CN110604578A - 基于semg的人手手内动作识别方法 - Google Patents

基于semg的人手手内动作识别方法 Download PDF

Info

Publication number
CN110604578A
CN110604578A CN201910830972.6A CN201910830972A CN110604578A CN 110604578 A CN110604578 A CN 110604578A CN 201910830972 A CN201910830972 A CN 201910830972A CN 110604578 A CN110604578 A CN 110604578A
Authority
CN
China
Prior art keywords
semg
signal
imf
algorithm
hand
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.)
Pending
Application number
CN201910830972.6A
Other languages
English (en)
Inventor
薛亚许
杜豪杰
李阔湖
代克杰
李鹏飞
杨光
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.)
Pingdingshan University
Original Assignee
Pingdingshan 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 Pingdingshan University filed Critical Pingdingshan University
Priority to CN201910830972.6A priority Critical patent/CN110604578A/zh
Publication of CN110604578A publication Critical patent/CN110604578A/zh
Pending legal-status Critical Current

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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Abstract

提供一种基于SEMG的人手手内动作识别方法，结合人手操作的常用动作，通过SEMG获取每一种动作的肌电信号，采用经验模态分解(EMD)算法对原始肌电信号进行预处理，采用最大Lyapunov指数(MLE)法对经过降噪处理后的肌电信号进行特征提取，最后将获得的非线性MLE特征通过随机森林(RF)算法进行分类，本发明使用EMD+MLE+RF进行SEMG信号处理和分类的非线性时序分析方法，通过数据分析和比较的实验结果表明，本发明可以有效的识别10种不同的人手手内动作，准确率高达91.67％。

Description

基于SEMG的人手手内动作识别方法
技术领域
本发明属于及表面肌电信号手势识别技术领域，具体涉及一种基于SEMG的人手手内动作识别方法。
背景技术
随着传感器技术和信号处理技术的发展，表面肌电仪(SEMG)作为一种新颖的感知技术，在多功能假肢手控制、临床医学、人机交互等领域得到了广泛的应用。SEMG是通过电极采集浅层肌肉和神经干活动在皮肤表面的生物电信号，并将其记录、滤波、放大，传输和反馈，从而实现肌肉功能的评定和模拟。由于人手在进行物体操作过程中的SEMG信号较微弱、易受干扰(噪声、电磁干扰等)，测量难度大，如何有效地对其进行信号采集、特征提取和不同人手动作的分类已成为实现手势识别的关键技术。
目前常用的SEMG信号采集装置，如FlexComp Infiniti System(加拿大ThoughtTechnology公司)、肌电图表面肌电传感器和采集分析系统(Biometrics公司)和MotionLab肌电仪(美国MoitonLabs公司)，大多采用导线传输的方式将采集到的SEMG信号存储到数据采集卡或特定的医疗器械中进行分析处理，电极片贴附于目标肌肉的表面，并采用市电作为电极供电电源。因此，这些采集装置在SEMG信号采集过程中不可避免的存在着电极移位、工频干扰和电磁干扰等显著缺点。
人手对物体的操作是通过手指、手掌之间协调完成，多通道SEMG信号采集可保证整体人手运动状态中肌电活动的信息复杂性。目前用于表征原始SEMG信号的特征主要包括时域特征(均值、方差和脉冲因子等)、频域特征(均方频率和频率方差等)和时频域特征(小波系数、Hibert谱和边际谱等)。Xue等人采用6种典型的时域特征提取多模态感知信号，结合ADAG算法实现对十种人手动作的识别，平均识别率达到了94.57％。Wang等人提取加速度信号中的频域特征，通过概率神经网络对十种手势动作进行识别，识别率达到了98.75％。陈等人结合三种特征类型的6种特征，对8种常见的康复训练手势通过BP神经网络进行识别，其中，DAMV+IAV+AR的特征组合获得的识别率最高为97.71％。
为了能够精确地实现对人手手内动作的识别，各种各样的分类器比如神经网络、支持向量机和隐马尔科夫模型等被应用于SEMG信号的处理。实验结果表明了这些分类器都能够获得较高的动作分类精度，但较为复杂的结构可能会增加训练和测试时的时间和空间复杂度。此外，它们大多针对无操作物情况下的单个肌肉收缩引起的动作分类，而多肌肉收缩结合的人手手内物体操作动作识别，SEMG信号的不确定性比如肌肉疲劳、不同试验人员等尚未考虑在内。因此有必要提出改进。
发明内容
本发明解决的技术问题：提供一种基于SEMG的人手手内动作识别方法，本发明设计人手操作的常用动作，通过SEMG获取每一种动作的肌电信号，采用经验模态分解(EMD)算法对原始肌电信号进行预处理，采用最大Lyapunov指数(MLE)法对经过降噪处理后的肌电信号进行特征提取，最后将获得的非线性MLE特征通过随机森林算法进行分类，本发明使用EMD+MLE+RF进行SEMG信号处理和分类的非线性时序分析方法，通过数据分析和比较的实验结果表明，本发明可以有效的识别多种种不同的人手手内动作，准确率高达91.67％。
本发明采用的技术方案：基于SEMG的人手手内动作识别方法，包括以下步骤；
1)自定义人手动作：结合人手操作的常用动作，设计多种人手动作；
2)数据采集：通过SEMG采集装置采集获取每一种人手动作的原始肌电信号，并将多通道的原始肌电信号通过无线传输至上位机；
3)数据预处理：采用经验模态分解(EMD)算法对SEMG采集系统采集的原始肌电信号进行降噪处理；
4)特征提取：采用最大Lyapunov指数(MLE)算法对经过降噪处理后的肌电信号进行特征提取，从而获得用于人手动作分类的特征集；
5)识别算法：采用随机森林算法(RF)对获得的特征集进行动作分类。
上述步骤2)中，所述SEMG采集装置包括肌电仪主设备、电极袖套、通用电极接口转换器、蓝牙模块和电极连线，所述电极袖套上固定有采样电极，所述采样电极的连接接口通过通用电极接口转换器和电极连线与肌电仪主设备连接，所述肌电仪主设备由蓝牙模块将原始肌电信号上传至上位机。
上述步骤3)中，所述，经验模态分解(EMD)算法通过对原始肌电信号的分解将噪声和有效信号在不同的固有模态函数(IMF)中分离，选择合理地固有模态函数(IMF)重构信号；
设SEMG信号的原始数据序列为X(t),(t＝1,L,6)，经验模态分解(EMD)算法对SEMG信号去噪过程为：
(1)求取X(t)的所有极值点P(t)＝{Pmin(t),Pmax(t)}
(2)用插值法对极小值点拟合为下包络，即Pmin(t)→Emin(t)；对极大值点拟合为上包络，即Pmax(t)→Emax(t)
(3)计算包络均值A(t)＝(Emin(t)+Emax(t))/2
(4)获取平稳数据序列S(t)＝X(t)-A(t)
(5)对残余的A(t)重复步骤(1)～(4)，得到第一个IMF分量CIMF(1)
(6)产生新数据序列D(1)＝X(t)-CIMF(1)，对D(1)重复步骤(1)～(5)，得到第二个IMF分量CIMF(2)
(7)重复步骤(1)～(6)，直到最后一个数据序列D(n)不可分解，得到IMF集{CIMF(1),CIMF(2),L,CIMF(n)}；
在每个通道信号中执行EMD后，得到一组固有模态函数集为：
其中δn为原始SEMG信号提取n个IMFs C后的残差。
上述步骤4)中，所述最大Lyapunov指数(MLE)的定义为：
其中，L(tk)表示tk时刻最邻近零点之间的距离；M为总步长；Δt表示获取MLE的采样时间；相邻轨道的距离通常乘以对数尺度上的预测误差，以获得整组固有模态函数集上的Lyapunov指数，其定义为：
其中，N为总的相位点；Δn为相位点Xn和Xn+1之间的距离，Xn+1是最接近Xn的点；Γn(k)是经过k次卷积步长后Xn和Xn+1之间的距离。在p(k)-k图线中，直线的斜率即为MLE；
SEMG信号中延迟时间和嵌入维数是计算Lyapunov指数重要的两个参数，选择延迟时间和嵌入维数这两种特征参数以表征SEMG信号的运动特性，
延迟时间采用互信息(matual information)方法来确定，其定义为：
其中，p(Yn)、p(Yn+τ)和p(Yn,Yn+τ)均为概率值，在H(τ)-τ图线中，τ对应出现的第一个局部最小值；
嵌入维数的计算采用伪邻居法(pseudo neighbor method)来确定，其定义为：
其中，E(m)和E(m+1)分别是重建m维空间和m+1维空间中所有两个最近邻居的距离的平均阈值；在E1(m)-m图线中，当E1(m)的值随着m的增加而没有显著变化时，最小的嵌入维数值则为所要选取的E1(m)；
通过公式(2)和(3)得到的MLE特征向量将由随机森林分类器进行动作识别。
上述步骤5)中，所述随机森林算法(RF)采用随机森林分类器，所述随机森林分类器由一组树分类器组成，其中每个树分类器由独立于输入向量采样的随机向量生成，并且以投票的方式决定最优分类，对于一个有K类的训练集M，随机选择一个特征并投票属于第k类的概率为：
其中f(ki,M)/|M|表示选择的特征属于第k类的概率，对公式(6)进行简化处理后为：
本发明与现有技术相比的优点：本方案结合人手操作的常用动作，设计了包括平移、转移和旋转在内的多种人手动作集，通过SEMG获取每一种动作的肌电信号，SEMG信号由于具有高度非线性和非平稳特性，能够快速有效的记录皮肤表面的生物电信号；采用经验模态分解(EMD)算法对原始肌电信号进行预处理，经验模态分解(EMD)算法是一种新型自适应信号时频处理方法，特别适用于非线性非平稳信号的分析处理，具有良好的时频分辨率和自适应性；采用最大Lyapunov指数(MLE)法对经过降噪处理后的肌电信号进行特征提取，lyapunov指数(LE)分析方法具有描述非平稳信号的非线性特性能力，被广泛应用于混沌系统的信号检测，比如脑电信号、SEMG信号和电弧电压信号等；最后将获得的非线性MLE特征通过随机森林算法进行分类，随机森林作为一种非线性分类器，其结构模型较简单、参数少和训练速度快等特点，对于非线性SEMG数据集进行回归和分类，能够取得较好的效果。本发明使用EMD+MLE+RF进行SEMG信号处理和分类的非线性时序分析方法，通过数据分析和比较的实验结果表明，本发明可以有效的识别多种不同的人手手内动作，准确率高达91.67％。
附图说明
图1为本发明的人手手内动作识别系统框图；
图2为本发明实施例中十种自定义人手手内动作图；
图3为本发明中随机森林算法原理图；
图4为本发明实施例中SEMG信号的EMD分解图；
图5为本发明实施例中SEMG信号的延迟时间图；
图6为本发明实施例中SEMG信号的的嵌入维数图；
图7为本发明实施例中十种人手动作的识别率混合矩阵图；
图8为本发明实施例中不同受试人员的动作识别率图；
图9为本发明实施例中基于不同算法的识别率比较图。
具体实施方式
下面结合附图1-9描述本发明的实施例。
为了能更好地对复杂人手动作行为进行有效的识别，本发明提出了一种基于SEMG的人手手内动作识别方法。如图1所示，该系统主要分为五个部分：人体上肢动作、数据采集、数据预处理、特征提取、识别算法。
一、本发明具体方法包括以下步骤；
1)自定义人手动作：结合人手操作的常用动作，设计多种人手动作。本实施例中，为了有效的包括转移、平移、旋转等经典手部特征动作，结合常用的动作，设计了十种人手手内动作，如图2所示，本实验选取了十名健康的受试人员来参与数据的采集，其中8名男性，2名女性，平均年龄为25±3.6岁，身高168±13厘米，体重63±15.4千克。不同人对相同物体有不同的操作习惯，比如抓取点、参与手指数的不同，因此所有受试人员在进行实验前都经过严格的操作培训，每位受试人员对每种动作执行十次，在完成一种动作后，将有两分钟的休息时间，以避免肌肉疲劳对采集正确信号的干扰。
2)数据采集：通过SEMG采集装置采集获取每一种人手动作的原始肌电信号，并将多通道的原始肌电信号通过无线传输至上位机进行分析处理。
其中，所述SEMG采集装置包括肌电仪主设备、电极袖套、通用电极接口转换器、蓝牙模块和电极连线，所述电极袖套上固定有采样电极，避免了电极移位，所述采样电极的连接接口通过通用电极接口转换器和电极连线与肌电仪主设备连接，采用通用电极接口转换器实现电极供电，避免了工频干扰，所述肌电仪主设备由蓝牙模块将原始肌电信号上传至上位机。十种自定义人手手内动作的采集过程为：首先，将电极袖套正确套在人右前臂，通过电极连接接口与肌电仪主设备连，然后由蓝牙模块将6通道的肌电信号上传至上位机。该系统的分辨率为16位，采样频率位1024Hz。
3)数据预处理：采用经验模态分解(EMD)算法对SEMG采集系统采集的原始肌电信号进行降噪处理。
SEMG信号是肌肉收缩过程中肌纤维作用引起的电反应，是多个肌肉同时活动产生的混合物，因此，受外部环境和采集装置的影响，所采集的原始SEMG信号包含较多的噪声信号，比如电极噪声、信号线电磁噪声、宽带噪声等。对原始信号进行去噪处理，为特征提取提供真实有效的数据显得尤为重要。
经验模态分解(EMD)算法最早是由Huang等人提出的一种用于分析非线性、非平稳信号的自适应信号分解数据处理方法，该算法具有良好的时频分辨率和自适应性，通过对原始信号的分解，将噪声和有效信号在不同的固有模态函数(IMF)中分离，选择合理地IMF重构信号，不但可以完美重构原始信号，而且还有效的去除噪声。因此，结合SEMG信号的特性，采用经验模态分解(EMD)算法进行信号去燥是一种理想的选择。
本实施例中设SEMG信号的原始数据序列为X(t),(t＝1,L,6)，经验模态分解(EMD)算法对SEMG信号去噪过程为：
(1)求取X(t)的所有极值点P(t)＝{Pmin(t),Pmax(t)}
(2)用插值法对极小值点拟合为下包络，即Pmin(t)→Emin(t)；对极大值点拟合为上包络，即Pmax(t)→Emax(t)
(3)计算包络均值A(t)＝(Emin(t)+Emax(t))/2
(4)获取平稳数据序列S(t)＝X(t)-A(t)
(5)对残余的A(t)重复步骤(1)～(4)，得到第一个IMF分量CIMF(1)
(6)产生新数据序列D(1)＝X(t)-CIMF(1)，对D(1)重复步骤(1)～(5)，得到第二个IMF分量CIMF(2)
(7)重复步骤(1)～(6)，直到最后一个数据序列D(n)不可分解，得到IMF集{CIMF(1),CIMF(2),L,CIMF(n)}；
按照上述算法，在每个通道信号中执行EMD后，得到一组固有模态函数集为：
其中δn为原始SEMG信号提取n个IMFs C后的残差。经过经验模态分解(EMD)算法去噪处理后得到的数据信号很好地保证了对真实动作信号的特征提取。
4)特征提取：采用最大Lyapunov指数(MLE)算法对经过降噪处理后的肌电信号进行特征提取，从而获得用于人手动作分类的特征集；
Lyapunov指数表示相空间中无限接近的相邻轨迹的平均指数变化速率，是用于识别动态混沌系统中的数值特征，可有效表征变量随时间演化时系统对初值的敏感性。N维系统具有N个Lyapunov指数，从而形成指数谱。当系统维度L较大时，为了减少计算量，通过计算最大Lyapunov指数(MLE)来决定动态系统的可预测性。最大Lyapunov指数(MLE)不仅是区分混沌吸引子的重要指标，也是初值敏感性的定量描述，因此其被广泛应用于机器故障诊断、肌肉收缩和肌肉活动检测等。
所述最大Lyapunov指数(MLE)的定义为：
其中，L(tk)表示tk时刻最邻近零点之间的距离；M为总步长；Δt表示获取MLE的采样时间；相邻轨道的距离通常乘以对数尺度上的预测误差，以获得整组固有模态函数集上的Lyapunov指数，其定义为：
其中，N为总的相位点；Δn为相位点Xn和Xn+1之间的距离，Xn+1是最接近Xn的点；Γn(k)是经过k次卷积步长后Xn和Xn+1之间的距离。在p(k)-k图线中，直线的斜率即为MLE；
SEMG信号中延迟时间和嵌入维数是计算Lyapunov指数重要的两个参数，延迟时间和嵌入维数非常适合表示SEMG手势时间序列数据的动态行为，选择延迟时间和嵌入维数这两种特征参数以表征SEMG信号的运动特性，
延迟时间采用互信息(matual information)方法来确定，其定义为：
其中，p(Yn)、p(Yn+τ)和p(Yn,Yn+τ)均为概率值，在H(τ)-τ图线中，τ对应出现的第一个局部最小值；
嵌入维数的计算采用伪邻居法(pseudo neighbor method)来确定，其定义为：
其中，E(m)和E(m+1)分别是重建m维空间和m+1维空间中所有两个最近邻居的距离的平均阈值；在E1(m)-m图线中，当E1(m)的值随着m的增加而没有显著变化时，最小的嵌入维数值则为所要选取的E1(m)；
通过公式(2)和(3)得到的MLE特征向量将由随机森林分类器进行动作识别。
5)采用随机森林算法(RF)对获得的特征集进行动作分类；
随机森林作为一种有监督学习算法，是基于bagging框架下的决策树模型。随机森林算法由于实现简单、精度高、抗过拟合能力强和具有一定的抗噪声能力等优点，被广泛应用于生物医学、电子商务、人机交互等领域的分类和回归任务。
所述随机森林算法(RF)采用随机森林分类器，所述随机森林分类器由一组树分类器组成，其中每个树分类器由独立于输入向量采样的随机向量生成，并且以投票的方式决定最优分类，其原理他如图3所示，
对于一个有K类的训练集M，随机选择一个特征并投票属于第k类的概率为：
其中f(ki,M)/|M|表示选择的特征属于第k类的概率，对公式(6)进行简化处理后为：
需要注意的是，每棵树的训练集虽然不同，但包含重复的训练样本。每棵树都尽最大程度的生长，并且没有剪枝过程。每个节点用于生成树的特征数量和要生长的树的数量是生成随机森林分类器所需的两个用户自定义参数。
二、数据分析
考虑到SEMG信号的非线性动态信号，SEMG原始信号经过降噪预处理，被分解为一组IMFs，如图4所示。图中可以看出原始信号X(t)被分解为CIMF(j)(j＝1,2,L,6)和偏差δn。CIMF(j)是具有不同振幅和频率的振荡函数。δn是一条单调信号，表明原始信号X(t)减去所有CIMF(j)后得到的漂移分量已经不满足分解条件。
延迟时间和嵌入维数是计算Lyapunov指数非常重要的两个参数。所选择的延迟时间过大或过小，都不利于SEMG信号的优化。采用互信息方法获得的延迟时间τ如图5所示。图中可以看出τ＝5时对应出现的第一个局部最小值用于向空间重建。
图6中表示采用伪邻居法获取的嵌入维数值。从图中曲线可以看出，从m＝9时，E1(m)随着m的增加没有发生显著变化，并逐渐趋近于1。因此，本实验中选取的最小嵌入维数值为9用于拓扑重建。
通过采用本实施例中的方法计算的SEMG信号的Lyapunov指数如表1所示。较低的Lyapunov指数对于提高RF分类器的识别精度至关重要。表中可以看出10种手势具有不同的平均值和方差。对于相同的动作，不同的通道所表示的平均值和方差也不尽相同。需要注意的是通道2的值相比其它通道的值显得更小和平滑。总体而言，所获得的的SEMG信号的Lyapunov指数适合于特征提取，其又为RF分类器提供适当的训练样本。
表1 SEMG信号的Lyapunov指数
三、实验结果
基于随机森林的动作识别：为了验证人手动作识别系统的识别性能，图7为采用随机森林分类器得到的十种动作的识别率。所有动作的整体平均识别率为91.67％。图7中黑色部分为每一种动作的平均识别率，其余的为两种不同动作之间的误差率。整体来看，所有动作的识别率均超过了90％，反映了该系统的良好分类性能。其中，动作8和动作10的识别率最低只有90％，而动作4和动作5的识别率最高达到了94％。此外，动作2和动作6的识别率虽然都达到了91％，但它们之间的误差率，以及动作6和动作8之间的误差率最高，均为6％。相比较而言，其它动作之间的误差率分布在1％到5％之间。
基于不同受试人员的动作识别率比较：不同的受试人员，由于其物体操作习惯和抓取方式不同，使得对于相同的动作，可以采取多种操作方法来实现稳定抓取。虽然受试人员在进行实验前，对动作要求包括抓取方式、抓取点和参与手指数等经过严格的培训，但其人手运动状态中的肌电活动信息仍存在个体差异。因此，有必要研究不同受试人员因个体差异对相同动作的识别结果的影响。图8为不同受试人员的人手动作识别结果。如图8中所示，不同受试人员对所有动作的平均识别率的差异性较为明显。其中，受试人员5的识别率最低，仅有89.12％，受试人员6的平均识别率最高，为94.23％。此外，受试人员2和8的识别率波动范围较大，其最大误差率分别达到了12.67％和20.45％。总体而言，绝大部分受试人员的识别率均在90％以上。图8的试验结果表明，个体差异对SEMG信号的分析会产生一定的影响。
基于不同机器学习算法的动作识别率比较：为了验证基于随机森林算法的人手动作识别效果，本实验选择同支持向量机和神经网络两种传统的机器学习算法进行比较。支持向量机是一种采用监督学习方式，通过对数据样本寻找超平面获得最大间隔以实现二元分类的机器学习算法。神经网络是一种模拟人脑神经网络行为特征，通过调整隐藏层节点之间相互连接的权重，实现对数据样本进行分类的机器学习算法。这两种算法已经被广泛应用于信息处理和模式识别等领域。在进行实验之前，需要对支持向量机和神经网络两种分类器选择相应的核函数和参数，以保证其分类性能。支持向量机采用高斯核函数作为本次实验的核函数，惩罚参数C和核半径γ的值为(C,γ)＝(1,0.0216)。神经网络采用恒等激活函数，输入层节点数I，隐藏层节点数H和输出层节点数O的值为(I,H,O)＝(2,7,10)。
图9为基于三种机器学习算法得到的人手动作识别结果的比较。基于SVM和NN的平均识别率分别为90.89％和89.1％，均低于基于RF分类器91.67％的平均识别率。图9中，三种算法对动作1的识别率较为接近，SVM算法对动作7和8的识别率最高，NN算法对所有动作的识别率最低。标准差反映了不同算法对相同人手动作识别率的波动情况，其中基于SVM的波动幅度较为明显，其余两种的较为平缓。就整体而言，本发明所采取的基于随机森林算法(RF)的人手动作识别率最高，优于其余两种，反映了良好的分类性能。
本发明提出了一种基于SEMG的人手手内动作识别方法，在数据采集及处理方面，采用非线性时序分析方法包括EMD法和MLE法对SEMG信号进行信号处理，获得真实有效的动作特征；在动作识别方面，采用RF算法进行人手手内动作识别，分析了不同受试人员对识别率的影响，并同SVM和NN算法进行比较，验证了RF算法的优越性，识别率达到了91.67％。
上述实施例，只是本发明的较佳实施例，并非用来限制本发明实施范围，故凡以本发明权利要求所述内容所做的等效变化，均应包括在本发明权利要求范围之内。

Claims (5)

1.基于SEMG的人手手内动作识别方法，其特征在于：包括以下步骤；
1)自定义人手动作：结合人手操作的常用动作，设计多种人手动作；
2)数据采集：通过SEMG采集装置采集获取每一种人手动作的原始肌电信号，并将多通道的原始肌电信号通过无线传输至上位机；
3)数据预处理：采用经验模态分解(EMD)算法对SEMG采集系统采集的原始肌电信号进行降噪处理；
4)特征提取：采用最大Lyapunov指数(MLE)算法对经过降噪处理后的肌电信号进行特征提取，从而获得用于人手动作分类的特征集；
5)识别算法：采用随机森林算法(RF)对获得的特征集进行动作分类。
2.根据权利要求1所述的基于SEMG的人手手内动作识别方法，其特征在于：上述步骤2)中，所述SEMG采集装置包括肌电仪主设备、电极袖套、通用电极接口转换器、蓝牙模块和电极连线，所述电极袖套上固定有采样电极，所述采样电极的连接接口通过通用电极接口转换器和电极连线与肌电仪主设备连接，所述肌电仪主设备由蓝牙模块将原始肌电信号上传至上位机。
3.根据权利要求1所述的基于SEMG的人手手内动作识别方法，其特征在于：上述步骤3)中，所述经验模态分解(EMD)算法通过对原始肌电信号的分解将噪声和有效信号在不同的固有模态函数(IMF)中分离，选择合理地固有模态函数(IMF)重构信号；
设SEMG信号的原始数据序列为X(t),(t＝1,L,6)，经验模态分解(EMD)算法对SEMG信号去噪过程为：
(1)求取X(t)的所有极值点P(t)＝{Pmin(t),Pmax(t)}
(2)用插值法对极小值点拟合为下包络，即Pmin(t)→Emin(t)；对极大值点拟合为上包络，即Pmax(t)→Emax(t)
(3)计算包络均值A(t)＝(Emin(t)+Emax(t))/2
(4)获取平稳数据序列S(t)＝X(t)-A(t)
(5)对残余的A(t)重复步骤(1)～(4)，得到第一个IMF分量CIMF(1)
(6)产生新数据序列D(1)＝X(t)-CIMF(1)，对D(1)重复步骤(1)～(5)，得到第二个IMF分量CIMF(2)
(7)重复步骤(1)～(6)，直到最后一个数据序列D(n)不可分解，得到IMF集{CIMF(1),CIMF(2),L,CIMF(n)}；
在每个通道信号中执行经验模态分解(EMD)后，得到一组固有模态函数集为：
其中δn为原始SEMG信号提取n个IMFs C后的残差。
4.根据权利要求1所述的基于SEMG的人手手内动作识别方法，其特征在于：上述步骤4)中，所述最大Lyapunov指数(MLE)的定义为：
其中，L(tk)表示tk时刻最邻近零点之间的距离；M为总步长；Δt表示获取MLE的采样时间；相邻轨道的距离通常乘以对数尺度上的预测误差，以获得整组固有模态函数集上的Lyapunov指数，其定义为：
其中，N为总的相位点；Δn为相位点Xn和Xn+1之间的距离，Xn+1是最接近Xn的点；Γn(k)是经过k次卷积步长后Xn和Xn+1之间的距离。在p(k)-k图线中，直线的斜率即为MLE；
SEMG信号中延迟时间和嵌入维数是计算Lyapunov指数重要的两个参数，所以选择延迟时间和嵌入维数这两种特征参数以表征SEMG信号的运动特性，
延迟时间采用互信息(matual information)方法来确定，其定义为：
其中，p(Yn)、p(Yn+τ)和p(Yn,Yn+τ)均为概率值，在H(τ)-τ图线中，τ对应出现的第一个局部最小值；
嵌入维数的计算采用伪邻居法(pseudo neighbor method)来确定，其定义为：
其中，E(m)和E(m+1)分别是重建m维空间和m+1维空间中所有两个最近邻居的距离的平均阈值；在E1(m)-m图线中，当E1(m)的值随着m的增加而没有显著变化时，最小的嵌入维数值则为所要选取的E1(m)；
通过公式(2)和(3)得到的MLE特征向量将由随机森林分类器进行动作识别。
5.根据权利要求1所述的基于SEMG的人手手内动作识别方法，其特征在于：上述步骤5)中，所述随机森林算法(RF)采用随机森林分类器，所述随机森林分类器由一组树分类器组成，其中每个树分类器由独立于输入向量采样的随机向量生成，并且以投票的方式决定最优分类；
对于一个有K类的训练集M，随机选择一个特征并投票属于第k类的概率为：
其中f(ki,M)/|M|表示选择的特征属于第k类的概率，对公式(6)进行简化处理后为：
CN201910830972.6A 2019-09-04 2019-09-04 基于semg的人手手内动作识别方法 Pending CN110604578A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910830972.6A CN110604578A (zh) 2019-09-04 2019-09-04 基于semg的人手手内动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910830972.6A CN110604578A (zh) 2019-09-04 2019-09-04 基于semg的人手手内动作识别方法

Publications (1)

Publication Number Publication Date
CN110604578A true CN110604578A (zh) 2019-12-24

Family

ID=68892181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830972.6A Pending CN110604578A (zh) 2019-09-04 2019-09-04 基于semg的人手手内动作识别方法

Country Status (1)

Country Link
CN (1) CN110604578A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114515146A (zh) * 2020-11-17 2022-05-20 北京机械设备研究所 基于电学测量的智能手势识别方法及系统
CN116662742A (zh) * 2023-06-28 2023-08-29 北京理工大学 基于隐马尔可夫模型与掩膜经验模态分解的脑电解码方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002017686A (ja) * 2000-07-07 2002-01-22 Canon Inc 生体信号解析方法及び装置
CN106453293A (zh) * 2016-09-30 2017-02-22 重庆邮电大学 一种基于改进bpnn的网络安全态势预测方法
CN107480697A (zh) * 2017-07-12 2017-12-15 中国科学院计算技术研究所 一种肌电手势识别方法和系统
CN110020636A (zh) * 2019-02-28 2019-07-16 郑州大学 一种基于异常特征值的室性早搏智能分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002017686A (ja) * 2000-07-07 2002-01-22 Canon Inc 生体信号解析方法及び装置
CN106453293A (zh) * 2016-09-30 2017-02-22 重庆邮电大学 一种基于改进bpnn的网络安全态势预测方法
CN107480697A (zh) * 2017-07-12 2017-12-15 中国科学院计算技术研究所 一种肌电手势识别方法和系统
CN110020636A (zh) * 2019-02-28 2019-07-16 郑州大学 一种基于异常特征值的室性早搏智能分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YINA GUO 等: "Nonlinear multiscale Maximal Lyapunov Exponent for accuratemyoelectric signal classification", 《APPLIED SOFT COMPUTING》 *
邹晓阳 等: "基于多尺度最大李雅普诺夫指数的表面肌电信号模式识别", 《中国生物医学工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114515146A (zh) * 2020-11-17 2022-05-20 北京机械设备研究所 基于电学测量的智能手势识别方法及系统
CN114515146B (zh) * 2020-11-17 2024-03-22 北京机械设备研究所 基于电学测量的智能手势识别方法及系统
CN116662742A (zh) * 2023-06-28 2023-08-29 北京理工大学 基于隐马尔可夫模型与掩膜经验模态分解的脑电解码方法

Similar Documents

Publication Publication Date Title
Tuncer et al. Surface EMG signal classification using ternary pattern and discrete wavelet transform based feature extraction for hand movement recognition
Abbaspour et al. Evaluation of surface EMG-based recognition algorithms for decoding hand movements
Pancholi et al. Improved classification scheme using fused wavelet packet transform based features for intelligent myoelectric prostheses
CN111209885A (zh) 一种手势信息处理方法、装置、电子设备及存储介质
Al Omari et al. Pattern recognition of eight hand motions using feature extraction of forearm EMG signal
CN110826625B (zh) 一种基于表面肌电信号的手指手势分类方法
Naik et al. Identification of hand and finger movements using multi run ICA of surface electromyogram
Hamedi et al. Surface electromyography-based facial expression recognition in Bi-polar configuration
Sahin et al. Pattern recognition with surface EMG signal based wavelet transformation
AlOmari et al. Analysis of extracted forearm sEMG signal using LDA, QDA, K-NN classification algorithms
Erkilinc et al. Camera control with EMG signals using principal component analysis and support vector machines
CN108268844A (zh) 基于表面肌电信号的动作模式识别方法及装置
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
Xue et al. SEMG-based human in-hand motion recognition using nonlinear time series analysis and random forest
Naik et al. Classification of finger extension and flexion of EMG and Cyberglove data with modified ICA weight matrix
Akben Low-cost and easy-to-use grasp classification, using a simple 2-channel surface electromyography (sEMG)
CN110604578A (zh) 基于semg的人手手内动作识别方法
Veer Experimental study and characterization of SEMG signals for upper limbs
Kehri et al. A facial EMG data analysis for emotion classification based on spectral kurtogram and CNN
CN110321856B (zh) 一种时频多尺度散度csp的脑机接口方法及装置
Wu et al. Classification and simulation of process of linear change for grip force at different grip speeds by using supervised learning based on sEMG
Vijayvargiya et al. Implementation of machine learning algorithms for automated human gait activity recognition using sEMG signals
Ibraheem Lower limb analysis based on surface electromyography (semg) using different time-frequency representation techniques
Vasiliev et al. Robust neural network filtering in the tasks of building intelligent interfaces

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191224