[发明专利]一种手势动作过程中肌肉空间激活模式提取和识别方法

说明书

本发明提出一种手势动作过程中肌肉空间激活模式提取和识别方法，包括如下步骤：步骤1、使用电极阵列采集用户执行手势动作时产生的表面肌电信号；步骤2、对采集的表面肌电信号的数据集进行预处理；步骤3、使用矩阵分解算法提取肌肉空间激活模式矩阵W和募集模式矩阵H，根据VAF阈值确定空间激活模式数目；步骤4、利用W和H的二范数能量积的大小对W矩阵中的矢量进行调整，并重新排列，得到更新后的空间激活模式矩阵W_new，无监督地实现不同动作样本的空间激活模式对齐；步骤5、将调整后的矩阵W_new作为手势动作样本，对设计好的网络模型进行训练和测试；步骤6、利用空间激活模式矩阵W_new和深度学习网络完成对手势动作的识别。

技术领域

本发明涉及生物信号处理领域，尤其涉及一种基于高密度表面肌电的肌肉空间激活模式提取及识别方法。

背景技术

表面肌电信号是肌肉中多个运动单元兴奋产生的生物电信号在时间和空间上的叠加，携带有人体情绪或意图信息。基于表面肌电的手势识别技术，在可用于实现肌电控制，同时也为虚拟现实、消费电子等领域提供了新型的人机交互方式。

由于高密度阵列电极具有可捕获丰富肌肉激活时空分布信息的特点，基于高密度表面肌电的手势识别问题获得了广泛关注。随着深度学习技术在视频、图像、语音识别等领域的成功应用及快速发展，研究者们尝试将其引入基于高密度表面肌电的手势识别领域，在识别率方面取得了可显著超越传统机器学习方法的性能。然而，由于电极偏移、手势运动等带来的噪声会不可避免的影响采集信号质量，利用深度学习技术进行基于高密度阵列表面肌电的手势识别时，需要足够的样本才能训练出相对鲁棒的识别网络，而大样本的数据采集会给用户带来沉重的训练负担。此外，大部分研究工作将原始肌电信号作为样本输入网络进行模式识别，手势动作的识别常依赖于高密度阵列肌电的空间分布不均匀性。然而，高密度阵列各通道间存在的冗余信息会模糊空间分布不均匀性，从而对识别性能带来不利影响。若能从高密度阵列表面肌电中提取有效的手势模式特征，对网络输入数据进行降维的同时降低电极偏移噪声和通道冗余信息等因素带来的影响，对推动基于表面肌电的手势识别技术控制的实际应用具有重要的意义。

根据相关研究可知，利用主分量分析、独立分量分析、非负矩阵分解等矩阵分解算法对手势动作高密度阵列表面肌电信号矩阵X进行分解，可将其拆分为若干空间激活分布的组合。具体地，可提取出包含多块肌肉相对激活状态矢量的空间激活模式矩阵W和对应的募集模式矩阵H。W矩阵中的每个矢量可看作为目标肌群的一个空间激活模式，H矩阵的对应矢量为该激活分布的募集模式。当不同手势动作存在空间激活模式差异时，利用空间激活分布有可能实现对多种手势动作的区分。特别地，对同一种手势的不同执行动作产生的表面肌电信号进行分解时，提取出的空间激活模式差异较小，电极偏移等因素的影响主要体现在募集模式的变化上。因此，利用空间激活模式进行手势动作模式识别，有望获得鲁棒的识别性能。主成分分析、独立成分分析、非负矩阵分解等矩阵分解算法已经是现有的技术了，目前文献大多是根据不同的研究内容对这些算法进行相应的应用。

当想将矩阵分解算法用到手势分类方面，除了主分量分析，其他矩阵分解算法提取出来的若干个空间激活分布向量是随机排列的；此时如果想利用矩阵分解算法提取出的空间激活模式矩阵来做手势分类，这种随机性分布会导致同一类手势的不同样本的空间激活模式被模糊掉了，从而降低了分类准确率。

发明内容

为了解决上述技术问题，本发明提供一种手势动作过程中肌肉空间激活模式提取和识别方法，能够无监督地实现空间激活模式矩阵对齐。具体地，首先利用矩阵分解算法分解手势动作高密度阵列表面肌电信号，得到空间激活模式矩阵W和募集模式矩阵H。然后，计算空间激活模式矩阵W和募集模式矩阵H中对应分量的二范数能量积，根据能量积从大到小对空间激活模式矩阵W中的各矢量进行重新排序。最后，将重新排序后的空间激活模式矩阵作为手势动作样本输入深度学习网络进行手势识别，能够提升肌电模式识别效果。

本发明的技术方案为：一种手势动作过程中肌肉空间激活模式提取和识别方法，包括如下步骤：