CN110826625A - 一种基于表面肌电信号的手指手势分类方法 - Google Patents

Abstract

本发明提供了一种基于表面肌电信号的手指手势分类方法，包括以下步骤：步骤1，采集人体手指动作的表面肌电信号；步骤2：处理表面肌电信号：(a)提取活动段肌电信号，(b)对活动段信号进行去噪处理，(c)提取特征值，(d)对特征值进行降维；步骤3：手指动作的模式识别：(a)选取SVM混合核函数，(b)基于VGLBSO算法的混合核SVM参数优化，(c)构造SVM多分类器。本发明充分考虑日常生活中所用手势动作的复杂性和多态性，涵盖了手指的微小手势动作，并将矢量分组学习BSO(Vector Grouping Learning,VGLBSO)算法应用到SVM模型的重要参数寻优中，选出权重系数δ、目标函数中正则化参数c和RBF核函数中参数σ的最优值，达到了提高SVM模型预测分类准确率的目的。

Description

一种基于表面肌电信号的手指手势分类方法

技术领域

本发明涉及人机交互技术领域，具体为一种基于表面肌电信号的手指手势分类方法。

背景技术

计算机的存在和人机交互的设施给社会带来了积极的影响。在日常生活中，人们主要通过物理按压键盘和触摸板与计算机、家用电子产品和工业设备进行互动。随着虚拟和增强现实方面技术的不断进步，更自然、更和谐、更符合人类交互习惯的人机交互方式，手势交互已经成为研究热点，其中的关键在于手势识别。

手势识别是通过传感器获取骨骼肌的电信号，然后通过模式分类识别手势的类型。最近的研究表明，手势识别可以实现广泛的互动活动，如远程控制家庭服务机器人、与智能手机进行交互、甚至可以帮助聋人更有效地与不懂手语的人沟通。如果与Oculus Rift或Microsoft HoloLens等系统结合使用，实时手势识别还可用于虚拟现实和增强现实领域。

常人的手受人类意识支配而进行灵活运动，存在于大脑的意识通过神经元以生物电信号的形式传递到身体的各个部位，并指引相关肌肉群收缩从而牵动相对应的骨骼完成手势动作。利用电极可以记录伴随肌肉活动而产生的表面肌电信号(surfaceelectromyography,sEMG)，不同的手势动作对应着不同的肌肉运动方式，所产生的sEMG信号也不同。通过对sEMG信号的处理可以得到手势动作的信息，因此sEMG信号对于手势动作的识别具有重要意义。基于sEMG信号的手势识别已成为虚拟现实、假肢控制和康复训练领域的研究热点之一。随着科学技术的不断发展，手势动作的识别也将广泛的被应用于临床肌肉诊断、运动医学和医疗康复学等领域。

发明内容

本发明的目的是针对现有的SVM手势识别分类模型，使用改进型的BSO算法，矢量分组学习BSO(Vector Grouping Learning,VGLBSO)算法来提高SVM模型对手指动作分类识别的准确度。本发明充分考虑了SVM模型中的参数优化问题，采用VGLBSO算法对混合核SVM模型中的参数进行寻优，选出权重系数δ、目标函数中正则化参数c和RBF核函数中参数σ的最优值，提高了预测分类的准确率。

为实现上述目的，本发明提供如下技术方案：一种基于表面肌电信号的手指手势分类方法，包括以下步骤：

步骤1：采集人体手指动作的表面肌电信号：

放置表面电极，利用生理信号采集仪和计算机采集手指表面肌电信号，并将采集到的sEMG信号上传到计算机端。

步骤2：处理表面肌电信号：

(a)提取活动段肌电信号，采用基于能量值的端点检测法首先提取出一小段时间内的肌电信号数据，对其进行平方积分得到当前时段内的信号能量值，公式如下：

式中，x(t)是当前时段内的sEMG信号数据，E为t时刻对应的sEMG信号的能量值；

采用滑动矩形窗口的方法进一步提高数据的处理速度，窗口宽度设置为T，滑动窗口的移动步长设置为T/2，由此得到肌电信号的能量值；对能量值进行分割，从原始sEMG信号中获取手部活动段信号。

(b)对活动段信号进行去噪处理，采用带通滤波器和陷波器对采集到的肌电信号进行滤波和去噪处理。

(c)提取特征值，提取出均方根值RMS、肌电积分值IEMG、平均功率频率MPF、中值频率MF这四个特征值。

(d)对特征值进行降维，为剔除多维特征值中不重要的信息，对特征值进行更全面的分析，对上一步提取出的多种特征值采用主成分分析法(PCA)进行降维，将所有特征值中的各类信息综合成联合特征向量。

步骤3：手指动作的模式识别：

(a)选取SVM混合核函数

SVM算法中约束最优化问题的求解可以转换成如下：

α_i≥0 i＝1，2，…，N

对于上式，构造一个核函数来避免特征空间中的大量运算，其公式如下：

为平衡核函数的学习性能和泛化性能，选取一种混合型核函数，公式如下：

k_mix(x_i，x_j)＝δk_poly+(1-δ)k_RBF

上式中，k_poly为SVM模型中全局性核函数的一种；k_RBF为径向基核函数属于局部性核函数的一种，δ为一个新增加的需要优化的SVM模型参数，其取值范围：δ∈[0,1]。

(b)基于VGLBSO算法的混合核SVM参数优化

矢量分组学习BSO(Vector Grouping Learning,VGLBSO)算法主要包括三个方面：个体分组策略、个体产生策略、个体更新策略。其具体步骤如下：

①随机分组策略随机地为每个群体从整个群体中选择不同的个体，保持个体分组策略的不同个体之间的信息交换的多样性；

②随机矢量分组学习机制：提出随机矢量分组机制用于产生足够多的子矢量，为每个新产生的个体提供合理的信息多样性；具体的，每个个体是一个D维向量x_i＝[x_i1,x_i2,…,x_iD,],i∈{1,2,….N}，把每个个体的D个维度随机分成T个子矢量{s_i1,s_i2,…,s_iT},并且每个子矢量S_ik,k∈{1,2,…,T}包含至少Δ维或至多D-Δ维，因此，T的取值范围是[2,D/Δ]，每个子矢量的起始维度在x_i中索引为S_k，每个子矢量S_ik的表达式如下：

式中s_k+1表示子矢量s_i(k+1)起始位置的维度索引，当k＝1时，s_k＝1，并且s_k+1的计算公式为：

式中S_k≤D-(2Δ-2)，r表示[0,1]之间的随机数，根据上述公式，获得每个个体的子矢量S_ik,k∈(1,2,…,T)；

③混合个体更新策略将整个种群新产生的个体划分为两组，并且分别根据原始BSO和差分进化算法中的DE策略的个体跟新策略更新两组中的个体，进一步平衡改进型BSO算法的全局勘探能力和局部开发能力。

采用VGLBSO算法对混合核SVM模型中的参数进行寻优。SVM模型中需要优化的参数包括：混合核函数引入的权重系数δ、目标函数中的正则化参数c：c∈[2^-5,2^-3,…,2¹⁵]和RBF核函数中的参数σ：1/σ²∈[2^-15,2^-13,…,2³]。优化参数的具体步骤如下：

①读取训练数据和测试数据，并且对其进行归一化处理；

②设置SVM参数δ,c,σ的取值范围，在解空间中随机初始化SVM参数δ,c,σ和粒子的初始位置，计算每个粒子的适应度值；

③根据VGLBSO算法学习过程更新粒子的位置，计算位置更新之后每个粒子的适应度值；

④将粒子的适应度值与前一次迭代中相应粒子的适应度值比较，如果更新之后的粒子适应度值比前一次迭代中相应粒子好，则替换前一次适应度值差的粒子的位置信息，反之，不替换；

⑤根据迭代终止条件，判断是否满足，条件满足时，输出SVM的最优参数组合；反之，转到步骤③；如果得出最优分类精度的参数不唯一时，应当取惩罚系数c最小的那组参数。

(c)构造SVM多分类器

样本数据有K类，设计K(K-1)/2个分类器。分类器排列成一个有向无环图，该有向无环图含有K个叶子数和K(K-1)/2个节点数。

通过VGLBSO优化后的混合核SVM模型来对样本数据进行分类，根据样本的类别从第一层节点依次向下一层节点分类，直到该样本的类别都分配在无环图的叶节点上，即每个叶的类别代表样本数据的类别，则获得具体的手势类别，结束该样本分类进程。

进一步的，所述步骤2的(a)中对能量值进行分割的过程如下：

①根据实际采集的数据而设定启动阈值α和终止阈值β，启动阈值α设置为最大能量的1/4，终止阈值β设置为方差值的1/4；

②依据(a)中的公式，计算原始sEMG信号在t时刻的能量值；

③比较E和α，在连续n1个时间窗内均有E大于α，则将第一个时间窗的起始时刻设置为动作的起始点；

④比较E和β，在连续n2个时间窗内均有E小于β，则将第一个时间窗的起始时刻设置为动作的终止点；

⑤最后，依据起始点和终止点从原始sEMG信号中获取手部活动段信号。

进一步的，所述步骤2的(c)中均方根值RMS、肌电积分值IEMG、平均功率频率MPF、中值频率MF这四个特征值的计算公式分别如下，其中，t是采样个数，x_i是sEMG信号的第i个采样点的幅值；

均方根RMS：均方根特性能够反应手部运动时小臂肌肉力的大小：

肌电积分值IEMG：肌电积分值特性能反应一段信号的平均强度，并且能够反应肌肉动作的强度：

平均功率频率MPF：表示信号在一个时间段的总功率除以总时间：

中值频率MF：表示信号各个时间段内功率的平均值：

进一步的，所述步骤2中(d)的具体步骤如下：

①假设一个n维的特征向量x＝(x₁,x₂,...,x_n)，向量中的变量是随机的，且均值为0：

E(x)＝0

将向量x的n维的特征空间通过一个m*n的α权值矩阵映射成m维度的特征空间：

y＝αx

②计算协方差矩阵C，采用矩阵y协方差矩阵C，在这里，考虑的是

的最大值：且E(y_iy_j)＝0，i不等于j，其计算公式如下：

③计算矩阵y的协方差矩阵C的特征值以及特征向量：

C＝E(yy^T)

＝E(αx(αx)^T)

＝E(α(xx)^Tα^T)

＝αE(xx^T)α^T

＝αQα^T

式中，Q为x的协方差矩阵，α是协方差矩阵C的对角矩阵，α应满足：

Qα_i＝λ_iω_i，i＝1，2，…，m

④将特征值λ按升序排序，由于矩阵xx^T是一个正定矩阵，其特征向量的个数等于矩阵的维度数，且特征值均为大于或等于零的数：

λ₁≥λ₂≥…≥λ_n≥0

⑤保留协方差矩阵特征值较大的前m个特征向量，所以，矩阵α由矩阵xx^T的前m个特征值所对应的特征向量构成：

α＝(α₁，α₂，…，α_m，)^T

⑥最后，通过矩阵α将x映射到y，即y＝αx，在经过上述特征值提取后，每个sEMG信号的特征模式都以向量形式表示如下：

x＝[x₁，x₂，x₃...x_n]，n＝8

因此，4种sEMG信号的特征向量能组合成一个4*8的矩阵X，n表示通道数，将信号的4*8特征矩阵降成一个1*8的特征矩阵Y，即一个联合特征向量，由PCA原理可知，只需要保留协方差矩阵特征值中最大的一个λ₁以及其对应的特征向量

α₁＝(α₁₁,α₁₂,…,α_1n)，由此可得出：

Y＝α₁*X。

与现有技术相比，本发明的有益效果是：

本发明充分考虑日常生活中所用手势动作的复杂性和多态性，涵盖了手指的微小手势动作，并将矢量分组学习BSO(Vector Grouping Learning,VGLBSO)算法应用到SVM模型的重要参数寻优中，选出权重系数δ、目标函数中正则化参数c和RBF核函数中参数σ的最优值，达到了提高SVM模型预测分类准确率的目的。

附图说明

图1为本发明手势分类模型结构图。

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，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。

本发明提供一种技术方案：一种基于表面肌电信号的手指手势分类方法，其模型结构如图1所示，包括以下步骤：

步骤1：采集人体12种手指动作的表面肌电信号：

(a)放置表面电极，将8个表面电极分别放置于肱桡肌、桡侧腕屈肌、尺侧腕屈肌和小指伸肌的肌群位置，参考电极放置于右手手臂肌肉数量最少的地方；

(b)采集手指表面肌电信号，要求5名年龄在23岁左右的身体健康人员完成12种基本手势，这12种手势分别是：食指弯曲或抬起、中指弯曲或抬起、无名指弯曲或抬起、小指弯曲或抬起、拇指内收或外展以及拇指弯曲或抬起。为减小数据采集过程中带来的误差，每种手势测10次，间隔休息5秒，为避免疲劳，每类手势间隔休息30秒，通过生理信号采集仪采集实验人员的小臂sEMG信号，并上传到计算机端。每个实验参与人员采集120组数据，总的实验数据集有600组单个手势信号。

步骤2：处理表面肌电信号：

(a)提取活动段肌电信号，采用基于能量值的端点检测法首先提取出一小段时间内的肌电信号数据，对其进行平方积分得到当前时段内的信号能量值，公式如下：

式中，x(t)是当前时段内的sEMG信号数据，E为t时刻对应的sEMG信号的能量值；

本发明采用滑动矩形窗口的方法进一步提高数据的处理速度，窗口宽度设置为T，滑动窗口的移动步长设置为T/2，由此可以得到肌电信号的能量值。对能量值进行分割的过程如下：

①根据实际采集的数据而设定启动阈值α和终止阈值β，本发明中启动阈值α设置为最大能量的1/4，终止阈值β设置为方差值的1/4；

②依据上式，计算原始sEMG信号在t时刻的能量值；

③比较E和α，在连续n1个时间窗内均有E大于α，则将第一个时间窗的起始时刻设置为动作的起始点；

④比较E和β，在连续n2个时间窗内均有E小于β，则将第一个时间窗的起始时刻设置为动作的终止点；

⑤最后，依据起始点和终止点从原始sEMG信号中获取手部活动段信号。

(b)对活动段信号进行去噪处理，本发明采用巴特沃斯带通滤波器和50Hz陷波器对采集到的肌电信号进行滤波和去噪处理；

(c)提取特征值，提取出均方根值(RMS)、肌电积分值(IEMG)、平均功率频率(MPF)、中值频率(MF)这四个特征值，其计算公式分别如下，其中，t是采样个数，x_i是sEMG信号的第i个采样点的幅值；

均方根(RMS)：均方根特性能够反应手部运动时小臂肌肉力的大小：

肌电积分值(IEMG)：肌电积分值特性能反应一段信号的平均强度，并且能够反应肌肉动作的强度：

平均功率频率(MPF)：表示信号在一个时间段的总功率除以总时间：

中值频率(MF)：表示信号各个时间段内功率的平均值：

(d)对特征值进行降维，为剔除多维特征值中不重要的信息，对特征值进行更全面的分析，对上一步提取出的多种特征值采用主成分分析法(PCA)进行降维，将所有特征值中的各类信息综合成联合特征向量。其具体步骤如下：

①假设一个n维的特征向量x＝(x₁，x₂，...，x_n)，向量中的变量是随机的，且均值为0：

E(x)＝0

将向量x的n维的特征空间通过一个m*n的α权值矩阵映射成m维度的特征空间：

y＝αx

②计算协方差矩阵C，采用矩阵y协方差矩阵C，在这里，考虑的是

的最大值：

且E(y_iy_j)＝0，i不等于j，其计算公式如下：

③计算矩阵y的协方差矩阵C的特征值以及特征向量：

C＝E(yy^T)

＝E(αx(αx)^T)

＝E(α(xx)^Tα^T)

＝αE(xx^T)α^T

＝αQα^T

式中，Q为x的协方差矩阵，α是协方差矩阵C的对角矩阵，α应满足：

Qα_i＝λ_iω_i，i＝1，2，…，m

④将特征值λ按升序排序，由于矩阵xx^T是一个正定矩阵，其特征向量的个数等于矩阵的维度数，且特征值均为大于或等于零的数：

λ₁≥λ₂≥…≥λ_n≥0

⑤保留协方差矩阵特征值较大的前m个特征向量，所以，矩阵α由矩阵xx^T的前m个特征值所对应的特征向量构成：

α＝(α₁，α₂，…，α_m，)^T

⑥最后，通过矩阵α将x映射到y，即y＝αx，在经过上述特征值提取后，每个sEMG信号的特征模式都可以以向量形式表示如下：

x＝[x₁，x₂，x3...x_n]，n＝8

因此，4种sEMG信号的特征向量能组合成一个4*8的矩阵X，n表示通道数，将信号的4*8特征矩阵降成一个1*8的特征矩阵Y，即一个联合特征向量，由PCA原理可知，只需要保留协方差矩阵特征值中最大的一个λ₁以及其对应的特征向量α₁＝(α₁₁，α₁₂，…，α_1n)，由此可得出：

Y＝α₁*X

步骤3：手指动作的模式识别：

(a)选取SVM混合核函数

SVM算法中约束最优化问题的求解可以转换成如下：

α_i≥0 i＝1，2，...，N

对于上式，构造一个核函数来避免特征空间中的大量运算，其公式如下：

为平衡核函数的学习性能和泛化性能，选取一种混合型核函数，公式如下：

k_mix(x_i，x_j)＝δk_poly+(1-δ)k_RBF

上式中，k_poly为SVM模型中全局性核函数的一种；k_RBF为径向基核函数属于局部性核函数的一种，δ为一个新增加的需要优化的SVM模型参数，其取值范围：δ∈[0,1]；

(b)基于VGLBSO算法的混合核SVM参数优化

矢量分组学习BSO(Vector Grouping Learning,VGLBSO)算法主要包括三个方面：个体分组策略、个体产生策略、个体更新策略，其具体步骤如下：

①随机分组策略可以随机地为每个群体从整个群体中选择不同的个体，因此它可以保持个体分组策略的不同个体之间的信息交换的多样性；

②随机矢量分组学习机制：提出随机矢量分组机制用于产生足够多的子矢量，为每个新产生的个体提供合理的信息多样性；具体的，每个个体是一个D维向量x_i＝[x_i1,x_i2,…,x_iD,],i∈{1,2,….N}，把每个个体的D个维度随机分成T个子矢量{s_i1,s_i2,…,s_iT},并且每个子矢量S_ik,k∈{1,2,…,T}包含至少Δ维或至多D-Δ维，因此，T的取值范围是[2,D/Δ]，每个子矢量的起始维度在x_i中索引为S_k，每个子矢量S_ik的表达式如下：

式中s_k+1表示子矢量s_i(k+1)起始位置的维度索引，当k＝1时，s_k＝1，并且s_k+1的计算公式为：

式中S_k≤D-(2Δ-2)，r表示[0,1]之间的随机数，根据上述公式，可以获得每个个体的子矢量S_ik,k∈(1,2,…,T)；

③混合个体更新策略将整个种群新产生的个体划分为两组，并且分别根据原始BSO和差分进化算法中的DE策略的个体跟新策略更新两组中的个体，可以进一步平衡改进型BSO算法的全局勘探能力和局部开发能力。

对模型参数进行优化处理是SVM实现预测分类的前提，SVM中通常使用网格搜索的方法寻找两个重要参数c和σ的最优值，这样做的缺点是容易把网格内部的潜在解遗漏掉，且网格法不适用于多参数的寻优。针对这种情况，本发明采用群智能算法对混合核SVM模型中的参数进行寻优。SVM模型中需要优化的参数包括：混合核函数引入的权重系数δ、目标函数中的正则化参数c：c∈[2^-5,2^-3,…,2¹⁵]和RBF核函数中的参数σ：1/σ²∈[2^-15,2^-13,…,2³]。优化参数的具体步骤如下：

①读取训练数据和测试数据，并且对其进行归一化处理；

②设置SVM参数δ,c,σ的取值范围，在解空间中随机初始化SVM参数δ,c,σ和粒子的初始位置，计算每个粒子的适应度值；

③根据VGLBSO算法学习过程更新粒子的位置，计算位置更新之后每个粒子的适应度值；

④将粒子的适应度值与前一次迭代中相应粒子的适应度值比较，如果更新之后的粒子适应度值比前一次迭代中相应粒子好，则替换前一次适应度值差的粒子的位置信息，反之，不替换；

⑤根据迭代终止条件，判断是否满足，条件满足时，输出SVM的最优参数组合；反之，转到步骤③；如果得出最优分类精度的参数不唯一时，应当取惩罚系数c最小的那组参数。

(c)构造SVM多分类器

样本数据有12类，设计66个分类器。分类器排列成一个有向无环图，该有向无环图含有12个叶子数和66个节点数。

通过VGLBSO优化后的混合核SVM模型来对样本数据进行分类。对于一个类型样本数据，首先采用第一层分类器(1,12)进行分类，该分类器结果为1或者12，若分类器结果是1，说明该样本数据不属于第12类，采用第二层分类器(1,11)继续进行分类；若分类器结果是12，说明该样本数据不属于第1类，则采用第二层分类器(2,12)继续分类。直到得出样本的具体类别，即获得具体的手势类别，结束该样本分类进程。

以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于表面肌电信号的手指手势分类方法，其特征在于：包括以下步骤：

步骤1：采集人体手指动作的表面肌电信号：

放置表面电极，利用生理信号采集仪和计算机采集手指手势动作的表面肌电信号，并将采集到的sEMG信号上传到计算机端；

步骤2：处理表面肌电信号：

(a)提取活动段肌电信号，采用基于能量值的端点检测法首先提取出一小段时间内的肌电信号数据，对其进行平方积分得到当前时段内的信号能量值，公式如下：

式中，x(t)是当前时段内的sEMG信号数据，E为t时刻对应的sEMG信号的能量值；

采用滑动矩形窗口的方法进一步提高数据的处理速度，窗口宽度设置为T，滑动窗口的移动步长设置为T/2，由此得到肌电信号的能量值；对能量值进行分割，从原始sEMG信号中获取手部活动段信号；

(b)对活动段信号进行去噪处理，采用带通滤波器和陷波器对采集到的肌电信号进行滤波和去噪处理；

(c)提取特征值，提取出均方根值RMS、肌电积分值IEMG、平均功率频率MPF、中值频率MF这四个特征值；

(d)对特征值进行降维，为剔除多维特征值中不重要的信息，对特征值进行更全面的分析，对上一步提取出的多种特征值采用主成分分析法PCA进行降维，将所有特征值中的各类信息综合成联合特征向量；

步骤3：手指动作的模式识别：

(a)选取SVM混合核函数

SVM算法中约束最优化问题的求解可以转换成如下：

α_i≥0 i＝1，2，...，N

对于上式，构造一个核函数来避免特征空间中的大量运算，其公式如下：

为平衡核函数的学习性能和泛化性能，选取一种混合型核函数，公式如下：

k_mix(x_i，x_j)＝δk_poly+(1-δ)k_RBF

上式中，k_poly为SVM模型中全局性核函数的一种；k_RBF为径向基核函数属于局部性核函数的一种，δ为一个新增加的需要优化的SVM模型参数，其取值范围：δ∈[0，1]；

(b)基于VGLBSO算法的混合核SVM参数优化

矢量分组学习BSO(Vector Grouping Learning，VGLBSO)算法主要包括三个方面：个体分组策略、个体产生策略、个体更新策略，其具体步骤如下：

①随机分组策略随机地为每个群体从整个群体中选择不同的个体，保持个体分组策略的不同个体之间的信息交换的多样性；

②随机矢量分组学习机制：提出随机矢量分组机制用于产生足够多的子矢量，为每个新产生的个体提供合理的信息多样性；具体的，每个个体是一个D维向量x_i＝[x_i1，x_i2，…，x_iD，]，i∈{1，2，….N}，把每个个体的D个维度随机分成T个子矢量{s_i1，s_i2，…，s_iT}，并且每个子矢量S_ik，k∈{1，2，…，T}包含至少Δ维或至多D-Δ维，因此，T的取值范围是[2，D/Δ]，每个子矢量的起始维度在x_i中索引为S_k，每个子矢量S_ik的表达式如下：

式中S_k+1表示子矢量s_i(k+1)起始位置的维度索引，当k＝1时，s_k＝1，并且s_k+1的计算公式为：

式中S_k≤D-(2Δ-2)，r表示[0，1]之间的随机数，根据上述公式，获得每个个体的子矢量S_ik，k∈(1，2，…，T)；

③混合个体更新策略将整个种群新产生的个体划分为两组，并且分别根据原始BSO和差分进化算法中的DE策略的个体跟新策略更新两组中的个体，进一步平衡改进型BSO算法的全局勘探能力和局部开发能力；

采用VGLBSO算法对混合核SVM模型中的参数进行寻优，SVM模型中需要优化的参数包括：混合核函数引入的权重系数δ、目标函数中的正则化参数c：c∈[2^-5，2^-3，…，2¹⁵]和RBF核函数中的参数σ：1/σ²∈[2^-15，2^-13，…，2³]，优化参数的具体步骤如下：

①读取训练数据和测试数据，并且对其进行归一化处理；

②设置SVM参数δ，c，σ的取值范围，在解空间中随机初始化SVM参数δ，c，σ和粒子的初始位置，计算每个粒子的适应度值；

③根据VGLBSO算法学习过程更新粒子的位置，计算位置更新之后每个粒子的适应度值；

④将粒子的适应度值与前一次迭代中相应粒子的适应度值比较，如果更新之后的粒子适应度值比前一次迭代中相应粒子好，则替换前一次适应度值差的粒子的位置信息，反之，不替换；

⑤根据迭代终止条件，判断是否满足，条件满足时，输出SVM的最优参数组合；反之，转到步骤③；如果得出最优分类精度的参数不唯一时，应当取惩罚系数c最小的那组参数；

(c)构造SVM多分类器

样本数据有K类，设计K(K-1)/2个分类器，分类器排列成一个有向无环图，该有向无环图含有K个叶子数和K(K-1)/2个节点数；

通过VGLBSO优化后的混合核SVM模型来对样本数据进行分类，根据样本的类别从第一层节点依次向下一层节点分类，直到该样本的类别都分配在无环图的叶节点上，即每个叶的类别代表样本数据的类别，则获得具体的手势类别，结束该样本分类进程。

2.根据权利要求1所述的一种基于表面肌电信号的手指手势分类方法，其特征在于：所述步骤2的(a)中对能量值进行分割的过程如下：

①根据实际采集的数据而设定启动阈值α和终止阈值β，启动阈值α设置为最大能量的1/4，终止阈值β设置为方差值的1/4；

②依据(a)中的公式，计算原始sEMG信号在t时刻的能量值；

③比较E和α，在连续n1个时间窗内均有E大于α，则将第一个时间窗的起始时刻设置为动作的起始点；

④比较E和β，在连续n2个时间窗内均有E小于β，则将第一个时间窗的起始时刻设置为动作的终止点；

⑤最后，依据起始点和终止点从原始sEMG信号中获取手部活动段信号。

3.根据权利要求1所述的一种基于表面肌电信号的手指手势分类方法，其特征在于：所述步骤2的(c)中均方根值RMS、肌电积分值IEMG、平均功率频率MPF、中值频率MF这四个特征值的计算公式分别如下，其中，t是采样个数，x_i是sEMG信号的第i个采样点的幅值；

均方根RMS：均方根特性能够反应手部运动时小臂肌肉力的大小：

肌电积分值IEMG：肌电积分值特性能反应一段信号的平均强度，并且能够反应肌肉动作的强度：

平均功率频率MPF：表示信号在一个时间段的总功率除以总时间：

中值频率MF：表示信号各个时间段内功率的平均值：

4.根据权利要求1所述的一种基于表面肌电信号的手指手势分类方法，其特征在于：所述步骤2中(d)的具体步骤如下：

①假设一个n维的特征向量x＝(x₁，x₂，...，x_n)，向量中的变量是随机的，且均值为0：

E(x)＝0

将向量x的n维的特征空间通过一个m*n的α权值矩阵映射成m维度的特征空间：

y＝αx

②计算协方差矩阵C，采用矩阵y协方差矩阵C，在这里，考虑的是的最大值：且E(y_iy_j)＝0，i不等于j，其计算公式如下：

③计算矩阵y的协方差矩阵C的特征值以及特征向量：

C＝E(yy^T)

＝E(αx(αx)^T)

＝E(α(xx)^Tα^T)

＝αE(xx^T)α^T

＝αQα^T

式中，Q为x的协方差矩阵，α是协方差矩阵C的对角矩阵，α应满足：

Qα_i＝λ_iω_i，i＝1，2，…，m

④将特征值λ按升序排序，由于矩阵xx^T是一个正定矩阵，其特征向量的个数等于矩阵的维度数，且特征值均为大于或等于零的数：

λ₁≥λ₂≥…≥λ_n≥0

⑤保留协方差矩阵特征值较大的前m个特征向量，所以，矩阵α由矩阵xx^T的前m个特征值所对应的特征向量构成：

α＝(α₁，α₂，…，α_m，)^T

⑥最后，通过矩阵α将x映射到y，即y＝αx，在经过上述特征值提取后，每个sEMG信号的特征模式都以向量形式表示如下：

x＝[x₁，x₂，x₃...x_n]，n＝8

因此，4种sEMG信号的特征向量能组合成一个4*8的矩阵X，n表示通道数，将信号的4*8特征矩阵降成一个1*8的特征矩阵Y，即一个联合特征向量，由PCA原理可知，只需要保留协方差矩阵特征值中最大的一个λ₁以及其对应的特征向量α₁＝(α₁₁，α₁₂，…，α_1n)，由此可得出：

Y＝α₁*X。

Images