[发明专利]一种肌电手势识别方法和系统

说明书

本发明涉及一种肌电手势识别方法和系统，该方法由三个步骤组成：特征集构建，利用肌电臂环获取用户肌电手势数据，经过卡尔曼滤波、矩形滑动窗口机制分割和经验模态分解等预处理操作之后，提取该肌电手势数据的时域、频域特征构建特征集；基于标准空间的特征表示，将特征集输入位置预测模型，预测当前肌电臂环佩戴位置，根据位置预测结果将原始特征转化为标准空间的特征表示；手势识别，根据标准空间的特征，构建手势识别模型，识别用户手势。本发明提出的方法能够解决手势识别过程中，因肌电臂环佩戴位置变化造成的识别精度降低的问题，具有识别精度高等方面的优势。

技术领域

本发明涉及信号处理、人机交互以及普适计算等领域，具体地说，本发明 涉及一种可穿戴肌电手势识别方法。

背景技术

近年来，随着生物电信号感知技术的不断发展，基于可穿戴肌电信号(Electromyography，EMG)的手势识别应用正在不断普及，已经成为继基于 计算机视觉、运动传感器、超声波、电磁波等手势识别方案之后的主要手势识 别方法，具有可识别精细手势、不受光线和环境噪声影响、非侵扰、响应速度 快等方面的优势。相关专利有CN201610824475.1、CN201610396781.X、 CN201610112032.X、CN201510704995.4、CN201310568203.6、 CN201310531766.8等。

基于的肌电信号手势识别是一种新型的非接触式手势识别方法，该方法通 过肌电信号判断前臂上端当前活跃区域及活动强度，进而识别用户手势。肌电 信号是骨骼肌收缩时产生的一种生物电信号，可通过佩戴于前臂上端的肌电仪 测量得到。传统的肌电仪形态主要有两种，一种由固定于皮肤表面的电极构成， 具有位置固定、测量精准的优势，但穿戴不便；另一种由大规模电极阵列组成， 能够测量前臂多个区域的肌肉活动变化，但需要很多电极且设备配置复杂。针 对以上两种肌电信号感知设备的不足，能够同时兼顾精准、可穿戴要求的电臂 环逐渐出现并扮演者越来越重要的角色。

肌电信号的强烈位置相关性要求肌电臂环使用过程中必须保持佩戴位置 一致，细微的位置改变，都将造成识别准确率降低。该要求不仅降低使用过程 中的用户体验，而且无法避免因外力影响造成的佩戴位置位移问题。

发明内容

为解决上述问题，本发明提出了一种肌电手势识别方法，如图1所示。该 方法由三个阶段组成：特征集构建、基于标准空间的特征表示、手势识别。特 征集构建阶段，利用肌电臂环获取用户手势数据，经过滤波、分割、分解等预 处理操作之后，提取肌电信号时域、频域特征构建特征集；基于标准空间的特 征表示阶段，将特征集输入位置预测模型，预测当前肌电臂环佩戴位置，接着， 根据位置预测结果将原始特征转化为标准空间的特征表示；手势识别阶段，根 据标准空间的特征，构建手势识别模型，识别用户手势。本发明提出的方法能 够解决手势识别过程中，因肌电臂环佩戴位置变化造成的识别精度降低的问题。

具体来说，本发明涉及一种肌电手势识别方法，其特征在于包括：

步骤1、采集手势的肌电信号，对该手势肌电信号进行数据分割并分解为 本征模函数分量；对该手势肌电信号和该本征模函数分量提取细粒度特征，将 该细粒度特征按手势特征构建手势特征集；使用该手势特征集对肌电臂环上的 佩戴位置预测模型进行训练；

步骤2、使用该手势特征集通过肌电臂环上的佩戴位置预测模型进行肌电 臂环位置预测，得到该手势肌电臂环位置预测结果；根据该预测结果，将该手 势特征集进行以标准空间表示的变换，生成标准空间表示的手势特征集；将该 标准空间表示的手势特征集建立手势识别模型，并采用随机森林算法对该手势 识别模型进行训练；

步骤3、采集当前时刻肌电信号，经数据分割、分解、细粒度特征提取后， 构建当前时刻肌电信号的特征集，对该特征集进行以标准空间表示的变换，生 成当前时刻标准空间表示的特征集，将该当前时刻标准空间表示的特征集通过 手势识别模型得到当前时刻手势识别结果。