CN114707562A - 一种肌电信号采样频率控制方法、装置及存储介质 - Google Patents
一种肌电信号采样频率控制方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114707562A CN114707562A CN202210612029.XA CN202210612029A CN114707562A CN 114707562 A CN114707562 A CN 114707562A CN 202210612029 A CN202210612029 A CN 202210612029A CN 114707562 A CN114707562 A CN 114707562A
- Authority
- CN
- China
- Prior art keywords
- electromyographic
- gesture
- sampling frequency
- action
- time
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种肌电信号采样频率控制方法、装置及存储介质,所述方法包括:采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。本发明可实现对肌电信号采样频率的控制,有利于降低肌电设备的功耗。
Description
技术领域
本发明涉及肌电信号采集技术领域,尤其涉及一种肌电信号采样频率控制方法、装置及存储介质。
背景技术
随着人工智能技术与生物电采集技术的发展,人们对于智能化的辅助设备的需求日益强烈。在残疾人的生活当中,义肢的需求不再仅仅局限于美观与一些简单的辅助,更多的是对智能化义肢的渴求,这样就催生出智能仿生手的出现。智能仿生手是一款脑机接口技术于人工智能算法高度融合的智能产品。仿生手可以通过提取佩戴者手臂神经肌肉信号,识别佩戴者的运动意图,并将运动示意图转化成仿生手的动作,从而做到灵巧智能,手随心动。
目前仿生手在采集肌电信号时基本都是不间断地进行采集,这样才能保证肌电信号采集的及时性与准确性。但是,由于肌电信号的持续性采集,导致仿生手的能耗较高,且影响用户的使用,
因此,现有技术还有待改进和提高。
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,提供一种肌电信号采样频率控制方法、装置及存储介质,旨在解决现有技术中由于肌电信号的持续性采集,导致仿生手的能耗较高,且影响用户的使用的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
第一方面,本发明提供一种肌电信号采样频率控制方法,其中,所述方法包括:
采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;
获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;
基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
在一种实现方式中,所述基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作,包括:
将若干所述肌电信号输入至预先训练好的用于识别手势动作的手势识别模型中;
通过所述手势识别模型对所述肌电信号进行处理,输出对应的手势动作。
在一种实现方式中,所述手势识别模型的训练过程包括:
采集若干肌电样本信号,并确定每一个肌电样本信号对应的样本手势动作,组成训练数据集,所述训练数据集中具有肌电样本信号与样本手势动作之间的映射关系;
将所述训练数据集输入至预设的神经网络模型中进行训练,得到所述手势识别模型。
在一种实现方式中,所述获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作,包括:
记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定;
获取每一个手势动作所对应的动作电位信息;
将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较;
重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,以筛选出所述相同的手势动作。
在一种实现方式中,所述基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,包括:
从所述相同的手势动作中的每一个手势动作的时刻信息中确定所述相同的手势动作的初始时刻与结束时刻;
基于所述初始时刻与所述结束时刻,确定所述相同的手势动作的持续时间。
在一种实现方式中,所述基于所述持续时间对肌电信号的采样频率进行控制,包括:
将所述持续时间依次与预设的第一时间阈值和第二时间阈值进行比较,其中,所述第一时间阈值小于所述第二时间阈值;
若所述持续时间大于所述第一时间阈值,则降低肌电信号的采样频率;
若所述持续时间大于所述第二时间阈值,则继续降低肌电信号的采样频率。
在一种实现方式中,所述基于所述持续时间对肌电信号的采样频率进行控制,包括:
获取降低后的肌电信号的采样频率,并将降低后的肌电信号的采样频率与频率阈值进行比较;
若降低后的肌电信号的采样频率小于所述频率阈值,则停止降低肌电信号的采样频率,并以所述频率阈值对肌电信号进行采样。
第二方面,本发明实施例还提供一种肌电信号采样频率控制装置,其特征在于,所述装置包括:
动作确定模块,用于采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;
动作筛选模块,用于获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;
频率控制模块,用于基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
在一种实现方式中,所述动作确定模块,包括:
模型输入单元,用于将若干所述肌电信号输入至预先训练好的用于识别手势动作的手势识别模型中;
模型输出单元,用于通过所述手势识别模型对所述肌电信号进行处理,输出对应的手势动作。
在一种实现方式中,所述装置还包括:
样本采集模块,用于采集若干肌电样本信号,并确定每一个肌电样本信号对应的样本手势动作,组成训练数据集,所述训练数据集中具有肌电样本信号与样本手势动作之间的映射关系;
模型训练模块,用于将所述训练数据集输入至预设的神经网络模型中进行训练,得到所述手势识别模型。
在一种实现方式中,所述动作筛选模块,包括:
时刻记录单元,用于记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定;
电位获取单元,用于获取每一个手势动作所对应的动作电位信息;
电位比较单元,用于将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较;
动作筛选单元,用于重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,以筛选出所述相同的手势动作。
在一种实现方式中,所述频率控制模块,包括:
时刻信息分析单元,用于从所述相同的手势动作中的每一个手势动作的时刻信息中确定所述相同的手势动作的初始时刻与结束时刻;
持续时间确定单元,用于基于所述初始时刻与所述结束时刻,确定所述相同的手势动作的持续时间。
在一种实现方式中,所述频率控制模块,包括:
时间比较单元,用于将所述持续时间依次与预设的第一时间阈值和第二时间阈值进行比较,其中,所述第一时间阈值小于所述第二时间阈值;
第一降频单元,用于若所述持续时间大于所述第一时间阈值,则降低肌电信号的采样频率;
第二降频单元,用于若所述持续时间大于所述第二时间阈值,则继续降低肌电信号的采样频率。
在一种实现方式中,所述频率控制模块,包括:
降频控制单元,用于获取降低后的肌电信号的采样频率,并将降低后的肌电信号的采样频率与频率阈值进行比较;
降频停止单元,用于若降低后的肌电信号的采样频率小于所述频率阈值,则停止降低肌电信号的采样频率,并以所述频率阈值对肌电信号进行采样。
第三方面,本发明实施例还提供一种肌电设备,肌电设备包括存储器、处理器及存储在存储器中并可在处理器上运行的肌电信号采样频率控制程序,处理器执行肌电信号采样频率控制程序时,实现如上述方案中任一项的肌电信号采样频率控制方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有肌电信号采样频率控制程序,肌电信号采样频率控制程序被处理器执行时,实现如上述方案中任一项的肌电信号采样频率控制方法的步骤。
有益效果:与现有技术相比,本发明提供了一种肌电信号采样频率控制方法,本发明首先采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作。然后,获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作。最后,基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。本发明通过对肌电信号进行分析,从而确定出用一个手势动作的持续时间,由于用一个手势动作的持续时间可以反映出用户此刻想要长时间执行的动作,因此对于肌电设备来说,这一段时间内采集到的肌电信号是相同的,没有太大的差异,此时就可以对肌电设备的采样频率进行控制,以实现对肌电设备的能耗的控制。
附图说明
图1为本发明实施例提供的肌电信号采样频率控制方法的具体实施方式的流程图。
图2为本发明实施例提供的肌电信号采样频率控制装置的原理框图。
图3为本发明实施例提供的肌电设备的原理框图。
具体实施方式
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。
本实施例提供一种肌电信号采样频率控制方法,基于本实施例的方法可对肌电信号的采样频率进行控制,从而实现对肌电设备的能耗的控制。具体实施时,本实施例首先采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作。然后,本实施例获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作。最后,本实施例基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。本实施例通过对肌电信号进行分析,从而确定出用一个手势动作的持续时间,由于用一个手势动作的持续时间可以反映出用户此刻想要长时间执行的动作,因此对于肌电设备来说,这一段时间内采集到的肌电信号是相同的,没有太大的差异,此时就可以对肌电设备的采样频率进行控制,以实现对肌电设备的能耗的控制。
举例说明,肌点设备首先采集若干肌电信号,然后对这些肌电信号一一分析,得到对应的手势动作。比如,分析得到的手势动作为:食指敲击1、食指敲击2、食指敲击3、食指敲击4、手指打开5。接着记录每一个手势动作的时刻信息,食指敲击1的时刻信息为9:01:25、食指敲击2的时刻信息为9:01:26、食指敲击3的时刻信息为9:01:27、食指敲击4的时刻信息为9:01:28、手指打开5的时刻信息为9:01:29。并且肌电设备筛选出属于相同的手势动作,即食指敲击1、食指敲击2、食指敲击3、食指敲击4属于相同的手势动作,均为食指敲击动作。然后,肌电设备就可以确定出食指敲击动作的持续时间为4秒,在这4秒内的肌电设备采集到的肌电信号是相同的,则表示用户此时想要持续执行的动作为食指敲击动作,因此肌电设备持续采集到的肌电信号基本是相同的,此时肌电设备此时就可以降低对于肌电信号的采样频率,也不会影响手势动作的识别效果,且还会降低肌电设备的能耗。
示例性方法
本实施例中的肌电信号采样频率控制方法应用于肌电设备中,所述肌电设备可为智能仿生手等终端,具体地,如图1中所示,所述肌电信号采样频率控制方法包括如下步骤:
步骤S100、采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作。
本实施例中的肌电设备采集若干肌电信号,然后对这些肌电信号进行分析,确定出每一个肌电信号所对应的手势动作,确定手势动作的目的是为了确定此时的用户想要执行的动作以及动作意图。
在一种实现方式中,本实施例中在确定手势动作时,包括如下步骤:
步骤S101、将若干所述肌电信号输入至预先训练好的用于识别手势动作的手势识别模型中;
步骤S102、通过所述神经网络模型对所述肌电信号进行处理,输出对应的手势动作。
具体地,本实施例可预先训练一个手势识别模型,该手势识别模型是用于识别手势动作的,当本实施例采集到若干肌电信号后,将这肌电信号输入至训练好的手势识别模型中,就可以输出对应的手势动作,从而提高手势识别的效率。在训练所述识别手势模型时,本实施例采集大量的肌电样本信号,然后基于先验知识以及已经存储的手势模板来确定每一个肌电样本信号对应的样本手势动作。本实施例中的手势模板中预先设置了肌电信号与动作电位信息之间的对应关系,而不同的动作电位信息又代表不同的手势动作,因此基于该手势模板就可以确定出每一个肌电样本信号所对应的动作电位信息,进而确定出对应的样本手势动作。当确定出样本手势动作后,本实施例将肌电样本信号与样本手势动作之间进行绑定,并组成训练数据集。本实施例将肌电样本信号中,与样本手势动作的动作电位信息存在对应的关系的信号特征打上标签,这样就可以将肌电样本信号与样本手势动作之间建立联系,使得该训练数据集中具有肌电样本信号与样本手势动作之间的映射关系。当本实施例将该训练数据集输入至预设的神经网络模型中进行训练后,该神经网络模型就可以自动学习肌电样本信号中与样本手势动作之间的关联,在经过重复训练后,该神经网络模型就可以自动学习对于手势动作的识别,从而得到一个手势识别模型,该手势识别模型可自动识别出每一个肌电信号对应的手势动作。
步骤S200、获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作。
在采集若干肌电信号时,本实施例可采集预设时间段内的肌电信号,比如采集半分钟的肌电信号。每一个肌电信号都是实时采集的,因此每一个肌电信号都会对应各自的时刻信息。本实施例在识别出每一个肌电信号所对应的手势动作后,就会获取每一个手势动作对应的时刻信息。并且本实施例还从所有识别出的手势动作中筛选出相同的手势动作。
在一种实现方式中,上述步骤S200包括如下步骤:
步骤S201、记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定;
步骤S202、获取每一个手势动作所对应的动作电位信息;
步骤S203、将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较;
步骤S204、重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,以筛选出所述相同的手势动作。
具体地,本实施例首先记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定,绑定的目的是为了在后续过程中调取手势动作时会携带对应的时刻信息,方便进行处理。然后,本实施例获取每一个手势动作所对应的动作电位信息,由于不同的手势动作所对应的动作电位信息是不相同的,因此本实施例可以动作电位信息的相似性来筛选出相同的手势动作。具体地,本实施例首先将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较,然后再重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,这样就可以保证所有的动作电位信息都彼此之间比较过,以便更为准确地筛选出所述相同的手势动作。比如,识别出所有的手势动作对应的动作电位信息包括动作电位信息A、动作电位信息B、动作电位信息C、动作电位信息D。首先将动作电位信息A作为匹配项,依次与动作电位信息B、动作电位信息C、动作电位信息D进行比较;比较完之后,再将动作电位信息B作为匹配项,依次与动作电位信息C、动作电位信息D进行比较;比较完之后,再将动作电位信息C作为匹配项,与动作电位信息D进行比较,这样就可以保证所有的动作电位信息都比较过一遍。在比较的过程中,当两个动作电位信息之间的相似度大于预设预制(如95%)则就可以认为这两个动作电位信息所对应的手势动作是相同的手势动作,基于此,本实施例就可以筛选出所有的相同的手势动作。
步骤S300、基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
当本实施例筛选出相同的手势动作后,本实施例基于相同的手势动作以及每一个所述手势动作所对应的时刻信息,就可以确定出相同的手势动作的持续时间,而所述持续时间就可以反映出此时用户的动作意图以及用户倾向性长时间执行某个手势动作,以便根据持续时间来对肌电信号的采样频率进行控制。
在一种实现方式中,本实施例中在对采样频率进行控制时,包括如下步骤:
步骤S301、从所述相同的手势动作中的每一个手势动作的时刻信息中确定所述相同的手势动作的初始时刻与结束时刻;
步骤S302、基于所述初始时刻与所述结束时刻,确定所述相同的手势动作的持续时间;
步骤S303、将所述持续时间依次与预设的第一时间阈值和第二时间阈值进行比较,其中,所述第一时间阈值小于所述第二时间阈值;
步骤S304、若所述持续时间大于所述第一时间阈值,则降低肌电信号的采样频率;
步骤S305、若所述持续时间大于所述第二时间阈值,则继续降低肌电信号的采样频率。
具体地,由于所有的手势动作都对应有时刻信息,因此当本实施例中筛选出相同的手势动作后,本实施例可获取这些相同的手势动作对应的时刻信息,然后基于时刻信息的先后顺序,确定相同的手势动作的初始时刻与结束时刻,基于所述初始时刻与所述结束时刻,就可以确定所述相同的手势动作的持续时间。比如,食指敲击1的时刻信息为9:01:25、食指敲击2的时刻信息为9:01:26、食指敲击3的时刻信息为9:01:27、食指敲击4的时刻信息为9:01:28,相同的手势动作为食指敲击,且食指敲击的初始时刻为9:01:25,结束时刻为9:01:28,因此确定出的食指敲击这个手势动作的持续时间为4秒。
进一步地,当确定出持续时间后,本实施例将持续时间分别与预设的第一时间阈值和第二时间阈值进行比较,且所述第一时间阈值小于所述第二时间阈值。由于本实施例中持续时间可反映出用户的动作意图以及倾向性持续的动作,因此将该持续时间与第一时间阈值和第二时间阈值进行比较,可判断出此时用户是否是长时间持续某个手势动作。具体地,若所述持续时间大于所述第一时间阈值(如2秒),则表示用户已经持续执行该相同的手势动作(如上述举例中的食指敲击动作)已经一段时间了,并且可以判断接下来用户可能会继续执行该食指敲击动作,因此此时就可以降低肌电设备对于肌电信号的采样频率,由于采样频率降低了,就减少了肌电信号的采集量,因此也就减少了因肌电信号所导致的控制指令的触发,从而避免了无意识的控制指令的波动,且也降低了肌电设备的能耗。而此时可以持续监测该相同的手势动作的持续时间,如果该持续时间延长了,且持续时间大于第二时间阈值(如4秒),则表示此时用户已经执行该相同的手势动作(如上述举例中的食指敲击动作)已经很长时间了,本实施例可进一步降低肌电设备对于肌电信号的采样频率,由于持续时间内所采集的肌电信号是相同的,手势动作也是相同的,因此将采样频率进一步降低也不会影响肌电信号的采集,不会影响控制结果,进一步降低肌电设备的能耗。
进一步地,本实施例还获取降低后的肌电信号的采样频率,并将降低后的肌电信号的采样频率与频率阈值进行比较。若降低后的肌电信号的采样频率小于所述频率阈值,则停止降低肌电信号的采样频率,此时采样频率已经比极限值(频率阈值)还低,此时无法再继续降低采样频率,本实施例可控制肌电设备以所述频率阈值对肌电信号进行采样,使得肌电设备保持最低频率进行待机采样。
在另一种实现方式中,本实施例还可以基于肌电设备的降频次数来控制肌电设备停止降频的时机,比如,本实施例可设置次数阈值(如两次),如果肌电设备对肌电信号采样频率降低的次数已经达到了次数阈值(即两次),此时就无法再继续对采样频率进行降低,此时就可控制肌电设备以所述频率阈值对肌电信号进行采样。此外,当本实施例中的肌电设备无法再继续降低采样频率时,还可基于语音、灯光、震动等提醒方式来对用户进行提醒,以便让用户更好地使用该肌电设备。
综上,本实施例首先采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作。然后,本实施例获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作。最后,本实施例基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。本实施例通过对肌电信号进行分析,从而确定出用一个手势动作的持续时间,由于用一个手势动作的持续时间可以反映出用户此刻想要长时间执行的动作,因此对于肌电设备来说,这一段时间内采集到的肌电信号是相同的,没有太大的差异,此时就可以对肌电设备的采样频率进行控制,以实现对肌电设备的能耗的控制。
示例性装置
基于上述实施例,本发明还提供一种肌电信号采样频率控制装置,如图2中所示,所述装置包括:动作确定模块10、动作筛选模块20以及频率控制模块30。具体地,所述动作确定模块10,用于采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作。所述动作筛选模块20,用于获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作。所述频率控制模块30,用于基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
在一种实现方式中,所述动作确定模块10,包括:
模型输入单元,用于将若干所述肌电信号输入至预先训练好的用于识别手势动作的手势识别模型中;
模型输出单元,用于通过所述神经网络模型对所述肌电信号进行处理,输出对应的手势动作。
在一种实现方式中,所述装置还包括:
样本采集模块,用于采集若干肌电样本信号,并确定每一个肌电样本信号对应的样本手势动作,组成训练数据集,所述训练数据集中具有肌电样本信号与样本手势动作之间的映射关系;
模型训练模块,用于将所述训练数据集输入至预设的神经网络模型中进行训练,得到所述手势识别模型。
在一种实现方式中,所述动作筛选模块20,包括:
时刻记录单元,用于记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定;
电位获取单元,用于获取每一个手势动作所对应的动作电位信息;
电位比较单元,用于将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较;
动作筛选单元,用于重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,以筛选出所述相同的手势动作。
在一种实现方式中,所述频率控制模块30,包括:
时刻信息分析单元,用于从所述相同的手势动作中的每一个手势动作的时刻信息中确定所述相同的手势动作的初始时刻与结束时刻;
持续时间确定单元,用于基于所述初始时刻与所述结束时刻,确定所述相同的手势动作的持续时间。
在一种实现方式中,所述频率控制模块30,包括:
时间比较单元,用于将所述持续时间依次与预设的第一时间阈值和第二时间阈值进行比较,其中,所述第一时间阈值小于所述第二时间阈值;
第一降频单元,用于若所述持续时间大于所述第一时间阈值,则降低肌电信号的采样频率;
第二降频单元,用于若所述持续时间大于所述第二时间阈值,则继续降低肌电信号的采样频率。
在一种实现方式中,所述频率控制模块30,包括:
降频控制单元,用于获取降低后的肌电信号的采样频率,并将降低后的肌电信号的采样频率与频率阈值进行比较;
降频停止单元,用于若降低后的肌电信号的采样频率小于所述频率阈值,则停止降低肌电信号的采样频率,并以所述频率阈值对肌电信号进行采样。
本实施例的肌电信号采样频率控制装置中各个模块的工作原理与上述方法实施例中各个步骤的原理相同,此处不再赘述。
基于上述实施例,本发明还提供了一种肌电设备,该肌电设备的原理框图可以如图3所示。该肌电设备包括通过***总线连接的处理器、存储器,处理器与存储器设置在主机中。其中,该肌电设备的处理器用于提供计算和控制能力。该肌电设备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。该肌电设备的网络接口用于与外部的终端通过网络通讯连接通信。该计算机程序被处理器执行时以实现一种肌电信号采样频率控制方法。
本领域技术人员可以理解,图3中示出的原理框图,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肌电设备的限定,具体的肌电设备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,提供了一种肌电设备,肌电设备包括存储器、处理器及存储在存储器中并可在处理器上运行的肌电信号采样频率控制方法程序,处理器执行肌电信号采样频率控制方法程序时,实现如下操作指令:
采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;
获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;
基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
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、运营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)、双运营数据率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,本发明公开了肌电信号采样频率控制方法、装置及存储介质,所述方法包括:采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。本发明可实现对肌电信号采样频率的控制,有利于降低肌电设备的功耗。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (16)
1.一种肌电信号采样频率控制方法,其特征在于,所述方法包括:
采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;
获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;
基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
2.根据权利要求1所述的肌电信号采样频率控制方法,其特征在于,所述基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作,包括:
将若干所述肌电信号输入至预先训练好的用于识别手势动作的手势识别模型中;
通过所述手势识别模型对所述肌电信号进行处理,输出对应的手势动作。
3.根据权利要求2所述的肌电信号采样频率控制方法,其特征在于,所述手势识别模型的训练过程包括:
采集若干肌电样本信号,并确定每一个肌电样本信号对应的样本手势动作,组成训练数据集,所述训练数据集中具有肌电样本信号与样本手势动作之间的映射关系;
将所述训练数据集输入至预设的神经网络模型中进行训练,得到所述手势识别模型。
4.根据权利要求2所述的肌电信号采样频率控制方法,其特征在于,所述获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作,包括:
记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定;
获取每一个手势动作所对应的动作电位信息;
将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较;
重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,以筛选出所述相同的手势动作。
5.根据权利要求4所述的肌电信号采样频率控制方法,其特征在于,所述基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,包括:
从所述相同的手势动作中的每一个手势动作的时刻信息中确定所述相同的手势动作的初始时刻与结束时刻;
基于所述初始时刻与所述结束时刻,确定所述相同的手势动作的持续时间。
6.根据权利要求1所述的肌电信号采样频率控制方法,其特征在于,所述基于所述持续时间对肌电信号的采样频率进行控制,包括:
将所述持续时间依次与预设的第一时间阈值和第二时间阈值进行比较,其中,所述第一时间阈值小于所述第二时间阈值;
若所述持续时间大于所述第一时间阈值,则降低肌电信号的采样频率;
若所述持续时间大于所述第二时间阈值,则继续降低肌电信号的采样频率。
7.根据权利要求6所述的肌电信号采样频率控制方法,其特征在于,所述基于所述持续时间对肌电信号的采样频率进行控制,包括:
获取降低后的肌电信号的采样频率,并将降低后的肌电信号的采样频率与频率阈值进行比较;
若降低后的肌电信号的采样频率小于所述频率阈值,则停止降低肌电信号的采样频率,并以所述频率阈值对肌电信号进行采样。
8.一种肌电信号采样频率控制装置,其特征在于,所述装置包括:
动作确定模块,用于采集若干肌电信号,并基于若干所述肌电信号,确定每一个所述肌电信号对应的手势动作;
动作筛选模块,用于获取每一个所述手势动作对应的时刻信息,并筛选出相同的手势动作;
频率控制模块,用于基于所述相同的手势动作以及每一个所述手势动作所对应的时刻信息,确定所述相同的手势动作的持续时间,并基于所述持续时间对肌电信号的采样频率进行控制。
9.根据权利要求8所述的肌电信号采样频率控制装置,其特征在于,所述动作确定模块,包括:
模型输入单元,用于将若干所述肌电信号输入至预先训练好的用于识别手势动作的手势识别模型中;
模型输出单元,用于通过所述手势识别模型对所述肌电信号进行处理,输出对应的手势动作。
10.根据权利要求8所述的肌电信号采样频率控制装置,其特征在于,所述装置还包括:
样本采集模块,用于采集若干肌电样本信号,并确定每一个肌电样本信号对应的样本手势动作,组成训练数据集,所述训练数据集中具有肌电样本信号与样本手势动作之间的映射关系;
模型训练模块,用于将所述训练数据集输入至预设的神经网络模型中进行训练,得到所述手势识别模型。
11.根据权利要求8所述的肌电信号采样频率控制装置,其特征在于,所述动作筛选模块,包括:
时刻记录单元,用于记录每一个手势动作所对应的时刻信息,并将手势动作与时刻信息进行绑定;
电位获取单元,用于获取每一个手势动作所对应的动作电位信息;
电位比较单元,用于将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较;
动作筛选单元,用于重复执行将其中一个动作电位信息作为匹配项,将所述匹配项依次与剩余的动作电位信息进行比较的步骤,直至所有的动作电位信息均被作为匹配项,以筛选出所述相同的手势动作。
12.根据权利要求8所述的肌电信号采样频率控制装置,其特征在于,所述频率控制模块,包括:
时刻信息分析单元,用于从所述相同的手势动作中的每一个手势动作的时刻信息中确定所述相同的手势动作的初始时刻与结束时刻;
持续时间确定单元,用于基于所述初始时刻与所述结束时刻,确定所述相同的手势动作的持续时间。
13.根据权利要求12所述的肌电信号采样频率控制装置,其特征在于,所述频率控制模块,包括:
时间比较单元,用于将所述持续时间依次与预设的第一时间阈值和第二时间阈值进行比较,其中,所述第一时间阈值小于所述第二时间阈值;
第一降频单元,用于若所述持续时间大于所述第一时间阈值,则降低肌电信号的采样频率;
第二降频单元,用于若所述持续时间大于所述第二时间阈值,则继续降低肌电信号的采样频率。
14.根据权利要求13所述的肌电信号采样频率控制装置,其特征在于,所述频率控制模块,包括:
降频控制单元,用于获取降低后的肌电信号的采样频率,并将降低后的肌电信号的采样频率与频率阈值进行比较;
降频停止单元,用于若降低后的肌电信号的采样频率小于所述频率阈值,则停止降低肌电信号的采样频率,并以所述频率阈值对肌电信号进行采样。
15.一种肌电设备,其特征在于,肌电设备包括存储器、处理器及存储在存储器中并可在处理器上运行的肌电信号采样频率控制程序,处理器执行肌电信号采样频率控制程序时,实现如权利要求1-7任一项的肌电信号采样频率控制方法的步骤。
16.一种计算机可读存储介质,其特征在于,计算机可读存储介质上存储有肌电信号采样频率控制程序,肌电信号采样频率控制程序被处理器执行时,实现如权利要求1-7任一项的肌电信号采样频率控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612029.XA CN114707562B (zh) | 2022-06-01 | 2022-06-01 | 一种肌电信号采样频率控制方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210612029.XA CN114707562B (zh) | 2022-06-01 | 2022-06-01 | 一种肌电信号采样频率控制方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707562A true CN114707562A (zh) | 2022-07-05 |
CN114707562B CN114707562B (zh) | 2022-09-02 |
Family
ID=82176121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210612029.XA Active CN114707562B (zh) | 2022-06-01 | 2022-06-01 | 一种肌电信号采样频率控制方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707562B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115153985A (zh) * | 2022-09-08 | 2022-10-11 | 深圳市心流科技有限公司 | 智能假肢的控制方法、装置、终端及计算机可读存储介质 |
CN115204242A (zh) * | 2022-09-09 | 2022-10-18 | 深圳市心流科技有限公司 | 一种调整动作模板比对阈值的方法、装置及存储介质 |
CN115251957A (zh) * | 2022-09-26 | 2022-11-01 | 深圳市心流科技有限公司 | 一种逐级调整采样频率的方法、装置及存储介质 |
CN116360592A (zh) * | 2023-03-17 | 2023-06-30 | 浙江强脑科技有限公司 | 智能仿生手的控制方法、设备、智能仿生手及存储介质 |
CN116449967A (zh) * | 2023-06-20 | 2023-07-18 | 浙江强脑科技有限公司 | 仿生手教具及其控制方法、主控设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111870242A (zh) * | 2020-08-03 | 2020-11-03 | 南京邮电大学 | 一种基于肌电信号的智能手势动作生成方法 |
CN114452054A (zh) * | 2022-02-23 | 2022-05-10 | 深圳市心流科技有限公司 | 智能假肢的控制方法、装置、智能假肢及存储介质 |
-
2022
- 2022-06-01 CN CN202210612029.XA patent/CN114707562B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111870242A (zh) * | 2020-08-03 | 2020-11-03 | 南京邮电大学 | 一种基于肌电信号的智能手势动作生成方法 |
CN114452054A (zh) * | 2022-02-23 | 2022-05-10 | 深圳市心流科技有限公司 | 智能假肢的控制方法、装置、智能假肢及存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115153985A (zh) * | 2022-09-08 | 2022-10-11 | 深圳市心流科技有限公司 | 智能假肢的控制方法、装置、终端及计算机可读存储介质 |
CN115204242A (zh) * | 2022-09-09 | 2022-10-18 | 深圳市心流科技有限公司 | 一种调整动作模板比对阈值的方法、装置及存储介质 |
CN115251957A (zh) * | 2022-09-26 | 2022-11-01 | 深圳市心流科技有限公司 | 一种逐级调整采样频率的方法、装置及存储介质 |
CN116360592A (zh) * | 2023-03-17 | 2023-06-30 | 浙江强脑科技有限公司 | 智能仿生手的控制方法、设备、智能仿生手及存储介质 |
CN116449967A (zh) * | 2023-06-20 | 2023-07-18 | 浙江强脑科技有限公司 | 仿生手教具及其控制方法、主控设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114707562B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707562B (zh) | 一种肌电信号采样频率控制方法、装置及存储介质 | |
Savur et al. | Real-time american sign language recognition system using surface emg signal | |
US9720515B2 (en) | Method and apparatus for a gesture controlled interface for wearable devices | |
McFarland et al. | BCI meeting 2005-workshop on BCI signal processing: feature extraction and translation | |
CN108182937B (zh) | 关键词识别方法、装置、设备及存储介质 | |
Coyle et al. | A time-series prediction approach for feature extraction in a brain-computer interface | |
WO2022012364A1 (zh) | 肌电信号处理、外骨骼机器人控制方法及装置 | |
CN108703824B (zh) | 一种基于肌电手环的仿生手控制***及控制方法 | |
Oh et al. | Classification of hand gestures based on multi-channel EMG by scale Average wavelet transform and convolutional neural network | |
Carfi et al. | Online human gesture recognition using recurrent neural networks and wearable sensors | |
CN113977589A (zh) | 一种手势识别阈值调整方法、装置及存储介质 | |
CN109800720A (zh) | 情绪识别模型训练方法、情绪识别方法、装置、设备及存储介质 | |
CN106484082B (zh) | 一种基于生物电的控制方法、装置及控制器 | |
CN110443113A (zh) | 一种虚拟现实书写方法、***和存储介质 | |
CN112001305B (zh) | 基于梯度提升决策树的特征优化ssvep异步识别方法 | |
Malešević et al. | Decoding of individual finger movements from surface EMG signals using vector autoregressive hierarchical hidden Markov models (VARHHMM) | |
Qureshi et al. | E2cnn: An efficient concatenated cnn for classification of surface emg extracted from upper limb | |
Jaramillo-Yanez et al. | Short-term hand gesture recognition using electromyography in the transient state, support vector machines, and discrete wavelet transform | |
Kumar et al. | A deep spatio-temporal model for EEG-based imagined speech recognition | |
Jo et al. | Real-time hand gesture classification using crnn with scale average wavelet transform | |
Young et al. | Pattern recognition for prosthetic hand user’s intentions using EMG data and machine learning techniques | |
CN108491792B (zh) | 基于眼电信号的办公场景人机交互行为识别方法 | |
Aggelides et al. | A gesture recognition approach to classifying allergic rhinitis gestures using wrist-worn devices: a multidisciplinary case study | |
CN110751060B (zh) | 一种基于多源信号的便携式运动模式实时识别*** | |
Derr et al. | Signer-independent classification of American sign language word signs using surface EMG |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Han Bicheng Inventor before: Han Bicheng |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |