CN110413107A - 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 - Google Patents

基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 Download PDF

Info

Publication number
CN110413107A
CN110413107A CN201910542988.7A CN201910542988A CN110413107A CN 110413107 A CN110413107 A CN 110413107A CN 201910542988 A CN201910542988 A CN 201910542988A CN 110413107 A CN110413107 A CN 110413107A
Authority
CN
China
Prior art keywords
particle
feature
fitness
signal
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
Application number
CN201910542988.7A
Other languages
English (en)
Other versions
CN110413107B (zh
Inventor
介婧
刘凯瑞
郑慧
周乐
武晓莉
张淼
李津蓉
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.)
Zhejiang University of Science and Technology ZUST
Original Assignee
Zhejiang University of Science and Technology ZUST
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 Zhejiang University of Science and Technology ZUST filed Critical Zhejiang University of Science and Technology ZUST
Priority to CN201910542988.7A priority Critical patent/CN110413107B/zh
Publication of CN110413107A publication Critical patent/CN110413107A/zh
Application granted granted Critical
Publication of CN110413107B publication Critical patent/CN110413107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Biomedical Technology (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肌电信号模式识别和粒子群优化的仿生机械手交互控制方法，首先建立基于表面肌电信号的模式识别系统进行预学习，通过多通道肌电仪获取表面肌电信号，经过巴特沃斯滤波以及梳状滤波器的软件滤波之后，进行多种特征的特征数据提取工作，并基于全通道离线特征数据进行模式识别，采用粒子群优化算法进行最优特征组合和最佳通道组合的优化搜索；然后基于最优特征组合与最优通道组合采集实时表面肌电信号，经滤波处理与特征提取后使用KNN算法进行实时手势识别，并利用识别出来的手势结果对各自由度的仿生机械手进行实时鲁棒控制。

Description

基于肌电信号模式识别和粒子群优化的仿生机械手交互控制 方法
技术领域
本发明属于肌电信号检测与模式识别技术领域，具体涉及一种基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法。
背景技术
仿生机械手属于机器人的一个分支，在机械，医疗，科研等领域扮演着至关重要的作用。通过结合人工智能、机器人以及测控仪器的最前沿高新技术，使得仿生机械手有可能配合肌电信号采集装置为大量因意外事故或者后天疾病等因素导致的残疾人士服务，使得他们可以使用肌电控制假肢，而使用肌电控制假肢，不仅要快速识别肌电信号，而且要保证识别的准确度。
现有技术在使用表面肌电信号进行仿生机械手实时控制时存在以下难点：难点一，如何在尽可能短的时间内对实时肌电信号进行正确处理及识别，并使仿生机械手在尽可能短的时间内作出反应。难点二，针对不同使用者，如何准确获取对应模式的有效通道信号，减少无效的冗余通道数据。因为对于模式分类起决定性作用的往往是来自个别而不是全部信号通道的信号。
现有的表面肌电信号模式识别的现状处于对最优肌电信号特征与分类方法的探索阶段，不同的论文中采取的肌电特征往往各不相同，谁优谁劣也难以评判。张启忠和席旭刚等人在文献《基于表面肌电信号的手腕动作模式识别，中国生物医学工程学报,2013,32(03):257-265.》中使用了近似熵与分形维数的特征，同时使用一种具有增量学习能力的KNN(K-NearestNeighbor，K最邻近分类)模型增量学习算法作为模式识别的分类器，虽然准确率较传统KNN算法略有提升，但是其特征提取只采用了单一特征组合，不能证明这种特征为最优特征组合，更何况近似熵特征与分形维数特征的计算十分复杂，会占用大量的计算时间，虽然在准确率上有一定优势，但是在实时控制时我们必须考虑到手势识别应该具有快速性。
张道辉等人在文献《仿生机械手肌电控制方法研究，沈阳理工大学硕士学位论文,2013.》中提取了绝对均值、均方根、过零点数、波形长度、斜率符号变化和AR模型系数—6种时域特征，平均功率、平均频率、中值频率—3种频域特征，小波变换系数—1种时频域特征，非广度熵和样本熵—2种非线性熵特征以及关联维数和盒函数—2种分形特征，总共14种肌电信号特征，进而对这14种特征进行了特征组合得到4个特征组合，然后使用了二叉树结构KD树、多叉树结构IHDR树、PCA与LDA这四种肌电信号分类方法进行模式分类，并使用PCA与LDA分类器进行仿生机械手肌电信号控制实验；但是其特征组合方式为人工组合，对特征的组合不够全面，因此经人工得到的特征组合在实时控制的精度与速度上不一定能达到最优。
徐艳宾在其硕士论文《基于肌电信号的机器人遥操作控制[D].华南理工大学,2018.》中也描述了其采用肌电信号在线控制机器人的实验，根据其采用的特征提取方法，可分为三组：第一组是过零点数(ZC)、均方根(RMS)、波形长度(WL)，第二组是绝对均值(MAV)、均方根(RMS)、斜率符号变化次数(SSC)，第三组为绝对均值(MAV)、均方根(RMS)、过零点数(ZC)，使用这三种特征组合，结合LDA线性判别分析分类模型实现手势的识别，选取准确率最高的特征组合作为在线控制的特征组合；但是该实验存在着一些不足之处，首先其对于特征组合的选取是人工组合的，而且其中可用于组合的特征数量过少，难以寻找到比较优秀的特征组合，因此难以达到肌电信号在线控制时应满足的精度与速度。
发明内容
鉴于上述，本发明提供了一种基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法，利用18电极肌电仪采集使用者不同手势时前臂的表面肌电信号，经过软件滤波以及特征提取后使用粒子群优化算法进行特征优选与通道优选，找出保证高识别精度的最优特征组合与最优通道组合；在仿生机械手实时控制过程中，将基于最优通道组合的实时肌电数据最优特征进行模式识别，其识别结果将直接作为控制指令发送给仿生机械手，控制其准确执行相应手势。
一种基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法，包括如下步骤：
(1)离线采集对应各种手势的大量肌电信号作为样本，并人工对每组样本打上对应的手势标签；
(2)对每组样本进行滤波以及特征提取，进而对所有特征进行归一化处理并组建样本特征矩阵；
(3)利用粒子群优化算法对肌电信号的特征以及通道进行优选；
(4)在线实时采集用户的肌电信号，提取信号的优选特征及优选通道，采用KNN算法进行模式识别，得到用户当前的手势类别，进而控制机械手完成相应的手势动作。
进一步地，所述步骤(1)的具体实现过程为：采用18电极(其中包括2个参考电极，16个信号采集电极，因此实际可采集到16个通道的肌电信号)的肌电仪对人体前臂表面肌电信号进行采集，由采集者做出多组手势，每组手势采集两次，每次采集时长为10秒，其中前4秒为静止阶段，采集者的前臂与手指应处于放松休息的自然状态，后6秒为肌电信号采集阶段，采集者应作出对应的手势并保持直到采集阶段结束；对于肌电信号采集阶段，取中间4秒的肌电信号作为样本，并打上手势标签。
进一步地，所述步骤(2)的具体实现过程为：首先使样本对应的肌电信号依次经过20Hz巴特沃斯高通滤波器以及50Hz梳状滤波器，然后利用滑动窗口的方法对滤波后的肌电信号进行特征提取，进而对提取完毕后得到的特征数据进行归一化处理，并组建样本特征矩阵，其大小为16Nfeature×W，16为总肌电通道数，Nfeature为总特征数量，W为窗口数量。
进一步地，所述步骤(3)中利用粒子群优化算法对肌电信号的特征优选过程如下：
A1.初始化粒子群，粒子群由多个粒子组成，每个粒子具有位置属性与速度属性，其中位置属性由一个Nfeature维的位置向量表示，速度属性由一个Nfeature维的速度向量表示，Nfeature为总特征数量；
所述位置向量即表示一种特征组合，位置向量中的元素值为0或1，若元素值为1即表示对应位置的特征被选中，若元素值为0即表示对应位置的特征未被选中；
A2.对于粒子群中的任一粒子j，根据其位置属性提取各样本特征矩阵中被选中特征以及全部通道的数据，进而结合KNN算法进行模式识别，以得到粒子j位置属性对应特征组合下通过KNN模型进行手势分类的准确率，并将准确率作为该粒子的适应度；
A3.以粒子j初始的位置向量作为Pbj，以整个粒子群适应度最高的粒子初始位置向量作为Pgbest；
A4.根据以下公式对粒子群中所有粒子的位置属性与速度属性进行迭代更新；
Vj(t+1)＝wVj(t)+c1r1(t)[Pbj-Xj(t)]+c2r2(t)[Pgbest-Xj(t)]
Xj(t+1)＝Xj(t)+Vj(t+1)
其中：Xj(t)和Xj(t+1)分别为第t次迭代和第t+1次迭代粒子j的位置向量，Vj(t)和Vj(t+1)分别为第t次迭代和第t+1次迭代粒子j的速度向量，r1(t)和r2(t)均为第t次迭代的随机系数且每次迭代随机生成介于0～1之间的随机数作为更新值，c1和c2均为给定的学习因子，w为给定的惯性权重，t为自然数；
A5.在第t+1次迭代后，根据Xj(t+1)重新计算粒子j的适应度，若其适应度大于Pbj所对应的适应度，则将Pbj更新为Xj(t+1)；同时，若粒子j的适应度大于Pgbest所对应的适应度，则将Pgbest更新为Xj(t+1)；依据上述遍历所有粒子；
A6.当达到设定的最大迭代次数，取最终Pgbest对应的特征组合作为肌电信号的优选特征。
进一步地，所述步骤(3)中利用粒子群优化算法对肌电信号的通道优选过程如下：
B1.初始化粒子群，粒子群由多个粒子组成，每个粒子具有位置属性与速度属性，其中位置属性由一个16维的位置向量表示，速度属性由一个16维的速度向量表示；
所述位置向量即表示一种通道组合，位置向量中的元素值为0或1，若元素值为1即表示对应位置的通道被选中，若元素值为0即表示对应位置的通道未被选中；
B2.对于粒子群中的任一粒子j，根据其位置属性提取各样本特征矩阵中优选特征以及被选中通道的数据，进而结合KNN算法进行模式识别，以得到粒子j位置属性对应通道组合下通过KNN模型进行手势分类的准确率，并将准确率作为该粒子的适应度；
B3.以粒子j初始的位置向量作为Pcj，以整个粒子群适应度最高的粒子初始位置向量作为Phbest；
B4.根据以下公式对粒子群中所有粒子的位置属性与速度属性进行迭代更新；
Vj(t+1)＝wVj(t)+c1r1(t)[Pcj-Xj(t)]+c2r2(t)[Phbest-Xj(t)]
Xj(t+1)＝Xj(t)+Vj(t+1)
其中：Xj(t)和Xj(t+1)分别为第t次迭代和第t+1次迭代粒子j的位置向量，Vj(t)和Vj(t+1)分别为第t次迭代和第t+1次迭代粒子j的速度向量，r1(t)和r2(t)均为第t次迭代的随机系数且每次迭代随机生成介于0～1之间的随机数作为更新值，c1和c2均为给定的学习因子，w为给定的惯性权重，t为自然数；
B5.在第t+1次迭代后，根据Xj(t+1)重新计算粒子j的适应度，若其适应度大于Pcj所对应的适应度，则将Pcj更新为Xj(t+1)；同时，若粒子j的适应度大于Phbest所对应的适应度，则将Phbest更新为Xj(t+1)；依据上述遍历所有粒子；
B6.当达到设定的最大迭代次数，取最终Phbest对应的通道组合作为肌电信号的优选通道。
进一步地，所述步骤(4)中采集到用户的肌电信号后，将整个肌电信号分成固定时长的多段，并将每段信号依次经过20Hz巴特沃斯高通滤波器以及50Hz梳状滤波器进行滤波处理。
进一步地，所述步骤(4)中对于滤波后的每段信号，利用滑动窗口的方法对其进行优选特征及优选通道的提取，进而对提取完毕后得到的优选特征数据进行归一化处理。
进一步地，所述步骤(4)中使用KNN算法对每段信号的优选特征数据进行模式识别以得出对应的手势分类结果，选择出现次数最多的分类结果作为用户当前的手势类别。
进一步地，所述步骤(4)中将用户当前的手势类别转换为对应的机械手指运动指令，并将指令发送给机械手控制器以控制机械手完成相应的手势动作。
本发明采用信号处理、人工智能、模式识别的技术方法解决问题，最终完成系统的设计与实现，使用粒子群算法对所有特征进行特征优选，其中适应度评价函数使用的是肌电信号经KNN算法得出的分类准确率，得出最优特征组合之后，再使用粒子群算法进行通道优选，同样也是使用肌电信号经KNN得出的分类准确率作为适应度评价函数，得出的最优特征组合与通道组合将作为实时控制过程中所采用的模式特征与信号通道，能够实现快速高效地实时控制。
为实现实时控制的分类准确性，本发明在数据采集阶段截用了中间部分稳定状态时的肌电信号，并规定切换手势时需要间隔4秒钟使手臂肌肉能够调整与休息；而在实时控制阶段，本发明采用滑动窗口的方法提取多个优选的特征，并对每个窗口都进行分类，选取出现最多的分类结果作为实时手势分类的结果，并将其作为控制指令用于仿生机械手的实时控制，这种方法能够有效保证仿生机械手控制的迅速性和准确率。
本发明中数据预处理、训练阶段与预测阶段所用到的技术包括巴特沃斯高通滤波器，梳妆滤波器、PSO(ParticleSwarmOptimization，粒子群优化)算法、KNN算法，均能使用MATLAB软件实现，因此该方法实现完全可行。
本发明优点在于抛弃了一些对分类结果影响不大的信号通道，能够大大减少模式实时识别过程中所处理的数据量，在保持高识别精度的同时，有效提高识别速度；另外本发明使用PSO进行了特征优选，选出了最优特征组合，使用优选特征与优选通道可以在实时控制过程中保证高准确率模式识别的同时，大大减少实时控制阶段特征提取的工作量，从而使仿生机械手的实时控制阶段具有响应快、实时性强的特点。
附图说明
图1为本发明方法的总体流程示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法，包括如下步骤：
步骤1：预学习阶段；使用离线肌电信号结合粒子群算法对特征与通道进行优选，详细步骤如下：
1.1.离线肌电信号采集。使用18电极的肌电仪进行人体前臂表面肌电信号的采集，其中2个电极为参考电极，16个电极为信号采集电极，因此实际可采集到16个通道的肌电信号；所使用的手势包括静止状态在内一共NG个，每个非静止手势采集两次，每次采集时间为10秒，其中前4秒为静止阶段，采集者的前臂与手指应处于放松休息的自然状态；后6秒为肌电信号采集阶段，采集者应作出对应的手势并保持直到采集阶段结束；对于采集到的6秒信号，取中间稳定的4秒信号放入数据集，并标出手势标签。
如第一个非静止手势的一次采集中，前4秒采集者保持静止，从第4秒开始做出第一个非静止手势直到第10秒采集结束，取其中第5秒到第9秒的稳定信号放入数据集，并标上第一个非静止手势的标签。
1.2.信号预处理。经肌电仪采集得到的信号数据集经过20Hz巴特沃斯高通滤波器(用于滤去20～500Hz以外的信号)以及50Hz梳状滤波器(用于过滤50Hz的信号及其谐波)后，使用滑动窗口(宽度300ms，位移100ms)的办法进行包括RMS、ML、SampEn等特征在内的Nfeature个特征提取(特征种类详见表1)，特征提取完毕后进行归一化处理，到此原始肌电数据集被处理成特征矩阵Dfeature，特征矩阵Dfeature大小为16Nfeature×W，16为总肌电通道数，Nfeature为总特征数量，W为窗口的数量。
表1
1.3.特征优选。利用粒子群算法从包含Nfeature个特征的特征集合Vfeature＝{feature1,feature2,feature3,…,featureNfeature}中选择较优的特征组合用于肌电信号的模式识别。
引入决策向量作为粒子群算法中粒子的位置向量，其中xi∈{0,1}，当xi＝1时，表示特征集合中的第i个特征被选择；当xi＝0时，表示该特征不会被选入最优特征组合中。
引入决策向量作为粒子群算法中粒子的速度向量，其中vi∈(-1,1)。
例如，当粒子群中第j个粒子的位置向量如下所示：
则说明总共有15个特征，优选特征数量为3，且第2个特征feature2、第7个特征feature7和第13个特征feature13被选择为优选特征，记该优选特征组合为Fj。
接下来使用粒子群算法进行特征优选搜索，其流程如下：
A1.初始化粒子群，粒子群体规模为NP，初始化每个粒子的位置属性与速度属性。每个粒子的位置属性为一个Nfeature维的位置向量，速度属性为一个Nfeature维的速度向量。
A2.选择特征矩阵Dfeature中包含对应优选特征与全部通道的数据，结合KNN算法进行模式识别，于是可以得到该特征组合下的KNN模型进行手势分类的准确率，并将该准确率作为该粒子的适应值。
将当前第j个粒子的适应度达到最高的位置设置为Pbj，整个粒子群目前达到适应度最高点的最优位置为Pgbest。
A3.粒子的速度、位置根据以下公式进行迭代更新：
Vj(t+1)＝wVj(t)+c1r1(t)[Pbj-Xj(t)]+c2r2(t)[Pgbest-Xj(t)]
Xj(t+1)＝Xj(t)+Vj(t+1)
其中：r1(t)和r2(t)是介于0和1之间的随机数，增加了飞行的随机性；c1和c2为学习因子，Vj(t)和Vj(t+1)为粒子的速度向量，Xj(t)和Xj(t+1)为粒子的位置向量，w为惯性权重表示在多大的程度上保留原来的速度。在本实施方式中，w取0.8，c1和c2取2。要注意的是：在上述公式中，由于Xj(t)为整数，而Vj(t)为浮点数，因此Xj(t+1)经过浮点运算后应取整。
A4.在第t次迭代之后，若新位置的Xj(t+1)所对应的适应度值大于之前的Pbj值对应的适应度值，则将Pbj值更新为Xj(t+1)。若新位置Xj(t+1)所对应的适应度值大于之前的Pgbest值所对应的适应度值，则将Pgbest值更新为Xj(t+1)；若未达到设定的迭代次数，则返回步骤A3。
A5.迭代完成后，最终的Pgbest值即为适应度值达到最大值的粒子位置，由该位置即可得到对应的最佳优选特征组合F*。
1.4.通道优选。经过特征优选之后，特征可减少为所优选的特征组合，接下来将对通道进行优选；利用粒子群算法从包含16个通道的通道集合Vchannel＝{channel1,channel2,channel3,…,channel16}中选择较优的通道组合用于肌电信号的模式识别。
引入决策向量X＝(x1,x2,x3,…,x16)作为粒子群算法中粒子的位置向量，其中xi∈{0,1}，当xi＝1时，表示特征集合中的第i个通道被选择；当xi＝0时，表示该通道不会被选入最优通道组合中。
引入决策向量V＝(v1,v2,v3,…,v16)作为粒子群算法中粒子的速度向量，其中vi∈(-1,1)。
例如，当粒子群中第j粒子的位置向量如下所示：
则说明优选通道数量为4，且第2个通道channel2、第4个通道channel4、第7个通道channel7和第13个通道channel13被选择为优选通道，记该通道组合为Gi。
接下来使用粒子群算法进行通道优选搜索，其流程如下：
B1.初始化粒子群，粒子数量为NP个，初始化每个粒子的位置属性与速度属性。每个粒子的位置属性为一个16维的0～1向量，速度属性为一个16维的速度向量。
B2.选择特征矩阵Dfeature中包含优选特征F*与优选通道组合的数据，使用KNN算法进行模式识别，于是可以得到该特征与通道组合下手势分类的准确率，并将该准确率作为该粒子的适应值。
将当前第j个粒子的适应度达到最高的位置设置为Pcj，整个粒子群目前达到适应度最高点的最优位置为Phbest。
B3.粒子的速度、位置根据以下公式进行迭代更新：
Vj(t+1)＝wVj(t)+c1r1(t)[Pcj-Xj(t)]+c2r2(t)[Phbest-Xj(t)]
Xj(t+1)＝Xj(t)+Vj(t+1)
其中：r1(t)和r2(t)是介于0和1之间的随机数，增加了飞行的随机性；c1和c2为学习因子，Vj(t)和Vj(t+1)为粒子的速度向量，Xj(t)和Xj(t+1)为粒子的位置向量，w为惯性权重表示在多大的程度上保留原来的速度。在本实施方式中，w取0.8，c1和c2取2。要注意的是：在上述公式中，由于Xj(t)为整数，而Vj(t)为浮点数，因此Xj(t+1)经过浮点运算后应取整。
B4.在第t次迭代之后，若新位置的Xj(t+1)所对应的适应度值大于之前的Pcj值对应的适应度值，则将Pcj值更新为Xj(t+1)；若新位置Xj(t+1)所对应的适应度值大于之前的Phbest值所对应的适应度值，则将Phbest值更新为Xj(t+1)；若未达到设定的迭代次数，则返回步骤B3。
B5.迭代完成后，最终的Phbest值即为适应度值达到最大值的粒子位置，由该位置即可得到对应的最佳优选通道组合G*。
步骤2：仿生机械手实时控制阶段。接下来使用特征优选与通道优选的结果对仿生机械手进行实时控制，详细步骤如下：
2.1.实时肌电信号采集。打开18电极的肌电仪采集人体前臂的实时表面肌电信号。
2.2.信号滤波。规定每段实时数据长度为L(ms)，将信号数据集经过20Hz巴特沃斯高通滤波器(用于滤去20～500Hz以外的信号)以及50Hz梳状滤波器(用于过滤50Hz的信号及其谐波)进行信号的滤波处理。
2.3.特征提取及归一化。使用滑动窗口(宽度300ms，位移100ms)的办法，将实时肌电信号基于最优特征组合F*和最优通道组合G*进行优选特征提取与优选通道数据提取，提取完毕后进行归一化处理。
2.4.手势识别。对于每段优选后的特征数据，多次使用KNN算法进行模式识别得出手势分类结果，选择出现次数最多的分类标签作为手势分类的最终结果。
2.5.控制仿生机械手。将手势标签转换为对应的机械手指运动指令，并将指令发送给机械手控制器控制机械手完成相应的手势动作。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (9)

1.一种基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法，包括如下步骤：
(1)离线采集对应各种手势的大量肌电信号作为样本，并人工对每组样本打上对应的手势标签；
(2)对每组样本进行滤波以及特征提取，进而对所有特征进行归一化处理并组建样本特征矩阵；
(3)利用粒子群优化算法对肌电信号的特征以及通道进行优选；
(4)在线实时采集用户的肌电信号，提取信号的优选特征及优选通道，采用KNN算法进行模式识别，得到用户当前的手势类别，进而控制机械手完成相应的手势动作。
2.根据权利要求1所述的仿生机械手交互控制方法，其特征在于：所述步骤(1)的具体实现过程为：采用18电极的肌电仪对人体前臂表面肌电信号进行采集，由采集者做出多组手势，每组手势采集两次，每次采集时长为10秒，其中前4秒为静止阶段，采集者的前臂与手指应处于放松休息的自然状态，后6秒为肌电信号采集阶段，采集者应作出对应的手势并保持直到采集阶段结束；对于肌电信号采集阶段，取中间4秒的肌电信号作为样本，并打上手势标签。
3.根据权利要求1所述的仿生机械手交互控制方法，其特征在于：所述步骤(2)的具体实现过程为：首先使样本对应的肌电信号依次经过20Hz巴特沃斯高通滤波器以及50Hz梳状滤波器，然后利用滑动窗口的方法对滤波后的肌电信号进行特征提取，进而对提取完毕后得到的特征数据进行归一化处理，并组建样本特征矩阵，其大小为16Nfeature×W，16为总肌电通道数，Nfeature为总特征数量，W为窗口数量。
4.根据权利要求1所述的仿生机械手交互控制方法，其特征在于：所述步骤(3)中利用粒子群优化算法对肌电信号的特征优选过程如下：
A1.初始化粒子群，粒子群由多个粒子组成，每个粒子具有位置属性与速度属性，其中位置属性由一个Nfeature维的位置向量表示，速度属性由一个Nfeature维的速度向量表示，Nfeature为总特征数量；
所述位置向量即表示一种特征组合，位置向量中的元素值为0或1，若元素值为1即表示对应位置的特征被选中，若元素值为0即表示对应位置的特征未被选中；
A2.对于粒子群中的任一粒子j，根据其位置属性提取各样本特征矩阵中被选中特征以及全部通道的数据，进而结合KNN算法进行模式识别，以得到粒子j位置属性对应特征组合下通过KNN模型进行手势分类的准确率，并将准确率作为该粒子的适应度；
A3.以粒子j初始的位置向量作为Pbj，以整个粒子群适应度最高的粒子初始位置向量作为Pgbest；
A4.根据以下公式对粒子群中所有粒子的位置属性与速度属性进行迭代更新；
Vj(t+1)＝wVj(t)+c1r1(t)[Pbj-Xj(t)]+c2r2(t)[Pgbest-Xj(t)]
Xj(t+1)＝Xj(t)+Vj(t+1)
其中：Xj(t)和Xj(t+1)分别为第t次迭代和第t+1次迭代粒子j的位置向量，Vj(t)和Vj(t+1)分别为第t次迭代和第t+1次迭代粒子j的速度向量，r1(t)和r2(t)均为第t次迭代的随机系数且每次迭代随机生成介于0～1之间的随机数作为更新值，c1和c2均为给定的学习因子，w为给定的惯性权重，t为自然数；
A5.在第t+1次迭代后，根据Xj(t+1)重新计算粒子j的适应度，若其适应度大于Pbj所对应的适应度，则将Pbj更新为Xj(t+1)；同时，若粒子j的适应度大于Pgbest所对应的适应度，则将Pgbest更新为Xj(t+1)；依据上述遍历所有粒子；
A6.当达到设定的最大迭代次数，取最终Pgbest对应的特征组合作为肌电信号的优选特征。
5.根据权利要求1所述的仿生机械手交互控制方法，其特征在于：所述步骤(3)中利用粒子群优化算法对肌电信号的通道优选过程如下：
B1.初始化粒子群，粒子群由多个粒子组成，每个粒子具有位置属性与速度属性，其中位置属性由一个16维的位置向量表示，速度属性由一个16维的速度向量表示；
所述位置向量即表示一种通道组合，位置向量中的元素值为0或1，若元素值为1即表示对应位置的通道被选中，若元素值为0即表示对应位置的通道未被选中；
B2.对于粒子群中的任一粒子j，根据其位置属性提取各样本特征矩阵中优选特征以及被选中通道的数据，进而结合KNN算法进行模式识别，以得到粒子j位置属性对应通道组合下通过KNN模型进行手势分类的准确率，并将准确率作为该粒子的适应度；
B3.以粒子j初始的位置向量作为Pcj，以整个粒子群适应度最高的粒子初始位置向量作为Phbest；
B4.根据以下公式对粒子群中所有粒子的位置属性与速度属性进行迭代更新；
Vj(t+1)＝wVj(t)+c1r1(t)[Pcj-Xj(t)]+c2r2(t)[Phbest-Xj(t)]
Xj(t+1)＝Xj(t)+Vj(t+1)
其中：Xj(t)和Xj(t+1)分别为第t次迭代和第t+1次迭代粒子j的位置向量，Vj(t)和Vj(t+1)分别为第t次迭代和第t+1次迭代粒子j的速度向量，r1(t)和r2(t)均为第t次迭代的随机系数且每次迭代随机生成介于0～1之间的随机数作为更新值，c1和c2均为给定的学习因子，w为给定的惯性权重，t为自然数；
B5.在第t+1次迭代后，根据Xj(t+1)重新计算粒子j的适应度，若其适应度大于Pcj所对应的适应度，则将Pcj更新为Xj(t+1)；同时，若粒子j的适应度大于Phbest所对应的适应度，则将Phbest更新为Xj(t+1)；依据上述遍历所有粒子；
B6.当达到设定的最大迭代次数，取最终Phbest对应的通道组合作为肌电信号的优选通道。
6.根据权利要求1所述的仿生机械手交互控制方法，其特征在于：所述步骤(4)中采集到用户的肌电信号后，将整个肌电信号分成固定时长的多段，并将每段信号依次经过20Hz巴特沃斯高通滤波器以及50Hz梳状滤波器进行滤波处理。
7.根据权利要求6所述的仿生机械手交互控制方法，其特征在于：所述步骤(4)中对于滤波后的每段信号，利用滑动窗口的方法对其进行优选特征及优选通道的提取，进而对提取完毕后得到的优选特征数据进行归一化处理。
8.根据权利要求7所述的仿生机械手交互控制方法，其特征在于：所述步骤(4)中使用KNN算法对每段信号的优选特征数据进行模式识别以得出对应的手势分类结果，选择出现次数最多的分类结果作为用户当前的手势类别。
9.根据权利要求1所述的仿生机械手交互控制方法，其特征在于：所述步骤(4)中将用户当前的手势类别转换为对应的机械手指运动指令，并将指令发送给机械手控制器以控制机械手完成相应的手势动作。
CN201910542988.7A 2019-06-21 2019-06-21 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法 Active CN110413107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542988.7A CN110413107B (zh) 2019-06-21 2019-06-21 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542988.7A CN110413107B (zh) 2019-06-21 2019-06-21 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法

Publications (2)

Publication Number Publication Date
CN110413107A true CN110413107A (zh) 2019-11-05
CN110413107B CN110413107B (zh) 2023-04-25

Family

ID=68359610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542988.7A Active CN110413107B (zh) 2019-06-21 2019-06-21 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法

Country Status (1)

Country Link
CN (1) CN110413107B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046731A (zh) * 2019-11-11 2020-04-21 中国科学院计算技术研究所 基于表面肌电信号进行手势识别的迁移学习方法和识别方法
CN111290275A (zh) * 2020-02-23 2020-06-16 浙江科技学院 基于强化学习粒子群算法的污水处理优化控制方法
CN111522435A (zh) * 2020-02-21 2020-08-11 浙江工业大学 一种基于表面肌电信号的机械臂交互方法
CN111730604A (zh) * 2020-08-04 2020-10-02 季华实验室 基于人体肌电信号的机械夹爪控制方法、装置和电子设备
CN112036357A (zh) * 2020-09-09 2020-12-04 曲阜师范大学 一种基于表面肌电信号的上肢动作识别方法及系统
CN113970968A (zh) * 2021-12-22 2022-01-25 深圳市心流科技有限公司 一种智能仿生手的动作预判方法
CN114138111A (zh) * 2021-11-11 2022-03-04 深圳市心流科技有限公司 一种肌电智能仿生手的全系统控制交互方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106293057A (zh) * 2016-07-20 2017-01-04 西安中科比奇创新科技有限责任公司 基于bp神经网络的手势识别方法
CN106503689A (zh) * 2016-11-14 2017-03-15 哈尔滨理工大学 基于粒子群算法的神经网络局部放电信号模式识别方法
CN108992066A (zh) * 2018-08-15 2018-12-14 东北大学 基于肌电信号的便携式下肢行为模式实时识别系统及方法
CN109559797A (zh) * 2018-10-31 2019-04-02 青岛大学附属医院 一种血液透析康复运动训练方法及系统、终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106293057A (zh) * 2016-07-20 2017-01-04 西安中科比奇创新科技有限责任公司 基于bp神经网络的手势识别方法
CN106503689A (zh) * 2016-11-14 2017-03-15 哈尔滨理工大学 基于粒子群算法的神经网络局部放电信号模式识别方法
CN108992066A (zh) * 2018-08-15 2018-12-14 东北大学 基于肌电信号的便携式下肢行为模式实时识别系统及方法
CN109559797A (zh) * 2018-10-31 2019-04-02 青岛大学附属医院 一种血液透析康复运动训练方法及系统、终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RAMI N.KHUSHABA、ADEL AL-JUMAILY: "Channel and Feature Selection in Multifunction Myoelectric Control", 《2007 29TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 *
VIRENDRA PRASAD MAURYA、PRASHANT KUMAR、SUMAN HALDER: "Optimisation and Classification of EMG signal using PSO-ANN", 《2019 DEVICES FOR INTEGRATED CIRCUIT》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111046731A (zh) * 2019-11-11 2020-04-21 中国科学院计算技术研究所 基于表面肌电信号进行手势识别的迁移学习方法和识别方法
CN111522435A (zh) * 2020-02-21 2020-08-11 浙江工业大学 一种基于表面肌电信号的机械臂交互方法
CN111290275A (zh) * 2020-02-23 2020-06-16 浙江科技学院 基于强化学习粒子群算法的污水处理优化控制方法
CN111730604A (zh) * 2020-08-04 2020-10-02 季华实验室 基于人体肌电信号的机械夹爪控制方法、装置和电子设备
CN112036357A (zh) * 2020-09-09 2020-12-04 曲阜师范大学 一种基于表面肌电信号的上肢动作识别方法及系统
CN112036357B (zh) * 2020-09-09 2023-05-12 曲阜师范大学 一种基于表面肌电信号的上肢动作识别方法及系统
CN114138111A (zh) * 2021-11-11 2022-03-04 深圳市心流科技有限公司 一种肌电智能仿生手的全系统控制交互方法
CN114138111B (zh) * 2021-11-11 2022-09-23 深圳市心流科技有限公司 一种肌电智能仿生手的全系统控制交互方法
CN113970968A (zh) * 2021-12-22 2022-01-25 深圳市心流科技有限公司 一种智能仿生手的动作预判方法
CN113970968B (zh) * 2021-12-22 2022-05-17 深圳市心流科技有限公司 一种智能仿生手的动作预判方法

Also Published As

Publication number Publication date
CN110413107B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN110413107A (zh) 基于肌电信号模式识别和粒子群优化的仿生机械手交互控制方法
Li et al. Boosting-based EMG patterns classification scheme for robustness enhancement
CN102622605B (zh) 一种表面肌电信号的特征提取及动作模式识别方法
CN106293057A (zh) 基于bp神经网络的手势识别方法
CN110826625B (zh) 一种基于表面肌电信号的手指手势分类方法
CN105943206A (zh) 一种基于myo臂环的假肢手控制方法
Li et al. EEG signal classification method based on feature priority analysis and CNN
CN108268844A (zh) 基于表面肌电信号的动作模式识别方法及装置
CN108681685A (zh) 一种基于人体表面肌电信号的躯干动作意图识别方法
CN108958474A (zh) 一种基于误差权重的动作识别多传感信息融合方法
Oleinikov et al. Feature extraction and real-time recognition of hand motion intentions from EMGs via artificial neural networks
Qi et al. sEMG-based recognition of composite motion with convolutional neural network
Lin et al. A normalisation approach improves the performance of inter-subject sEMG-based hand gesture recognition with a ConvNet
CN109498362A (zh) 一种偏瘫患者手部运动功能康复训练装置及模型训练方法
WO2022242133A1 (zh) 一种手势分类识别方法及其应用
CN106845348A (zh) 一种基于手臂表面肌电信号的手势识别方法
Zhang et al. Influence of different feature selection methods on emg pattern recognition
Nieuwoudt et al. Investigation of real-time control of finger movements utilising surface EMG signals
Bo et al. Hand gesture recognition using semg signals based on cnn
Wang et al. EMG-based hand gesture recognition by deep time-frequency learning for assisted living & rehabilitation
CN111985270A (zh) 一种基于梯度提升树的sEMG信号最优通道选择方法
Amor et al. A deep learning based approach for Arabic Sign language alphabet recognition using electromyographic signals
Liu et al. A study of EEG classification based on attention mechanism and EEGNet Motor Imagination
CN114569143A (zh) 一种基于注意力机制与多特征融合的肌电手势识别方法
CN113947815A (zh) 一种基于肌电传感和视觉传感的人机手势协同控制方法

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