CN106845348A - 一种基于手臂表面肌电信号的手势识别方法 - Google Patents
一种基于手臂表面肌电信号的手势识别方法 Download PDFInfo
- Publication number
- CN106845348A CN106845348A CN201611181953.8A CN201611181953A CN106845348A CN 106845348 A CN106845348 A CN 106845348A CN 201611181953 A CN201611181953 A CN 201611181953A CN 106845348 A CN106845348 A CN 106845348A
- Authority
- CN
- China
- Prior art keywords
- electromyographic signal
- value
- data
- average
- gesture
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种基于手臂表面肌电信号的手势识别方法,该方法根据肌电信号这种生物电信号的特有特征,降低了数据处理复杂度,并能保证手势识别率达到较高水平。与传统方法相比,去除了对信号时频分析的过程,大大降低了复杂度和计算量,对数据处理器的性能要求不高,节约了成本。
Description
技术领域
本发明属于人体动作识别技术领域,特别涉及了一种基于手臂表面肌电信号的手势识别方法。
背景技术
表面肌电信号(SEMG)是一种与神经肌肉活动相关的生物电信号。当运动指令经由神经中枢系统传导到相关肌纤维时,会引起肌纤维上电位发生变化并发生肌纤维的收缩,该电位变化在皮肤表面处发生时间和空间上的叠加而形成表面肌电信号,可通过表面肌电电极采集到电信号信息。表面肌电信号包含了肌肉收缩的模式以及收缩强度的信息,不同的肢体动作对应不同的肌电信号,通过分析表面肌电信号就可以判别出该信号所对应的具体动作模式。
现有的手势区分方法,需要对采集到的生物电信号进行时域和频域分析,过程复杂,计算量大,因此对数据处理器性能要求高,往往要依靠计算机进行数据分析计算,应用成本高,不利于一些手势识别设备的推广应用。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种基于手臂表面肌电信号的手势识别方法,克服传统手势分类方法复杂、计算量大的缺陷。
为了实现上述技术目的,本发明的技术方案为:
一种基于手臂表面肌电信号的手势识别方法,包括以下步骤:
(1)设采样频率为f,采样时间为T,重复多次对肌电信号进行采样,得到M段肌电信号;
(2)计算采集的肌电信号绝对值的均值,计算相邻两段肌电信号绝对值的均值的一阶差分,并将肌电信号绝对值的均值、相邻两段肌电信号绝对值的均值的一阶差分作为肌电信号的特征值,向各特征值分配权值后组成特征向量X;
(3)将特征向量X作为训练样本,采用K-means聚类算法对训练样本进行分类,得到K种手势以及每种手势对应的特征标签yk,k=1,2,…,K;
(4)以采样频率f、采样时间T采集待识别手势的肌电信号,将采集到的肌电信号的绝度值的均值、相邻两端肌电信号绝对值的均值的一阶差分作为特征值,向各特征值分配权值后组成特征向量X’;
(5)分别求特征向量X’与k个特征标签yk的相似度数据;
(6)舍弃k个相似度数据中大于预设阈值的相似度数据,根据保留的相似度数据进行手势识别。
进一步地,在步骤(2)中,采用下式计算肌电信号绝对值的均值:
上式中,MAV(j)为采集的第j段肌电信号的绝对值的均值,Sj(t)为采集的第j段肌电信号的第t个采样值的绝对值,N为Sj(t)的长度,N=f·T;
采用下式计算相邻两端肌电信号绝对值的均值的一阶差分:
R(i)=MAV(i+1)-MAV(i),i=1,2,…,M-1
上式中,R(i)为第i+1段肌电信号与第i段肌电信号绝对值的均值的一阶差分;
则特征向量X=[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)],μ、τ为权值。
进一步地,在步骤(5)中,计算特征向量X’与k个特征标签yk的误差向量,将误差向量的2范数的平方值作为X’与yk的相似度数据:
φ(k)=X′-yk
Z(k)=(||φ(k)||2)2
上式中,φ(k)是误差向量,Z(k)是相似度数据。
进一步地,在步骤(6)中,在保留的相似度数据中找出最小的相似度数据Z(k),则该最小相似度数据对应的特征标签yk所代表的手势即为识别结果。
进一步地,特征向量X的权值μ、τ满足:
μ+τ=1。
进一步地,对特征向量X的权值μ、τ反复迭代优化,具体过程如下:
(a)设μ的初始区间为(0,1),且在区间内设置μ的两个选值μ1、μ2,且μ1>μ2;
(b)分别计算μ1下的相似度数据和μ2下的相似度数据
(c)若则μ1为较优值,则将μ的区间缩小为(μ2,1);若则μ2为较优值,则将μ的区间缩小为(0,μ1);
(d)在步骤(c)中确定的μ的区间内,重新设置μ1、μ2的值,重复步骤(b)-(d)。
进一步地,在设置权值μ的两个选值μ1、μ2时,将μ1设置为μ的区间的黄金分割点值。
采用上述技术方案带来的有益效果:
本发明根据肌电信号这种生物电信号的特有特征,降低了数据处理复杂度,也能保证手势识别率达到较高水平,让手势识别设备具备低功耗,携带性强,识别速度快等优点。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,一种基于手臂表面肌电信号的手势识别方法,步骤如下:
步骤1:设采样频率为200Hz,采样时间为500ms,对肌电信号重复进行采样,共得到M段肌电信号,每段肌电信号的长度N=100。
步骤2:计算采集的肌电信号绝对值的均值,计算相邻两段肌电信号绝对值的均值的一阶差分,并将肌电信号绝对值的均值、相邻两段肌电信号绝对值的均值的一阶差分作为肌电信号的特征值,向各特征值分配权值后组成特征向量X。
采用下式计算肌电信号绝对值的均值:
上式中,MAV(j)为采集的第j段肌电信号的绝对值的均值,Sj(t)为采集的第j段肌电信号的第t个采样值的绝对值。
相邻两端肌电信号绝对值的均值的一阶差分:
R(i)=MAV(i+1)-MAV(i),i=1,2,…,M-1
上式中,R(i)为第i+1段肌电信号与第i段肌电信号绝对值的均值的一阶差分。
则特征向量X=[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)],μ、τ为权值。
权值μ、τ满足μ+τ=1。对特征向量X的权值μ、τ反复迭代优化,具体过程如下:
a、设μ的初始区间为(0,1),且在区间内设置μ的两个选值
b、分别计算μ1下的相似度数据和μ2下的相似度数据
c、若则μ1为较优值,则将μ的区间缩小为(μ2,1);若则μ2为较优值,则将μ的区间缩小为(0,μ1);
d、在步骤c中确定的μ的区间内,重新设置μ1、μ2的值,重复步骤b-d。
步骤3:将特征向量X作为训练样本,采用K-means聚类算法对训练样本进行分类,得到K种手势以及每种手势对应的特征标签yk,k=1,2,…,K。
步骤4:以采样频率200Hz、采样时间500ms采集待识别手势的肌电信号,将采集到的肌电信号的绝度值的均值、相邻两端肌电信号绝对值的均值的一阶差分作为特征值,向各特征值分配权值后组成特征向量X’。
步骤5:算特征向量X’与k个特征标签yk的误差向量,将误差向量的2范数的平方值作为X’与yk的相似度数据:
φ(k)=X′-yk
Z(k)=(||φ(k)||2)2
上式中,φ(k)是误差向量,Z(k)是相似度数据。
步骤6:舍弃k个相似度数据中大于预设阈值的相似度数据,在保留的相似度数据中找出最小的相似度数据Z(k),则该最小相似度数据对应的特征标签yk所代表的手势即为识别结果。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种基于手臂表面肌电信号的手势识别方法,其特征在于,包括以下步骤:
(1)设采样频率为f,采样时间为T,重复多次对肌电信号进行采样,得到M段肌电信号;
(2)计算采集的肌电信号绝对值的均值,计算相邻两段肌电信号绝对值的均值的一阶差分,并将肌电信号绝对值的均值、相邻两段肌电信号绝对值的均值的一阶差分作为肌电信号的特征值,向各特征值分配权值后组成特征向量X;
(3)将特征向量X作为训练样本,采用K-means聚类算法对训练样本进行分类,得到K种手势以及每种手势对应的特征标签yk,k=1,2,…,K;
(4)以采样频率f、采样时间T采集待识别手势的肌电信号,将采集到的肌电信号的绝度值的均值、相邻两端肌电信号绝对值的均值的一阶差分作为特征值,向各特征值分配权值后组成特征向量X’;
(5)分别求特征向量X’与k个特征标签yk的相似度数据;
(6)舍弃k个相似度数据中大于预设阈值的相似度数据,根据保留的相似度数据进行手势识别。
2.根据权利要求1所述基于手臂表面肌电信号的手势识别方法,其特征在于:在步骤(2)中,采用下式计算肌电信号绝对值的均值:
上式中,MAV(j)为采集的第j段肌电信号的绝对值的均值,Sj(t)为采集的第j段肌电信号的第t个采样值的绝对值,N为Sj(t)的长度,N=f·T;
采用下式计算相邻两端肌电信号绝对值的均值的一阶差分:
R(i)=MAV(i+1)-MAV(i),i=1,2,…,M-1
上式中,R(i)为第i+1段肌电信号与第i段肌电信号绝对值的均值的一阶差分;
则特征向量X=[μMAV(1) μMAV(2)...μMAV(M) τR(1) τR(2)...τR(M-1)],μ、τ为权值。
3.根据权利要求1所述基于手臂表面肌电信号的手势识别方法,其特征在于:在步骤(5)中,计算特征向量X’与k个特征标签yk的误差向量,将误差向量的2范数的平方值作为X’与yk的相似度数据:
φ(k)=X′-yk
Z(k)=(||φ(k)||2)2
上式中,φ(k)是误差向量,Z(k)是相似度数据。
4.根据权利要求3所述基于手臂表面肌电信号的手势识别方法,其特征在于:在步骤(6)中,在保留的相似度数据中找出最小的相似度数据Z(k),则该最小相似度数据对应的特征标签yk所代表的手势即为识别结果。
5.根据权利要求2所述基于手臂表面肌电信号的手势识别方法,其特征在于:特征向量X的权值μ、τ满足:
μ+τ=1。
6.根据权利要求5所述基于手臂表面肌电信号的手势识别方法,其特征在于:对特征向量X的权值μ、τ反复迭代优化,具体过程如下:
(a)设μ的初始区间为(0,1),且在区间内设置μ的两个选值μ1、μ2,且μ1>μ2;
(b)分别计算μ1下的相似度数据和μ2下的相似度数据
(c)若则μ1为较优值,则将μ的区间缩小为(μ2,1);若则μ2为较优值,则将μ的区间缩小为(0,μ1);
(d)在步骤(c)中确定的μ的区间内,重新设置μ1、μ2的值,重复步骤(b)-(d)。
7.根据权利要求6所述基于手臂表面肌电信号的手势识别方法,其特征在于:在设置权值μ的两个选值μ1、μ2时,将μ1设置为μ的区间的黄金分割点值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611181953.8A CN106845348B (zh) | 2016-12-20 | 2016-12-20 | 一种基于手臂表面肌电信号的手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611181953.8A CN106845348B (zh) | 2016-12-20 | 2016-12-20 | 一种基于手臂表面肌电信号的手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845348A true CN106845348A (zh) | 2017-06-13 |
CN106845348B CN106845348B (zh) | 2020-04-21 |
Family
ID=59139390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611181953.8A Active CN106845348B (zh) | 2016-12-20 | 2016-12-20 | 一种基于手臂表面肌电信号的手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845348B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861628A (zh) * | 2017-12-19 | 2018-03-30 | 许昌学院 | 一种基于人体表面肌电信号的手部姿态识别系统 |
CN108985157A (zh) * | 2018-06-07 | 2018-12-11 | 北京邮电大学 | 一种手势识别方法和装置 |
CN110618754A (zh) * | 2019-08-30 | 2019-12-27 | 电子科技大学 | 基于表面肌电信号的手势识别方法和手势识别臂带 |
CN111368762A (zh) * | 2020-03-09 | 2020-07-03 | 金陵科技学院 | 基于改进的K-means聚类算法的机器人手势识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
US20160313798A1 (en) * | 2015-04-22 | 2016-10-27 | Medibotics Llc | Nerd of the Rings -- Devices for Measuring Finger Motion and Recognizing Hand Gestures |
-
2016
- 2016-12-20 CN CN201611181953.8A patent/CN106845348B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160313798A1 (en) * | 2015-04-22 | 2016-10-27 | Medibotics Llc | Nerd of the Rings -- Devices for Measuring Finger Motion and Recognizing Hand Gestures |
CN105446484A (zh) * | 2015-11-19 | 2016-03-30 | 浙江大学 | 一种基于隐马尔科夫模型的肌电信号手势识别方法 |
Non-Patent Citations (4)
Title |
---|
于亚萍等: ""基于小波变换的多特征融合sEMG模式识别"", 《传感技术学报》 * |
尹少华等: ""基于递归量化分析的表面肌电特征提取和分类"", 《中国科学技术大学学报》 * |
李媛媛: ""基于ART2神经网络的手势动作SEMG信号模式识别研究"", 《中国优秀硕士学位论文全文数据库》 * |
杨新亮等: ""基于表面肌电信号的时频组合特征融合识别"", 《华中科技大学学报(自然科学版)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107861628A (zh) * | 2017-12-19 | 2018-03-30 | 许昌学院 | 一种基于人体表面肌电信号的手部姿态识别系统 |
CN108985157A (zh) * | 2018-06-07 | 2018-12-11 | 北京邮电大学 | 一种手势识别方法和装置 |
CN110618754A (zh) * | 2019-08-30 | 2019-12-27 | 电子科技大学 | 基于表面肌电信号的手势识别方法和手势识别臂带 |
CN110618754B (zh) * | 2019-08-30 | 2021-09-14 | 电子科技大学 | 基于表面肌电信号的手势识别方法和手势识别臂带 |
CN111368762A (zh) * | 2020-03-09 | 2020-07-03 | 金陵科技学院 | 基于改进的K-means聚类算法的机器人手势识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845348B (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106383579A (zh) | 一种基于emg和fsr的精细手势识别系统及方法 | |
CN100415159C (zh) | 心脏状态的实时趋势动力学特征分析方法 | |
CN106845348A (zh) | 一种基于手臂表面肌电信号的手势识别方法 | |
CN102961203A (zh) | 基于emd样本熵的表面肌电信号识别方法 | |
CN109480838B (zh) | 一种基于表层肌电信号的人体连续复杂运动意图预测方法 | |
CN110826625B (zh) | 一种基于表面肌电信号的手指手势分类方法 | |
Neacsu et al. | Automatic EMG-based hand gesture recognition system using time-domain descriptors and fully-connected neural networks | |
Narayan | Hb vsEMG signal classification with time domain and Frequency domain features using LDA and ANN classifier | |
CN104035563A (zh) | 基于w-pca和无监督ghsom的脑电信号识别方法 | |
CN103955270A (zh) | 一种基于p300的脑机接口系统的字符高速输入方法 | |
CN102306303A (zh) | 一种基于小训练样本的脑电信号特征提取方法 | |
Oweis et al. | ANN-based EMG classification for myoelectric control | |
CN107822629A (zh) | 四肢表面肌电轴的检测方法 | |
CN102722643A (zh) | 用于下肢肌电假肢控制的多信息融合运动模式识别方法 | |
CN112884063B (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN113010013A (zh) | 一种基于Wasserstein距离的运动想象脑电迁移学习方法 | |
Xiong et al. | An unsupervised compressed sensing algorithm for multi-channel neural recording and spike sorting | |
Veer | Experimental study and characterization of SEMG signals for upper limbs | |
Zhang et al. | Real-time surface EMG pattern recognition for hand gestures based on support vector machine | |
CN114384999B (zh) | 基于自适应学习的用户无关肌电手势识别系统 | |
Wang et al. | Recognition of semg hand actions based on cloud adaptive quantum chaos ions motion algorithm optimized svm | |
Tuncer et al. | Classification of EMG signals taken from arm with hybrid CNN‐SVM architecture | |
AlOmari et al. | Novel hybrid soft computing pattern recognition system SVM–GAPSO for classification of eight different hand motions | |
CN109662710A (zh) | 一种基于卷积神经网络的肌电信号特征提取方法 | |
Veer | A flexible approach for segregating physiological 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 |