[发明专利]一种基于纹理特征的肌电信号手势动作识别方法

说明书

本发明涉及生物信号识别技术领域，具体地说是一种基于纹理特征的肌电信号手势动作识别方法。首先采集不同手势动作下的肌电数据，其次使用循环灰度共生矩阵来表示原始肌电数据，然后根据得到的循环灰度共生矩阵提取对应位置偏移鲁棒的纹理特征，最后在纹理特征的基础上提取时域特征，并将得到的时域特征输入到分类器中进行模型训练，最后输出手势动作分类结果。本发明所述的方法具有很大的灵活性，可以很好的解决实际应用中因传感器位置偏移带来的模型精度下降问题，有效的提高了肌电人机交互系统的鲁棒性。

技术领域

本发明涉及生物信号识别技术领域，具体地说是一种基于纹理特征的肌电信号手势动作识别方法。

背景技术

表面肌电信号是从人体皮肤表面采集的肌肉活动电信号，含有丰富的肢体行为运动信息。由于表面肌电信号具有无创信号采集、信号分布强等特点，被广泛应用于智能假肢、康复机器人、助力机器人、截肢患者文本输入等人机交互系统中。传统的基于肌电信号的人机交互方法主要包括：表面肌电信号的预处理、特征提取、特征选择、模型训练和模型调优等。然而，在实验室理想环境下得到的高性能算法往往不能在实际环境中直接应用。其主要原因包括：肌电信号的非平稳性、肌肉疲劳、肢体姿态变化、电极位置变化等。其中，由于表面肌电传感器在使用过程中会频繁穿戴，电极位置偏移是不可避免的。现有的校正方法大多通过增加传感器通道数目或是通过采集少量新样本，完成迁移学习建模实现的，这类方法或多或少都会增加系统复杂性和用户负担。

发明内容

针对现有技术的不足，本发明提供一种基于纹理特征的肌电信号手势动作识别方法，有效的解决了用户在手势动作识别过程中，因电极偏移而产生的动作识别准确率下降的问题，提高了肌电人机交互系统的鲁棒性，极大的减轻了用户使用的负担。

本发明为实现上述目的所采用的技术方案是：

一种基于纹理特征的肌电信号手势动作识别方法，包括以下步骤：

步骤1：采集不同手势动作下的肌电数据作为原始肌电数据；

步骤2：使用循环灰度共生矩阵来表示原始肌电数据；

步骤3：根据得到的循环灰度共生矩阵提取对应位置偏移鲁棒的纹理特征；

步骤4：在纹理特征的基础上提取时域特征，并将得到的时域特征输入到分类器中进行模型训练；

步骤5：利用训练后的模型得到手势动作分类结果。

所述分类器的输入为时域特征，输出为手势动作分类结果。

所述步骤2包括以下步骤：

步骤1：将肌电传感器采集到的原始肌电数据，通过增量窗的方式进行处理，形成数据矩阵，数据矩阵的列数为增量窗的长度，数据矩阵的行数为肌电传感器的通道数，然后将数据矩阵进行处理；

步骤2：确定图像灰度值的级数level；

步骤3：将原始的图像中像素缩放至级数level的范围；

步骤4：根据设定距离和设定方向统计缩放后图像中灰度值出现的次数，并以此表征像素之间的空间关系，其中，一组距离和方向确定一个灰度共生矩阵；

步骤5：将灰度共生矩阵的第一列与最后一列进行连接，使得图像矩阵构成一个循环矩阵，然后在对该循环图像矩阵求灰度共生矩阵得到循环灰度共生矩阵。

所述对应位置偏移鲁棒的纹理特征，包括：对比度f₁、差异性f₂、同质性f₃、能量f₄、自相关性f₅和ASM能量f₆。

所述纹理特征的表达形式如下：