[发明专利]基于卷积结构的动态手势识别方法

说明书

本发明公开了基于卷积结构的动态手势识别方法，涉及动态手势识别领域，解决了现有的动态手势识别方法要么对受试者伤害较大，要么需要去除汗毛，处理过程复杂的问题，现提出如下方案，其包括以下步骤：S1：数据预处理：采用固定长度的窗计算窗内的平均能量，作为该点的能量值，滑动窗大小取值64，算法实现过程为：S2：样本生成：选择64个点作为样本的长度，采样频率为200Hz,具有8个sEMG信号传感器，因而数据样本的大小为64x8；S3：特征提取：从时域和频域等不同角度对sEMG信号进行特征提取，使用机器学习方法进行手势分类。本方法具有精度高，同时可以较为广泛的进行应用的特点。

技术领域

本发明涉及动态手势识别领域，尤其涉及基于卷积结构的动态手势识别方法。

背景技术

在计算机科学中，手势识别是通过数学算法来识别人类手势的一个议题。手势识别可以来自人的身体各部位的运动，但一般是指脸部和手的运动。用户可以使用简单的手势来控制或与设备交互，让计算机理解人类的行为。其核心技术为手势分割、手势分析以及手势识别。

常规方法中对表面肌电信号的采集使用的主要传感器有针电极、湿电极等。由针电极信号采集的信号纯净、干扰小，但对受试者伤害较大。湿电极与皮肤接触面积小，但是佩戴前需要去除汗毛，处理过程复杂。因此提出基于卷积结构的动态手势识别方法。

发明内容

本发明的目的在于提供基于卷积结构的动态手势识别方法，解决了现有的动态手势识别方法要么对受试者伤害较大，要么需要去除汗毛，处理过程复杂的问题。

为实现上述目的，本发明提供如下技术方案：基于卷积结构的动态手势识别方法，其特征在于，包括以下步骤：

S1：数据预处理：采用固定长度的窗计算窗内的平均能量，作为该点的能量值，滑动窗大小取值64，算法实现过程为：

(1)对8通道的信号幅值的绝对值进行平均，平均绝对值计算公式如下：

其中采集的原始信号标记上标i为第j个通道，下标i为第i个点；

(2)计算每个信号点的能量值，公式如下：

其中N为信号采样点总数，W为窗口大小，为第i个点的8通道信号的平均绝对值；

(3)设置阈值t_Th，公式如下：

t_Th＝m₁+bm₂ (3)

其中m₁为信号静息段能量的平均值，m₂为信号能量的峰值，b为调整阈值系数，通常在0.01～0.04之间；

S2：样本生成：选择64个点作为样本的长度，采样频率为200Hz，具有8个sEMG信号传感器，因而数据样本的大小为64x8；

S3：特征提取：

从时域和频域等不同角度对sEMG信号进行特征提取，使用机器学习方法进行手势分类。

优选的，所述S1中滑动窗大小取值为64。

优选的，所述S2中为了数据扩充处理，样本间重叠大小为32个点。

优选的，所述S3中时域特征有平均绝对值、均方根、过零点数、波形长度，频域特征有平均频率、平均功率、中值频率。

与相关技术相比较，本发明提供的基于卷积结构的动态手势识别方法具有如下有益效果：