[发明专利]可用于假肢手控制的基于肌音信号手部动作模式识别方法

权利要求书

1.可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，该方法包括以下步骤：

A、数据采集：

a1)通过多个压电加速度传感器采集肌肉声音信号；

a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；

B、数据处理：

b1)将采集到的信号进行数字滤波；

b2)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值，则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，据此，完成整个数据段的动作分割；

b3)提取动作帧的时域特征和频域特征，构成特征空间；

b4)利用特征提取方法对特征空间进行降维处理；

b5)将降维后得到的新的特征空间输入二次或线性分类器，得到动作识别结果数据，该识别结果数据可用于假肢手控制。

2.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，所述的数字滤波采用20阶最小二乘法线性相位FIR低通滤波器。

3.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，所述的b2)中的阈值为不同人设定不同的阈值。

4.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，所述的b2)中的动作分割具体为，动作分割时，采用绝对均值和方差两个可变阈值，且判定动作帧后，其后的两个帧直接跳过，再进行下面一个动作的判断，排除了干扰信号对动作分割的影响。

5.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，所述的时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。

6.根据权利要求1所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，特征提取方法中，利用核广义判别分析法(KDA)时降维至6维，利用主成分分析法(PCA)时参数取t＝0.9。

7.根据权利要求6所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，利用核广义判别分析法(KDA)以及二次分类器进行试验，双通道信号即取得了较高的识别准确率，达到95.12±3.83％。

8.根据权利要求6所述的可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，利用主成分分析法(PCA)以及线性分类器识别四个模式的手部动作时，三通道信号可得到最佳效果，准确率可达到96.55±4.48％。