CN114217694A - 一种仿生手及其手势控制方法、服务器及存储介质 - Google Patents

一种仿生手及其手势控制方法、服务器及存储介质 Download PDF

Info

Publication number
CN114217694A
CN114217694A CN202210154830.4A CN202210154830A CN114217694A CN 114217694 A CN114217694 A CN 114217694A CN 202210154830 A CN202210154830 A CN 202210154830A CN 114217694 A CN114217694 A CN 114217694A
Authority
CN
China
Prior art keywords
gesture
gesture operation
data
template
current
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.)
Pending
Application number
CN202210154830.4A
Other languages
English (en)
Inventor
韩璧丞
黄琦
阿迪斯
程交
周建吾
王俊霖
张之
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.)
Shenzhen Mental Flow Technology Co Ltd
Original Assignee
Shenzhen Mental Flow Technology Co Ltd
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 Shenzhen Mental Flow Technology Co Ltd filed Critical Shenzhen Mental Flow Technology Co Ltd
Priority to CN202210154830.4A priority Critical patent/CN114217694A/zh
Publication of CN114217694A publication Critical patent/CN114217694A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明公开了一种基于仿生手的手势控制方法、服务器及存储介质，所述方法包括：获取仿生手在预设时间段的各手势操作的历史数据；对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；获取当前手势操作和当前手势操作后采集的肌电数据，并基于肌电数据对当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，目标手势模板为当前手势操作的下一步操作。本发明实施例通过对仿生手在预设时间段的各手势操作的历史数据的统计分析得到每个手势即将执行的有关联的手势模板，然后将当前手势操作采集的肌电数据在缩小范围的关联手势模板集中匹配，从而迅速匹配出当前手势操作后的下一步手势，提高手势控制效率。

Description

一种仿生手及其手势控制方法、服务器及存储介质
技术领域
本发明涉及信息技术领域，尤其涉及的是一种基于仿生手的手势控制方法、服务器及存储介质。
背景技术
社会上存在一群弱势群体，他们因为意外失去了上肢，使得他们无法像正常人一样工作和生活，严重影响他们的生活体验，仿生手可以让上肢截肢患者基于仿生手来执行基本的常用手势，但是现有的方法都是将肌电信号与数据库中肌电信号匹配的方式来得到最终的手势模板，存在较大延时，效率比较低。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于仿生手的手势控制方法，旨在解决现有技术中上肢截肢患者无法向正常人一样通过手势来进行工作和生活的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于仿生手的手势控制方法，其中，所述方法包括：
获取仿生手在预设时间段的各手势操作的历史数据；
对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；
获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，所述目标手势模板为所述当前手势操作的下一步操作。
在一种实现方式中，所述对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集包括：
对每个手势操作的所述历史数据进行数据清理，得到预处理数据；
基于每个手势操作的频率，计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值；
根据所述关联概率值，确定每个手势操作的关联手势模板集。
在一种实现方式中，所述根据所述关联概率值，确定每个手势操作的关联手势模板集包括：
当所述关联概率值大于或者等于预设的关联强度阈值时，将所述关联概率值对应的手势模板作为所述手势操作的关联手势模板集。
在一种实现方式中，所述获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板包括：
获取当前手势操作和当前手势操作后采集的肌电数据；
根据所述肌电数据与所述手势模板的映射关系，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，确定目标手势模板。
第二方面，本发明实施例还提供一种基于仿生手的手势控制装置，其中，所述装置包括：
各手势操作的历史数据获取模块，用于获取仿生手在预设时间段的各手势操作的历史数据；
每个手势操作的关联手势模板集获取模块，用于对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；
目标手势模板获取模块，用于获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，所述目标手势模板为所述当前手势操作的下一步操作。
在一种实现方式中，所述历史数据具体为仿生手所处的位置信息、仿生手的开关机时间、仿生手的使用频率、各手势操作的频率和各手势操作对应的历史肌电数据。
在一种实现方式中，所述每个手势操作的关联手势模板集获取模块包括：
预处理数据获取单元，用于对每个手势操作的所述历史数据进行数据清理，得到预处理数据；
关联概率值计算单元，用于基于每个手势操作的频率，计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值；
关联手势模板集确定子单元，用于根据所述关联概率值，确定每个手势操作的关联手势模板集。
在一种实现方式中，所述关联手势模板集确定子单元包括：
关联手势模板集计算单元，用于当所述关联概率值大于或者等于预设的关联强度阈值时，将所述关联概率值对应的手势模板作为所述手势操作的关联手势模板集。
在一种实现方式中，所述目标手势模板获取模块包括：
肌电数据获取单元，用于获取当前手势操作和当前手势操作后采集的肌电数据；
映射单元，用于根据所述肌电数据与所述手势模板的映射关系，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，确定目标手势模板。
第三方面，本发明实施例还提供一种服务器，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于仿生手的手势控制方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的基于仿生手的手势控制方法。
本发明的有益效果：本发明实施例获取仿生手在预设时间段的各手势操作的历史数据；然后对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；最后获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，所述目标手势模板为所述当前手势操作的下一步操作；可见，本发明实施例通过对仿生手在预设时间段的各手势操作的历史数据的统计分析得到每个手势即将执行的有关联的手势模板，然后将当前手势操作采集的肌电数据在缩小范围的关联手势模板集中匹配，从而迅速匹配出当前手势操作后的下一步手势，提高手势控制效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于仿生手的手势控制方法流程示意图。
图2为本发明实施例提供的基于仿生手的手势控制装置的原理框图。
图3为本发明实施例提供的服务器的内部结构原理框图。
具体实施方式
本发明公开了一种基于仿生手的手势控制方法、服务器及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。 应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中，上肢截肢患者无法像正常人一样，通过手势来进行工作和生活，使他们的生活质量大大降低。
为了解决现有技术的问题，本发明实施例通过对仿生手在预设时间段的各手势操作的历史数据的统计分析得到每个手势即将执行的有关联的手势模板，然后将当前手势操作采集的肌电数据在缩小范围的关联手势模板集中匹配，从而迅速匹配出当前手势操作后的下一步手势，提高手势控制效率。具体实施时，先获取仿生手在预设时间段的各手势操作的历史数据；然后对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；最后获取当前手势操作和当前手势操作后采集的肌电数据，并基于肌电数据对当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，目标手势模板为当前手势操作的下一步操作。
示例性方法
本实施例提供一种基于仿生手的手势控制方法，该方法可以应用于通信技术的服务器。具体如图1所示，所述方法包括：
步骤S100、获取仿生手在预设时间段的各手势操作的历史数据；
在本实施例中，仿生手包括仿生手掌和手指，摩擦力手腕，人工智能算法处理单元，肌电感应传感器和电池，仿生手具有6个自由度和10个活动关节，可实现5根手指的独立运动和手指间的协同操作，满足上肢截肢患者所需的23个常用手势，做到手势间的随心转换。预设时间段为一天中的不同时段，可以为一天中的每一个小时，可以为一天中上午、中午和下午。所述历史数据具体为仿生手所处的位置信息、仿生手的开关机时间、仿生手的使用频率、各手势操作的频率和各手势操作对应的历史肌电数据。仿生手所处的位置信息显示的定位信息为家里的厨房或者卧室；仿生手的开关机时间具体为仿生手什么时间被打开的，什么时间被关闭的；仿生手的使用频率指采用仿生手执行各个手势模板的次数；各手势操作的频率为每个手势操作被执行的次数；各手势操作对应的历史肌电数据为每个手势操作对应一个历史机电数据，这样就可以得到手势操作和机电数据的映射关系。在预设时间段的各手势操作的历史数据就是通过仿生手的肌电感应传感器采集并存储的。
得到各手势操作的历史数据后，就可以执行如图1所示的如下步骤：S200、对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；
实际中，系列手势操作在特定的时段可能会重复发生，比如，早上穿衣服后扣扣子，穿裤子；又比如在早上的起床时段，用户会有开水龙头、刷牙和洗脸对应的系列手势操作，如果将穿衣服的手势操作执行完，就知道用户可能会执行扣扣子或者穿裤子的操作。在固定的时间在一个餐馆吃饭，在固定的时间开启电脑，并在电脑上进行工作，如果获取用户使用仿生手过程中的历史数据：在餐馆的具***置、打开仿生手的时间和关掉仿生手的时间，使用仿生手的频率是高还是低，以及在这个时段所用的手势频率的高低，对这些历史数据进行统计分析，就可以得到每个手势操作的关联手势模板集，也就是说得到每个手势操作后续可能执行的手势模板，这样可以缩小匹配范围了。
为了得到每个手势操作的关联手势模板集，所述对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集包括如下步骤：对每个手势操作的所述历史数据进行数据清理，得到预处理数据；基于每个手势操作的频率，计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值；根据所述关联概率值，确定每个手势操作的关联手势模板集。
具体地，由于每个手势操作的所述历史数据会存在一些异常数据，如记录在卫生间有吃饭相关的手势操作，或者记录晚上下半夜打开仿生手，用户白天均有使用仿生手，数据记录的频率却为0，上述数据均为异常数据，需要进行数据清理，得到预处理数据。每个手势操作的频率是不同的，当一个手势操作和后面一个手势操作连在一起的频率比较大，说明在某一个时段执行完前一个手势操作后就会执行后一个手势操作的可能性比较大，如总概率为100，当一个手势操作与另一个手势操作的关联频率为80次，那么就可以得到这个手势和另一个手势的关联概率值为0.8。因此，通过计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值，就可以确定每个手势操作的关联手势模板集。在本实施例中，仿生手的手势模板按照6个动作分类，为五指握、二指捏、三指捏、单指点、侧边捏和胡克提。手势模板如果按更细致的划分，为23个：单指点，三指捏、夹笔1（食指和小指在上，中指和无名指在下来夹笔）、两指夹、托夹式、夹笔2（食指和小指在下，中指和无名指在上来夹笔）、两指夹、食指弹、五指抓、两指捏、中指弹、手势6、鼠标手势、四指拿、弯钩9（手弯钩表示数字9）、兔子头手势、五指张开、两指侧捏。
为了得到每个手势操作的关联手势模板集，所述根据所述关联概率值，确定每个手势操作的关联手势模板集包括如下步骤：当所述关联概率值大于或者等于预设的关联强度阈值时，将所述关联概率值对应的手势模板作为所述手势操作的关联手势模板集。
具体地，假设预设的关联强度阈值为0.5，当一个手势操作与其他手势操作的频率为70，则将70除以100，得到这个手势操作与其他手势操作的关联概率值为0.7,0.7大于0.5，则与这个手势操作关联的并且关联概率值为0.7对应的其他手势模板作为手势手势操作的关联手势模板集。
得到每个手势的关联手势模板集后，就可以执行如图1所示的如下步骤：S300、获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板。
具体地，为了快速匹配，一个手势操作执行完后，如果仅仅根据采集的肌电数据来进行手势控制，如果手势模板很多，那么意味着匹配要花很多时间。因此本申请获取当前手势操作后，在当前手势操作执行的过程中，通过后台就可以得到当前手势的关联手势模板集，然后当前手势操作后采集肌电数据，基于所述肌电数据在当前手势操作的关联手势模板集中进行匹配，相当于在一个很小的范围内进行进行匹配，可以很快确定目标手势模板。
为了确定目标手势模板，所述获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板包括如下步骤：获取当前手势操作和当前手势操作后采集的肌电数据；根据所述肌电数据与所述手势模板的映射关系，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，确定目标手势模板。
具体地，获取当前手势操作，在***后台就可以计算得到当前手势操作关联手势模板集，然后获取当前手势操作后采集的肌电数据，由于在历史数据中，肌电数据与手势模板是存在一一对应关系的，也就是映射关系，这样，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，相当于在当前手势模板可能执行的下一个手势模板集中查找手势模板，会提高手势模板的匹配速度。
在一种实现方式中，将所述目标手势模板关联手势模板集数据库中的手势模板，得到组合手势。在一种特殊情况，用户的左右手都截肢，并都使用仿生手时，当用户右边仿生手的手势模板为捏筷子时，很有可能意味着用户在吃饭，那么可以通过历史数据或者用户的使用习惯来得到用户的左边的仿生手是扶着碗的手势模板，这样，用户的左边仿生手的手势模板和右边仿生手的手势模板组成组合手势。
示例性设备
如图2中所示，本发明实施例提供一种基于仿生手的手势控制装置，该装置包括各手势操作的历史数据获取模块401、每个手势操作的关联手势模板集获取模块402和目标手势模板获取模块403，其中：
各手势操作的历史数据获取模块401，用于获取仿生手在预设时间段的各手势操作的历史数据；
每个手势操作的关联手势模板集获取模块402，用于对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；
目标手势模板获取模块403，用于获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，所述目标手势模板为所述当前手势操作的下一步操作。
在一种实现方式中，所述历史数据具体为仿生手所处的位置信息、仿生手的开关机时间、仿生手的使用频率、各手势操作的频率和各手势操作对应的历史肌电数据。
在一种实现方式中，所述每个手势操作的关联手势模板集获取模块402包括：
预处理数据获取单元，用于对每个手势操作的所述历史数据进行数据清理，得到预处理数据；
关联概率值计算单元，用于基于每个手势操作的频率，计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值；
关联手势模板集确定子单元，用于根据所述关联概率值，确定每个手势操作的关联手势模板集。
在一种实现方式中，所述关联手势模板集确定子单元包括：
关联手势模板集计算单元，用于当所述关联概率值大于或者等于预设的关联强度阈值时，将所述关联概率值对应的手势模板作为所述手势操作的关联手势模板集。
在一种实现方式中，所述目标手势模板获取模块403包括：
肌电数据获取单元，用于获取当前手势操作和当前手势操作后采集的肌电数据；
映射单元，用于根据所述肌电数据与所述手势模板的映射关系，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，确定目标手势模板。
基于上述实施例，本发明还提供了一种服务器，其原理框图可以如图3所示。该服务器包括通过***总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该服务器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于仿生手的手势控制方法。该服务器的显示屏可以是液晶显示屏或者电子墨水显示屏，该服务器的温度传感器是预先在服务器内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图3中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种服务器，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：获取仿生手的肌电感应传感器采集的肌电信号；
根据所述肌电信号，得到运动意图的动作分类概率集；
根据所述运动意图的动作分类概率集，确定目标手势模板。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上所述，本发明公开了一种基于仿生手的手势控制方法、服务器及存储介质，所述方法包括：获取仿生手在预设时间段的各手势操作的历史数据；对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；获取当前手势操作和当前手势操作后采集的肌电数据，并基于肌电数据对当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，目标手势模板为当前手势操作的下一步操作。本发明实施例通过对仿生手在预设时间段的各手势操作的历史数据的统计分析得到每个手势即将执行的有关联的手势模板，然后将当前手势操作采集的肌电数据在缩小范围的关联手势模板集中匹配，从而迅速匹配出当前手势操作后的下一步手势，提高手势控制效率。
基于上述实施例，本发明公开了一种基于仿生手的手势控制方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (12)

1.一种基于仿生手的手势控制方法，其特征在于，所述方法包括：
获取仿生手在预设时间段的各手势操作的历史数据；
对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；
获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板，其中，所述目标手势模板为所述当前手势操作的下一步操作。
2.根据权利要求1所述的基于仿生手的手势控制方法，其特征在于，所述历史数据具体为仿生手所处的位置信息、仿生手的开关机时间、仿生手的使用频率、各手势操作的频率和各手势操作对应的历史肌电数据。
3.根据权利要求2所述的基于仿生手的手势控制方法，其特征在于，所述对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集包括：
对每个手势操作的所述历史数据进行数据清理，得到预处理数据；
基于每个手势操作的频率，计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值；
根据所述关联概率值，确定每个手势操作的关联手势模板集。
4.根据权利要求3所述的基于仿生手的手势控制方法，其特征在于，所述根据所述关联概率值，确定每个手势操作的关联手势模板集包括：
当所述关联概率值大于或者等于预设的关联强度阈值时，将所述关联概率值对应的手势模板作为所述手势操作的关联手势模板集。
5.根据权利要求1所述的基于仿生手的手势控制方法，其特征在于，所述获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板集进行匹配，确定目标手势模板包括：
获取当前手势操作和当前手势操作后采集的肌电数据；
根据所述肌电数据与所述手势模板的映射关系，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，确定目标手势模板。
6.一种基于仿生手的手势控制装置，其特征在于，所述装置包括：
各手势操作的历史数据获取模块，用于获取仿生手在预设时间段的各手势操作的历史数据；
每个手势操作的关联手势模板集获取模块，用于对每个手势操作的历史数据进行统计分析，得到每个手势操作的关联手势模板集；其中，所述关联手势模板集为与每个手势操作存在相关性的若干手势模板；
目标手势模板获取模块，用于获取当前手势操作和当前手势操作后采集的肌电数据，并基于所述肌电数据对所述当前手势操作的关联手势模板进行匹配，确定目标手势模板，其中，所述目标手势模板为所述当前手势操作的下一步操作。
7.根据权利要求6所述的基于仿生手的手势控制装置，其特征在于，所述历史数据具体为仿生手所处的位置信息、仿生手的开关机时间、仿生手的使用频率、各手势操作的频率和各手势操作对应的历史肌电数据。
8.根据权利要求7所述的基于仿生手的手势控制装置，其特征在于，所述每个手势操作的关联手势模板集获取模块包括：
预处理数据获取单元，用于对每个手势操作的所述历史数据进行数据清理，得到预处理数据；
关联概率值计算单元，用于基于每个手势操作的频率，计算每个手势操作与所述预处理数据中除去所述手势操作以外的其他手势操作之间的关联概率值；
关联手势模板集确定子单元，用于根据所述关联概率值，确定每个手势操作的关联手势模板集。
9.根据权利要求8所述的基于仿生手的手势控制装置，其特征在于，所述关联手势模板集确定子单元包括：
关联手势模板集计算单元，用于当所述关联概率值大于或者等于预设的关联强度阈值时，将所述关联概率值对应的手势模板作为所述手势操作的关联手势模板集。
10.根据权利要求6所述的基于仿生手的手势控制装置，其特征在于，所述目标手势模板获取模块包括：
肌电数据获取单元，用于获取当前手势操作和当前手势操作后采集的肌电数据；
映射单元，用于根据所述肌电数据与所述手势模板的映射关系，在当前手势操作的关联手势模板集中查找所述肌电数据对应的手势模板，确定目标手势模板。
11.一种服务器，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-5中任意一项所述的方法。
12.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-5中任意一项所述的方法。
CN202210154830.4A 2022-02-21 2022-02-21 一种仿生手及其手势控制方法、服务器及存储介质 Pending CN114217694A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210154830.4A CN114217694A (zh) 2022-02-21 2022-02-21 一种仿生手及其手势控制方法、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210154830.4A CN114217694A (zh) 2022-02-21 2022-02-21 一种仿生手及其手势控制方法、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN114217694A true CN114217694A (zh) 2022-03-22

Family

ID=80708989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210154830.4A Pending CN114217694A (zh) 2022-02-21 2022-02-21 一种仿生手及其手势控制方法、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN114217694A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625257A (zh) * 2022-05-16 2022-06-14 浙江强脑科技有限公司 一种基于肌电信号的动作识别方法和识别装置
CN114676737A (zh) * 2022-05-26 2022-06-28 深圳市心流科技有限公司 一种肌电信号的采样频率的动态调节方法
CN117827010A (zh) * 2024-03-01 2024-04-05 浙江强脑科技有限公司 仿生手的控制方法、控制装置、仿生手和存储介质
CN118161133A (zh) * 2024-05-13 2024-06-11 浙江强脑科技有限公司 仿生手的手势评价方法、评价装置、存储介质和仿生手

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017086533A1 (ko) * 2015-11-20 2017-05-26 동국대학교 산학협력단 Nui/nux 기반의 vr환경 게임 컨트롤을 시뮬레이션하는 방법 및 시스템
CN113199496A (zh) * 2021-04-09 2021-08-03 杭州胖力科技有限公司 仿生手控制装置、方法及电子设备
CN113946224A (zh) * 2021-12-20 2022-01-18 深圳市心流科技有限公司 智能仿生手的肌电手势识别的控制方法、装置及存储介质
CN113970968A (zh) * 2021-12-22 2022-01-25 深圳市心流科技有限公司 一种智能仿生手的动作预判方法
CN113986017A (zh) * 2021-12-27 2022-01-28 深圳市心流科技有限公司 一种肌电手势模板的生成方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017086533A1 (ko) * 2015-11-20 2017-05-26 동국대학교 산학협력단 Nui/nux 기반의 vr환경 게임 컨트롤을 시뮬레이션하는 방법 및 시스템
CN113199496A (zh) * 2021-04-09 2021-08-03 杭州胖力科技有限公司 仿生手控制装置、方法及电子设备
CN113946224A (zh) * 2021-12-20 2022-01-18 深圳市心流科技有限公司 智能仿生手的肌电手势识别的控制方法、装置及存储介质
CN113970968A (zh) * 2021-12-22 2022-01-25 深圳市心流科技有限公司 一种智能仿生手的动作预判方法
CN113986017A (zh) * 2021-12-27 2022-01-28 深圳市心流科技有限公司 一种肌电手势模板的生成方法、装置及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625257A (zh) * 2022-05-16 2022-06-14 浙江强脑科技有限公司 一种基于肌电信号的动作识别方法和识别装置
CN114676737A (zh) * 2022-05-26 2022-06-28 深圳市心流科技有限公司 一种肌电信号的采样频率的动态调节方法
CN117827010A (zh) * 2024-03-01 2024-04-05 浙江强脑科技有限公司 仿生手的控制方法、控制装置、仿生手和存储介质
CN118161133A (zh) * 2024-05-13 2024-06-11 浙江强脑科技有限公司 仿生手的手势评价方法、评价装置、存储介质和仿生手

Similar Documents

Publication Publication Date Title
CN114217694A (zh) 一种仿生手及其手势控制方法、服务器及存储介质
WO2021143353A1 (zh) 一种手势信息处理方法、装置、电子设备及存储介质
CN113970968B (zh) 一种智能仿生手的动作预判方法
CN114707562B (zh) 一种肌电信号采样频率控制方法、装置及存储介质
Tam et al. Intuitive real-time control strategy for high-density myoelectric hand prosthesis using deep and transfer learning
Liu et al. Reduced daily recalibration of myoelectric prosthesis classifiers based on domain adaptation
CN113946225B (zh) 一种手势锁定方法、智能仿生手、终端以及存储介质
CN107145236B (zh) 一种基于腕部肌腱压力相关特性的手势识别方法及***
WO2018233435A1 (zh) 一种基于主成分分析法的多维表面肌电信号假手控制方法
CN113977589B (zh) 一种手势识别阈值调整方法、装置及存储介质
CN114167995B (zh) 一种仿生手的手势锁定方法、装置、终端及存储介质
WO2021052045A1 (zh) 肢体动作的识别方法、装置、计算机设备及存储介质
CN114625257B (zh) 一种基于肌电信号的动作识别方法和识别装置
Cognolato et al. Hand gesture classification in transradial amputees using the Myo armband classifier
Srinivasan et al. Activity recognition using actigraph sensor
CN114668563B (zh) 一种肌电信号的采样频率的多层级调节方法
Daniels et al. Personalised Glucose Prediction via Deep Multitask Networks.
CN110991640A (zh) 调料使用量的确定方法、装置和模型优化方法、装置
Tseng et al. Human identification with electrocardiogram
CN114676737B (zh) 一种肌电信号的采样频率的动态调节方法
Chen et al. Continuous motion finger joint angle estimation utilizing hybrid sEMG-FMG modality driven transformer-based deep learning model
CN114668564B (zh) 一种基于肌电信号数据对采样频率进行动态调整的方法
CN114167996B (zh) 一种基于传感器的动作预判方法、装置及存储介质
Dai et al. A telehealth framework for dementia care: an ADLs patterns recognition model for patients based on NILM
CN115105270A (zh) 一种智能假肢的肌电匹配阈值的动态调节方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220322