[发明专利]一种基于深度学习和特征图像的肌电信号手势识别方法

说明书

本发明公开了一种基于深度学习和特征图像的肌电信号手势识别方法，首先对采集手势肌电原始信号进行预处理；其次进行特征提取，通过不同尺寸和概率的采样窗口提取出包括时域、时频域的特征，并将这些特征转换成图像；然后将特征图像和其对应的动作标签一起输入到深度神经网络中进行训练，得到网络模型；最后将测试数据和训练得到的网络模型输入深度卷积神经网络中进行预测，得到每段动作所有图像的预测标签，将这些标签按照多数同意规则进行投票，票数最高者为该段动作类别。本发明基于特征图像对深度卷积神经网络分类器进行识别。使用基于深度卷积神经网络的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。

技术领域

本发明属于计算机与生物信号相结合领域，具体基于深度卷积神经网络对从肌电信号提取出的特征图像对应的手势进行识别。

背景技术

随着计算机视觉、触摸交互、感知计算等新技术的迅猛发展，感知用户界面(perceptual user interface，PUI)成为了人机交互领域的研究重点之一。感知用户界面是一种人与人及人与现实世界之间的交互活动为原型的高度互动、多通道的用户界面，它的目标是使人机交互和人与现实世界的互动变得一致来达到直观、自然的交互境界。作为新型人机交互形式，PUI的终极目标是实现“以人为中心”的人机界面，即在人机交互过程中，计算机能够适应人类的自然交互习惯，而不是要求人适应计算机的特定操作要求。为了使计算机能够更好地判断和理解人类的交互意图，“生、机、电一体化”是未来人机交互发展的重要趋势之一，即通过特定的传感设备将生物体的认知或感知信号(如肌电信号)数字化，并与其他感知或认知通道的信号进行集成融合，自然、协同地完成各种人机交互任务。

到目前为止，在国内外的研究中很多机器学习方法被用于肌电信号手势识别中，比如人工神经网络、K近邻、线性判决分析、支持向量机和隐马尔可夫模型。而深度学习方法很少被应用，本文所使用的卷积神经网路就是一种深度学习方法，这种方法的有点在于，不需要进行大量的特征提取操作，少量的特征也可以获得很好的识别率。

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网络是一种特殊的深层的神经网络模型，它的特殊性体现在两个方面，一方面它的神经元间的连接是非全连接的，另一方面同一层中某些神经元之间的连接的权重是共享的。它的非全连接和权值共享的网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度学习和特征图像的肌电信号手势识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习和特征图像的肌电信号手势识别方法，包括以下步骤：

(1)从公开数据集NinaPro中获取手势动作肌电数据；对肌电信号进行预处理，包括去除噪声、信号整流及信号归一化等操作，具体包含如下子步骤：

(1.1)带通滤波(band-pass filter)，原始表面肌电数据带宽为15-500Hz，滤波后为0-25Hz；

(1.2)信号放大(amplification)；

(1.3)均方根校正(RMS rectification)；

(1.4)1Hz低通滤波(零相位2阶巴特沃斯滤波，zero-phase second orderButterworth filter)；

(1.5)去除带二义性标签的样本。

(2)特征图像生成，具体包含如下子步骤：

(2.1)使用50ms,100ms，150ms，三种长度的采样窗口对数据进行采样，其中采样窗口的移动步长为窗口长度的25％；