[发明专利]基于多通道组合的神经网络手势动作分类算法

说明书

本发明设计了一种基于多通道组合的神经网络手势动作分类算法，在利用LMS算法处理采集信号的前提下，结合小波包系数和时域的组合特征，搭建了四通道手势动作识别算法。综合对比了时域特征、频域特征和时频域特征中的小波包系数最大值特征和系数能量特征。对每个通道单独分析，取通道一的小波包系数最大值、通道二和通道三的平均绝对值以及通道四的小波包系数最大值和系数能量值作为组合特征对屈拇指、屈拇指和食指、屈食指、屈四指、握拳、屈食指和中指以及屈中间三指七种不同手势动作进行手势分类，使用BP神经网络作为分类器，主成分分析法降维处理，得到91.1％的平均识别率。

技术领域

本发明涉及手势动作的模式识别与人工智能技术领域，特别是一种基于多通道组合的神经网络手势动作分类算法。

背景技术

表面肌电信号被广泛应用于康复医疗和临床诊断，基于表面肌电信号的手势动作分类常用于手部偏瘫的治疗中。其中，表面肌电信号特征的提取是手势动作分类的关键，由于表面肌电信号存在串扰性和微弱性，良好的滤波处理又是得到优质表面肌电信号的前提条件。

目前主要的肌电信号滤波方式是使用传统滤波器在采集系统中进行处理，包括巴特沃斯滤波器、切比雪夫滤波器、贝塞尔滤波器等。但单一滤波器常会担心出现滤波效果不好的问题。而自适应滤波算法(LMS)目前主要用于语音信号的滤波，以实际输出信号和期望信号的均方误差作比较，不断调整滤波参数，实现对期望信号的逼近。

目前常见的肌电信号特征值主要包括时域特征、频域特征、时频域特征以及非线性特征，时频域特征又包括小波变换、傅里叶变换、Wigner-Ville变换和Gabor展开。专利201910614764.2使用积分肌电值、平均绝对值、方差和均方根值四种时域特征作为表面肌电信号分类特征的输入向量，虽然时域特征在实时手势识别延迟性方面表现较好，但不可避免地会使手势动作的识别准确率降低。

发明内容

本发明的目的在于提供一种基于多通道组合的神经网络手势动作分类算法，以解决由于噪声干扰、特征分类效果不佳使表面肌电信号分类识别率低的问题。

实现本发明目的的技术解决方案为：

一种基于多通道组合的神经网络手势动作分类算法，包括以下步骤：

步骤1、通过多通道采集电路对不同手势动作的肌电信号进行提取，并进行滤波和放大；

步骤2、对提取的信号使用重叠移动窗口法划分窗口段，利用窗口段的数据代替这段采样时间内的信号；活动段信号的分割使用信号能量值，当该段窗口段信号幅值的平方大于阈值A时，认为该段窗口为活动段信号；当大于阈值A的通道数量大于设定值B时，判断这段信号采集时间段为活动段；将活动段信号分割出来，按窗口顺序依次排列，组成新的数据段；

步骤3、将步骤2活动段分割后的肌电信号通过LMS滤波算法进行进一步滤波处理；

步骤4、对滤波后的信号计算窗口段信号的特征值，依次对每种手势动作的每个通道提取特征，对比每个特征的分类效果，分通道选择分类效果较好的特征进行组合，构成动作输入特性向量；

步骤5、主成分分析降维：取步骤4最后选择的组合特征作为指标，结合每个通道构造样本矩阵，进行标准化处理并根据贡献率得到降维后的特征向量；

步骤6、将多种不同手势动作降维后的特征向量带入BP神经网络进行分类识别：构建多种手势动作类别标签，作为目标数据；使用降维后的特征向量作为分类器的输入数据；随机划分样本的训练集、验证集、测试集，初始化神经网络结构参数，进行分类训练。

本发明与现有技术相比，其显著优点是：提取的肌电信号存在的噪声干扰更小；活动段分割效果较好；相似动作的特征识别率较高。

(1)通过滤波电路和LMS算法，实现对肌电信号的二次滤波，存在信号内的噪声更小。