CN114098768A - 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 - Google Patents
基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 Download PDFInfo
- Publication number
- CN114098768A CN114098768A CN202111417486.5A CN202111417486A CN114098768A CN 114098768 A CN114098768 A CN 114098768A CN 202111417486 A CN202111417486 A CN 202111417486A CN 114098768 A CN114098768 A CN 114098768A
- Authority
- CN
- China
- Prior art keywords
- electromyographic
- gesture
- signal
- source
- electromyographic signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 24
- 238000013526 transfer learning Methods 0.000 claims abstract description 12
- 230000005012 migration Effects 0.000 claims abstract description 10
- 238000013508 migration Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 230000037081 physical activity Effects 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 19
- 230000003183 myoelectrical effect Effects 0.000 claims description 7
- 238000002567 electromyography Methods 0.000 claims description 5
- 235000003181 Panax pseudoginseng Nutrition 0.000 claims description 4
- 244000131316 Panax pseudoginseng Species 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000002040 relaxant effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000002560 therapeutic procedure Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 235000014653 Carica parviflora Nutrition 0.000 description 3
- 244000132059 Carica parviflora Species 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 230000003387 muscular Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 229910021607 Silver chloride Inorganic materials 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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]
- A61B5/397—Analysis of electromyograms
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,属于康复治疗领域,为了解决现有的识别方法在模型选择和参数调节时,存在耗时长以及识别效率低的问题。本发明针对样本个体采集的原始表面肌电信号进行滤波和活动段识别后,进行特征值提取,构建源域;以源域为基础,引入概率矩阵和中心距离构建损失函数,通过线性规划方法求出解迁移学习分类器;对待识别个体的原始表面肌电信号依次进行采集、滤波和活动段识别后,进行特征值提取,生成目标域;将目标域与源域进行域内对齐后输入迁移学习分类器,完成对待识别个体的手势动作的识别。有益效果为避免了模型选择和参数调节的同时,减少了标签数据和训练时间。
Description
技术领域
本发明属于康复治疗领域。
背景技术
表面肌电信号是由神经和肌肉等组织受到刺激后产生的动作电位在皮肤表面形成的综合信号;由于表面肌电信号蕴含着丰富的与人体运动相关的信息,而且其采集操作简便、无痛无伤,因此成为了近年医疗健康领域的研究热点,被广泛应用于手部瘫痪患者的康复治疗;然而,尽管人体的骨骼和肌肉分布大致相同,但受到用户性别、年龄、BMI指数、肌肉力量等个体性差异的影响,表面肌电信号具有天然的个体依赖性;即使不同的被试者执行相同的手部动作,产生的表面肌电信号也不尽相同,进而导致了其特征值大小、空间分布规律的差异,然而现有的机器学习方法无法构建具有强泛化能力的模型对跨个体的手势动作进行分类,这就造成了跨个体手势识别任务准确率普遍低下的问题;此外,由于个体性差异和采集通道的影响,不同被试者的通道阈值也存在差异,这就要求实验者在离线实验中对通道阈值进行反复调整,直到阈值合适;为了解决跨个体的差异性问题,现有的手势识别方法一方面是针对不同被试者分别训练分类模型,然后再基于已有模型对特定被试者进行手势识别;另一方面则通过采集大量的跨个体标签数据借助深度学习建立普适化模型进行手势识别;但是,现有方法通常要求大量的标签数据、丰富的样本特征以及长时间的模型训练,除此之外,现有的迁移学习方法大多涉及复杂的模型选择和超参数调节,存在耗费大量时间、人力成本,效率低下的问题,尤其是在资源有限的可穿戴康复训练设备领域,给跨个体的手势识别任务带来了严峻的挑战。
发明内容
本发明的目的是为了解决现有的识别方法在模型选择和参数调节时,存在耗时长以及识别效率低的问题,提出了基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法。
本发明所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法包括以下步骤:
步骤一、采集样本个体的手势动作,获取源体表面肌电信号;
步骤二、对步骤一获取的源体表面肌电信号进行滤波处理,获取源体滤波肌电信号;
步骤三、采用动态阈值法对步骤二获取的源体滤波肌电信号进行活动段识别,获取源体活动段肌电信号;
步骤四、对步骤三获取的源体活动段肌电信号进行特征值提取,提取出源体活动段肌电信号的特征值,并利用该特征值构建源域;
步骤五、以步骤四构建的源域为基础,引入概率矩阵和中心距离构建损失函数,通过线性规划方法求出解迁移学习分类器;
步骤六、采集待识别个体的手势动作,获取待测体表面肌电信号;
步骤七、对步骤六获取的待测体表面肌电信号进行滤波处理,获取待测体滤波肌电信号;
步骤八、采用动态阈值法对步骤七获取的待测体滤波肌电信号进行活动段识别,获取待测体活动段肌电信号;
步骤九、对步骤八获取的待测体活动段肌电信号进行特征值提取,提取出待测体活动段肌电信号的特征值,并将该特征值作为目标域;
步骤十、将步骤九得到的目标域与步骤四构建的源域进行域内对齐,然后输入至步骤五求解出的迁移学习分类器,完成对待识别个体的手势动作的识别。
本发明的有益效果是:避免了模型选择和参数调节的同时,减少了标签数据和训练时间,还实现了不同阈值通道的活动段识别,解决了跨个体手势识别任务精度和效率低下的问题,克服了生物个体的差异,为不同手部瘫痪患者的康复治疗提供有效的方法基础。
附图说明
图1为具体实施方式一所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法的流程图;
图2为具体实施方式一中源体表面肌电信号滤波前后以及活动段提取前后对比图;其中,(a)为源体滤波肌电信号,(b)为源体滤波肌电信号,(c)为源体活动段肌电信号;
图3为具体实施方式一中获取源体活动段肌电信号的具体流程图;
图4为具体实施方式一的步骤三五中滑动窗口法示意图;
图5为具体实施方式一中不同样本个体的相同手势动作的特征值空间分布图;
图6为具体实施方式一中利用EasyTL方法将步骤四得到的源域迁移学习至步骤八中的目标域的具体流程示意图;
图7为实验验证中样本个体的五种手势动作示意图。
具体实施方式
具体实施方式一:结合图1至图7说明本实施方式,本实施方式所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法包括以下步骤:
步骤一、采集样本个体的手势动作,获取源体表面肌电信号;
步骤二、对步骤一获取的源体表面肌电信号进行滤波处理,获取源体滤波肌电信号;
步骤三、采用动态阈值法对步骤二获取的源体滤波肌电信号进行活动段识别,获取源体活动段肌电信号;
步骤四、对步骤三获取的源体活动段肌电信号进行特征值提取,提取出源体活动段肌电信号的特征值,并利用该特征值构建源域;
步骤五、以步骤四构建的源域为基础,引入概率矩阵和中心距离构建损失函数,通过线性规划方法求出解迁移学习分类器;
步骤六、采集待识别个体的手势动作,获取待测体表面肌电信号;
步骤七、对步骤六获取的待测体表面肌电信号进行滤波处理,获取待测体滤波肌电信号;
步骤八、采用动态阈值法对步骤七获取的待测体滤波肌电信号进行活动段识别,获取待测体活动段肌电信号;
步骤九、对步骤八获取的待测体活动段肌电信号进行特征值提取,提取出待测体活动段肌电信号的特征值,并将该特征值作为目标域;
步骤十、将步骤九得到的目标域与步骤四构建的源域进行域内对齐,然后输入至步骤五求解出的迁移学习分类器,完成对待识别个体的手势动作的识别。
在本实施方式中,一方面基于循环降阈值的动态阈值法结合实验流程时间针对不同被试者不同采集通道自动选择合适的阈值进行活动段检测,另一方面基于EasyTL迁移学习方法利用在已知标签数据上建立微调的预训练模型对源域和目标域进行高阶特征的提取,然后再进行特征变换以及构建具有强泛化能力的分类器对手势动作分类。
在本实施方式中,步骤二中获取源体滤波肌电信号的具体方法为:采用50Hz陷波器和4阶巴特沃斯带通滤波器,并利用中值滤波法去除源体表面肌电信号的基线漂移,消除信号中的低频、高频以及工频干扰。
在本实施方式中,由于源体表面肌电信号为一维时间序列信号,在采集过程中随着时间的变化不可避免地会受到温度、湿度以及振动等环境因素的影响,通常会给信号带来较大的基线漂移,如图2(a)所示,因此本方法采用中值滤波去除信号的基线漂移;而且表面肌电信号的信号主频范围为10-150Hz,为了消除信号中的低频、高频以及工频干扰,本方法采用50Hz陷波器和4阶巴特沃斯带通滤波器对其进行滤波,截止频率上下限设置为10Hz和120Hz,滤波后的信号如图2(b)所示。
在本实施方式中,步骤三中获取源体活动段肌电信号的具体步骤为:
步骤三一、对源体滤波肌电信号进行分窗处理;
步骤三二、对步骤三一中源体滤波肌电信号的窗口长度进行初始化,并确定移动步长以及确定活动段识别的阈值;
步骤三三、判断阈值是否小于0;如果是,则执行步骤三四;如果否,则这行步骤三五;
步骤三四、增加窗口长度,并初始化阈值,然后执行步骤三五;
步骤三五、通过滑动窗口法比较,确定活动段的起始点与终止点,得出活动段的长度;然后执行步骤三六;
步骤三六、判断步骤三五得出的活动段的长度是否大于噪声长度;如果是,则执行步骤三七;如果否,则返回执行步骤三五;
步骤三七、保存活动段数据,并生成源体活动段肌电信号,然后执行步骤三八;
步骤三八、判断步骤三七生成的源体活动段肌电信号是否满足按键响应时间的要求;如果是,则这行步骤三十;如果否,则执行步骤三九;
步骤三九、减小阈值,并返回执行步骤三三;
步骤三十、获取源体活动段肌电信号。
在本实施方式中,步骤四中提取出源体活动段肌电信号的特征值包括源体活动段肌电信号的平均绝对值、源体活动段肌电信号的均方根以及源体活动段肌电信号的波形长度。
在本实施方式中,源体活动段肌电信号的平均绝对值的计算表达式为:
其中,MAV代表源体活动段肌电信号的平均绝对值,T代表采集到的样本个体表面肌电信号数据点的数量,xt为采集到的样本个体表面肌电信号数据序列中的第t个数据点。
在本实施方式中,源体活动段肌电信号的均方根的计算表达式为:
其中,RMS代表源体活动段肌电信号的均方根,T代表采集到的样本个体表面肌电信号数据点的数量,xt为采集到的样本个体表面肌电信号数据序列中的第t个数据点。
在本实施方式中,源体活动段肌电信号的波形长度的计算表达式为:
其中,WL代表源体活动段肌电信号的波形长度,T代表采集到的样本个体表面肌电信号数据点的数量,xt为采集到的样本个体表面肌电信号数据序列中的第t个数据点,xt+1为采集到的样本个体表面肌电信号数据序列中的第t+1个数据点。
在本实施方式中,步骤十中的域内对齐是指对每个特征子空间进行特征学习,根据特征学习方法实现相关对齐。
在本实施方式中,现有的机器学习和迁移学习方法由于精度、超参数与模型的问题严重制约了其实际应用的推广,尤其是在需要实时控制的可穿戴设备上。因此,本实施方式所述的手势识别方法使用Easy Transfer Learning,EasyTL,简易迁移学习方法,来实现跨个体表面肌电信号的自动化迁移;EasyTL方法既能够实现跨领域的知识转移,又不涉及模型选择和超参数调整,更重要的是,EasyTL方法不是学习样本距离,而是专注于域内结构,通过域内对齐的方式学习非参数传递特征以及通过域内编程的方式学习迁移分类器,流程如图6所示。
实验验证:
本实施方式提出的手势识别方法旨在采集跨个体的表面肌电信号,然后依次对动作信号进行滤波、活动段识别、特征提取、迁移学习与动作分类处理,更为重要的是,提出动态阈值法实现了对不同个体不同阈值通道的活动段识别以及基于EasyTL方法对跨个体的表面肌电信号进行迁移学习,进而避免了手势识别过程中对通道阈值的设置以及分类模型的选择、参数的调节,提高了跨个体手势识别的准确性。
为验证本实施方式提出的手势识别方法的有效性与优越性,设置验证实验如下:选取8名身体健康(5男3女,年龄23±2岁),知晓实验详情的受试者参与本实验,并且要求受试者在实验前保持禁止、放松手臂以及观看实验流程视频;为了得到干净、可靠的实验数据,基于表面肌电信号采集装置进行信号采集实验,表面肌电信号采集装置的采样率为250Hz,可同时进行4通道的数据采集,实验采用Ag-AgCl电极贴附于对应肌肉处,粘贴电极前一律使用酒精清洗、涂抹导电胶等办法对小臂皮肤进行处理,以降低皮肤的电阻;
实验中每位受试者严格按照实验流程分别进行5种手势动作的信号采集,包括握拳、张手、剪刀、六和放松动作,具体如图7所示,每种手势动作重复6次,每次持续6秒,每次动作前休息4秒,整个实验持续4分钟,以握拳手势动作为例,实验流程如表1所示。
表1具体实验流程
为了验证每个受试者手势动作的可区分度,首先将8位受试者的手势动作信号分别进行预处理和特征值提取,然后将每位受试者的信号特征值依次划分为训练集和测试集(比例为4:1),接着利用3种典型的机器学习方法(SVM、BPNN以及KNN方法)进行模式识别,结果如表2所示;由实验结果可见,8位受试者的平均动作识别准确率均在90%以上,平均准确率为95.97%,其中被试者Qq的动作识别准确率最高,为99.79%。
表2不同被试者自身的手势识别准确率
为验证EasyTL方法的有效性,利用KNN、CORAL及EasyTL方法进行对比实验,每组对比实验均为将其中一个被试者的训练模型迁移到另外一个被试者,即二者的特征值分别充当训练数据和测试数据的角色,使用迁移学习方法前后的跨个体表面肌电信号手势识别对比结果如表3所示。根据实验结果可见,在不加入迁移学习方法的情况下,即使用KNN和SVM分类方法,跨个体手势识别准确率普遍偏低,分别为45.35%和47.64%,已无法满足跨个体的准确率要求;使用传统的迁移学习方法CORAL后跨个体手势识别准确率有所提升,但整体提升幅度不大;而使用EasyTL方法的跨个体手势识别准确率有明显的提升,其中不同迁移任务提升的幅度不等,相对于不加入迁移学习方法,平均识别准确率提升显著,分别提高了17.00%和14.71%;对于传统的迁移学习方法CORAL结合KNN分类器,平均识别准确率提高了16.05%,达到了较为理想的提升效果。
由验证实验结果可见,本发明提出动态阈值法对表面肌电信号进行了有效的动作段识别,并且基于EasyTL方法构建的普适化模型满足了不同被试者表面肌电信号的多样化需求,避免了繁琐的模型选择和参数调节问题,很大程度上改善跨个体的手势识别准确率普遍偏低的问题。
表3跨个体手势识别准确率
Claims (9)
1.基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,其特征在于,该手势识别方法包括以下步骤:
步骤一、采集样本个体的手势动作,获取源体表面肌电信号;
步骤二、对步骤一获取的源体表面肌电信号进行滤波处理,获取源体滤波肌电信号;
步骤三、采用动态阈值法对步骤二获取的源体滤波肌电信号进行活动段识别,获取源体活动段肌电信号;
步骤四、对步骤三获取的源体活动段肌电信号进行特征值提取,提取出源体活动段肌电信号的特征值,并利用该特征值构建源域;
步骤五、以步骤四构建的源域为基础,引入概率矩阵和中心距离构建损失函数,通过线性规划方法求出解迁移学习分类器;
步骤六、采集待识别个体的手势动作,获取待测体表面肌电信号;
步骤七、对步骤六获取的待测体表面肌电信号进行滤波处理,获取待测体滤波肌电信号;
步骤八、采用动态阈值法对步骤七获取的待测体滤波肌电信号进行活动段识别,获取待测体活动段肌电信号;
步骤九、对步骤八获取的待测体活动段肌电信号进行特征值提取,提取出待测体活动段肌电信号的特征值,并将该特征值作为目标域;
步骤十、将步骤九得到的目标域与步骤四构建的源域进行域内对齐,然后输入至步骤五求解出的迁移学习分类器,完成对待识别个体的手势动作的识别。
2.根据权利要求1所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,其特征在于,步骤一中采集样本个体的手势动作包括握拳手势、剪刀手势、张手手势、六手势和放松手势。
3.根据权利要求1所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,其特征在于,步骤二中获取源体滤波肌电信号的具体方法为:采用50Hz陷波器和4阶巴特沃斯带通滤波器,并利用中值滤波法去除源体表面肌电信号的基线漂移,消除信号中的低频、高频以及工频干扰。
4.根据权利要求1所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,其特征在于,步骤三中获取源体活动段肌电信号的具体步骤为:
步骤三一、对源体滤波肌电信号进行分窗处理;
步骤三二、对步骤三一中源体滤波肌电信号的窗口长度进行初始化,并确定移动步长以及确定活动段识别的阈值;
步骤三三、判断阈值是否小于0;如果是,则执行步骤三四;如果否,则这行步骤三五;
步骤三四、增加窗口长度,并初始化阈值,然后执行步骤三五;
步骤三五、通过滑动窗口法比较,确定活动段的起始点与终止点,得出活动段的长度;然后执行步骤三六;
步骤三六、判断步骤三五得出的活动段的长度是否大于噪声长度;如果是,则执行步骤三七;如果否,则返回执行步骤三五;
步骤三七、保存活动段数据,并生成源体活动段肌电信号,然后执行步骤三八;
步骤三八、判断步骤三七生成的源体活动段肌电信号是否满足按键响应时间的要求;如果是,则这行步骤三十;如果否,则执行步骤三九;
步骤三九、减小阈值,并返回执行步骤三三;
步骤三十、获取源体活动段肌电信号。
5.根据权利要求1所述的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,其特征在于,步骤四中提取出源体活动段肌电信号的特征值包括源体活动段肌电信号的平均绝对值、源体活动段肌电信号的均方根以及源体活动段肌电信号的波形长度。
9.根据权利要求1的基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法,其特征在于,步骤十中的域内对齐是指对每个特征子空间进行特征学习,根据特征学习方法实现相关对齐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417486.5A CN114098768B (zh) | 2021-11-25 | 2021-11-25 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111417486.5A CN114098768B (zh) | 2021-11-25 | 2021-11-25 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114098768A true CN114098768A (zh) | 2022-03-01 |
CN114098768B CN114098768B (zh) | 2024-05-03 |
Family
ID=80373768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111417486.5A Active CN114098768B (zh) | 2021-11-25 | 2021-11-25 | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114098768B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719514A (zh) * | 2022-11-23 | 2023-02-28 | 南京理工大学 | 一种面向手势识别的领域自适应方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273798A (zh) * | 2017-05-11 | 2017-10-20 | 华南理工大学 | 一种基于表面肌电信号的手势识别方法 |
CN108903938A (zh) * | 2018-05-08 | 2018-11-30 | 西北工业大学 | 一种自适应肌电信号活动段检测方法 |
CN110389663A (zh) * | 2019-06-24 | 2019-10-29 | 广东工业大学 | 一种基于小波宽度学习系统的sEMG手势识别方法 |
CN110826625A (zh) * | 2019-11-06 | 2020-02-21 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
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 |
CN112668633A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大学 | 一种基于细粒度领域自适应的图迁移学习方法 |
CN112861604A (zh) * | 2020-12-25 | 2021-05-28 | 中国科学技术大学 | 一种与用户无关的肌电动作识别与控制方法 |
CN113111831A (zh) * | 2021-04-23 | 2021-07-13 | 浙江工业大学 | 一种基于多模态信息融合的手势识别技术 |
-
2021
- 2021-11-25 CN CN202111417486.5A patent/CN114098768B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273798A (zh) * | 2017-05-11 | 2017-10-20 | 华南理工大学 | 一种基于表面肌电信号的手势识别方法 |
CN108903938A (zh) * | 2018-05-08 | 2018-11-30 | 西北工业大学 | 一种自适应肌电信号活动段检测方法 |
CN110389663A (zh) * | 2019-06-24 | 2019-10-29 | 广东工业大学 | 一种基于小波宽度学习系统的sEMG手势识别方法 |
CN110826625A (zh) * | 2019-11-06 | 2020-02-21 | 南昌大学 | 一种基于表面肌电信号的手指手势分类方法 |
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 |
CN112668633A (zh) * | 2020-12-25 | 2021-04-16 | 浙江大学 | 一种基于细粒度领域自适应的图迁移学习方法 |
CN112861604A (zh) * | 2020-12-25 | 2021-05-28 | 中国科学技术大学 | 一种与用户无关的肌电动作识别与控制方法 |
CN113111831A (zh) * | 2021-04-23 | 2021-07-13 | 浙江工业大学 | 一种基于多模态信息融合的手势识别技术 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115719514A (zh) * | 2022-11-23 | 2023-02-28 | 南京理工大学 | 一种面向手势识别的领域自适应方法及系统 |
CN115719514B (zh) * | 2022-11-23 | 2023-06-30 | 南京理工大学 | 一种面向手势识别的领域自适应方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114098768B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106726030B (zh) | 基于临床脑电信号控制机械手运动的脑机接口系统及其应用 | |
CN108681396B (zh) | 基于脑-肌电双模态神经信号的人机交互系统及其方法 | |
CN101987048B (zh) | 假肢控制方法和系统 | |
CN105956624B (zh) | 基于空时频优化特征稀疏表示的运动想象脑电分类方法 | |
CN103440498A (zh) | 基于lda算法的表面肌电信号识别方法 | |
CN102499797B (zh) | 假肢控制方法及系统 | |
CN109062401B (zh) | 一种基于肌电信号的实时手势识别系统 | |
CN112732090B (zh) | 基于肌肉协同的用户无关实时手势识别方法 | |
CN113111831A (zh) | 一种基于多模态信息融合的手势识别技术 | |
CN108268844A (zh) | 基于表面肌电信号的动作模式识别方法及装置 | |
George et al. | Sensing, processing and application of EMG signals for HAL (Hybrid Assistive Limb) | |
CN104571504A (zh) | 一种基于想象动作的在线脑-机接口方法 | |
CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
Raurale | Acquisition and processing real-time EMG signals for prosthesis active hand movements | |
CN114469641A (zh) | 基于肌电识别的功能性电刺激运动障碍镜像训练方法 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
Veer | A flexible approach for segregating physiological signals | |
CN116831874A (zh) | 一种基于肌电信号的下肢康复器控制方法 | |
Jia | Neural network in the application of EEG signal classification method | |
CN114548165B (zh) | 一种可跨用户的肌电模式分类方法 | |
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 | |
CN110464517B (zh) | 基于小波加权排列熵的肌电信号识别方法 | |
CN114343679A (zh) | 基于迁移学习的表面肌电信号上肢动作识别方法及系统 | |
Bandara et al. | Differentiation of signals generated by eye blinks and mouth clenching in a portable brain computer interface system | |
Sburlea et al. | Predicting EMG envelopes of grasping movements from EEG recordings using unscented kalman filtering |
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 |