[发明专利]一种基于稀疏多通道相关性特征的肌电手势识别方法

说明书

本发明公开了一种基于稀疏多通道相关性特征的肌电手势识别方法，包括以下步骤：通过稀疏多通道肌电传感器采集上肢多通道表面肌电信号；对采集的表面肌电信号进行去噪、加窗、分段等预处理操作；研究不同通道间相关性，根据通道间的相关系数构建特征集；采用多算法融合分类模型进行手势识别。本发明能有效利用多通道信息，所需特征较少，减少计算资源，识别精度高，鲁棒性较好。

技术领域

本发明涉及手势识别技术领域，具体为一种基于稀疏多通道相关性特征的肌电手势识别方法。

背景技术

人手作为人们生存和劳动的重要工具，在人们的生活和工作中起着非常重要的作用。失去手臂给截肢患者带来极大的不便与负担，智能假手将协助上肢残疾者更好地适应生活及融入社会。目前部分商业假肢手，只能识别有限的手部动作，或者基于动作顺序控制，实用效果不理想。近年来国内外众多学者开展肌电假肢手的手势识别方法的研究，提高手势识别率仍是智能假肢手的研究热点，其中特征提取和分类器设计是提高系统精度的关键所在。

表面肌电信号是由多个肌纤维产生的运动单位电位在皮肤表面呈现的时间和空间上综合叠加的结果，能提供肌肉活动的重要信息。大多数截肢者能在残留肢体肌肉产生表面肌电信号，且在皮肤表面获取表面肌电信号配置简单不需要外科手术，是目前肌电假肢的主流信号来源。表面肌电信号是非平稳信号，需要提取有效信息特征，减少数据维度，帮助解码手部运动意图。传统的时域、频域特征提取算法计算成本较低因此被广泛应用，但对于同一手势动作，在不同的力量或速度情况下，特征数值会发生变化，对表征肌电特征存在局限性，影响后续识别性能。

为充分获取肌电信息，近年来众多学者采用多通道传感器采集表面肌电信号，研究不同通道间相关性是有效利用通道信息的方法之一。相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。对于多通道表面肌电信号特征，捕获多通道信号之间的相关性是至关重要的。

发明内容

针对上述问题，本发明的目的在于提供一种基于稀疏多通道相关性特征的肌电手势识别方法，通过提取通道间相关系数特征有效利用多通道信息，并结合多算法融合分类模型进行手势识别，提高手势识别的准确性与鲁棒性。技术方案如下：

一种基于稀疏多通道相关性特征的肌电手势识别方法，包括以下步骤：

S1：通过稀疏多通道肌电传感器采集多种手势下的上肢多通道表面肌电信号，并标注手势类别；

S2：对采集的表面肌电信号进行去噪、加窗、分段预处理操作，提取各通道的活动段窗口的表面肌电信号；

S3：计算每两个通道的活动段窗口的表面肌电信号的互相关系数和一致性相关系数，构建融合特征集，作为多算法融合分类模型的输入样本；

S4：对训练样本经过步骤S1～步骤S3处理后，提取部分样本作为验证集分别在每个基学习器上参数寻优，采用最优参数的基学习器构建多算法融合分类模型，并将所有样本输入到模型中进行训练，得到训练好的分类器；将测试样本经过步骤S1～步骤S3处理后输入到训练好的分类器中，得出手势识别结果。

进一步的，所述步骤S2具体为：

S21：采用陷波滤波器消除电力系统的工频干扰，采用6阶巴特沃斯低通滤波器滤除肌肉低频伪迹；

S22：对滤波后的表面肌电数据L进行滑动增量窗口操作，设置时间窗为W，增量窗为I，经过增量窗处理后的样本总数为，其中，为四舍五入函数；

S23：计算每段窗口信号的能量，设定能量阈值作为判断依据，将大于设定能量阈值的窗口判断为动作起始段，并将该时间点作为动作起始点，提取自动作起始点起设定时间内的表面肌电信号作为活动段信号。

更进一步的，所述步骤S3具体包括：