,3,4,5,6,7,8,9,10}。首先固定高斯混合数为5、隐含状态数变化，得到最优的隐含状态数，然后在最优隐含状态数下，变化高斯混合数获取最优高斯混合数，最终得到最优的隐含状态数和高斯混合数的参数组合。

步骤(9)根据步骤(8)的模型设置进行模型训练。连续隐马尔可夫分类器和半连续隐马尔可夫分类器的训练过程为：将一个手势的多个特征向量组成的序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和手势的标签作为分类器模型的数据输入，经过训练得到分类器模型。每类手势训练一个隐马尔可夫模型。

区分性训练隐马尔可夫分类器的训练过程为：将一个手势的多个特征向量组成的序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和每个特征向量对应的标签作为分类器模型的数据输入，经过训练得到分类器模型。

步骤(10)将测试数据集输入分类器模型，输出分类结果。连续隐马尔可夫分类器和半连续隐马尔可夫分类器识别过程中，由于每类手势训练一个隐马尔可夫模型，识别时需要对比每个隐马尔可夫模型输出的似然，最大似然对应的类别即为分类结果。区分性训练隐马尔可夫分类器输出测试手势每个特征向量的标签，通过投票的方式确定最终的分类结果。

对5、8、12三种手势集(如图2所示)分别使用三种分类器进行识别的结果：

三种隐马尔可夫分类器都能够达到较高的识别率，被试内识别率在三种手势集中均超过87％，被试间识别率在5手势均超过77％。区分性训练隐马尔可夫模型是三种隐马尔可夫分类器中识别效果最高的，被试内识别率在三种手势集中均超过90％，被试间识别率在5种手势超过81％。

Claims (10)

1.一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，包括如下步骤：

(1)获取肌电数据，数据预处理和数据归一化，包括以下子步骤：

(1.1)从公开数据集NinaPro中获取手势动作肌电数据；

(1.2)对获取的肌电数据进行均值平滑滤波，滤波窗口长度为50ms；

(1.3)针对每个被试的数据进行归一化；

(2)数据分割，训练数据集和测试数据集划分，包括以下子步骤：

(2.1)根据获取到的肌电信号数据及标签，将每段肌电信号中的多个手势动作数据分割成为多个只包含单个手势动作的数据段，形成手势动作数据集；

(2.2)将分割得到的手势动作数据集进行训练数据集和测试数据集的划分；

(3)特征提取，特征归一化及特征降维，包括以下子步骤：

(3.1)使用滑动窗口提取特征，对每个窗口数据提取一种多特征特征集；

(3.2)对提取到的特征数据进行归一化处理；

(3.3)用最小冗余最大相关性准则对特征进行降维；

(4)基于隐马尔可夫模型的多类手势动作识别，包括以下步骤：

(4.1)设计基于隐马尔可夫模型的分类器，所述分类器为连续隐马尔可夫分类器、半连续隐马尔可夫分类器或区分性训练隐马尔可夫分类器；

(4.2)使用训练数据集对分类器参数逐一进行优化；

(4.3)由步骤4.2训练得到的最优分类器参数和训练数据样本训练获得分类模型；

(4.4)将测试数据集输入分类器模型，输出分类结果。

2.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤1.3具体为：

使用一个被试所有手势数据每个通道中的最大值进行归一化。

$X_{absolute}=\frac{X}{X_{max}}$

其中，X是未归一化的手势数据，X_max是未归一化手势数据每个通道的最大值，X_absolute是归一化后的数据。

3.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤2.2中，训练数据集和测试数据集的划分可使用被试内评估或被试间评估。被试内评估将单个被试的数据划分为10份，并进行10折交叉验证，针对这种评估方法，训练集为其中9份、测试集为其中1份。被试间评估，将一个被试的数据作为测试集，其余被试的数据作为训练集。

4.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤3.1中，滑动窗口的长度为250ms、重叠比为75％；特征集包含时域、频域、时频域和其他域特征。时域特征根据肌电信号计算得到。频域特征根据肌电信号的功率谱计算得到。时频域特征包含信号进行连续小波变换、离散小波变换和离散小波包变换后信号的统计特征。其他域特征包含经过希尔伯特-黄变换后的统计特征。具体包含以下9种特征：信号幅值绝对均值(MAV)、波形长度(WL)、Willison幅值(WSMP)、自回归模型系数(ARC)、绝对均值斜率(MAVSLP)、平均频率(MNF)、功率谱最大值附近能量与总能量比率(PSR)、基于Daubechies1小波的多分辨率小波分析(MRWA)、希尔伯特-黄变换58种统计量(HHT-58)。

5.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤3.2中，针对不同的评估方法，进行不同的特征归一化；

被试内评估方法的归一化：训练数据集归一化采用训练数据集的每维特征减去其均值并除以方差，测试数据集归一化采用测试数据集的每维特征减去训练数据集对应维度的均值并除以方差。具体公式为：

${\hat{F}}_{train}=\frac{F_{train}-mean\left(F_{train}\right)}{std\left(F_{train}\right)}$

${\hat{F}}_{test}=\frac{F_{test}-mean\left(F_{train}\right)}{std\left(F_{train}\right)}$

其中F_train是归一化前的训练数据，是归一化后的训练数据，F_test是归一化前的测试数据，是归一化后的测试数据。

被试间评估方法的归一化：针对每个被试的数据，每维特征减去其均值并除以方差。具体公式为：

${\hat{F}}_{subject}=\frac{F_{subject}-mean\left(F_{subject}\right)}{std\left(F_{subject}\right)}$

其中F_subject是单个被试归一化前的数据，是单个被试归一化后的数据。

6.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤3.3具体为：使用最小冗余-最大相关性准则来选择特征子集，最小冗余-最大关联方法的目的是最大化特征子集中每维特征与标签的关联度且最小化特征之间的冗余度。

假设全特征集有D维特征，标记为F＝{F₁,F₂,...,F_D}，选择N₁维特征，特征选择的目标方程为：

$\underset{S}{\max }\[\frac{1}{\left|S\right|}\underset{F_i\∈S}{\Σ}I\left(F_i;c\right)-\frac{1}{|S{|}^2}\underset{F_i,F_j\∈S}{\Σ}I\left(F_i;F_j\right)\]$

其中S是特征选择到的特征子集，c是标签。I(F_i；F_j)是两个变量之间的互信息，它的方程为：

$I\left(F_i;F_j\right)=\∫\∫p\left(F_i,F_j\right)\log \frac{p\left(F_i,F_j\right)}{p\left(F_i\right)p\left(F_j\right)}dxdy$

其中p(F_i)，p(F_j)和p(F_i,F_j)是概率密度。

7.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤4.1中隐马尔可夫模型是一个加入隐含状态层的统计马尔科夫模型，包含隐含状态变量、状态转移矩阵和发散分布。步骤3.1中使用滑动窗口得到的特征作为隐马尔可夫模型的观测变量，时序信息通过隐含状态之间的状态转移矩阵描述。

隐马尔可夫模型有三个重要的参数：初始化状态分布、状态转移概率和发散概率。初始化状态分布标记为π(维度为M*1)，其中π_i表示隐含状态i初始化概率。状态转移概率矩阵描述隐含状态之间的转移关系标记为A(维度为M*M)，其中元素a_ij描述隐含状态i到隐含状态j的转移概率。发散分布描述隐含状态变量到观测变量的分布，标记为B并且用混合高斯模型进行建模，其中b_ik描述隐含状态i到观测k的发散概率。所以整个隐马尔可夫模型可以使用λ＝(A,B,π)标记。假设一个手势F_i有长度为N的观测变量序列F_i1,F_i2,...,F_iN，序列中每个观测变量都是由滑动窗口进行特征提取及特征选择后的结果。

隐马尔科夫模型可以监督学习和非监督学习。非监督学习中连读隐马尔可夫模型和半连续马尔科夫模型被广泛使用。

对于连续隐马尔科夫模型，使用有高斯混合数为K的高斯混合模型对发散分布进行建模，观测变量的概率b_i(F_t)为：

$b_i\left(F_t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_{ij}N(F_t,{\mathrm{\μ}}_{ij},{\mathrm{\Σ}}_{ij})$

其中F_t是在时间t手势的特征向量，w_ij、μ_ij和∑_ij是隐含状态i的第j个高斯分布的权重、均值和协方差。

半连续隐马尔科夫模型不同之处在于所有的隐含状态使用一致的发散分布，需要对更少的参数进行优化，所以模型训练时间短于连读隐马尔可夫模型。则观测变量的概率b(F_t)为：

$b\left(F_t\right)=b_1\left(F_t\right)=b_2\left(F_t\right)=...=b_M\left(F_t\right)=\underset{k=1}{\overset{K}{\Σ}}{w}_{j}N(F_t,{\mathrm{\μ}}_j,{\mathrm{\Σ}}_j)$

假设有C类手势动作需要分类，则针对每类手势训练一个隐马尔可夫模型。在识别时，训练完成的隐马尔可夫模型用于最大似然分类方法，可表示为：

$label=\arg \underset{1\≤c\≤C}{max}P\left(0|{\mathrm{\λ}}_c\right)$

隐马尔可夫模型的监督学习中应用最广泛的是区分性训练隐马尔可夫模型。已知一个手势和其手势序列中每个特征向量的类别标签假设已知隐马尔可夫模型的参数λ＝(A,B,π)，使用维特比算法能够得到给定观测序列对应隐含状态序列训练目标就是最大化L与H之间的相似性。假设训练数据集有Q个手势动作，它们的观测序列长度为l₁,l₂,...,l_Q，相似性函数Similarity可以表示为：

$Similarity=\underset{i=1}{\overset{Q}{\Σ}}\underset{j=1}{\overset{l_i}{\Σ}}\mathrm{\φ}(L_j^i,H_j^i)$

且 $\mathrm{\φ}\left(L_j^i,H_j^i\right)=\left\{\begin{array}{cc}1,& L_j^i==H_j^i\\ 0,& otherwise\end{array}\right..$

8.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤4.2中，连续隐马尔可夫分类器和半连续隐马尔可夫分类器需要进行分类器参数的优化，包括隐含状态数、高斯混合数。隐含状态数取{1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17}，高斯混合数取{1,2,3,4,5,6,7,8,9,10}。首先固定高斯混合数为5、隐含状态数变化，得到最优的隐含状态数，然后在最优隐含状态数下，变化高斯混合数获取最优高斯混合数，最终得到最优的隐含状态数和高斯混合数的参数组合。

9.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤4.3具体为：

连续隐马尔可夫分类器和半连续隐马尔可夫分类器的训练过程为：将一个手势的多个特征向量组成的序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和手势的标签作为分类器模型的数据输入，经过训练得到分类器模型。每类手势训练一个隐马尔可夫模型。

区分性训练隐马尔可夫分类器的训练过程为：将一个手势的多个特征向量组成的序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和每个特征向量对应的标签作为分类器模型的数据输入，经过训练得到分类器模型。

10.根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，所述步骤4.4中，连续隐马尔可夫分类器和半连续隐马尔可夫分类器识别过程中，由于每类手势训练一个隐马尔可夫模型，识别时需要对比每个隐马尔可夫模型输出的似然，最大似然对应的类别即为分类结果。区分性训练隐马尔可夫分类器输出测试手势每个特征向量的标签，通过投票的方式确定最终的分类结果。