[发明专利]一种基于小波宽度学习系统的sEMG手势识别方法

摘要

本发明公开了一种基于小波宽度学习系统的sEMG手势识别方法，包括下述步骤：步骤一，根据相应的识别场景定义手势动作种类的数量d；步骤二，使用肌电信号采集设备采集sEMG信号s；步骤三，根据sEMG信号的频率特性，对sEMG原始信号进行滤波降噪，同时利用巴特沃兹滤波器除去10Hz～500Hz频带以外的噪声；步骤四，采用移动窗法检测sEMG信号中的活动段；步骤五，对检测得到的活动段进行特征提取；本发明相比基于传统深度学习网络的算法可更快地完成模型的训练以及参数的确定，从而提高工作效率；可动态地拓展节点从而提高系统的识别率，而不需要完全重新建立和训练模型。

主权项

1.一种基于小波宽度学习系统的sEMG手势识别方法，其特征在于，包括下述步骤：步骤一，根据相应的识别场景定义手势动作种类的数量d，并对每一种手势分配一个序号；步骤二，使用肌电信号采集设备采集sEMG信号s；步骤三，根据sEMG信号的频率特性，对sEMG原始信号进行滤波降噪，同时利用巴特沃兹滤波器除去10Hz～500Hz频带以外的噪声：其中N为滤波器的阶数，ω_c为截止频率滤；步骤四，采用移动窗法检测sEMG信号中的活动段；步骤五，对检测得到的活动段进行特征提取；计算信号段的特征，该特征包括：平均绝对值q₁、均方根q₂、中值频率q₃、均值频率q₄……，串联活动段的各个特征为特征向量：x_k＝[q₁,q₂,...,q_n]^T，其中k为第k段活动信号段；进一步，将每一个活动段的特征向量作为小波宽度学习分类系统的输入向量x；步骤六，根据步骤一定义的手势数量和步骤五中特征的数量设计小波宽度学习系统的输入输出节点，并将步骤五中获得的特征向量输入小波宽度学习系统进行分类；在训练过程中根据有标签的样本更新参数；在测试和实用过程中，从获得的小波宽度学习系统输出的几个节点中判断最高激励程度节点的序号，则该节点的序号即是分类动作的序号；步骤七，根据步骤一中定义每个手势对应的序号，通过分类结果的序号就可以识别出手势的类型。