CN113986017B - 一种肌电手势模板的生成方法、装置及存储介质 - Google Patents
一种肌电手势模板的生成方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113986017B CN113986017B CN202111608161.5A CN202111608161A CN113986017B CN 113986017 B CN113986017 B CN 113986017B CN 202111608161 A CN202111608161 A CN 202111608161A CN 113986017 B CN113986017 B CN 113986017B
- Authority
- CN
- China
- Prior art keywords
- signal data
- electromyographic signal
- electromyographic
- gesture
- action potential
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Dermatology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种肌电手势模板的生成方法、装置及存储介质,所述方法包括:获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;获取所述有效肌电信号数据所对应的手势特征;获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。本发明可采集用户的肌电信号数据,然后对用户的肌电信号数据进行分析,筛选出符合条件的有效肌电信号数据,然后根据筛选出的有效肌电信号数据提取出手势特征,并生成肌电手势模板,有利于帮助用户生成属于自己的肌电手势模板,且生成的肌电手势模板准确,以提高用户使用仿生手的便利性与舒适性。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及一种肌电手势模板生成的方法、装置及存储介质。
背景技术
智能仿生手是一款脑机接口技术于人工智能算法高度融合的智能产品。智能仿生手可以通过提取佩戴者手臂神经肌肉信号,识别佩戴者的运动意图,并将运动示意图转化成智能仿生手的动作,从而做到灵巧智能,手随心动。
由于每个人的肌电信号是有差异的,因此每个用户的智能仿生手的肌电手势模板库都是不同的。用户在初次使用智能仿生手之前,都需要生成自己的肌电手势模板。而现有技术中在构建肌电手势模板由于采集的数据量大,无法准确地生成肌电手势模板,使得仿生手无法达到用户真实手的运动效果,影响用户的使用。
因此,现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种肌电手势模板的生成方法、装置及存储介质,旨在解决现有技术中在构建肌电手势模板由于采集的数据量大,无法准确地生成肌电手势模板,使得仿生手无法达到用户真实手的运动效果,影响用户的使用的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
第一方面,本发明提供一种肌电手势模板生成的方法,其中,所述方法包括:
获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;
根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;
获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。
在一种实现方式中,所述获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所有动作电位信息之间的相似度,确定有效肌电信号数据,包括:
获取若干肌电信号数据,确定每一个所述肌电信号数据所对应的动作电位信息;
根据所有动作电位信息,确定所述肌电信号数据所对应的有效性信息;
根据所述有效性信息,确定所述有效肌电信号数据。
在一种实现方式中,所述根据所有动作电位信息,确定所述肌电信号数据所对应的有效性信息,包括:
对所述动作电位信息进行分析,将所有的所述肌电信号数据所对应的动作电位信息进行相互比较,确定所有动作电位信息彼此之间的相似度;
根据所述相似度,确定所述肌电信号数据的有效性信息。
在一种实现方式中,所述根据所述相似度,确定所述肌电信号数据的有效性信息,包括:
确定出所有动作电位信息中相似度超过阈值的动作电位信息;
将所述相似度超过阈值的动作电位信息所对应的肌电信号数据的有效性信息为数据有效。
在一种实现方式中,所述根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征,包括:
根据有效肌电信号数据,确定所述有效肌电信号数据所对应的动作电位信息;
根据所述动作电位信息,确定出所对应的手势特征。
在一种实现方式中,所述根据所述手势特征,生成肌电手势模板,包括:
获取所述手势特征所对应的出现频率;
根据所述出现频率,生成所述肌电手势模板。
在一种实现方式中,所述根据所述出现频率,生成肌电手势模板,包括:
将所述出现频率与预设的频率阈值进行比较;
若所述出现频率大于所述频率阈值,则将所述出现频率大于所述频率阈值的手势特征作为目标手势特征;
将所述目标手势特征融合,生成所述肌电手势模板。
在一种实现方式中,所述根据所述出现频率,生成所述肌电手势模板,包括:
若所述出现频率小于所述频率阈值,则将所述出现频率小于所述频率阈值的手势特征剔除。
第二方面,本发明实施例还提供一种肌电手势模板生成装置,其中,所述装置包括:
信号数据获取模块,用于获取肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;
手势特征获取模块,用于根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;
肌电手势模板生成模块,用于获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。
第三方面,本发明实施例还提供一种智能仿生手,其中,所述智能仿生手包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的肌电手势模板的生成程序,所述处理器执行所述肌电手势模板的生成程序时,实现上述方案中任一项所述的肌电手势模板的生成方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有肌电手势模板的生成程序,所述肌电手势模板的生成程序被处理器执行时,实现上述方案中任一项所述的肌电手势模板的生成方法的步骤。
有益效果:与现有技术相比,本发明提供了一种肌电手势模板生成的方法,本发明首先获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。本发明可采集用户的肌电信号数据,然后对用户的肌电信号数据进行分析,根据每一个肌电信号数据所对应的动作电位信息来筛选出符合条件的肌电信号数据,即得到有效肌电信号数据,然后基于这些有效肌电信号数据提取出手势特征,然后获取筛选出的手势特征的出现频率,基于出现频率来生成肌电手势模板,有利于帮助用户生成属于自己的肌电手势模板,且生成的肌电手势模板更为准确,这样用户的智能仿生手就可以基于更为准确的肌电手势模板达到与用户真实手的运动效果,提高了用户使用仿生手的便利性与舒适性。
附图说明
图1为本发明实施例提供的肌电手势模板的生成方法的具体实施方式的流程图。
图2是本发明实施例提供的肌电手势模板的生成装置的原理框图。
图3是本发明实施例提供的智能仿生手的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
由于每个人的肌电信号是有差异的,因此每个用户的智能仿生手的肌电手势模板库都是不同的。用户在初次使用智能仿生手之前,都需要生成自己的肌电手势模板。而现有技术中在构建肌电手势模板由于采集的数据量大,无法准确地生成肌电手势模板,使得仿生手无法达到用户真实手的运动效果,影响用户的使用。为了解决上述技术问题,本实施例提供一种肌电手势模板生成的方法,本实施例首先首先获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。本发明可采集用户的肌电信号数据,然后对用户的肌电信号数据进行分析,根据每一个肌电信号数据所对应的动作电位信息来筛选出符合条件的肌电信号数据,即得到有效肌电信号数据,然后基于这些有效肌电信号数据提取出手势特征,然后获取筛选出的手势特征的出现频率,基于出现频率来生成肌电手势模板,有利于帮助用户生成属于自己的肌电手势模板,且生成的肌电手势模板更为准确,这样用户的智能仿生手就可以基于更为准确的肌电手势模板达到与用户真实手的运动效果,提高了用户使用仿生手的便利性与舒适性。
举例说明,当需要生成用户A的仿生手所对应的肌电手势模板时,本实施例通过获取用户A执行手部动作时的若干肌电信号数据,然后确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定出有效的肌电信号数据,比如,经过相似度分后得到的有效肌电信号数据是第一次手部动作对应肌电信号数据、第三次手部动作对应的肌电信号数据以及第四次手部动作对应的肌电信号数据。当筛选得到有效肌电信号数据后,就可以得到从中提取出手势特征,该手势特征反映的是就是每一次有效的肌电信号数据所对应的手势是什么,也就是分析出用户A每一次手部动作时所对应的手势是什么。当得到手势特征后,本实施例进一步确定每一个手势动作所对应的出现频率,然后基于出现频率就可以准确确定出用户此时的手势特征所真正想要执行的动作是什么,因此就可以基于该出现频率生成肌电手势模板,这样用户A的仿生手就可以基于该肌电手势模板实现对应的运动效果以及手势效果,满足用户的使用需求。
示例性方法
本实施例的肌电手势模板的生成方法可应用于终端设备中,该终端设备可为电脑、手机以及其他智能终端产品。并且,本实施例中生成的肌电手势模板是应用在仿生手上的,因此本实施例的终端设备可与仿生手建立通讯连接,或者直接设置在仿生手上,形成智能仿生手。
具体实施时,如图1所示,本实施例中的肌电手势模板的生成方法包括如下步骤:
步骤S100、获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据。
在本实施例中,智能仿生手可首先对用户多次手部动作的肌电信号数据进行采集,得到若干肌电信号数据。当得到若干肌电信号数据后,由于有些肌电信号数据是不符合要求的,因此需要对肌电信号数据进行筛选,以确定出有效肌电信号数据。在本实施例中,本实施例可确定每一个所述肌电信号数据所对应的动作电位信息,然后基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据。
在一种实现方式中,本实施例中在筛选得到有效肌电信号数据时包括如下步骤:
步骤S101、获取若干肌电信号数据,确定每一个所述肌电信号数据所对应的动作电位信息;
步骤S102、根据所有动作电位信息,确定所述肌电信号数据所对应的有效性信息;
步骤S103、根据所述有效性信息,确定所述有效肌电信号数据。
具体应用时,本实施例的智能仿生手对采集到的若干肌电信号数据进行分析,确定出每一个肌电信号数据的有效性信息,所述有效性信息所反映的是采集到的肌电信号数据是否有效。由于每一个肌电信号数据都可能会对应不同的动作电位信号,并且,在采集用户的肌电信号数据时,基本都会采集用户多次的手部动作的肌电信号数据进行分析。
在一种实现方式中,由于用户在使用智能仿生手执行相同的手部动作(比如握手)时,可能会产生不相同的肌电信号数据,因此所每一次肌电信号数据所对应的动作电位信息也是不相同的。为了可以提高对肌电信号数据,需要对用户执行多次相同手部动作的肌电信号数据进行采集并进行分析。本实施例在得到肌电信号数据后,确定出每一个所述肌电信号数据对应的动作电位信息。然后将用户执行多次相同手部动作的肌电信号数据所对应的动作电位信息进行相互比较,确定出动作电位信息彼此之间的相似度,只有动作电位信息彼此之间的相似度是满足条件的时候,这些动作电位信息所对应的肌电信号数据才是有效的,也就是说,本实施例是将所有的肌电信号数据所对应的动作电位信息进行相互比较,找出相互之间差异度比较小的动作电位信息,这些差异度比较小的动作电位信息反映出的手部动作是相似的,即为有效的动作电位信息,其对应的即为有效肌电信号数据。而差异度比较大的动作电位信息,则表示是异常的,反映出的手部动作可能存在比较大的差异,这些差异度比较大的动作电位信息即为无效的动作电位信息,因此其对应的是无效肌电信号数据。
具体实施例时,本实施例可将所有的动作电位信息之间相互比较,得到动作电位信息彼此之间的相似度,然后将相似度与阈值进行比较,如果其中的一个或者多个动作电位信息与其他的动作电位信息之间的相似度超过阈值,则可将这些相似度超过阈值的动作电位信息进行记录,并将这些相似度超过阈值的动作电位信息所对应的肌电信号数据对应的有效性信息确定为数据有效,因此再根据有效性信息就可以确定出有效肌电信号数据,有效肌电信号数据就是有效性信息为数据有效的肌电信号数据。
例如,当采集到的同一个握手动作的多个肌电信号数据后,对这多个肌电信号数据进行分析,比如,分别获取到肌电信号数据A所对应的动作电位信息a、肌电信号数据B所对应的动作电位信息b、肌电信号数据C所对应的动作电位信息c、肌电信号数据D所对应的动作电位信息d。然后将动作电位信息a、动作电位信息b、动作电位信息c以及动作电位信息d进行相互比较,筛选出彼此之间相似度超过阈值的动作电位信息,比如筛选出的相似度超过阈值的动作电位信息包括:动作电位信息b、动作电位信息c以及动作电位信息d,则此时就将动作电位信息b对应的肌电信号数据B、动作电位信息c对应的肌电信号数据C以及动作电位信息d对应的肌电信号数据D的有效性信息确定为数据有效,因此有效肌电信号数据就包括有肌电信号数据B、肌电信号数据C以及肌电信号数据D。
步骤S200、根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征。
当得到有效肌电信号数据后,本实施例可对这些有效肌电信号数据进行特征提取,从这些有效肌电信号数据中提取出手势特征,该手势特征可用于生成肌电手势模板。由于本实施例中得到的有效肌电信号数据是基于多次采集的智能仿生手的肌电信号数据进行分析与筛选后得到的,因此基于有效肌电信号数据提取出的手势特征会更为准确,以便生成更为精确的肌电手势模板。
在一种实现方式中,本实施例中在提取手势特征时包括如下步骤:
步骤S100、根据有效肌电信号数据,确定所述有效肌电信号数据所对应的动作电位信息;
步骤S200、根据所述动作电位信息,确定出所对应的手势特征。
具体实施时,肌电信号数据是众多肌纤维中运动单元(比如手臂)动作电位信息在时间和空间上的叠加,且由于每个肌电信号数据会有不同的动作电位信息,而动作电位信息反映的是表面肌电信号是浅层肌肉和神经干上电活动在皮肤表面的综合效应,因此基于该动作电位信息就可确定出用户所作出的动作手势对应的手势特征。本实施例可从这些有效肌电信号数据中获取对应的动作电位信息,然后再来分析出对应的手势特征。不同的肌电信号数据所对应的动作电位信息是不相同的,而不同的肌电信号数据所对应的手势动作可能也不相同。因此,实施例在得到肌电信号数据后,即可获取每一个肌电信号数据对应的动作电位信息,这些动作电位信息都反映了各自对应的手势特征,因此本实施将动作电位信息与预设的已知手势特征所对应的动作电位信息进行匹配,就可以确定出此时的肌电信号数据所对应的手持特征。
步骤S300、获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。
由于采集到的手势特征是基于有效肌电信号数据中提取的,且有效肌电信号数据是基于多次采集的智能仿生手的肌电信号数据进行分析与筛选后得到的,因此提取到的手势特征也是更为准确的。并且,本实施例还进一步获取每个手势特征所对应的出现频率,然后基于出现频率来确定出符合要求的手势特征,进一步提高手势特征筛选的准确度。再将这些符合要求的手势特征融合后就可以生成更为精确的肌电手势模板,以便应用于智能仿生手中,满足用户的使用需求。
在一种实现方式中,本实施例在生成肌电手势模板时,包括如下步骤:
步骤S301、将所述出现频率与预设的频率阈值进行比较;
步骤S302、若所述出现频率大于所述频率阈值,则将所述出现频率大于所述频率阈值的手势特征作为目标手势特征;
步骤S303、将所述目标手势特征融合,生成所述肌电手势模板。
具体应用时,由于有效肌电信号数据可能存在多个,比如上述举例中的有肌电信号数据B、肌电信号数据C以及肌电信号数据D。因此基于有效肌电信号数据提取出的手势特征可能也有多个,并且还会有所差异,比如握手和握拳的手势特征会有所差异,因此为了排除误差,本实施例基于手势特征的出现频率来对手势特征进行进一步的筛选。具体地,本实施例获取每一个手势特征所对应的出现频率,然后将每一个出现频率与预设的频率阈值进行比较。如果所述出现频率大于所述频率阈值,则将所述出现频率大于所述频率阈值的手势特征作为目标手势特征。若所述出现频率小于所述频率阈值,则将所述出现频率小于所述频率阈值的手势特征剔除。比如,如果某一手势特征的出现频率为83%,超过频率阈值80%,则就确定该手势特征为目标手势特征,也就是符合要求的手势特征。如果某一手势特征的出现频率为70%,低于频率阈值80%,则就会将这个手势特征剔除。然后,本实施例就可以对保留下来的目标手势特征进行融合,生成到对应的肌电手势模板。由此可见,本实施例不但对肌电信号数据进行分析筛选,而且还筛选出的肌电信号数据所提取出的手势特征进行进一步的筛选,从而留下符合要求的目标手势特征,基于目标手势特征所生成的肌电手势模板可以更为准确地反映出用户手部的动作,当智能仿生手应用本实施例生成的肌电手势模板可以更好地对用户的手部进行仿生,以满足用户的使用需求。
综上,本实施例首先获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。本实施例可采集用户的肌电信号数据,然后对用户的肌电信号数据进行分析,根据每一个肌电信号数据所对应的动作电位信息来筛选出符合条件的肌电信号数据,即得到有效肌电信号数据,然后基于这些有效肌电信号数据提取出手势特征,然后获取筛选出的手势特征的出现频率,基于出现频率来生成肌电手势模板,有利于帮助用户生成属于自己的肌电手势模板,且生成的肌电手势模板更为准确,这样用户的智能仿生手就可以基于更为准确的肌电手势模板达到与用户真实手的运动效果,提高了用户使用仿生手的便利性与舒适性。
示例性装置
基于上述实施例,本发明还公开了一种肌电手势模板的生成装置,如图2,所述装置包括:信号数据获取模块10、手势特征获取模块20以及肌电手势模板生成模块30。具体地,本实施例中的所述信号数据获取模块10,用于获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据。所述手势特征获取模块20,用于根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征。所述肌电手势模板生成模块30,用于获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。
在一种实现方式中,本实施例中的信号数据获取模块10包括:
动作电位信息确定单元,用于获取若干肌电信号数据,确定每一个所述肌电信号数据所对应的动作电位信息
有效性信息确定单元,用于根据所有动作电位信息,确定所述肌电信号数据所对应有效性信息;
信号数据确定单元,用于根据所述有效性信息,确定所述有效肌电信号数据。
在一种实现方式中,本实施例中的有效性信息确定单元包括:
相似度确定子单元,用于对所述动作电位信息进行分析,分别将所有的所述肌电信号数据所对应的动作电位信息进行相互比较,确定所有动作电位信息中彼此之间的相似度;
有效性信息确定子单元,用于根据所述相似度,确定所述肌电信号数据的有效性信息。
在一种实现方式中,本实施例中的所述有效性信息确定子单元包括:
信息比较子单元,用于确定出所有动作电位信息中相似度超过阈值的动作电位信息;
数据有效确定子单元,用于将所述相似度超过阈值的动作电位信息所对应的肌电信号数据的有效性信息为数据有效。
在一种实现方式中,本实施例中的所述手势特征获取模块20包括:
动作电位确定单元,用于根据有效肌电信号数据,确定所述有效肌电信号数据所对应的动作电位信息;
手势特征提取单元,用于根据所述动作电位信息,确定出所对应的手势特征。
在一种实现方式中,本实施例中的所述肌电手势模板生成模块30包括:
出现频率获取单元,用于获取所述手势特征所对应的出现频率;
肌电手势模板生成单元,用于根据所述出现频率,生成所述肌电手势模板。
在一种实现方式中,本实施例中的肌电手势模板生成单元,包括:
频率比较子单元,用于将所述出现频率与预设的频率阈值进行比较;
手势筛选子单元,用于若所述出现频率大于所述频率阈值,则将所述出现频率大于所述频率阈值的手势特征作为目标手势特征;
手势融合子单元,用于将所述目标手势特征融合,生成所述肌电手势模板。
在一种实现方式中,本实施例中的肌电手势模板生成单元,包括:
手势剔除子单元,用于若所述出现频率小于所述频率阈值,则将所述出现频率小于所述频率阈值的手势特征剔除。
本实施例中的肌电手势模板生成的装置的工作原理与上述方法实施例所记载的内容相同,此处不再赘述。
基于上述实施例,本发明还提供了一种智能仿生手,其原理框图可以如图3所示。该智能仿生手包括通过系统总线连接的处理器、存储器。其中,该智能仿生手的处理器用于提供计算和控制能力。该智能仿生手的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能仿生手的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种肌电手势模板的生成方法。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能仿生手的限定,具体的智能仿生手以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能仿生手,智能仿生手包括存储器、处理器及存储在存储器中并可在处理器上运行的肌电手势模板的生成程序,处理器执行肌电手势模板的生成程序时,实现如下操作指令:
获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;
根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;
获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双运营数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上,本发明公开了一种肌电手势模板的生成方法、装置及存储介质,所述方法包括:获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;获取所述有效肌电信号数据所对应的手势特征;获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板。本发明可采集用户的肌电信号数据,然后对用户的肌电信号数据进行分析,筛选出符合条件的有效肌电信号数据,然后根据筛选出的有效肌电信号数据提取出手势特征,并生成肌电手势模板,有利于帮助用户生成属于自己的肌电手势模板,且生成的肌电手势模板准确,以提高用户使用仿生手的便利性与舒适性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种肌电手势模板的生成方法,其特征在于,所述方法包括:
获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;
根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;
获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板;
所述获取若干肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据,包括:
获取若干肌电信号数据,确定每一个所述肌电信号数据所对应的动作电位信息;
根据所有动作电位信息,确定所述肌电信号数据所对应的有效性信息;
根据所述有效性信息,确定所述有效肌电信号数据;
所述根据所有动作电位信息,确定所述肌电信号数据所对应的有效性信息,包括:
对所述动作电位信息进行分析,将所有的所述肌电信号数据所对应的动作电位信息进行相互比较,确定所有动作电位信息彼此之间的相似度;
根据所述相似度,确定所述肌电信号数据的有效性信息。
2.根据权利要求1所述的肌电手势模板的生成方法,其特征在于,所述根据所述相似度,确定所述肌电信号数据的有效性信息,包括:
确定出所有动作电位信息中相似度超过阈值的动作电位信息;
将所述相似度超过阈值的动作电位信息所对应的肌电信号数据的有效性信息设为数据有效。
3.根据权利要求1所述的肌电手势模板的生成方法,其特征在于,所述根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征,包括:
根据有效肌电信号数据,确定所述有效肌电信号数据所对应的动作电位信息;
根据所述动作电位信息,确定出所对应的手势特征。
4.根据权利要求1所述的肌电手势模板的生成方法,其特征在于,所述根据所述出现频率,生成肌电手势模板,包括:
将所述出现频率与预设的频率阈值进行比较;
若所述出现频率大于所述频率阈值,则将所述出现频率大于所述频率阈值的手势特征作为目标手势特征;
将所述目标手势特征融合,生成所述肌电手势模板。
5.根据权利要求4所述的肌电手势模板的生成方法,其特征在于,所述根据所述出现频率,生成所述肌电手势模板,包括:
若所述出现频率小于所述频率阈值,则将所述出现频率小于所述频率阈值的手势特征剔除。
6.一种肌电手势模板的生成装置,其特征在于,所述装置包括:
信号数据获取模块,用于获取肌电信号数据,并确定每一个所述肌电信号数据所对应的动作电位信息,基于所述动作电位信息彼此之间的相似度,确定有效肌电信号数据;
手势特征获取模块,用于根据所述有效肌电信号数据,获取所述有效肌电信号数据所对应的手势特征;
肌电手势模板生成模块,用于获取所述手势特征所对应的出现频率,并根据所述出现频率,生成肌电手势模板;
信号数据获取模块包括:
动作电位信息确定单元,用于获取若干肌电信号数据,确定每一个所述肌电信号数据所对应的动作电位信息;
有效性信息确定单元,用于根据所有动作电位信息,确定所述肌电信号数据所对应有效性信息;
信号数据确定单元,用于根据所述有效性信息,确定所述有效肌电信号数据;
所述有效性信息确定单元包括:
相似度确定子单元,用于对所述动作电位信息进行分析,分别将所有的所述肌电信号数据所对应的动作电位信息进行相互比较,确定所有动作电位信息中彼此之间的相似度;
有效性信息确定子单元,用于根据所述相似度,确定所述肌电信号数据的有效性信息。
7.一种智能仿生手,其特征在于,所述智能仿生手包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的肌电手势模板的生成程序,所述处理器执行所述肌电手势模板的生成程序时,实现如权利要求1-5任一项所述的肌电手势模板的生成方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有肌电手势模板的生成程序,所述肌电手势模板的生成程序被处理器执行时,实现如权利要求1-5任一项所述的肌电手势模板的生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111608161.5A CN113986017B (zh) | 2021-12-27 | 2021-12-27 | 一种肌电手势模板的生成方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111608161.5A CN113986017B (zh) | 2021-12-27 | 2021-12-27 | 一种肌电手势模板的生成方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113986017A CN113986017A (zh) | 2022-01-28 |
CN113986017B true CN113986017B (zh) | 2022-05-17 |
Family
ID=79734416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111608161.5A Active CN113986017B (zh) | 2021-12-27 | 2021-12-27 | 一种肌电手势模板的生成方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113986017B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167995B (zh) * | 2022-02-14 | 2022-05-17 | 浙江强脑科技有限公司 | 一种仿生手的手势锁定方法、装置、终端及存储介质 |
CN114217694A (zh) * | 2022-02-21 | 2022-03-22 | 深圳市心流科技有限公司 | 一种仿生手及其手势控制方法、服务器及存储介质 |
CN114625257B (zh) * | 2022-05-16 | 2022-08-16 | 浙江强脑科技有限公司 | 一种基于肌电信号的动作识别方法和识别装置 |
CN114676737B (zh) * | 2022-05-26 | 2022-09-27 | 深圳市心流科技有限公司 | 一种肌电信号的采样频率的动态调节方法 |
CN115204242B (zh) * | 2022-09-09 | 2022-12-09 | 深圳市心流科技有限公司 | 一种调整动作模板比对阈值的方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105326500A (zh) * | 2014-08-13 | 2016-02-17 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
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 |
CN110109543A (zh) * | 2019-04-30 | 2019-08-09 | 福州大学 | 基于被试迁移的c-VEP识别方法 |
WO2021219039A1 (zh) * | 2020-04-30 | 2021-11-04 | 京东数科海益信息科技有限公司 | 手势识别方法、人机交互方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8447704B2 (en) * | 2008-06-26 | 2013-05-21 | Microsoft Corporation | Recognizing gestures from forearm EMG signals |
US9367139B2 (en) * | 2013-12-12 | 2016-06-14 | Thalmic Labs Inc. | Systems, articles, and methods for gesture identification in wearable electromyography devices |
CN110664400B (zh) * | 2019-09-20 | 2020-07-17 | 清华大学 | 基于度信息的脑电特征电位溯源方法 |
CN111603162B (zh) * | 2020-05-07 | 2023-05-30 | 京东科技信息技术有限公司 | 肌电信号处理方法、装置、智能可穿戴设备及存储介质 |
-
2021
- 2021-12-27 CN CN202111608161.5A patent/CN113986017B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105326500A (zh) * | 2014-08-13 | 2016-02-17 | 华为技术有限公司 | 基于表面肌电信号的动作识别方法和设备 |
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 |
CN110109543A (zh) * | 2019-04-30 | 2019-08-09 | 福州大学 | 基于被试迁移的c-VEP识别方法 |
WO2021219039A1 (zh) * | 2020-04-30 | 2021-11-04 | 京东数科海益信息科技有限公司 | 手势识别方法、人机交互方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113986017A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113986017B (zh) | 一种肌电手势模板的生成方法、装置及存储介质 | |
CN113977589B (zh) | 一种手势识别阈值调整方法、装置及存储介质 | |
CN111209885B (zh) | 一种手势信息处理方法、装置、电子设备及存储介质 | |
CN113946224B (zh) | 智能仿生手的肌电手势识别的控制方法、装置及存储介质 | |
Zerafa et al. | To train or not to train? A survey on training of feature extraction methods for SSVEP-based BCIs | |
CN113970968B (zh) | 一种智能仿生手的动作预判方法 | |
Khushaba et al. | Toward improved control of prosthetic fingers using surface electromyogram (EMG) signals | |
CN113946225B (zh) | 一种手势锁定方法、智能仿生手、终端以及存储介质 | |
Singh et al. | Small sample motor imagery classification using regularized Riemannian features | |
CN114041796B (zh) | 一种基于脑电波信号的专注力评估方法、装置及存储介质 | |
CN110333783B (zh) | 一种用于鲁棒肌电控制的无关手势处理方法及系统 | |
US20200268270A1 (en) | Apparatus and method for predicting disease | |
EP3751461A1 (en) | Image recognition method, and image presentation time adjustment method and device | |
CN114224364B (zh) | 用于专注力训练的脑电波信号处理方法、装置及存储介质 | |
WO2017058927A1 (en) | Gait pathology detection and monitoring system, and method | |
CN111671420B (zh) | 一种从静息态脑电数据中提取特征的方法及终端设备 | |
Peng et al. | IoT assisted Kernel linear discriminant analysis based gait phase detection algorithm for walking with cognitive tasks | |
CN114668563B (zh) | 一种肌电信号的采样频率的多层级调节方法 | |
CN116863522A (zh) | 痤疮分级方法、装置、设备及介质 | |
CN112558775A (zh) | 基于表面肌电信号识别的无线键盘输入方法及装置 | |
CN115192049A (zh) | 一种智能假肢的肌电采样频率调节方法 | |
CN114167996B (zh) | 一种基于传感器的动作预判方法、装置及存储介质 | |
CN116541751B (zh) | 一种基于脑功能连接网络特征的脑电信号分类方法 | |
Hazarika et al. | Two-fold feature extraction technique for biomedical signals classification | |
CN115105270B (zh) | 一种智能假肢的肌电匹配阈值的动态调节方法 |
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 |