CN113625882B - 一种基于稀疏多通道相关性特征的肌电手势识别方法 - Google Patents

一种基于稀疏多通道相关性特征的肌电手势识别方法 Download PDF

Info

Publication number
CN113625882B
CN113625882B CN202111184784.4A CN202111184784A CN113625882B CN 113625882 B CN113625882 B CN 113625882B CN 202111184784 A CN202111184784 A CN 202111184784A CN 113625882 B CN113625882 B CN 113625882B
Authority
CN
China
Prior art keywords
channel
correlation
window
correlation coefficient
gesture recognition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111184784.4A
Other languages
English (en)
Other versions
CN113625882A (zh
Inventor
袁学东
江茜
李沿宏
邹可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202111184784.4A priority Critical patent/CN113625882B/zh
Publication of CN113625882A publication Critical patent/CN113625882A/zh
Application granted granted Critical
Publication of CN113625882B publication Critical patent/CN113625882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

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。

Description

一种基于稀疏多通道相关性特征的肌电手势识别方法
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***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***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
Figure 893658DEST_PATH_IMAGE001
，其中，
Figure 669853DEST_PATH_IMAGE002
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：
S31：对于含有M个通道的多通道肌电传感器，预处理后活动段窗口的表面肌电信 号表示为
Figure 918432DEST_PATH_IMAGE003
，其中，X m 表示第m个通道的表面肌电信号，
Figure 110379DEST_PATH_IMAGE004
；
计算每两个通道的表面肌电信号的互相关系数，第i个通道与第j个通道的互相关 系表示为
Figure 518226DEST_PATH_IMAGE005
，i=1,2,…,M-1，j=i+1,…,M，得到互相关系数向量
Figure 75109DEST_PATH_IMAGE006
； 其中，
Figure 138880DEST_PATH_IMAGE007
，k=1,2,…,M-1；
S32：对活动段窗口的多通道表面肌电信号
Figure 931256DEST_PATH_IMAGE008
，计算每两个通 道的表面肌电信号的一致性相关系数，得到一致性相关系数向量
Figure 68976DEST_PATH_IMAGE009
； 其中，
Figure 921394DEST_PATH_IMAGE010
，k=1,2,…,M-1；
第i个通道的表面肌电信号
Figure 144565DEST_PATH_IMAGE011
和第j个通道的表面肌电信号
Figure 678315DEST_PATH_IMAGE012
的一致性相关系数表示为：
Figure 795175DEST_PATH_IMAGE013
其中，
Figure 693861DEST_PATH_IMAGE014
和
Figure 794541DEST_PATH_IMAGE015
分别是X i 和X j 的均值，
Figure 538507DEST_PATH_IMAGE016
和
Figure 775453DEST_PATH_IMAGE017
分别是X i 和X j 的方差，x n 和y n 分别是 通道X i 和通道X j 中的单个数据，N为通道中数据的个数。
S33：对每个活动段窗口的表面肌电信号提取的互相关系数向量和一致性相关系数向量进行融合，得到融合特征集作为分类模型的输入样本。
更进一步的，所述多算法融合分类模型结合多个基学习器来完成学习任务，将XGBoost、KNN、RF、NB作为基学习器，LR作为融合器。
与现有技术相比，本发明的有益效果是：
1、本发明使用稀疏多通道表面肌电信号作为手势识别的数据，在皮肤表面配置简单，减少了实施成本。
2、本发明提取稀疏多通道时间序列相关性特征，将互相关系数特征与一致性相关系数特征进行融合，得到融合特征集，充分挖掘通道间信息，丰富了特征量，在执行相同的手势不同的力量情况下，特征数值变化较小，鲁棒性较好。
3、本发明采用多算法融合分类模型进行手势识别，获取每个基学习器的最优参数，构建分类模型，降低分类模型过拟合风险，增强分类模型泛化能力，提高了手势识别的准确率。
附图说明
图1为本发明实施例所述基于稀疏多通道相关性特征的肌电手势识别方法的主流程图。
图2为本发明实施例所述的提取多通道相关性特征t-SNE可视化结果示意图。
图3为本发明实施例所述的多算法融合分类模型图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本实施例选用稀疏多通道肌电传感器作为表面肌电信号采集传感器，采集的原始表面肌电信号，以实现一种基于多通道相关性特征的肌电手势识别方法。
具体实施方式如图1所示，包括以下步骤：
S1：通过多通道肌电传感器采集预定义手势的上肢多通道表面肌电信号。
采集的手势动作事先预定义，所有健康志愿者均为右利手，规定受试者将臂环佩戴于右手前臂，保持臂环带指示灯的传感器与正常放松时的手背处于同一平面，指示灯朝向手腕并正对中指。所有受试者单个手势动作持续6秒，随后放松休息4秒，每个动作重复10次，一个手势动作采集完成后休息2分钟。通过多通道肌电传感器蓝牙接口读取数据，并标注手势类别。
S2：对采集的原始表面肌电信号进行信号去噪、滑动加窗、动作分段预处理操作。具体过程如下：
S21：表面肌电信号去噪，采用50Hz陷波滤波器以消除电力***的工频干扰，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
Figure 907357DEST_PATH_IMAGE018
，其中，
Figure 370699DEST_PATH_IMAGE019
为四舍五入函 数；
S23：提取手势活动段信号，依次检测窗口信号的能量，大于设定阈值判断为动作起始段，并将该时间点作为动作起始点，提取自动作起始点起5s内的表面肌电信号，即该5s信号作为对应手势的活动段信号。
S3：研究不同通道间相关性，提取多通道时间序列相关性特征，将互相关系数特征与一致性相关系数特征融合，构成融合特征集。
提取多通道时间序列相关性特征，得到融合特征集的具体过程实施例如下：
S31：计算不同通道间的互相关系数，本实施例采用8个通道的肌电传感器，活动段 窗口的表面肌电信号
Figure 42989DEST_PATH_IMAGE020
为V×8的矩阵，其中，X m 表示第m个通道的表面 肌电信号，m=1,2…,8；V为单个窗口的样本数。第i个通道与第j个通道的互相关系数表示为
Figure 337704DEST_PATH_IMAGE021
，对所有手势的数据计算每两个通道间的互相关系数，得到向量
Figure 578193DEST_PATH_IMAGE022
，其中，
Figure 128166DEST_PATH_IMAGE023
；
S32：对活动段的多通道表面肌电信号X=[X 1,X 2,…,X 8]计算一致性相关系数，第i 个通道的表面肌电信号
Figure 745092DEST_PATH_IMAGE024
和第j个通道的表面肌电信号
Figure 691051DEST_PATH_IMAGE025
的一致性相关系数为：
Figure 430337DEST_PATH_IMAGE026
其中，
Figure 337113DEST_PATH_IMAGE014
和
Figure 616785DEST_PATH_IMAGE015
分别是X i 和X j 的均值，
Figure 558196DEST_PATH_IMAGE016
和
Figure 468383DEST_PATH_IMAGE017
分别是X i 和X j 的方差，x n 和y n 分别是 通道X i 和通道X j 中的单个数据，N为通道中数据的个数。对所有手势的数据计算每两个通道 间的一致性相关系数，得到28维的向量P=[P 1,P 2,…,P 7 ]，其中，
Figure 987089DEST_PATH_IMAGE027
；
S33：将所有活动段窗口信号提取的互相关系数和一致性相关系数进行融合，构建成56维的特征向量，作为分类模型的输入样本。对单个受试者提取多通道时间序列相关性特征，利用t-SNE方法将数据映射到三维空间，进行可视化分析，如图2所示，可以看出提取通道相关性特征后，各类手势的类内距离较小，类间距离较大，具有明显可分性。
S4：构建融合多个基学习器的多算法融合分类模型进行手势识别。
构建的多算法融合分类模型如图3所示，融合多个基学习器来完成学习任务，将XGBoost（eXtreme Gradient Boosting 极端梯度提升）、KNN（K-Nearest Neighbor K最近邻）、RF（Random Forest 随机森林）、NB（Naive Bayes 朴素贝叶斯）作为基学习器，LR（Logistic Regression 逻辑回归）作为融合器；在训练阶段，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，分别采用网格搜索法在每个基学习器上进行参数寻优，保存最优参数模型，将最优参数的基学习器构建多算法融合分类模型，并将所有样本输入模型中进行训练，得到训练好的分类器；在测试阶段，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。

Claims (3)

1.一种基于稀疏多通道相关性特征的肌电手势识别方法，其特征在于，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；
所述步骤S3具体包括：
S31：对于含有M个通道的多通道肌电传感器，预处理后活动段窗口的表面肌电信号表 示为
Figure 179699DEST_PATH_IMAGE001
，其中，X m 表示第m个通道的表面肌电信号，
Figure 831260DEST_PATH_IMAGE002
；
计算每两个通道的表面肌电信号的互相关系数，第i个通道与第j个通道的互相关系表 示为
Figure 204473DEST_PATH_IMAGE003
，i=1,2,…,M-1，j=i+1,…,M，得到互相关系数向量
Figure 68524DEST_PATH_IMAGE004
； 其中，
Figure 227104DEST_PATH_IMAGE005
，k=1,2,…,M-1；
S32：对活动段窗口的多通道表面肌电信号
Figure 846304DEST_PATH_IMAGE006
，计算每两个通道 的表面肌电信号的一致性相关系数，得到一致性相关系数向量
Figure 582179DEST_PATH_IMAGE007
； 其中，
Figure 623822DEST_PATH_IMAGE008
，k=1,2,…,M-1；
第i个通道的表面肌电信号
Figure 761542DEST_PATH_IMAGE009
和第j个通道的表面肌电信号
Figure 613960DEST_PATH_IMAGE010
的一致性相关系数表示为：
Figure 837131DEST_PATH_IMAGE011
其中，
Figure 918351DEST_PATH_IMAGE012
和
Figure 910578DEST_PATH_IMAGE013
分别是X i 和X j 的均值，
Figure 137160DEST_PATH_IMAGE014
和
Figure 221528DEST_PATH_IMAGE015
分别是X i 和X j 的方差，x n 和y n 分别是通道X i 和通道X j 中的单个数据，N为通道中数据的个数；
S33：对每个活动段窗口的表面肌电信号提取的互相关系数向量和一致性相关系数向量进行融合，得到融合特征集作为分类模型的输入样本。
2.根据权利要求1所述的基于稀疏多通道相关性特征的肌电手势识别方法，其特征在于，所述步骤S2具体为：
S21：采用陷波滤波器消除电力***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
Figure 965493DEST_PATH_IMAGE016
，其中，
Figure 202439DEST_PATH_IMAGE017
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，并将该动作起始段的起始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。
3.根据权利要求1所述的基于稀疏多通道相关性特征的肌电手势识别方法，其特征在于，所述多算法融合分类模型结合多个基学习器来完成学习任务，将XGBoost、KNN、RF、NB作为基学习器，LR作为融合器。
CN202111184784.4A 2021-10-12 2021-10-12 一种基于稀疏多通道相关性特征的肌电手势识别方法 Active CN113625882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111184784.4A CN113625882B (zh) 2021-10-12 2021-10-12 一种基于稀疏多通道相关性特征的肌电手势识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111184784.4A CN113625882B (zh) 2021-10-12 2021-10-12 一种基于稀疏多通道相关性特征的肌电手势识别方法

Publications (2)

Publication Number Publication Date
CN113625882A CN113625882A (zh) 2021-11-09
CN113625882B true CN113625882B (zh) 2022-06-14

Family

ID=78391028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111184784.4A Active CN113625882B (zh) 2021-10-12 2021-10-12 一种基于稀疏多通道相关性特征的肌电手势识别方法

Country Status (1)

Country Link
CN (1) CN113625882B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482773A (zh) * 2009-01-16 2009-07-15 中国科学技术大学 一种多通道无线表面肌电信号采集装置及***
CN104391580A (zh) * 2014-12-09 2015-03-04 北京银河润泰科技有限公司 可穿戴设备的穿戴状态的处理方法及装置
CN106484082A (zh) * 2015-08-28 2017-03-08 华为技术有限公司 一种基于生物电的控制方法、装置及控制器
CN106527716A (zh) * 2016-11-09 2017-03-22 努比亚技术有限公司 一种基于肌电信号的穿戴设备及其与终端的交互方法
CN109498041A (zh) * 2019-01-15 2019-03-22 吉林大学 基于脑电与脉搏信息的驾驶员路怒状态识别方法
CN109768838A (zh) * 2018-12-29 2019-05-17 西北大学 一种基于WiFi信号的干扰检测及手势识别方法
CN111973184A (zh) * 2019-05-22 2020-11-24 中国科学院沈阳自动化研究所 一种针对非理想sEMG信号的模型训练数据优化方法
CN112826516A (zh) * 2021-01-07 2021-05-25 京东数科海益信息科技有限公司 肌电信号处理方法、装置、设备、可读存储介质及产品

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101157073B1 (ko) * 2010-12-10 2012-06-21 숭실대학교산학협력단 근전도 센서와 자이로 센서를 이용한 지화 인식 방법 및 장치
CN105326500B (zh) * 2014-08-13 2018-02-09 华为技术有限公司 基于表面肌电信号的动作识别方法和设备
CN107526952B (zh) * 2016-06-22 2020-09-01 宁波工程学院 基于多通道表面肌电信号的身份识别方法
CN107273798A (zh) * 2017-05-11 2017-10-20 华南理工大学 一种基于表面肌电信号的手势识别方法
JP2019185531A (ja) * 2018-04-13 2019-10-24 セイコーエプソン株式会社 透過型頭部装着型表示装置、表示制御方法、およびコンピュータープログラム
CN110942040B (zh) * 2019-11-29 2023-04-18 四川大学 一种基于环境光的手势识别***和方法
CN111209885B (zh) * 2020-01-13 2023-05-30 腾讯科技（深圳）有限公司 一种手势信息处理方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482773A (zh) * 2009-01-16 2009-07-15 中国科学技术大学 一种多通道无线表面肌电信号采集装置及***
CN104391580A (zh) * 2014-12-09 2015-03-04 北京银河润泰科技有限公司 可穿戴设备的穿戴状态的处理方法及装置
CN106484082A (zh) * 2015-08-28 2017-03-08 华为技术有限公司 一种基于生物电的控制方法、装置及控制器
CN106527716A (zh) * 2016-11-09 2017-03-22 努比亚技术有限公司 一种基于肌电信号的穿戴设备及其与终端的交互方法
CN109768838A (zh) * 2018-12-29 2019-05-17 西北大学 一种基于WiFi信号的干扰检测及手势识别方法
CN109498041A (zh) * 2019-01-15 2019-03-22 吉林大学 基于脑电与脉搏信息的驾驶员路怒状态识别方法
CN111973184A (zh) * 2019-05-22 2020-11-24 中国科学院沈阳自动化研究所 一种针对非理想sEMG信号的模型训练数据优化方法
CN112826516A (zh) * 2021-01-07 2021-05-25 京东数科海益信息科技有限公司 肌电信号处理方法、装置、设备、可读存储介质及产品

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于互相关方法的磁刺激穴位对亚健康失眠者的脑网络分析;吴霞等;《中国医疗设备》;20180210;第27-32页 *
基于特征工程与级联森林的中风患者手部运动肌电识别方法;胡少康等;《机器人》;20210924;第526-538页 *

Also Published As

Publication number Publication date
CN113625882A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
Song et al. Transformer-based spatial-temporal feature learning for EEG decoding
Luo et al. A low-cost end-to-end sEMG-based gait sub-phase recognition system
Mazilu et al. Feature learning for detection and prediction of freezing of gait in Parkinson’s disease
CN108983973B (zh) 一种基于手势识别的仿人灵巧肌电假手控制方法
CN113288183B (zh) 一种基于面颈部表面肌电的无声语音识别方法
Benatti et al. Analysis of robust implementation of an EMG pattern recognition based control
CN112043473B (zh) 智能假肢脑-肌电融合感知的并行嵌套与自主择优分类器
CN107736894A (zh) 一种基于深度学习的心电信号情绪识别方法
CN106236336A (zh) 一种肌电假肢手势及力度控制方法
CN109614885A (zh) 一种基于lstm的脑电信号快速分类识别方法
CN111407243A (zh) 一种基于深度学习的脉搏信号压力识别方法
Oweis et al. ANN-based EMG classification for myoelectric control
Su et al. Hand gesture recognition based on sEMG signal and convolutional neural network
CN116400800B (zh) 一种基于脑机接口和人工智能算法的als患者人机交互***及方法
CN105534517A (zh) 一种去除三导联心电信号中车辆运动噪声的方法
CN114533089A (zh) 一种基于表面肌电信号的下肢动作识别分类方法
Tello et al. Towards sEMG classification based on Bayesian and k-NN to control a prosthetic hand
CN113625882B (zh) 一种基于稀疏多通道相关性特征的肌电手势识别方法
CN116910464A (zh) 一种肌电信号假肢手控制***及方法
Fu et al. Identification of finger movements from forearm surface EMG using an augmented probabilistic neural network
CN114098768B (zh) 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法
Karnam et al. EMAHA-DB1: A new upper limb sEMG dataset for classification of activities of daily living
CN112932508B (zh) 一种基于手臂肌电网络的手指活动识别***
CN116269413A (zh) 利用智能腕带运动传感器的连续心电波形重构***及方法
Chen et al. Recognition of american sign language gestures based on electromyogram (emg) signal with xgboost machine learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant