[发明专利]极限学习机-隐马尔科夫模型的手势肌电信号识别方法

说明书

一种极限学习机‑隐马尔科夫模型的手势肌电信号识别方法，由采集到的手势肌电信号进行分帧预处理、分解帧信号、提取时域特征、分类器识别信号组成。由于本发明采用了极限学习机对当前时刻特征进行分类得到识别结果的特性，隐马尔科夫模型分析时间序列的信号，具备时序建模的特点。本发明具有训练速度快、泛化能力强、识别率高等优点，可用于手势肌电信号的分类。

技术领域

本发明属于肌电信号特征提取和模式识别技术领域，具体涉及到手势肌电信号的识别。

背景技术

肌电信号是一种非平稳的微弱信号，随机性较强。目前，肌电信号主要应用于生物医学、运动医学、临床医学和康复工程，特别是在人工智能假肢方面受到科研人员的重视，肌电信号已成为控制机器人的理想信号。

王西颖提出一种基于隐马尔科夫模型-模糊神经网络的动态视频手势建模与识别方法。首先将动态手势分解为手形变化、2D平面运动和Z轴方向运动3部分；然后提取3组特征值序列；最后将提取到的特征值送入基于隐马尔科夫模型-模糊神经网络达到分类识别的目的。李芳提出一种基于隐马尔科夫模型-径向基神经网络混合模型的表面肌电信号识别方法，探索控制哈尔滨工业大学研制的多自由度灵巧手的有效控制策略。论文采用小波变换对7类手指动作提取特征向量，并送入隐马尔科夫模型-径向基神经网络混合模型进行训练和学习，达到识别手势的目的。

上述方法对手势信号识别时速度缓慢，易出现过度训练，引起泛化性能下降。

发明内容

本发明所要解决的主要技术问题在于克服上述已有技术的不足，提供一种训练速度快、识别率高、泛化能力强的极限学习机-隐马尔科夫模型的手势肌电信号识别方法。

解决上述技术问题所采用的技术方案由下述步骤组成：

(1)对采集到的手势肌电信号进行分帧预处理

从UCI数据库中提取手势肌电信号手势数据集，按下式进行分帧预处理：

式(1)中N_x为信号总长度，N₀为相邻的两帧间的重叠长度，N_f为一帧的长度，N_frames至少为5，得到不同的经分帧预处理后的帧信号。

(2)分解帧信号

将各帧信号进行总体经验模态分解，每个帧信号得到10个固有模态函数，分解帧信号的方法如下：

1)将不同标准差的高斯白噪声添加到帧信号中，得到一个信号x_i：

x_i＝x+ω_i (2)

式(2)中ω_i为高斯白噪声，ω_i中的标准差为0.01～0.4，i为有限的正整数，x为帧信号如下：

式(3)中C_k为固有模态函数分量，r为残余分量，K取10。

2)对信号x_i作经验模态分解，得到固有模态函数分量为C_k,i，其中k是分解尺度为有限的正整数。

3)再次加入高斯白噪声ω_i，重复步骤1)、2)，直到完成I次分解，I为分解次数，取值为5～20。

4)将每次得到的固有模态函数作平均运算，得到总体经验模态分解的固有模态函数分量如下：

(3)提取时域特征

提取帧信号经步骤(2)得到的前3阶固有模态函数的均方根、平均幅值和标准差时域特征值，均方根为：