CN106845348B - 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 PDF

Info

Publication number
CN106845348B
CN106845348B CN201611181953.8A CN201611181953A CN106845348B CN 106845348 B CN106845348 B CN 106845348B CN 201611181953 A CN201611181953 A CN 201611181953A CN 106845348 B CN106845348 B CN 106845348B
Authority
CN
China
Prior art keywords
electromyographic signals
values
similarity data
gesture recognition
electromyographic
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.)
Active
Application number
CN201611181953.8A
Other languages
English (en)
Other versions
CN106845348A (zh
Inventor
张自嘉
徐晨
严程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201611181953.8A priority Critical patent/CN106845348B/zh
Publication of CN106845348A publication Critical patent/CN106845348A/zh
Application granted granted Critical
Publication of CN106845348B publication Critical patent/CN106845348B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

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

一种基于手臂表面肌电信号的手势识别方法
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：
Figure BDA0001185516060000021
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
Figure BDA0001185516060000031
和μ2下的相似度数据
Figure BDA0001185516060000032
(c)若
Figure BDA0001185516060000033
则μ1为较优值，则将μ的区间缩小为(μ2,1)；若
Figure BDA0001185516060000034
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：
Figure BDA0001185516060000041
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
Figure BDA0001185516060000042
b、分别计算μ1下的相似度数据
Figure BDA0001185516060000043
和μ2下的相似度数据
Figure BDA0001185516060000044
c、若
Figure BDA0001185516060000045
则μ1为较优值，则将μ的区间缩小为(μ2,1)；若
Figure BDA0001185516060000046
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：
Figure FDA0001185516050000011
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
Figure FDA0001185516050000021
和μ2下的相似度数据
Figure FDA0001185516050000022
(c)若
Figure FDA0001185516050000023
则μ1为较优值，则将μ的区间缩小为(μ2,1)；若
Figure FDA0001185516050000024
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。
CN201611181953.8A 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 Active CN106845348B (zh)

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 CN106845348A (zh) 2017-06-13
CN106845348B true 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)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
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

Citations (1)

* Cited by examiner, † Cited by third party
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9891718B2 (en) * 2015-04-22 2018-02-13 Medibotics Llc Devices for measuring finger motion and recognizing hand gestures

Patent Citations (1)

* Cited by examiner, † Cited by third party
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于ART2神经网络的手势动作SEMG信号模式识别研究";李媛媛;《中国优秀硕士学位论文全文数据库》;20100415;论文第3.4，5.2-5.4节 *
"基于小波变换的多特征融合sEMG模式识别";于亚萍等;《传感技术学报》;20160430;第29卷(第4期);论文第3.3节 *
"基于表面肌电信号的时频组合特征融合识别";杨新亮等;《华中科技大学学报（自然科学版）》;20111130;第39卷;论文第2.2节 *
"基于递归量化分析的表面肌电特征提取和分类";尹少华等;《中国科学技术大学学报》;20060531;第36卷(第5期);论文第1.2节 *

Also Published As

Publication number Publication date
CN106845348A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
Phinyomark et al. Navigating features: a topologically informed chart of electromyographic features space
Lu et al. A hand gesture recognition framework and wearable gesture-based interaction prototype for mobile devices
CN106845348B (zh) 一种基于手臂表面肌电信号的手势识别方法
Sun et al. A review of adaptive feature extraction and classification methods for EEG-based brain-computer interfaces
Yang et al. A proportional pattern recognition control scheme for wearable a-mode ultrasound sensing
CN107480697B (zh) 一种肌电手势识别方法和系统
Narayan Comparative analysis of SVM and Naive Bayes classifier for the SEMG signal classification
CN110826625B (zh) 一种基于表面肌电信号的手指手势分类方法
CN110367980A (zh) 基于多元经验模态分解的脑电信号情绪识别方法
Hamedi et al. Surface electromyography-based facial expression recognition in Bi-polar configuration
CN113205074B (zh) 一种融合肌电和微惯性测量单元多模态信号的手势识别方法
CN113589920A (zh) 手势识别方法、人机交互方法、装置、设备及存储介质
Oweis et al. ANN-based EMG classification for myoelectric control
Shao et al. Single-channel SEMG using wavelet deep belief networks for upper limb motion recognition
Naik et al. Classification of finger extension and flexion of EMG and Cyberglove data with modified ICA weight matrix
Donovan et al. Simple space-domain features for low-resolution sEMG pattern recognition
Hu et al. Adaptive electrode calibration method based on muscle core activation regions and its application in myoelectric pattern recognition
Hamedi et al. Facial gesture recognition using two-channel bio-sensors configuration and fuzzy classifier: A pilot study
Too et al. Exploring the relation between EMG pattern recognition and sampling rate using spectrogram
CN114384999B (zh) 基于自适应学习的用户无关肌电手势识别系统
Veer Experimental study and characterization of SEMG signals for upper limbs
Tosin et al. SEMG-based upper limb movement classifier: Current scenario and upcoming challenges
Tuncer et al. Classification of EMG signals taken from arm with hybrid CNN‐SVM architecture
WO2022242133A1 (zh) 一种手势分类识别方法及其应用
CN110547806B (zh) 一种基于表面肌电信号的手势动作在线识别方法及系统

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