[发明专利]基于表面肌电信号进行手势识别的迁移学习方法和识别方法

说明书

一种基于表面肌电信号进行手势识别的迁移学习方法，该方法以下步骤：采集新用户不同手势的表面肌电信号；将有标注的已有用户的不同手势的表面肌电信号数据作为源域数据，无标注的新用户的不同手势的表面肌电信号数据作为目标域数据，对新用户的不同手势的表面肌电信号数据进行分类并将其划分为候选集和残余项；将所述候选集作为源域数据，所述残余项作为目标域数据，对残余项中新用户的不同手势的表面肌电信号数据进行再次分类。

技术领域

本发明涉及人机交互领域，尤其涉及一种基于表面肌电信号进行手势识别的迁移学习方法和识别方法。

背景技术

肌电信号伴随着肌肉收缩产生，是由大脑通过神经肌肉系统来控制身体部位发生运动时在肌肉处产生的电信号。表面肌电信号(sEMG)则是浅层肌肉肌电信号与神经干上电活动在皮肤表面形成的综合效应。由于蕴含着与人体运动相关的丰富信息，且具有不对人体造成伤害、无痛、操作简便等优势，表面肌电信号感知技术被广泛的应用于医疗健康、生活娱乐、机器控制、轮椅智控、行人定位等多个领域，其中手势识别是表面肌电信号的代表性应用领域。

与基于计算机视觉、惯性传感单元、超声波、电磁波等其它传统的手势识别方法相比，表面肌电信号感知技术不仅能直接感知、解析肌肉活动，区分手指、手掌和手腕形态的细微变化，实现自然的人机交互，而且具有对环境光线和噪声鲁棒的优势。目前，sEMG信号采集与分析技术已经比较成熟，国内外市场上均有较为先进的各类sEMG肌电手势识别产品，如Myo、Econ、shimmer等。

然而，由于受到用户皮下脂肪量、皮肤阻抗、肌肉力量、肌肉结构和张力等生理因素和气温、湿度等环境因素的影响，表面肌电信号具有天然的用户依赖性。即便用户将表面肌电信号感知设备佩戴于皮肤表面同一位置并其执行同一手势，信号分别的差异性仍然非常明显，严重影响了不同用户间的手势识别的精准度。图1展示了不同用户执行相同若干手势时sEMG信号分布对比图。如图1(a)-(f)所示，即使执行同一手势，肌电信号的分布也因用户的不同而存在明显差异。

为了实现利用已有用户的数据信息准确识别新用户的手势，现有的做法是为不同的用户分别训练手势分类器，即事先为每一个用户采集大量的表面肌电信号并人工标注其对应的手势类别以建立分类模型，再基于该训练好的分类模型进行用户手势识别。该方法需要耗费巨大的时间和人力成本，效率低下且可操作性差。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提供一种基于表面肌电信号进行手势识别的迁移学习方法和识别方法。

本发明的一方面涉及一种基于表面肌电信号进行手势识别的迁移学习方法。该方法包括：采集新用户不同手势的表面肌电信号；将有标注的已有用户的不同手势的表面肌电信号数据作为源域数据，无标注的新用户的不同手势的表面肌电信号数据作为目标域数据，对所述新用户的不同手势的表面肌电信号数据进行分类，将其划分为候选集和残余项；将所述候选集作为源域数据，所述残余项作为目标域数据，对所述残余项进行再次分类。

可选的，所述方法包括：采用K最邻近算法对所述新用户的不同手势的表面肌电信号数据进行分类；根据所述新用户的不同手势的表面肌电信号数据的类型确定其对应的伪标签及置信度；依据所述伪标签和置信度将所述新用户的不同手势的表面肌电信号数据的划分为所述候选集和所述残余项。

可选的，所述方法还包括优化所述候选集。

可选的，其中，所述优化所述候选集包括：计算所述候选集中各类型新用户的不同手势的表面肌电信号数据的置信度并进行排序；对所述置信度排序靠前的新用户的不同手势的表面肌电信号数据集合枚举其所有子集；分别计算所述所有子集的分散度；依据所述置信度和所述分散度筛选出所述候选集的优化子集。

可选的，其中，所述分散度通过计算所述子集的方差获得，包括：通过主成分分析方法将所述子集中新用户的不同手势的表面肌电信号数据特征映射至一维空间；根据所述一维空间的映射结果计算所述子集的方差。