CN105943042A - 基于肌电信号的操作者手部行为感知系统 - Google Patents

Abstract

一种基于肌电信号的操作者手部行为感知系统，包括肌电腕表装置和接收处理终端；所述肌电腕表装置包括弹性腕带以及设置在弹性腕带上的各功能模块，功能模块包括肌电电极、信号调理单元、信号处理单元、无线发送单元和供电单元；所述接收处理终端包括无线接收单元以及信号分析模块；信号调理单元对肌电电极采集的肌电信号进行放大和滤波处理后输出给信号处理单元进行模数转换并缓存，处理后的肌电信号数据经无线发送单元将发送给接收处理终端，接收处理终端能够对肌电信号数据进行处理和分析，得到操作者的操作手势。本发明能够有效识别操作者的手势信息，并且具有信噪比高、能耗低等优点。

Description

基于肌电信号的操作者手部行为感知系统

技术领域

本发明涉及在轨服务技术领域，具体说涉及一种基于肌电信号的操作者手部行为感知系统。

背景技术

随着空间研究、开发与应用能力的不断提高，各国相继研制并发射了大量面向各种任务要求的航天器，航天器的结构、组成日趋复杂，性能、技术水平不断提高。在这种情况下，宇航员的工作时间越来越强，工作强度也越来越大，因此保证宇航员的安全是空间任务的重中之重。

宇航员在太空中，各种生理信号需要在线实时监控，其中肌电信号是一种重要的生理信号，它既可以通过肌电信号分析得到手部动作，又可以反映宇航员肌肉的疲劳程度和身体健康程度，甚至还可以从信号中分析宇航员的操作动作正确与否。

而现有的肌电信号采集仪大多没有功耗和体积指标，而且由于体积太大导致不能腕表在宇航服内，而且采用有线连接方式不便实时数据处理，而航天应用对功耗和体积要求非常严格，而且对系统的抗噪声干扰能力也要求非常高，因此目前还没有适合航天员应用的、体积小、易佩戴、功能高度集成的操作者手部行为感知系统。

发明内容

为了克服现有技术存在的不足，本发明提供一种基于肌电信号的操作者手部行为感知系统，适应航天应用场合的操作者手部行为感知。

本发明的技术方案是：

一种基于肌电信号的操作者手部行为感知系统，包括肌电腕表装置和接收处理终端；所述肌电腕表装置包括弹性腕带以及设置在弹性腕带上的各功能模块，这些功能模块包括肌电电极、信号调理单元、信号处理单元、无线发送单元、供电单元；所述接收处理终端包括无线接收单元以及信号分析模块；

所述肌电电极用于采集表面肌电信号；所述信号调理单元对肌电电极采集的肌电信号进行放大和滤波处理后输出给信号处理单元；所述信号处理单元将信号进行模数转换并缓存，同时将处理后的肌电信号数据输出给无线发送单元；所述无线发送单元将接收到的肌电信号数据以无线的方式发送给无线接收单元；所述供电单元为上述肌电电极、信号调理单元、信号处理单元、无线发送单元提供电源；所述无线接收单元能够接收来自无线发送单元的肌电信号数据并提交给信号分析模块；所述信号分析模块对肌电信号数据进行处理和分析，得到操作者的操作手势。

本发明中：所述肌电电极为多个，各肌电电极分布在腕带的不同位置，用于采集对应位置的肌电信号。进一步地，所述的肌电电极采用贴片式Ag/AgCl电极，降低了电阻对肌电信号采集的影响，提高了信噪比。

本发明中：所述的信号调理单元为一个两级信号放大模块，具有信号放大功能，此外它还具有陷波、低通和高通等滤波功能，放大倍数为20000倍，长宽高为450mm×60mm×4mm，功耗小于25mW。

本发明中：所述的信号处理单元包括微处理器和模数转换器(ADC)，其中微处理器采用超低功耗的MSP430F2418，主晶振采用16MHz晶振，降低了能耗。模数转换器(ADC)采用微处理器自带的功能模块，基准采用低功耗的外部电源基准max1633，它初始精度为0.04％，具有低温漂系数，低压降，低静态电流和低噪声的优点。

本发明中：所述的无线发送单元采用A7105芯片。

本发明中：所述的供电单元包括锂电池和电源模块，其中电源模块采用低压降的ADP122，它电源纹波小，可以使得系统只需要一节锂电池供电即可正常输出3.3V电压，并且利用磁珠实现了数字电源和模拟电源的隔离。

本发明中：所述的无线接收单元采用2.4GHz的无线路由器。

本发明中：所述的信号分析模块是一台PC机，加载了手势识别算法。

本发明中：所述腕带采用有弹性的树脂材料制作，可以用于适应不同大小的手腕佩戴；所述腕带的两端头设置有佩戴锁紧件，佩戴锁紧件采用小型公母搭扣方式实现。

本发明提供一种手势识别算法，包括以下步骤：

S1：手部行为发起检测，设某个肌电信号采集窗口的时间长度为T，500Hz采集频率下共采集到N个肌电信号值X

S1.1:零均值处理

其中，X(n)为该肌电信号采集窗口中采集到的肌电信号的第n个采样值，为计算得到的肌电信号均值；

S1.2：计算TKE算子：

其中，为步骤S1.1中计算得到的肌电信号均值，ψ(n)为计算得到的TKE算子(该算子参见参考文献：Teager H M,Teager S M.Evidence for Nonlinear SoundReduction Mechanisms in the Vocal Tract.Kluwer Acad.Publ.,1990:241-261.)。

S1.3：计算均值和标准差：

${\mathrm{\μ}}_0=\frac{1}{N}\underset{n=1}{\overset{N}{\Σ}}\mathrm{\ψ}\left(n\right)$

${\mathrm{\δ}}_0={\left\{\frac{1}{N-1}\underset{n=1}{\overset{N}{\Σ}}{\left(\mathrm{\ψ}\right(n)-{\mathrm{\μ}}_0)}^2\right\}}^{1/2}$

其中，ψ(n)为步骤S1.2计算得到的TKE算子，μ₀为计算得到的均值，δ₀为计算得到的标准差。

S1.4：计算阈值Th：Th＝μ₀+j·δ₀

其中μ₀为步骤S1.3计算得到的均值，δ₀为步骤S1.3计算得到的标准差，j为事先设定的阈值乘子，Th为计算得到的阈值；

S1.5：计算动作序列s(n)：s(n)＝sign(ψ(n)-Th)

其中，sign(·)为符号函数，即当ψ(n)-Th＞0时s(n)＝1，否则s(n)＝0。

S1.6：动作序列s(n)滤波：设定T₁为手部行为中出现的非活动时长，即在正常的肌肉活动中表现出的静息状态的时间；T₂则为手部静止时，由于尖峰噪声等影响而出现的活动时长。

在得到的一系列s(n)中，若相邻两个s(n)＝1时刻之差小于T₁，将两个s(n)＝1时刻之间的s(n)的值全部更改为“1”，这样做的目的就是，避免在肌肉活动时由于收缩过快等原因偶尔出现的静息状态；

在得到的一系列s(n)中，相邻两个s(n)＝0时刻之差小于T₂，将两个s(n)＝0时刻之间的s(n)的值全部更改为“0”，这样做的目的就是，在正常无动作情况下肌肉静息时偶尔出现的噪声等尖峰信号带来的影响。

S1.7：计算动作发起时间：

S2：建立常用手势库；

所述的常用手势库，包括以下8种手势，但并不仅仅限于此8种手势，相似的改进和修饰应视作与该手势库相同：(1)用五指抓住并托举书本，且大拇指与其余四指方向相对；(2)仅使用大拇指、食指和中指，三指抓住盛满水的500mL易拉罐；(3)用五指抓住盛满水的500ml易拉罐，且大拇指与其余四指方向相对；(4)用五指抓住球状物；(5)仅使用大拇指与食指拿捏CD盒；(6)用大拇指、食指和中指摘掉记号笔的笔盖；(7)用五指打开文具盒；(8)用五指拿起铅笔。

S3：预分类，包括基于积分特征值的特征提取和基于线性判别函数的模式识别两个步骤。积分特征值计算如下：

$IEMG=\frac{1}{N}\underset{n=0}{\overset{N-1}{\Σ}}\left|EMG\left(n\right)\right|$

其中，EMG(n)(n＝0,1,2…,N-1)为一长度为N的时间序列，在这里为一列肌电信号。

基于线性判别函数的模式识别中的识别模型可表述为：

$d\left(x\right)\stackrel{def}{=}{\mathrm{\ω}}^{\′}x$

其中x＝(x₁,x₂,…,x_n,1)′，ω＝(ω₁,ω₂,…,ω_n,ω_n+1)′，x为增广特征矢量，这里

x₁,x₂,…,x_n分别指各通道肌电信号的积分值IEMG，ω称为增广权矢量。ω的学习过程可描述为：

其中，ω(k)为第k步迭代得到的增广权矢量ω，ρ为预先设定的学习率，为一个正实数。

当学习集的模式全部用作训练完毕后，对其进行检验，若仍有模式被错判，则需要对其开展再次迭代，进行第二轮训练，调整建立新的权矢量。以此类推，直到对于学习集中的模式分类正确率达到98％以上为止，或者迭代M次为止，此时得到的权矢量ω值即为所求。

当确定好判别函数d(x)后，即ω确定后，将测试集的特征矢量x_t，即各通道肌电信号的积分值IEMG，并在该特征矢量的基础上增加一个常数维度，构成增广特征矢量x，代入判别函数中，运用如下判别规则进行判断，达到分类的效果：

$d\left(x\right)=\mathrm{\&omega;}x\left\{\begin{array}{c}\&GreaterEqual;0\&RightArrow;x\&Element;A\\ <0\&RightArrow;x\&Element;B\end{array}\right.$

其中，d(x)为学习得到的判别函数，ω为学习得到的增广权矢量，x为增广特征矢量；

S4：细分类，包括基于AR模型的特征提取和基于BP神经网络分类器的模式识别两个步骤。其中AR模型可表述如下：

$EMG\left(n\right)+\underset{k=1}{\overset{p}{\&Sigma;}}{a}_{k}EMG(n-k)=w\left(n\right)$

其中EMG(n)为一系列采集到的肌电信号的第n个采样值；w(n)为输入信号，假定其为白噪声，p为AR模型的阶数。a_k则是AR模型的第k个系数，这便是所要求取的特征参数。

这里的BP神经网络分类器其输入为AR模型的特征参数，输出为手势的类别。通过训练集的学习过程得到的BP神经网络权值，输入AR模型的特征参数从而可得到手势类别。

本发明主要技术指标为：

(1)供电电压：一节3.7V锂电池；

(2)肌电信号放大倍数：20000倍；

(3)系统功耗：小于200mW；

(4)信号调理模块几何参数：长宽厚为450mm×60mm×4mm

(5)常用手势库中的8种手势的识别正确率>80％

本发明的优点在于：提供的可佩带式的低功耗表面肌电信号采集仪，采用低功耗的信号放大以及采集模块，处理器采用超低功耗的MSP430F2418，减小了体积和功耗。另外采用了低压降的电源模块以减小电源功耗和减小电源纹波，并考虑数字电源和模拟电源的隔离，改善了系统的信噪比，增强了系统的稳定性和可靠性。本发明能够有效识别操作者的手势信息，并且具有信噪比高、能耗低等优点，适应航天应用场合的操作者手部行为感知。

附图说明

图1是基于肌电信号的操作者手部行为感知系统结构示意图。

图2是基于肌电信号的操作者手部行为感知系统原理方框图

图3电源转换电路原理图

图4电源基准电路原理图

图5手势识别算法示意图

图6操作手势的预分类识别率

图7操作手势细分类的混淆矩阵

图8操作手势总的识别率

图9手部行为发起检测的流程

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

如图1所示，本发明提供一种基于肌电信号的操作者手部行为感知系统，其特征在于，包括：肌电电极2、信号调理单元4、信号处理单元6、无线发送单元5、腕带3、佩戴锁紧件1、供电单元7、无线接收单元8和信号分析模块9。

图1所示的腕带3采用有弹性的树脂材料制作，可以用于适应不同大小的手腕佩戴，佩戴锁紧件采用小型公母搭扣方式实现。

图2给出了基于肌电信号的操作者手部行为感知系统的工作原理，肌电电极2采用贴片式Ag/AgCl电极，用于采集表面肌电信号，信号调理单元对肌电电极采集的肌电信号进行放大和滤波处理后输出给信号处理单元；所述信号处理单元将信号进行模数转换并缓存，同时将处理后的肌电信号数据输出给无线发送单元；所述无线发送单元将接收到的肌电信号数据以无线的方式发送给无线接收单元。无线接收单元能够接收来自无线发送单元的肌电信号数据并提交给信号分析模块；所述信号分析模块内加载有手势识别算法能够对肌电信号数据进行处理和分析，得到操作者的操作手势。

信号处理单元包括微处理器和模数转换器，微处理器采用低功耗MSP430F2418，发送模块采用低功耗的nrf24l01，微处理器处理器自带的ADC。所述的电压基准采用外部低功耗基准电源，电源由一节锂电池经过电源转换芯片后提供。

图1中所述的信号调理单元4为一个两级信号放大模块，它还有陷波、低通和高通的功能，放大倍数为20000倍，长宽高为450mm×60mm×4mm，功耗小于25mW，只需要提供+3.3V电源。

图3和图4分别描述了电源模块的电路图。所述的电源模块采用低压降的ADP122，它电源纹波小，可以使得系统只需要一节锂电池供电即可正常输出3.3V电压，C2和C3是退耦电容，L1和L2是磁珠，用于隔离数字电源和模拟电源，磁珠L3是用于隔离数字地和模拟地的作用，R1和R2用于对电池分压后检测电池电量。

信号处理单元包括微处理器和ADC。所述的微处理器采用超低功耗的MSP430F2418，主晶振采用16MHz晶振，它带有1个SPI接口、两个URAT接口，10通道的12bit的ADC接口，以及带有RTC模块和看门狗模块，具有多种低功耗模式，可以关闭不需要的外设模块以节约电量，并且有多个外部IO可以使用。所述的ADC采用微处理器自带的功能模块，基准采用低功耗的外部电源基准max1633，它初始精度为0.04％，具有低温漂系数，低压降，低静态电流和低噪声的优点。

如图5所示，本发明提供一种手势识别算法，包括以下步骤：

S1：手部行为发起检测；

S2：建立常用手势库；

所述的常用手势库，包括以下8种手势，但并不仅仅限于此8种手势，相似的改进和修饰应视作与该手势库相同：(1)用五指抓住并托举书本，且大拇指与其余四指方向相对；(2)仅使用大拇指、食指和中指，三指抓住盛满水的500mL易拉罐；(3)用五指抓住盛满水的500ml易拉罐，且大拇指与其余四指方向相对；(4)用五指抓住球状物；(5)仅使用大拇指与食指拿捏CD盒；(6)用大拇指、食指和中指摘掉记号笔的笔盖；(7)用五指打开文具盒；(8)用五指拿起铅笔。

S3：预分类，包括基于积分特征值的特征提取和基于线性判别函数的模式识别两个步骤。积分特征值计算如下：

$IEMG=\frac{1}{N}\underset{n=0}{\overset{N-1}{\&Sigma;}}\left|EMG\left(n\right)\right|$

其中，EMG(n)(n＝0,1,2…,N-1)为一长度为N的时间序列，在这里为一列肌电信号。

基于线性判别函数的模式识别中的识别模型可表述为：

$d\left(x\right)\stackrel{def}{=}{\mathrm{\&omega;}}^{\&prime;}x$

其中x＝(x₁,x₂,…,x_n,1)′，ω＝(ω₁,ω₂,…,ω_n,ω_n+1)′，x为增广特征矢量，这里x₁,x₂,…,x_n分别指各肌电信号通路的积分值IEMG，ω称为增广权矢量。ω的学习过程可描述为：

当学习集的模式全部用作训练完毕后，对其进行检验，若仍有模式被错判，则需要对其开展再次迭代，进行第二轮训练，调整建立新的权矢量；以此类推，直到对于学习集中的模式分类正确率达到98％以上为止，或者迭代M次为止，此时得到的权矢量ω值即为所求。

当确定好判别函数d(x)后，即ω确定后，将测试集的特征矢量x即各通道肌电信号的积分值IEMG，代入判别函数中，运用如下判别规则进行判断，达到分类的效果：

$d\left(x\right)={\mathrm{\&omega;}}^{\&prime;}x\left\{\begin{array}{c}\&GreaterEqual;0\&RightArrow;x\&Element;A\\ <0\&RightArrow;x\&Element;B\end{array}\right.$

S4：细分类，包括基于AR模型的特征提取和基于BP神经网络分类器的模式识别两个步骤。其中AR模型可表述如下：

$EMG\left(n\right)+\underset{k=1}{\overset{p}{\&Sigma;}}{a}_{k}EMG(n-k)=w\left(n\right)$

其中EMG(n)为线性系统的输出信号，其表示为一系列采集到的肌电信号的第n个采样值；w(n)为输入信号，假定其为白噪声，p为AR模型的阶数。a_k则是AR模型的第k个系数，这便是所要求取的特征参数。

这里的BP神经网络分类器其输入为AR模型的特征参数，输出为手势的类别。通过训练集的学习过程得到的BP神经网络权值，输入AR模型的特征参数从而可得到手势类别。

图6给出了操作手势的预分类识别率，图7给出了操作手势细分类的混淆矩阵，两者相乘可得到图8所示的操作手势总的识别率。常用手势库中的手势识别率达到了82.8％以上，证明了本发明所提手势识别方法的有效性。

手部行为发起检测的流程如图9所示，具体包括以下步骤：

S1.1:零均值处理

S1.2：计算TKE算子：

S1.3：计算均值和标准差：

${\mathrm{\&mu;}}_0=\frac{1}{N}\underset{n=1}{\overset{N}{\&Sigma;}}\mathrm{\&psi;}\left(n\right)$

${\mathrm{\&delta;}}_0={\left\{\frac{1}{N-1}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(\mathrm{\&psi;}\right(n)-{\mathrm{\&mu;}}_0)}^2\right\}}^{1/2}$

S1.4：计算阈值Th：Th＝μ₀+j·δ₀

S1.5：计算动作序列s(n)：s(n)＝sign(ψ(n)-Th)

S1.6：动作序列s(n)滤波：设定T₁为手部行为中，出现的非活动时长，即在正常的肌肉活动中表现出的静息状态的时间；T₂则为手部静止时，由于尖峰噪声等影响而出现的活动时长。

在得到的一系列s(n)中，若相邻两个s(n)＝1时刻之差小于T₁，将两个s(n)＝1时刻之间的s(n)的值全部更改为“1”，这样做的目的就是，避免在肌肉活动时由于收缩过快等原因偶尔出现的静息状态；

在得到的一系列s(n)中，相邻两个s(n)＝0时刻之差小于T₂，将两个s(n)＝0时刻之间的s(n)的值全部更改为“0”，这样做的目的就是，在正常无动作情况下肌肉静息时偶尔出现的噪声等尖峰信号带来的影响。

S1.7：计算动作发起时间：

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应该提出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于肌电信号的操作者手部行为感知系统，其特征在于：包括肌电腕表装置和接收处理终端；所述肌电腕表装置包括弹性腕带以及设置在弹性腕带上的各功能模块，功能模块包括肌电电极、信号调理单元、信号处理单元、无线发送单元和供电单元；所述接收处理终端包括无线接收单元以及信号分析模块；

所述肌电电极用于采集表面肌电信号；所述信号调理单元对肌电电极采集的肌电信号进行放大和滤波处理后输出给信号处理单元；所述信号处理单元将信号进行模数转换并缓存，同时将处理后的肌电信号数据输出给无线发送单元；所述无线发送单元将接收到的肌电信号数据以无线的方式发送给无线接收单元；所述供电单元为上述肌电电极、信号调理单元、信号处理单元、无线发送单元提供电源；所述无线接收单元能够接收来自无线发送单元的肌电信号数据并提交给信号分析模块；所述信号分析模块内加载有手势识别算法能够对肌电信号数据进行处理和分析，得到操作者的操作手势。

2.根据权利要求1所述的基于肌电信号的操作者手部行为感知系统，其特征在于：所述肌电电极为多个，各肌电电极分布在腕带的不同位置，用于采集对应位置的肌电信号。

3.根据权利要求2所述的基于肌电信号的操作者手部行为感知系统，其特征在于：所述的肌电电极采用贴片式Ag/AgCl电极。

4.根据权利要求1所述的基于肌电信号的操作者手部行为感知系统，其特征在于：信号处理单元包括微处理器和模数转换器，其中微处理器采用MSP430F2418，主晶振采用16MHz晶振；模数转换器采用微处理器自带的功能模块，基准采用外部电源基准max1633，其初始精度为0.04％。

5.根据权利要求1所述的基于肌电信号的操作者手部行为感知系统，其特征在于：所述无线发送单元采用A7105芯片。

6.根据权利要求1所述的基于肌电信号的操作者手部行为感知系统，其特征在于：所述供电单元包括锂电池和电源模块，其中电源模块采用ADP122。

7.根据权利要求1所述的基于肌电信号的操作者手部行为感知系统，其特征在于：所述无线接收单元采用2.4GHz的无线路由器。

8.根据权利要求1所述的基于肌电信号的操作者手部行为感知系统，其特征在于：所述腕带采用有弹性的树脂材料制作；所述腕带的两端头设置有佩戴锁紧件。

9.一种手势识别算法，其特征在于，包括以下步骤：

S1：手部行为发起检测

设某个肌电信号采集窗口的时间长度为T，500Hz采集频率下共采集到N个肌电信号值x；

S1.1:零均值处理

其中，X(n)为该肌电信号采集窗口中采集到的肌电信号的第n个采样值，为计算得到的肌电信号均值；

S1.2：计算TKE算子：

其中，为步骤S1.1中计算得到的肌电信号均值，ψ(n)为计算得到的TKE算子；

S1.3：计算均值和标准差：

${\mathrm{\&mu;}}_0=\frac{1}{N}\underset{n=1}{\overset{N}{\&Sigma;}}\mathrm{\&psi;}\left(n\right)$

${\mathrm{\&delta;}}_0={\left\{\frac{1}{N-1}\underset{n=1}{\overset{N}{\&Sigma;}}{\left(\mathrm{\&psi;}\right(n)-{\mathrm{\&mu;}}_0)}^2\right\}}^{1/2}$

其中，ψ(n)为步骤S1.2计算得到的TKE算子，μ₀为计算得到的均值，δ₀为计算得到的标准差；

S1.4：计算阈值Th：Th＝μ₀+j·δ₀

其中μ₀为步骤S1.3计算得到的均值，δ₀为步骤S1.3计算得到的标准差，j为事先设定的阈值乘子，Th为计算得到的阈值；

S1.5：计算动作序列s(n)：s(n)＝sign(ψ(n)-Th)

其中，sign(·)为符号函数，即当ψ(n)-Th＞0时s(n)＝1，否则s(n)＝0；

S1.6：动作序列s(n)滤波：设定T₁为手部行为中出现的非活动时长，即在正常的肌肉活动中表现出的静息状态的时间；T₂则为手部静止时，由于尖峰噪声等影响而出现的活动时长；

在得到的一系列s(n)中，若相邻两个s(n)＝1时刻之差小于T₁，将两个s(n)＝1时刻之间的s(n)的值全部更改为“1”；

在得到的一系列s(n)中，相邻两个s(n)＝0时刻之差小于T₂，将两个s(n)＝0时刻之间的s(n)的值全部更改为“0”；

S1.7：计算动作发起时间：

S2：建立常用手势库；

S3：预分类，包括基于积分特征值的特征提取和基于线性判别函数的模式识别两个步骤；

积分特征值计算如下：

$IEMG=\frac{1}{N}\underset{n=0}{\overset{N-1}{\&Sigma;}}\left|EMG\left(n\right)\right|$

其中，EMG(n)(n＝0,1,2…,N-1)为一长度为N的一列肌电信号；

基于线性判别函数的模式识别中的识别模型可表述为：

$d\left(x\right)\stackrel{def}{=}{\mathrm{\&omega;}}^{\&prime;}x$

其中x＝(x₁,x₂,…,x_n,1)′，ω＝(ω₁,ω₂,…,ω_n,ω_n+1)′，x为增广特征矢量，x₁,x₂,…,x_n分别指各通道肌电信号的积分值IEMG；ω称为增广权矢量；ω的学习过程可描述为：

其中，ω(k)为第k步迭代得到的增广权矢量ω，ρ为预先设定的学习率，为一个正实数；

当学习集的模式全部用作训练完毕后，对其进行检验，若仍有模式被错判，则需要对其开展再次迭代，进行第二轮训练，调整建立新的权矢量；以此类推，直到对于学习集中的模式分类正确率达到98％以上为止，或者迭代M次为止，此时得到的权矢量ω值即为所求；

当确定好判别函数d(x)后，即ω确定后，测试集的特征矢量x_t，即各通道肌电信号的积分值IEMG，并在该特征矢量的基础上增加一个常数维度，构成增广特征矢量x，代入判别函数中，运用如下判别规则进行判断，达到分类的效果：

$d\left(x\right)=\mathrm{\&omega;}x\left\{\begin{array}{c}\&GreaterEqual;0\&RightArrow;x\&Element;A\\ <0\&RightArrow;x\&Element;B\end{array}\right.$

其中，d(x)为学习得到的判别函数，ω为学习得到的增广权矢量，x为增广特征矢量；

S4：细分类，包括基于AR模型的特征提取和基于BP神经网络分类器的模式识别两个步骤；

AR模型可表述如下：

$EMG\left(n\right)+\underset{k=1}{\overset{p}{\&Sigma;}}{a}_{k}EMG(n-k)=w\left(n\right)$

其中EMG(n)为一系列采集到的肌电信号的第n个采样值；w(n)为输入信号，假定其为白噪声，p为AR模型的阶数；a_k则是AR模型的第k个系数即待求取的特征参数；

BP神经网络分类器其输入为AR模型的特征参数，输出为手势的类别；通过训练集的学习过程得到的BP神经网络权值，输入AR模型的特征参数从而可得到手势类别。