CN110389663A - 一种基于小波宽度学习***的sEMG手势识别方法 - Google Patents

Abstract

本发明公开了一种基于小波宽度学习***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***的识别率，而不需要完全重新建立和训练模型。

Description

一种基于小波宽度学习***的sEMG手势识别方法

技术领域

本发明涉及机器学习和信号分类技术领域，具体涉及一种基于小波宽度学习***的sEMG手势识别方法。

背景技术

肌体语言中的手势动作在日常交流之中起到重要的作用，比如足球场上裁判动作等等。因此，学者们就重点研究了如何让计算机与机器能够高效、高精度地识别人类发出的手势动作并执行相应的程序。这将改变人类与机器的交流形式。

目前，对于手势动作的识别算法主要分为以下几种：基于视觉图像识别的分类算法和基于表面肌电信号(sEMG)的手势识别算法；前者针对图像进行处理，这种方法对摄像设备的要求比较高同时设备的价格也会比较昂贵，因此难以普及，但是识别率已经研究到较高的识别率；而基于表面肌电信号(sEMG)的手势识别算法相比前者来说对硬件要求较低而且容易实现，同时采集sEMG信号的硬件可以穿戴在身上也不仅仅局限于固定相机位置的识别产品。目前现有的方法不少是基于人工智能算法去研究如何对信号进行分类。

近几年，国内外开展了大量关于手势动作识别算法的研究，包括：信号采集的研究、对特征提取与计算的研究、信号滤波的研究以及特征分类模型的研究等等。目前，常用的分类模型都是基于经典的机器学习算法，比如随机森林网络、BP神经网络、卷积神经网络等等。但是，这些经典的网络模型在训练过程中都会消耗大量的时间。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于小波宽度学习***的sEMG手势识别方法，该方法能够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。

本发明的目的通过下述技术方案实现：

一种基于小波宽度学习***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，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***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***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***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***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。

优选地，所述步骤四中的移动窗法具体为：

首先提取一小段时间内的信号数据并进行平方积分的操作，如下述公式所示：

其中s(t)是窗内的肌电信号数据，S_i表示t_i时刻信号的积分即对应时刻的能量值；设定一个阈值β对能量值S_i做判断，当t_i时刻的能量值S_i大于阈值β且移动窗口后的连续n₁次能量值均大于阈值，则认为该时刻t_i为动作的开始时刻；在此基础上，当从t_j时刻的能量值S_j小于阈值β且有连续n₂次能量值小于阈值则认为t_j为动作结束时刻，因此，动作信号段则为：

其中k为第k段检测出来的动作。。

优选地，所述步骤六中小波宽度学习***具体为：

(1)利用输入向量映射不同组特征节点：

其中w_i，a_i和b_i分别为映射的权值、转移参数和放缩参数，这些参数在初始化中是随机生成并利用k-mean算法更新；φ_i(·)为第i个小波基函数，其中n为小波基函数总个数；

(2)串联各组特征节点：

Zⁿ＝[Z₁,Z₂,......,Z_n]；

(3)利用特征节点Zⁿ，映射增量节点：

H^m＝ξ(ZⁿW_h+β_h)，

其中W_h和β_h分别为增量节点的权值和阈值参数，这部分参数在初始化时随机生成便固定不需要更新；ξ(·)为一般的激励函数，这里可以使用sigmoid函数；

(4)训练过程中，利用伪逆值和脊回归算法获得输出的权值参数：

W^all＝[Zⁿ|H^m]⁺Y，

其中Y为训练集的参考输出，而[Zⁿ|H^m]⁺为[Zⁿ|H^m]的伪逆值；在测试和实用过程中，可直接映射出输出节点

本发明与现有技术相比具有以下的有益效果：

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***的识别率，而不需要完全重新建立和训练模型。

附图说明

图1为本发明的流程示意图；

图2为本发明小波宽度学习***的结构示意图；

图3为本发明肌电信号采集设备(Myo臂环)。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1～3所示，一种基于小波宽度学习***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，并对每一种手势分配一个序号。

步骤二，使用如图3所示的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；

所述移动窗法具体为：

首先提取一小段时间内的信号数据并进行平方积分的操作，如下述公式所示：

其中s(t)是窗内的肌电信号数据，S_i表示t_i时刻信号的积分即对应时刻的能量值；设定一个阈值β对能量值S_i做判断，当t_i时刻的能量值S_i大于阈值β且移动窗口后的连续n₁次能量值均大于阈值，则认为该时刻t_i为动作的开始时刻；在此基础上，当从t_j时刻的能量值S_j小于阈值β且有连续n₂次能量值小于阈值则认为t_j为动作结束时刻，因此，动作信号段则为：

其中k为第k段检测出来的动作。

步骤五，对检测得到的活动段信号段进行特征提取；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***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***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***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***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；

所述小波宽度学习***具体为：

(1)利用输入向量映射不同组特征节点：

其中w_i，a_i和b_i分别为映射的权值、转移参数和放缩参数，这些参数在初始化中是随机生成并利用k-mean算法更新；φ_i(·)为第i个小波基函数，其中n为小波基函数总个数；

(2)串联各组特征节点：

Zⁿ＝[Z₁,Z₂,......,Z_n]；

(3)利用特征节点Zⁿ，映射增量节点：

H^m＝ξ(ZⁿW_h+β_h)，

其中W_h和β_h分别为增量节点的权值和阈值参数，这部分参数在初始化时随机生成便固定不需要更新；ξ(·)为一般的激励函数，这里可以使用sigmoid函数；

(4)训练过程中，利用伪逆值和脊回归算法获得输出的权值参数：

W^all＝[Zⁿ|H^m]⁺Y，

其中Y为训练集的参考输出，而[Zⁿ|H^m]⁺为[Zⁿ|H^m]的伪逆值；在测试和实用过程中，可直接映射出输出节点

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。

本发明在手势分类识别算法中应用了小波宽度学习***去训练和分类，其优势在于结合了宽度学习***，其相比深度学习网络具有更加快速以及更加高效的优势；使用了小波基函数作为特征层的激励函数，这使得网络的非线性拟合能力得到提高。

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***的识别率，而不需要完全重新建立和训练模型。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于小波宽度学习***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***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***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***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***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。

2.根据权利要求1所述的基于小波宽度学习***的sEMG手势识别方法，其特征在于，所述步骤四中的移动窗法具体为：

首先提取一小段时间内的信号数据并进行平方积分的操作，如下述公式所示：

其中s(t)是窗内的肌电信号数据，S_i表示t_i时刻信号的积分即对应时刻的能量值；设定一个阈值β对能量值S_i做判断，当t_i时刻的能量值S_i大于阈值β且移动窗口后的连续n₁次能量值均大于阈值，则认为该时刻t_i为动作的开始时刻；在此基础上，当从t_j时刻的能量值S_j小于阈值β且有连续n₂次能量值小于阈值则认为t_j为动作结束时刻，因此，动作信号段则为：

其中k为第k段检测出来的动作。

3.根据权利要求1所述的基于小波宽度学习***的sEMG手势识别方法，其特征在于，所述步骤六中小波宽度学习***具体为：

(1)利用输入向量映射不同组特征节点：

其中w_i，a_i和b_i分别为映射的权值、转移参数和放缩参数，这些参数在初始化中是随机生成并利用k-mean算法更新；φ_i(·)为第i个小波基函数，其中n为小波基函数总个数；

(2)串联各组特征节点：

Zⁿ＝[Z₁,Z₂,......,Z_n]；

(3)利用特征节点Zⁿ，映射增量节点：

H^m＝ξ(ZⁿW_h+β_h)，

其中W_h和β_h分别为增量节点的权值和阈值参数，这部分参数在初始化时随机生成便固定不需要更新；ξ(·)为一般的激励函数，这里可以使用sigmoid函数；

(4)训练过程中，利用伪逆值和脊回归算法获得输出的权值参数：

W^all＝[Zⁿ|H^m]⁺Y，

其中Y为训练集的参考输出，而[Zⁿ|H^m]⁺为[Zⁿ|H^m]的伪逆值；在测试和实用过程中，可直接映射出输出节点