CN110547806A - 一种基于表面肌电信号的手势动作在线识别方法及系统 - Google Patents

一种基于表面肌电信号的手势动作在线识别方法及系统 Download PDF

Info

Publication number
CN110547806A
CN110547806A CN201910859186.9A CN201910859186A CN110547806A CN 110547806 A CN110547806 A CN 110547806A CN 201910859186 A CN201910859186 A CN 201910859186A CN 110547806 A CN110547806 A CN 110547806A
Authority
CN
China
Prior art keywords
model
gesture
action
recognition
svm
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
CN201910859186.9A
Other languages
English (en)
Other versions
CN110547806B (zh
Inventor
刘聪
周淑旺
费炜
胡胜
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.)
Hubei University of Technology
Original Assignee
Hubei University of 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 Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN201910859186.9A priority Critical patent/CN110547806B/zh
Publication of CN110547806A publication Critical patent/CN110547806A/zh
Application granted granted Critical
Publication of CN110547806B publication Critical patent/CN110547806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1124—Determining motor skills
    • A61B5/1125—Grasping motions of hands
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明属于人工智能技术领域，公开了一种基于表面肌电信号的手势动作在线识别方法及系统，实时采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号；然后进行小波阈值去噪处理；提取处理后信号的均方根(RMS)特征和前4阶AR模型参数特征，最后用SVM投票法和聚类思想联合判别实时动作。每间隔0.05s识别一次。每种动作的训练样本个数只采集10个，样本数和特征种类数少，方便实时识别；利用SVM投票法和聚类思想联合判别，可以提高识别正确率；聚类思想的应用在一定程度上拒绝了对异常动作的识别。

Description

一种基于表面肌电信号的手势动作在线识别方法及系统
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于表面肌电信号的手势动作在线识别方法及系统。
背景技术
目前，最接近的现有技术：
随着科技的发展，对手势识别技术的研究已经成为热门课题，基于手势识别技术的应用也开始渗透到人们生活的方方面面，这是一项技术走向热门的标志。表面肌电信号的应用领域主要在人机交互和假肢控制。
在传统基于表面肌电信号的手势识别中，采用了类似语音识别的结构，即信号采集-活动段检测-特征提取-分类。这种方法需要对活动段进行检测后再识别。
对于基于表面肌电信号手势的识别，目前大多数方法虽然能达到很高的识别精度，但由于使用特征过多，不方便实时控制；而单一地使用时域特征或频域特征又会大大降低精度；另外，识别算法的复杂度对硬件也提出了相应的要求，否则实时性难以保证。
另外，许多识别算法鲁棒性不强，只对于几种固定的手势识别效果较好。
现在亟需一种可操作性强，算法易于实现的手势在线识别方法，并且能同时兼顾准确性和实时性。
综上所述，现有技术存在的问题是：
(1)每次识别之前都需要进行活动段检测。
(1)使用特征过多，不方便实时识别；单一地使用时域特征或频域特征会大大降低精度。
(2)识别算法的复杂度对硬件也提出了相应的要求，否则实时性难以保证。
(3)许多识别算法鲁棒性不强，只对于几种固定的手势识别效果较好。
解决上述技术问题的难度：
对于固定的若干种手势，使用特征和算法过多虽然可以提高正确率，但是实时性难以保证，另外识别算法的复杂度对硬件也提出了相应的要求。准确性和实时性难以兼顾。
为了提高算法鲁棒性，需要确定通用性和代表性强的特征和采集信号的肌肉位置，使算法能适用于更多种手势。
解决上述技术问题的意义：
首先，可以降低硬件设计的难度和复杂度，使整个系统的软硬件均易于实现；其次，在不降低太大正确率情况下，较高的实时性使得系统性能更优；最后，算法鲁棒性的提升有助于应用面变得更广。
发明内容
针对传统手势在线识别算法中算法鲁棒性不强及实时性和准确性难以兼顾的问题，本发明提供了一种基于表面肌电信号的手势动作在线识别方法及系统。
本发明是这样实现的，一种基于表面肌电信号的手势动作在线识别方法，包括：采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号。
提取通过降噪处理后表面肌电信号的前4阶AR模型参数特征和RMS特征，作为每个动作分类识别所使用的特征。
用SVM投票法和聚类思想联合判别实时动作；聚类思想的应用在一定程度上拒绝了对异常动作的识别。
进一步，所述基于表面肌电信号的手势动作在线识别方法包括如下步骤：
步骤一，选取所要识别的若干动作。
步骤二，采集训练样本。每种动作采集10个样本，使用硬件设备提取原始的表面肌电信号；进行小波阈值去噪处理。
步骤三，特征提取与选择。对于每个动作样本，肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征，其中，AR模型参数特征提取前4阶参数。
步骤四，手势实时识别。在任意两类动作样本之间设计一个SVM，k个类别的样本需设计k(k-1)/2个SVM，同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax。。
进一步，所述步骤三中，所述时间序列的均方根(RMS)特征可参照以下公式计算：
式中，RMS是均方根肌电值，N代表肌电信号样本数，X(t)是肌电信号值。
所述AR模型的定义为白噪声的输入和过去p个信号值进行累加：
由上式可知，当模型系数确定后，受到白噪声激励的系统模型随之确定。使用伯格法(burg)迭代求解AR模型的各阶系数，在求解AR模型各阶系数之前，还应确定所构建具体模型阶数p。
进一步，采用最终预测误差(FPE)准则对AR模型进行定阶。最终预测误差定义为：
式中，N为时间序列的长度，p为AR模型阶数，σ2为模型方差。
进一步，所述步骤四中SVM采用高斯核函数，表达式为：
式中，x，z分别为两个不同的特征向量，σ为标准差参数。
所述距离计算采用欧式距离公式，表达式为：
式中，d12为两个特征向量之间的距离，n为特征向量的维数，x1k和x2k分别为两个不同的特征向量。
进一步，所述步骤四中，动作在训练时，选择动作所对应的向量作为训练集，得到相应的SVM；在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。
所述用SVM投票法和聚类思想联合进行动作识别，具体操作包括：
若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。
本发明的另一目的在于提供一种实施所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势在线识别控制系统。
本发明的另一目的在于提供一种实施所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势动作在线识别装置。
综上所述，本发明的优点及积极效果为：
本发明只提取肌电信号的均方根特征和AR模型特征，每种类别样本只提取10个，提取样本数和特征种类数少，方便实时识别；而SVM算法又非常适用于小样本的分类问题，利用SVM投票法和聚类思想联合判别，可以提高识别正确率，因为聚类思想的应用在一定程度上拒绝了对异常动作的识别；另外，通用性和代表性强的特征和采集信号的肌肉位置使算法能适用于更多种手势，本专利所使用特征为均方根和前四阶AR模型系数特征，所确定的肌肉位置为肱三头肌、肘肌、肱二头肌、肱桡肌；最后，每隔极短时间识别一次，可以避免活动段检测。
使用本专利所述方法，采集10位健康成年人手臂表面肌电信号，每人随机做出动作，包括但不限于以下四种动作：屈肘、抬臂、外展和静止。分别统计每人100次识别的正确率。以上四种具体动作、识别正确率及硬件设备见附图。
附图说明
图1是本发明实施例提供的基于表面肌电信号的手势动作在线识别方法流程图。
图2是本发明实施例提供的SVM算法示意图。
图3是本发明中所做实验涉及到的屈肘、抬臂、外展和静止四种动作示意图。
图4是本发明中所做实验识别正确率散点图。
图5是本发明中所做实验所使用的表面肌电信号采集设备。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，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仅用以解释本发明，并不用于限定本发明。
对于简单粗手势的识别，由于使用特征过多，不方便实时控制；单一地使用时域特征或频域特征会大大降低精度。识别算法的复杂度对硬件也提出了相应的要求，否则实时性难以保证。现有技术在手势在线识别过程中难以兼顾准确性和实时性，且算法的鲁棒性不够好。
针对现有技术存在的问题，本发明提供了一种基于表面肌电信号的手势动作在线识别方法，下面结合附图对本发明作详细的描述。
本发明实施例提供的基于表面肌电信号的手势动作在线识别方法，采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号；提取通过预处理后表面肌电信号的前4阶AR模型参数特征和RMS特征，作为每个动作分类识别所使用的特征；用SVM投票法和聚类思想联合判别实时动作。聚类思想的应用在一定程度上拒绝了对异常动作的识别。
如图1所示，一种基于表面肌电信号的手势动作在线识别方法，包括如下步骤：
S101：选取所要识别的若干动作，例如动作屈肘、抬起手臂等。
S102：采集训练样本。每种动作采集10个样本，使用硬件设备提取原始的表面肌电信号，然后进行信号降噪处理。
S103：特征提取与选择。对于每个动作样本，肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征，其中，AR模型参数特征提取前4阶参数。
S104：手势实时识别。在任意两类动作样本之间设计一个SVM，k个类别的样本需设计k(k-1)/2个SVM，同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax。
在本发明实施例中，步骤S103中，时间序列的均方根(RMS)特征可参照以下公式计算：
式中，RMS是均方根肌电值，N代表肌电信号样本数，X(t)是肌电信号值。
所述AR模型的定义为白噪声的输入和过去p个信号值进行累加：
对于模型建立和识别的关键是确定其系数。由上式可知，当模型系数确定后，假定中受到白噪声激励的系统模型就随之确定。这里使用伯格法(burg)迭代求解AR模型的各阶系数，在求解AR模型各阶系数之前，还应该确定所构建具体模型阶数p。
在本发明实施例中，采用最终预测误差(FPE)准则对AR模型进行定阶。最终预测误差定义为：
式中，N为时间序列的长度，p为AR模型阶数，σ2为模型方差。
在本发明实施例中，所述步骤S104中SVM采用高斯核函数，表达式为：
式中，x，z分别为两个不同的特征向量，σ为标准差参数。
所述距离计算采用欧式距离公式，表达式为：
式中，d12为两个特征向量之间的距离，n为特征向量的维数，x1k和x2k分别为两个不同的特征向量。
在本发明实施例中，步骤S104中，动作在训练时，选择动作所对应的向量作为训练集，得到相应的SVM；在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。
在本发明实施例中，步骤S104中，所述用SVM投票法和聚类思想联合进行动作识别，具体操作包括：
若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。
下面结合实施例对本发明作进一步描述。
实施例1
本发明提供一种基于表面肌电信号的手势动作在线识别方法在医疗护理方面的应用。
某医院医疗护理人员所在护理室与病房是分开的，病人平时住在病房内，只有病人需要帮助的时候，如喝水、上厕所，医护人员才会护理病人。病人手臂上带有获取表面肌电信号的设备，该设备会将信号实时发送到护理室的电脑上，电脑通过运算判断若干种特定的手势动作。如果识别某动作在较短的时间内出现了两次，则认为该病人需要帮助，每一种帮助的内容对应一种手势。如屈肘表示要喝水。
为了保证识别的实时性和准确性，可以使用本发明的一种基于表面肌电信号的手势动作在线识别方法。
首先，确定肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号采集频率为1000HZ,然后使用算法实时进行信号的降噪处理。信号的处理在上位机上完成(即护理室的电脑上)。然后，每隔0.05s识别一次，每次每个通道取该识别时刻与1s前时刻这个时间段，形成新的时间序列，四个通道时间序列均如此操作。所使用特征为四个通道的AR模型系数和均方根特征，识别方法：SVM投票法和聚类思想联合进行识别，其中SVM采用高斯核函数。
实施例2
本发明提供一种用SVM投票法和聚类思想联合进行动作识别。具体包括：
假设有四类A,B,C,D四类动作。在训练的时候选择A,B；A,C；A,D；B,C；B,D；C,D所对应的向量作为训练集，然后得到六个SVM，在实时分类的时候，把对应的向量分别对六个结果进行测试，然后采取投票形式，最后得到一组结果。
投票是这样的：
A＝B＝C＝D＝0；
(A,B)-classifier如果是A win,则A＝A+1；otherwise,B＝B+1；
(A,C)-classifier如果是A win,则A＝A+1；otherwise,C＝C+1；
...
(C,D)-classifier如果是A win,则C＝C+1；otherwise,D＝D+1；
保留得票最多的那个类别。最后使用聚类思想联合进行动作识别，具体操作：若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类。其中Dmax为得票最多的那个类别样本的平均特征向量与该类样本特征向量之间的最大距离。
在本发明实施例中，图2是本发明实施例提供的SVM算法示意图。
图3是本发明中所做实验涉及到的屈肘、抬臂、外展和静止四种动作示意图。
图4是本发明中所做实验识别正确率散点图。
图5是本发明中所做实验所使用的表面肌电信号采集设备。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于表面肌电信号的手势动作在线识别方法，其特征在于，所述基于表面肌电信号的手势动作在线识别方法包括：
采集多个通道的表面肌电信号并进行小波阈值去噪处理；
提取处理后表面肌电信号的前4阶AR模型参数特征和RMS特征，作为每个动作分类识别所使用的特征；
利用SVM投票法和聚类思想联合判别实时动作。
2.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，所述基于表面肌电信号的手势动作在线识别方法，包括以下步骤：
步骤一，选取所要识别的若干种静态手势动作；
步骤二，采集训练样本，每种动作采集10个样本，每种动作采集的时间段为1s，使用硬件设备提取原始的表面肌电信号；进行小波阈值去噪处理。
步骤三，特征提取，对于每个动作样本，肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征；AR模型参数特征提取前4阶参数；
步骤四，手势实时识别，在任意两类动作样本之间设计SVM，则k个类别的样本设计k(k-1)/2个SVM，同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax。
3.如权利要求2中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，步骤三中，时间序列的均方根RMS特征计算公式为：
式中：RMS是均方根肌电值；N代表肌电信号样本数；X(t)是肌电信号值。
4.如权利要求2中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，步骤三中，AR模型为白噪声的输入和过去p个信号值进行累加，具体为：
模型系数确定后，受到白噪声激励的系统模型确定；使用伯格法迭代求解AR模型的各阶系数，求解AR模型各阶系数前，先确定阶数p。
5.如权利要求4中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，所述模型阶数p，采用最终预测误差FPE准则对AR模型进行定阶，最终预测误差为：
式中，N为时间序列的长度；p为AR模型阶数；σ2为模型方差。
6.如权利要求2中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，所述步骤四中SVM采用高斯核函数，表达式为：
式中：x，z分别为两个不同的特征向量；σ为标准差参数；
所述距离计算采用欧式距离公式，表达式为：
式中：d12为两个特征向量之间的距离；n为特征向量的维数；x1k和x2k分别为两个不同的特征向量。
7.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，利用SVM投票法和聚类思想联合判别实时动作中，动作训练时，选择动作所对应向量作为训练集，得到相应的SVM；
在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。
8.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，所述用SVM投票法和聚类思想联合进行动作识别中，具体包括：
若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。
9.一种实施权利要求1～8任意一项所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势在线识别控制系统。
10.一种实施权利要求1～8任意一项所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势动作在线识别装置。
CN201910859186.9A 2019-09-11 2019-09-11 一种基于表面肌电信号的手势动作在线识别方法及系统 Active CN110547806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910859186.9A CN110547806B (zh) 2019-09-11 2019-09-11 一种基于表面肌电信号的手势动作在线识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910859186.9A CN110547806B (zh) 2019-09-11 2019-09-11 一种基于表面肌电信号的手势动作在线识别方法及系统

Publications (2)

Publication Number Publication Date
CN110547806A true CN110547806A (zh) 2019-12-10
CN110547806B CN110547806B (zh) 2022-05-31

Family

ID=68739901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910859186.9A Active CN110547806B (zh) 2019-09-11 2019-09-11 一种基于表面肌电信号的手势动作在线识别方法及系统

Country Status (1)

Country Link
CN (1) CN110547806B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401166A (zh) * 2020-03-06 2020-07-10 中国科学技术大学 基于肌电信息解码的鲁棒手势识别方法
CN111714122A (zh) * 2020-06-22 2020-09-29 北京海益同展信息科技有限公司 肌电模式识别方法、装置、设备和计算机可读存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101317794A (zh) * 2008-03-11 2008-12-10 清华大学 多指多自由度假手用肌电控制能力检测训练方法
CN103345641A (zh) * 2013-07-16 2013-10-09 杭州电子科技大学 基于小波包熵和支持向量机的手部肌电信号动作识别方法
CN103984962A (zh) * 2014-05-30 2014-08-13 河北工业大学 一种基于肌电信号的外骨骼行走模式识别方法
CN104915436A (zh) * 2015-06-24 2015-09-16 合肥工业大学 自适应多标签预测方法
CN105426842A (zh) * 2015-11-19 2016-03-23 浙江大学 基于支持向量机的表面肌电信号多类手部动作识别方法
US20170220923A1 (en) * 2016-02-02 2017-08-03 Samsung Electronics Co., Ltd. Gesture classification apparatus and method using emg signal
CN107169504A (zh) * 2017-03-30 2017-09-15 湖北工业大学 一种基于扩展非线性核残差网络的手写字符识别方法
CN107408144A (zh) * 2014-11-14 2017-11-28 Zoll医疗公司 医疗先兆事件估计
WO2017210654A2 (en) * 2016-06-02 2017-12-07 Schuster Matthew Methods and devices for assessing a captured motion
CN108564105A (zh) * 2018-02-28 2018-09-21 浙江工业大学 一种针对肌电个体差异问题的在线手势识别方法
US20190196600A1 (en) * 2017-12-22 2019-06-27 Butterfly Network, Inc. Methods and apparatuses for identifying gestures based on ultrasound data

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101317794A (zh) * 2008-03-11 2008-12-10 清华大学 多指多自由度假手用肌电控制能力检测训练方法
CN103345641A (zh) * 2013-07-16 2013-10-09 杭州电子科技大学 基于小波包熵和支持向量机的手部肌电信号动作识别方法
CN103984962A (zh) * 2014-05-30 2014-08-13 河北工业大学 一种基于肌电信号的外骨骼行走模式识别方法
CN107408144A (zh) * 2014-11-14 2017-11-28 Zoll医疗公司 医疗先兆事件估计
CN104915436A (zh) * 2015-06-24 2015-09-16 合肥工业大学 自适应多标签预测方法
CN105426842A (zh) * 2015-11-19 2016-03-23 浙江大学 基于支持向量机的表面肌电信号多类手部动作识别方法
US20170220923A1 (en) * 2016-02-02 2017-08-03 Samsung Electronics Co., Ltd. Gesture classification apparatus and method using emg signal
WO2017210654A2 (en) * 2016-06-02 2017-12-07 Schuster Matthew Methods and devices for assessing a captured motion
CN107169504A (zh) * 2017-03-30 2017-09-15 湖北工业大学 一种基于扩展非线性核残差网络的手写字符识别方法
US20190196600A1 (en) * 2017-12-22 2019-06-27 Butterfly Network, Inc. Methods and apparatuses for identifying gestures based on ultrasound data
CN108564105A (zh) * 2018-02-28 2018-09-21 浙江工业大学 一种针对肌电个体差异问题的在线手势识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BENATTI,S 等: "A sub-10mW Real-Time Implementation for EMG Hand Gesture Recognition based on a Multi-Core Biomedical SoC", 《2017 7TH IEEE INTERNATIONAL WORKSHOP ON ADVANCES IN SENSORS AND INTERFACES (IWASI)》, 1 January 2017 (2017-01-01), pages 139 - 144 *
刘聪 等: "结合级联仿射变换和Ｋ－ｍｅａｎｓ聚类的全局运动估计", 《湖北工业大学学报》, 30 October 2018 (2018-10-30), pages 1 - 12 *
张秋余 等: "基于特征包支持向量机的手势识别", 《计算机应用》, 1 December 2012 (2012-12-01), pages 3392 - 3396 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401166A (zh) * 2020-03-06 2020-07-10 中国科学技术大学 基于肌电信息解码的鲁棒手势识别方法
CN111714122A (zh) * 2020-06-22 2020-09-29 北京海益同展信息科技有限公司 肌电模式识别方法、装置、设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN110547806B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
Chaudhary et al. Convolutional neural network based approach towards motor imagery tasks EEG signals classification
Yang et al. Subject-based feature extraction by using fisher WPD-CSP in brain–computer interfaces
Bi et al. AutoDietary: A wearable acoustic sensor system for food intake recognition in daily life
Coyle et al. A time-series prediction approach for feature extraction in a brain-computer interface
CN110555468A (zh) 一种联合递归图和cnn的脑电信号识别方法及系统
CN109993068B (zh) 一种基于心率和面部特征的非接触式的人类情感识别方法
KR102134154B1 (ko) 1-d cnn 기반의 uwb 호흡 데이터 패턴 인식 시스템
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
Fraiwan et al. Voiceless Arabic vowels recognition using facial EMG
Li et al. EEG signal classification method based on feature priority analysis and CNN
CN113111831A (zh) 一种基于多模态信息融合的手势识别技术
CN110960211A (zh) 一种基于嵌入式的心电实时监测系统
KR20130073361A (ko) 근전도 신호의 패턴 분류 장치 및 방법
Jane et al. Sign language interpreter: Classification of forearm emg and imu signals for signing exact english
Kim et al. A Biosignal‐Based Human Interface Controlling a Power‐Wheelchair for People with Motor Disabilities
CN106845348B (zh) 一种基于手臂表面肌电信号的手势识别方法
CN103315767B (zh) 心音信号的判别方法及心音信号的判别系统
CN114384999A (zh) 基于自适应学习的用户无关肌电手势识别系统
CN112036357B (zh) 一种基于表面肌电信号的上肢动作识别方法及系统
CN109919050B (zh) 身份识别方法和装置
Mendes et al. Subvocal speech recognition based on EMG signal using independent component analysis and neural network MLP
CN110604578A (zh) 基于semg的人手手内动作识别方法
Jia et al. Decision level fusion for pulse signal classification using multiple features
CN109009005A (zh) 一种可穿戴式中医脉象采集与分析系统
Lu et al. Pulse waveform analysis for pregnancy diagnosis based on machine learning

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