[发明专利]一种用于同步识别手势和抓取力的粒子化方法及粒子化分析法

说明书

本发明公开了一种用于同步识别手势和抓取力的粒子化方法，包括如下步骤：将训练数据的属性，分为主属性和子属性两种类型；在训练数据中，每个观察数据就可拆分为主属性、子属性和类标签；以子属性为驱动，对主属性样本粒子化；一种用于同步识别手势和抓取力的粒子化分析法，包括如下步骤：肌电信号与抓取力采集；肌电信号分割与特征提取；数据粒子化与交叉分类；粒子化结果分析。

技术领域

本发明涉及了一种从人体肌肉电信号中同步识别抓取手势和预测抓取力的方法，尤其是涉及了一种用于同步识别手势和抓取力的粒子化方法及粒子化分析法。

背景技术

随着机器学习技术的发展，大大提升了多功能假肢手控制的灵活性，通过将力学传感器集成在机器手指尖，并结合一定的控制策略，可以改善抓取力的控制，但是由于缺少必要的反馈途径，这种方式脱离了人体主观感受和自然控制的初衷，并不能取得理想效果。

传统方法首先利用模式识别进行抓取手势识别，其次采用回归模型预测抓取力，但是该方法依赖以顺序方式执行从肌电信号中获取抓取手势与抓取力两种不同的预测算法，将导致假肢手操纵时间上的延迟，同步解码抓取手势和抓取力就变得很有必要。

信息粒子化可以将具有相似性的元素汇集在一起实现同步，传统的粒子化方法采用无监督聚类算法，如最邻近算法、K均值算法，将具有一定相似性的元素聚成一个粒子集，但粒子化后的粒子集由于缺少子属性，所以不具有可解释性，并不能从语义上解释该粒子集。

发明内容

为解决现有技术的不足，实现抓取手势与抓取力的同步，本发明采用如下的技术方案：

一种用于同步识别手势和抓取力的粒子化方法，包括如下步骤：

(1)将训练数据的属性，分为主属性和子属性两种类型；

(2)在所述训练数据中，每个观察数据拆分为所述主属性、所述子属性和类标签；

(3)以所述子属性为驱动，对所述主属性样本粒子化；

所述每个观察数据表示为o＝(s，m，c)，o∈Ω，o是所述观察数据，s是所述子属性，m是所述主属性，c是所述类标签，Ω是观察空间集；

所述粒子化的过程定义为R：Ω→Ω′；(s，c)→c′，R是粒子化规则，Ω’是经过粒子化后的观察空间集，c’是粒子化后的类标签；

所述子属性是所述抓取力，所述主属性是肌电信号；以所述子属性为驱动，对所述主属性样本粒子化表示为R：(f，e，c)→(e，c′)，c∈{c_i}，c′∈{c_ij}，i＝1，2，...，n；j＝1，2，...，m，其中R是粒子化规则，f是所诉抓取力，e是所述肌电信号，c是所述类标签，c′是粒子化后的类标签，i是1到n之间的自然数，j是1到m之间的自然数，n是抓取手势的数量，m是粒子化方法可预测所述抓取力的粒子化程度。

所述粒子化规则，是采用清晰规则对所述训练数据进行有监督的粒子化，表示为R{(f，e，c_i)}＝(e，c_ij)，f∈((j-1)s，js)+f_(i，minO)，所述f_(i，minO)和f_(i，maxO)分别是每个所述抓取手势的最小力和最大力，此时，所述m是划分的所述抓取力的等级数，所述s是所述最大力和所述最小力的差值在所述等级数下的力量等分，所述(f，e，c_i)表示第i个所述抓取手势对应的所述抓取力f和所述肌电信号e，所述(e，c_ij)表示所述肌电信号e对应第i个所述抓取手势下的第j个所述抓取力的力量等级。通过清晰规则对所述训练数据进行有监督的粒子化，用类型为子属性的抓取力，对类型为主属的肌电信号进行粒子化处理，使得粒子化后的肌电信号不仅可以表示抓取手势，还被赋予了抓取力，实现了抓取手势和抓取力的同步。