CN109522810A - 一种基于社区投票机制的肌电假肢手手势识别方法 - Google Patents

一种基于社区投票机制的肌电假肢手手势识别方法 Download PDF

Info

Publication number
CN109522810A
CN109522810A CN201811230645.9A CN201811230645A CN109522810A CN 109522810 A CN109522810 A CN 109522810A CN 201811230645 A CN201811230645 A CN 201811230645A CN 109522810 A CN109522810 A CN 109522810A
Authority
CN
China
Prior art keywords
community
individual
gesture identification
neural network
method based
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
Application number
CN201811230645.9A
Other languages
English (en)
Other versions
CN109522810B (zh
Inventor
陈佳佳
茅红伟
张倩
陈广钦
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.)
Shanghai Normal University
University of Shanghai for Science and Technology
Original Assignee
Shanghai Normal University
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 Shanghai Normal University filed Critical Shanghai Normal University
Priority to CN201811230645.9A priority Critical patent/CN109522810B/zh
Publication of CN109522810A publication Critical patent/CN109522810A/zh
Application granted granted Critical
Publication of CN109522810B publication Critical patent/CN109522810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2/72—Bioelectric control, e.g. myoelectric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Vascular Medicine (AREA)
  • Transplantation (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Cardiology (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明涉及一种基于社区投票机制的肌电假肢手手势识别方法，包括：步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；步骤S4：将测试数据集带入BP神经网络进行手势识别。与现有技术相比，本发明具有识别正确率高等优点。

Description

一种基于社区投票机制的肌电假肢手手势识别方法
技术领域
本发明涉及人工智能和康复医学领域，尤其是涉及一种基于社区投票机制的肌电假肢手手势识别方法。
背景技术
康复机器人与人类健康密切相关，是智能机器人发展方向之一，涉及康复医学、运动仿生学、人-机工程学等领域。假肢手是智能机器人的一种，其关键技术为生物人机接口技术和智能控制技术。我国由于交通事故、地震灾害、工伤等造成的肢体残疾人，以及由于中风、帕金森症、脊髓损伤导致的中枢神经受损运动功能障碍者每年都在以超百万的人数增长，老龄化加剧了这一现象，偏瘫、全瘫病人成为家庭的沉重负担。
目前，假肢手的手势识别技术主要从两方面入手：一种基于摄像和计算机技术，运用视觉和图像处理技术进行识别；一种是基于传感器技术，运用运动测量的方式进行识别。这两种识别方式都立足于宏观角度，前者对软硬件要求很高，比如摄像头的采集效果、图像处理软件的技术功能，甚至拍照摄像时外界的环境光强；后者需要佩戴大量传感器，高端传感器价格昂贵且穿戴并不方便。因此基于微观角度的手势识别方法应运而生，即基于生物微信号。当前常用的生物微信号有肌动信号、脑电信号、肌电信号。
肌电信号的采集传感器简单，能够受到的客观影响因素较少，遵循手部动作的简易性又能够如实反映手势的特点，具有很强的实用性。手势识别归根结底是一种预测和多分类问题，主要解决特征提取和分类器设计问题。将人工智能运用于相关算法设计，能够有效提高识别正确率，减少识别时间，增强识别可靠性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于社区投票机制的肌电假肢手手势识别方法。
本发明的目的可以通过以下技术方案来实现：
一种基于社区投票机制的肌电假肢手手势识别方法，包括：
步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；
步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；
步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；
步骤S4：将测试数据集带入BP神经网络进行手势识别。
所述步骤S3具体包括：
步骤S31：以BP神经网络从输入层到隐含层、从隐含层到输出层的权值、阈值构成人群种群中的单个个体，随机产生3N个个体，将这3N个个体平均分成三个社区分别作为激进社区、一般社区、保守社区，初始化并设置当前迭代次数为t 为0；
步骤S32：以社区为单位，分别计算每个社区中各个体的适应度值，针对每个社区，得到社区中每个个体的个体最佳值和各自社区的全局最佳值；
步骤S33：根据每个社区所属的性质及权重，综合得到当前代整体个体最佳值和整体全局最佳值；
步骤S34：当前迭代次数加1；
步骤S35：判断当前迭代次数是否超过预设置的最大迭代次数，或当前代整体全局最佳值是否满足目标值，若均为否，则执行步骤S36，反之，则执行步骤S4；
步骤S36：激进社区、一般社区和保守社区分别计算各自人群种群中每个个体的下一步搜索方向；
步骤S37：按照搜索方向更新每一个个体的位置后返回步骤S32。
所述S33中，每个社区的权重一致。
所述S33中，所述步骤S36中，每个个体的下一步搜索方向包括利他方向、利己方向和预动方向：
di(t)＝sgn[αdialt(t)+βdegot(t)+γdipro(t)]
其中：di(t)为搜索方向，sgn[·]为指出参数的正负号，dialt(t)为利他方向，α为利他方向的权重，degot(t)为利己方向，β为利己方向的权重，dipro(t)为预动方向，γ为预动方向的权重。
所述每个个体的下一步搜索方向还包括搜索步长，该搜索步长为：
其中：lij(t)为搜索步长，δij为高斯隶属函数参数，uij为隶属度值，且 uij＝rand(0.01,1)。
所述利他方向为：
dialt(t)＝pgd(t)-hij(t)
其中：pgd(t)为社区当前全局最佳值，hij(t)为个体当前所处位置。
所述利己方向为：
degot(t)＝pid(t)-hij(t)
其中：pid(t)为个体当前最佳值，hij(t)为个体当前所处位置。
所述预动方向为：
dipro(t)＝hij(t)-hij(t-1)
其中：hij(t)为个体当前所处位置，hij(t-1)为个体上次迭代所处位置。
所述步骤S37中，按照搜索方向更新每一个个体的位置时，还根据不同类型社区的不同投票风格进行变异。
所述激进社区的变异率为0.5～1，所述一般社区的变异率为0.1～0.5、保守社区的变异率为0。
与现有技术相比，本发明具有以下有益效果：
1)把人工智能应用于基于表面肌电信号的假肢手手势识别，将群体人工智能与个体人工智能相结合，不仅涉及个体智能思考问题的神经网络，还将人群中决策重大事件时的投票机制思考方式按社区形式与之相结合，以达到对个体智能综合优化的目的。
2)具有识别正确率高，识别速度快，识别可靠性高的特点。
3)为研制高性能康复机器人提供技术基础，对改善残疾人生活状况，促进残疾人事业发展起着巨大作用。
附图说明
图1为本发明方法的主要步骤流程示意图；
图2为本发明的基于社区投票机制的肌电假肢手手势识别模型流程图；
图3为建立模型算法的适应度曲线；
图4(a)～(j)为手势动作示意图；
图5是模型算法预测识别手势值与实际手势值对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于社区投票机制的肌电假肢手手势识别方法，如图1和图2所示，包括：
步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；
步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；
步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数，具体包括：
步骤S31：以BP神经网络从输入层到隐含层、从隐含层到输出层的权值、阈值构成人群种群中的单个个体，随机产生3N个个体，将这3N个个体平均分成三个社区分别作为激进社区、一般社区、保守社区，初始化并设置当前迭代次数为t 为0；
步骤S32：以社区为单位，分别计算每个社区中各个体的适应度值，针对每个社区，得到社区中每个个体的个体最佳值PQid和各自社区的全局最佳值PQgd；
步骤S33：根据每个社区所属的性质及权重，综合得到当前代整体个体最佳值和整体全局最佳值，优选的，每个社区的权重一致；
步骤S34：当前迭代次数加1；
步骤S35：判断当前迭代次数是否超过预设置的最大迭代次数，或当前代整体全局最佳值是否满足目标值，若均为否，则执行步骤S36，反之，则执行步骤S4；
步骤S36：激进社区、一般社区和保守社区分别计算各自人群种群中每个个体的下一步搜索方向；
其中，每个个体的下一步搜索方向包括利他方向、利己方向和预动方向：
di(t)＝sgn[αdialt(t)+βdegot(t)+γdipro(t)]
其中：di(t)为搜索方向，sgn[·]为指出参数的正负号，dialt(t)为利他方向，α为利他方向的权重，degot(t)为利己方向，β为利己方向的权重，dipro(t)为预动方向，γ为预动方向的权重。
利他方向为：
dialt(t)＝pgd(t)-hij(t)
其中：pgd(t)为社区当前全局最佳值，hij(t)为个体当前所处位置。
利己方向为：
degot(t)＝pid(t)-hij(t)
其中：pid(t)为个体当前最佳值，hij(t)为个体当前所处位置。
预动方向为：
dipro(t)＝hij(t)-hij(t-1)
其中：hij(t)为个体当前所处位置，hij(t-1)为个体上次迭代所处位置。
每个个体的下一步搜索方向还包括搜索步长，该搜索步长为：
其中：lij(t)为搜索步长，δij为高斯隶属函数参数，uij为隶属度值，且 uij＝rand(0.01,1)。
步骤S37：按照搜索方向更新每一个个体的位置后返回步骤S32，其中，按照搜索方向更新每一个个体的位置时，还根据不同类型社区的不同投票风格进行变异。优选的，激进社区的变异率为0.5～1，一般社区的变异率为0.1～0.5、保守社区的变异率为0。
步骤S4：将测试数据集带入BP神经网络进行手势识别。
本申请使用肌电信号传感器分别测取若干个手势的去噪肌电信号，通过分析每种动作的活动段，提取各自的时域、频域、时-频域特征值。将特征值作为BP神经网络的输入、对应的动作作为输出建立识别算法模型，模型以BP神经网络的阈值和权值作为个体、预测输出值与实际输出值的平方差作为个体适应度值，分别建立三个人群种群社区，对每个种群采用人群搜索算法，将三个种群得到的结果分别进行变异等遗传操作，在进行变异操作时，按照革新社区、一般社区、保守社区的投票机制设置变异率的大小，激进社区变异率大、一般社区变异率小、保守社区不变异，然后按照三个社区同等权重作为最终统计结果优化BP神经网络，得到最终的预测手势。其具体步骤如下：
如图4所示使用六通道肌电信号传感器ZJE-II分别测取十个手势(屈腕、伸腕、握拳、伸掌、桡侧屈腕、尺侧屈腕、伸拇指、并屈手指、捏东西和抓东西)的去噪肌电信号，十个手势分别对应数值1～10。每个动作在相同条件下测100次，共得到1000组数据，其中每个动作取60组作为训练数据集，剩余40组作为测试数据集。
通过分析每种动作的活动段，提取每个手势的时域、频域、时-频域共九个特征值：均值、绝对平均值、方差、倒谱、平均功率频率、中值频率、短时傅里叶、 Wigner-Ville分布和一维小波。随机截取十个动作的每个动作一组特征值如表1所示。因为采用的是六通道肌电信号传感器，其中一个动作的一个通道测得的肌电信号就能提取出九个特征值，故六个通道针对一个手势动作共提取出6*9＝54个特征值。则建立的BP神经网络输出层神经元个数为54个；输出层神经元代表手势动作，个数仅1个；隐含层的神经元个数根据经验公式选为7个。一个社区人群种群个体即为一个54维的矩阵。
将神经网络的输出与实际输出的误差平方作为适应度函数，随机产生300个个体，将这300个个体平均分成三个社区，即人群种群，分别为激进社区、一般社区、保守社区各100个个体。设置当前迭代次数t＝0，最大迭代次数T＝100，应满足的目标值即最小误差平方为0.0001。
表1
将训练数据集代入，以社区为单位，分别计算每个社区中个体的适应度值如图 3所示，得到社区中每个个体的个体最佳P1id、P2id、P3id和各自社区的全局最佳 P1gd、P2gd、P3gd；设置三个社区的投票权重一致，即W1＝W2＝W3＝1/3，则当前代整体个体最佳为Pid＝(P1id+P2id+P3id)/3和整体全局最佳Pgd＝(P1gd+P2gd+P3gd)/3；更新当前代数t＝t+1；如果当前代t超过设置最大迭代次数T，则优化结束，如果当前代t小于设置最大迭代次数T，计算当前代整体全局最佳是否满足目标值，若满足，则优化结束，若不满足，则按照利他方向dialt(t)＝pgd(t)-hij(t)；利己方向 degot(t)＝pid(t)-hij(t)；预动方向dipro(t)＝hij(t)-hij(t-1)组成的搜索方向 di(t)＝sgn[αdialt(t)+βdegot(t)+γdipro(t)]，α＝β＝γ＝0.3分别计算激进社区、一般社区和保守社区各自人群种群中每个个体的下一步搜索方向；按公式计算搜索步长，其中uij＝rand(0.01,1)，δij为高斯隶属函数参数；激进社区按公式 hij(t+1)＝hij(t)+0.8lij(t)di(t)更新个体位置，一般社区按公式hij(t+1)＝hij(t)+0.2lij(t)di(t)更新个体位置，保守社区按公式hij(t+1)＝hij(t)更新个体位置，然后转向步骤(5)继续进行迭代。直到优化结束，将测试数据集带入BP 神经网络进行手势识别。得到手势识别结果如表2所示。从测试数据集中随机选择 100组绘制模型识别结果与实际手势比较结果图如图5所示。
表2
若需要识别的手势动作发生变化，则可用本发明方法得到相应的识别结果。
不难发现，本发明将人工智能中的群体智能与个体智能相结合，将社区投票机制引入到人群搜索及神经网络算法中用于对肌电假肢手的手势识别，识别正确率得到了有效提升，一些基本的手势能达到100％的识别率，桡侧屈腕和尺侧屈腕、捏东西和抓东西这种成对出现并易于混淆的手势动作也取得了较高的识别率，并且识别时间都在0.02s以内，满足识别需求。

Claims (10)

1.一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，包括：
步骤S1：利用表面肌电信号传感器采集不同的手势动作信号，预处理后提取每个动作的特征值；
步骤S2：建立BP神经网络，该BP神经网络的输入为手势动作的特征值，输出为特征值对应的手势动作；
步骤S3：将BP神经网络的输出与实际输出的误差平方作为适应度函数，采用基于社区投票机制的算法优化神经网络参数；
步骤S4：将测试数据集带入BP神经网络进行手势识别。
2.根据权利要求1所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述步骤S3具体包括：
步骤S31：以BP神经网络从输入层到隐含层、从隐含层到输出层的权值、阈值构成人群种群中的单个个体，随机产生3N个个体，将这3N个个体平均分成三个社区分别作为激进社区、一般社区、保守社区，初始化并设置当前迭代次数为t为0；
步骤S32：以社区为单位，分别计算每个社区中各个体的适应度值，针对每个社区，得到社区中每个个体的个体最佳值和各自社区的全局最佳值；
步骤S33：根据每个社区所属的性质及权重，综合得到当前代整体个体最佳值和整体全局最佳值；
步骤S34：当前迭代次数加1；
步骤S35：判断当前迭代次数是否超过预设置的最大迭代次数，或当前代整体全局最佳值是否满足目标值，若均为否，则执行步骤S36，反之，则执行步骤S4；
步骤S36：激进社区、一般社区和保守社区分别计算各自人群种群中每个个体的下一步搜索方向；
步骤S37：按照搜索方向更新每一个个体的位置后返回步骤S32。
3.根据权利要求2所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述S33中，每个社区的权重一致。
4.根据权利要求2所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述S33中，所述步骤S36中，每个个体的下一步搜索方向包括利他方向、利己方向和预动方向：
di(t)＝sgn[αdialt(t)+βdegot(t)+γdipro(t)]
其中：di(t)为搜索方向，sgn[·]为指出参数的正负号，dialt(t)为利他方向，α为利他方向的权重，degot(t)为利己方向，β为利己方向的权重，dipro(t)为预动方向，γ为预动方向的权重。
5.根据权利要求4所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述每个个体的下一步搜索方向还包括搜索步长，该搜索步长为：
其中：lij(t)为搜索步长，δij为高斯隶属函数参数，uij为隶属度值，且uij＝rand(0.01,1)。
6.根据权利要求4所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述利他方向为：
dialt(t)＝pgd(t)-hij(t)
其中：pgd(t)为社区当前全局最佳值，hij(t)为个体当前所处位置。
7.根据权利要求4所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述利己方向为：
degot(t)＝pid(t)-hij(t)
其中：pid(t)为个体当前最佳值，hij(t)为个体当前所处位置。
8.根据权利要求4所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述预动方向为：
dipro(t)＝hij(t)-hij(t-1)
其中：hij(t)为个体当前所处位置，hij(t-1)为个体上次迭代所处位置。
9.根据权利要求4所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述步骤S37中，按照搜索方向更新每一个个体的位置时，还根据不同类型社区的不同投票风格进行变异。
10.根据权利要求9所述的一种基于社区投票机制的肌电假肢手手势识别方法，其特征在于，所述激进社区的变异率为0.5～1，所述一般社区的变异率为0.1～0.5、保守社区的变异率为0。
CN201811230645.9A 2018-10-22 2018-10-22 一种基于社区投票机制的肌电假肢手手势识别方法 Active CN109522810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811230645.9A CN109522810B (zh) 2018-10-22 2018-10-22 一种基于社区投票机制的肌电假肢手手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811230645.9A CN109522810B (zh) 2018-10-22 2018-10-22 一种基于社区投票机制的肌电假肢手手势识别方法

Publications (2)

Publication Number Publication Date
CN109522810A true CN109522810A (zh) 2019-03-26
CN109522810B CN109522810B (zh) 2020-12-18

Family

ID=65772866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811230645.9A Active CN109522810B (zh) 2018-10-22 2018-10-22 一种基于社区投票机制的肌电假肢手手势识别方法

Country Status (1)

Country Link
CN (1) CN109522810B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114533089A (zh) * 2022-02-22 2022-05-27 北京工业大学 一种基于表面肌电信号的下肢动作识别分类方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942612A (zh) * 2014-04-08 2014-07-23 河海大学 基于自适应粒子群优化算法的梯级水库优化调度方法
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN105278332A (zh) * 2015-10-23 2016-01-27 盐城工业职业技术学院 一种基于soa的pmlsm进给系统pid参数优化方法
CN106527462A (zh) * 2016-12-02 2017-03-22 广西师范大学 无人机控制装置
US20170296363A1 (en) * 2016-04-15 2017-10-19 Board Of Regents, The University Of Texas System Systems, apparatuses and methods for controlling prosthetic devices by gestures and other modalities

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942612A (zh) * 2014-04-08 2014-07-23 河海大学 基于自适应粒子群优化算法的梯级水库优化调度方法
CN104537382A (zh) * 2015-01-12 2015-04-22 杭州电子科技大学 基于遗传算法优化支持向量机的肌电信号步态识别方法
CN105278332A (zh) * 2015-10-23 2016-01-27 盐城工业职业技术学院 一种基于soa的pmlsm进给系统pid参数优化方法
US20170296363A1 (en) * 2016-04-15 2017-10-19 Board Of Regents, The University Of Texas System Systems, apparatuses and methods for controlling prosthetic devices by gestures and other modalities
CN106527462A (zh) * 2016-12-02 2017-03-22 广西师范大学 无人机控制装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHAOHUA DAI ET.AL: "Seeker Optimization Algorithm for Optimal Reactive Power Dispatch", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 *
CHAOHUA DAI ET.AL: "Seeker optimization algorithm for tuning the structure and parameters of neural networks", 《NEUROCOMPUTING》 *
乔学工 等: "基于人群搜索优化的无线传感器网络三点定位算法", 《控制与决策》 *
王朋: "基于MYO臂环的假肢手控制技术研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114533089A (zh) * 2022-02-22 2022-05-27 北京工业大学 一种基于表面肌电信号的下肢动作识别分类方法

Also Published As

Publication number Publication date
CN109522810B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
WO2021143353A1 (zh) 一种手势信息处理方法、装置、电子设备及存储介质
Yang et al. Dynamic gesture recognition using surface EMG signals based on multi-stream residual network
CN104463100B (zh) 基于面部表情识别模式的智能轮椅人机交互系统及方法
Zou et al. A transfer learning model for gesture recognition based on the deep features extracted by CNN
CN110826625B (zh) 一种基于表面肌电信号的手指手势分类方法
CN103886341A (zh) 基于特征组合的步态行为识别方法
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
Neacsu et al. Automatic EMG-based hand gesture recognition system using time-domain descriptors and fully-connected neural networks
CN110490109A (zh) 一种基于单目视觉的在线人体康复动作识别方法
CN108268844A (zh) 基于表面肌电信号的动作模式识别方法及装置
CN110013248A (zh) 脑电张量模式识别技术与脑机交互康复系统
CN111870242A (zh) 一种基于肌电信号的智能手势动作生成方法
Fahim et al. A visual analytic in deep learning approach to eye movement for human-machine interaction based on inertia measurement
CN113111831A (zh) 一种基于多模态信息融合的手势识别技术
Meng et al. User-tailored hand gesture recognition system for wearable prosthesis and armband based on surface electromyogram
Fu et al. Gesture recognition of sEMG signal based on GASF-LDA feature enhancement and adaptive ABC optimized SVM
Lin et al. A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet
CN113974612A (zh) 一种卒中患者上肢运动功能自动化评估方法与系统
CN112998725A (zh) 一种基于运动观察的脑机接口技术的康复方法与系统
Li et al. Multi-view fusion network-based gesture recognition using sEMG data
CN109522810A (zh) 一种基于社区投票机制的肌电假肢手手势识别方法
Rammy et al. Sequence-to-sequence deep neural network with spatio-spectro and temporal features for motor imagery classification
CN115024735B (zh) 一种基于运动意图识别模型的脑卒中患者康复方法及系统
Amor et al. A deep learning based approach for Arabic Sign language alphabet recognition using electromyographic signals
CN106598243B (zh) 一种多模态自适应光标控制方法及系统

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