[发明专利]基于腕部肌肉压力的手势识别方法和装置

说明书

本公开提供了一种基于腕部肌肉压力的手势识别方法，根据预设佩戴要求，将内置有压力传感器的装置佩戴至腕部；通过至少一个压力传感器及装置的前置电路从肌肉处采集压力信号，转为电压值；将电压模拟信号输入至单片机进行处理，并传输至通讯模块；通过通讯模块，将压力数据传输至电子终端完成手势信息的处理与识别控制操作。该方法无需配置繁琐的摄像系统，具有便捷性。同时，该方法具有数据采集方便、处理方便，信噪比高等优点。更进一步，该方法所涉及的物理硬件，使用了FSR柔性压力传感器及低功耗控制器与蓝牙模块，极大地降低了手势识别实现的成本，更具实用性与易用性。本公开还提供了一种基于腕部肌肉压力的手势识别装置。

技术领域

本公开涉及生物医学电子技术领域，具体而言，涉及一种基于腕部肌肉压力的手势识别方法和装置。

背景技术

计算机的飞速发展使其在我们的生活中扮演着越来越重要的角色，有效的人机交互(Human-Computer Interaction,HCI)可以使人的操作更趋灵活、快捷、方便。随着智能计算机的发展，人机界面对人向计算机传递信息的途径提出了更高的要求，可能涉及触觉、语言、姿势等多方面信息，也意味着人机交互将更加的拟人化、智能化、实体化。传统的鼠标键盘式输入的局限性无法满足更深度的交互需求，更多形式新颖的交互手段是目前正在不断探索研究的课题，而人体动作识别技术作为热点领域正不断被发掘。

作为人体最为灵活同时可进行最多操作的部位，人手可以完成众多复杂而具有技巧性的操作，为信息交流提供了新的思路。手势控制在虚拟现实人机交互、医疗领域的无菌控制等场景下具有极大的发展前景与研究必要性，是一种高效的、高度人性化的控制手段。作为一种人机交互手段，高精度、高响应速度、易用性、可穿戴、非侵入性等，都是手势识别的重要指标。

现有技术方案中，基于运动测量的数据手套，即数据手套是检测手部运动的典型装置，利用位置、方向以及弯曲传感器，可以对手指运动进行较为精确的捕捉，是目前手势识别精度最高的手段，利用数据手套进行手语词汇的采集研究被多次报道。李东洁等提出GA算法和LM算法混合优化的RBF神经网络手势识别方法处理数据手套识别中的实时性与精确性问题，提高了训练质量，降低了数据处理的复杂度，但手套的佩戴导致了其侵入性较强，设备笨重，影响了使用者的手部运动灵活性，另一方面，其造价成本也较为昂贵。

此外，现有技术方案中，基于各种相机的视觉识别，即基于视觉的手势识别技术是目前备受关注、发展最多的手势识别手段，技术已经较为成熟，它主要通过RGB相机、深度相机、双目相机获取的手部RGB图像和深度图像作为输入，利用计算机视觉技术跟踪手部运动轨迹或识别手势动作。目前，基于视觉的手势识别已经能够达到较高的识别精度，PavloMolchanov等提出了一种基于三维卷积神经网络的手势识别算法，该方法对Viva挑战数据集的分类正确率为77.5％；张远来等提出一种基于Intel Realsense技术的深度图像学习方法，增强了可靠性，是进行动态手势识别的一种可展望方式；王攀等利用Kinect传感器获取手势的深度图像,利用多项式时间算法获得了有效的手势识别。但基于图像手势识别的方法但其处理方式复杂，使用场景相当受限，受光照和遮挡影响大，难以实现便携，动作分割是其中的一大技术难点。这些因素大大限制了基于视觉的手势识别方式的易用性。

另外，现有技术方案中，基于肌电的生物识别，即基于肌电的手势识别方案中，Shuo Jiang等测量肌电信号进行动态手势识别分类得到的准确率为75.7％，Shuo Jiang等在测量肌电信号的同时使用惯性传感器进行测量，融合两种方法后得到的准确率为94.6％。另外，基于肌电的手势识别研究中，Mahdi Khezri等提出一种自适应神经模糊推理系统识别手部动作命令，动作识别率可达到92％；魏庆丽等通过采集前臂表面肌电(SEMG)信号，应用概率神经网络(PNN)进行训练识别，对于伸食指、握拳、伸腕、屈腕4种手势的识别正确率可达到97.62％，但以上两个研究较高的准确率只在离线处理时获得，未进行动态识别的实验。目前来看，采集到的表面肌电信号本身信噪比相对低，信号处理复杂，导致基于表面肌电信号的手势识别目前应用较少，且电极对于佩戴位置和佩戴方式有特殊要求，使得易用性和舒适性降低。