一种基于表面肌电信号的手势动作在线识别方法及系统
阅读说明：本技术 一种基于表面肌电信号的手势动作在线识别方法及系统 (gesture action online recognition method and system based on surface electromyographic signals ) 是由 刘聪 周淑旺 费炜 胡胜 于 2019-09-11 设计创作，主要内容包括：本发明属于人工智能技术领域,公开了一种基于表面肌电信号的手势动作在线识别方法及系统,实时采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号；然后进行小波阈值去噪处理；提取处理后信号的均方根(RMS)特征和前4阶AR模型参数特征,最后用SVM投票法和聚类思想联合判别实时动作。每间隔0.05s识别一次。每种动作的训练样本个数只采集10个,样本数和特征种类数少,方便实时识别；利用SVM投票法和聚类思想联合判别,可以提高识别正确率；聚类思想的应用在一定程度上拒绝了对异常动作的识别。(The invention belongs to the technical field of artificial intelligence, and discloses a gesture action online recognition method and system based on surface electromyographic signals, which are used for collecting the surface electromyographic signals of four channels of brachial triceps, elbow, biceps brachii and brachial radius in real time; then, carrying out wavelet threshold denoising treatment; and extracting Root Mean Square (RMS) characteristics of the processed signals and parameters of the first 4-order AR model, and finally, jointly judging real-time actions by using an SVM voting method and a clustering idea. The identification is carried out every 0.05 s. The number of training samples of each action is only 10, the number of samples and the number of characteristic types are few, and real-time identification is convenient; the SVM voting method and the clustering idea are combined for discrimination, so that the recognition accuracy can be improved; the application of the clustering idea to a certain extent rejects the identification of abnormal actions.)
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于表面肌电信号的手势动作在线识别方法及系统。
背景技术
目前，最接近的现有技术：
随着科技的发展，对手势识别技术的研究已经成为热门课题，基于手势识别技术的应用也开始渗透到人们生活的方方面面，这是一项技术走向热门的标志。表面肌电信号的应用领域主要在人机交互和假肢控制。
在传统基于表面肌电信号的手势识别中，采用了类似语音识别的结构，即信号采集-活动段检测-特征提取-分类。这种方法需要对活动段进行检测后再识别。
对于基于表面肌电信号手势的识别，目前大多数方法虽然能达到很高的识别精度，但由于使用特征过多，不方便实时控制；而单一地使用时域特征或频域特征又会大大降低精度；另外，识别算法的复杂度对硬件也提出了相应的要求，否则实时性难以保证。
另外，许多识别算法鲁棒性不强，只对于几种固定的手势识别效果较好。
现在亟需一种可操作性强，算法易于实现的手势在线识别方法，并且能同时兼顾准确性和实时性。
综上所述，现有技术存在的问题是：
(1)每次识别之前都需要进行活动段检测。
(1)使用特征过多，不方便实时识别；单一地使用时域特征或频域特征会大大降低精度。
(2)识别算法的复杂度对硬件也提出了相应的要求，否则实时性难以保证。
(3)许多识别算法鲁棒性不强，只对于几种固定的手势识别效果较好。
解决上述技术问题的难度：
对于固定的若干种手势，使用特征和算法过多虽然可以提高正确率，但是实时性难以保证，另外识别算法的复杂度对硬件也提出了相应的要求。准确性和实时性难以兼顾。
为了提高算法鲁棒性，需要确定通用性和代表性强的特征和采集信号的肌肉位置，使算法能适用于更多种手势。
解决上述技术问题的意义：
首先，可以降低硬件设计的难度和复杂度，使整个系统的软硬件均易于实现；其次，在不降低太大正确率情况下，较高的实时性使得系统性能更优；最后，算法鲁棒性的提升有助于应用面变得更广。
发明内容
针对传统手势在线识别算法中算法鲁棒性不强及实时性和准确性难以兼顾的问题，本发明提供了一种基于表面肌电信号的手势动作在线识别方法及系统。
本发明是这样实现的，一种基于表面肌电信号的手势动作在线识别方法，包括：采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号。
提取通过降噪处理后表面肌电信号的前4阶AR模型参数特征和RMS特征，作为每个动作分类识别所使用的特征。
用SVM投票法和聚类思想联合判别实时动作；聚类思想的应用在一定程度上拒绝了对异常动作的识别。
进一步，所述基于表面肌电信号的手势动作在线识别方法包括如下步骤：
步骤一，选取所要识别的若干动作。
步骤二，采集训练样本。每种动作采集10个样本，使用硬件设备提取原始的表面肌电信号；进行小波阈值去噪处理。
步骤三，特征提取与选择。对于每个动作样本，肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征，其中，AR模型参数特征提取前4阶参数。
步骤四，手势实时识别。在任意两类动作样本之间设计一个SVM，k个类别的样本需设计k(k-1)/2个SVM，同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax。。
进一步，所述步骤三中，所述时间序列的均方根(RMS)特征可参照以下公式计算：
式中，RMS是均方根肌电值，N代表肌电信号样本数，X(t)是肌电信号值。
所述AR模型的定义为白噪声的输入和过去p个信号值进行累加：
由上式可知，当模型系数确定后，受到白噪声激励的系统模型随之确定。使用伯格法(burg)迭代求解AR模型的各阶系数，在求解AR模型各阶系数之前，还应确定所构建具体模型阶数p。
进一步，采用最终预测误差(FPE)准则对AR模型进行定阶。最终预测误差定义为：
式中，N为时间序列的长度，p为AR模型阶数，σ2为模型方差。
进一步，所述步骤四中SVM采用高斯核函数，表达式为：
式中，x，z分别为两个不同的特征向量，σ为标准差参数。
所述距离计算采用欧式距离公式，表达式为：
式中，d12为两个特征向量之间的距离，n为特征向量的维数，x1k和x2k分别为两个不同的特征向量。
进一步，所述步骤四中，动作在训练时，选择动作所对应的向量作为训练集，得到相应的SVM；在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。
所述用SVM投票法和聚类思想联合进行动作识别，具体操作包括：
若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。
本发明的另一目的在于提供一种实施所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势在线识别控制系统。
本发明的另一目的在于提供一种实施所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势动作在线识别装置。
综上所述，本发明的优点及积极效果为：
本发明只提取肌电信号的均方根特征和AR模型特征，每种类别样本只提取10个，提取样本数和特征种类数少，方便实时识别；而SVM算法又非常适用于小样本的分类问题，利用SVM投票法和聚类思想联合判别，可以提高识别正确率，因为聚类思想的应用在一定程度上拒绝了对异常动作的识别；另外，通用性和代表性强的特征和采集信号的肌肉位置使算法能适用于更多种手势，本专利所使用特征为均方根和前四阶AR模型系数特征，所确定的肌肉位置为肱三头肌、肘肌、肱二头肌、肱桡肌；最后，每隔极短时间识别一次，可以避免活动段检测。
使用本专利所述方法，采集10位健康成年人手臂表面肌电信号，每人随机做出动作，包括但不限于以下四种动作：屈肘、抬臂、外展和静止。分别统计每人100次识别的正确率。以上四种具体动作、识别正确率及硬件设备见附图。
附图说明
图1是本发明实施例提供的基于表面肌电信号的手势动作在线识别方法流程图。
图2是本发明实施例提供的SVM算法示意图。
图3是本发明中所做实验涉及到的屈肘、抬臂、外展和静止四种动作示意图。
图4是本发明中所做实验识别正确率散点图。
图5是本发明中所做实验所使用的表面肌电信号采集设备。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
对于简单粗手势的识别，由于使用特征过多，不方便实时控制；单一地使用时域特征或频域特征会大大降低精度。识别算法的复杂度对硬件也提出了相应的要求，否则实时性难以保证。现有技术在手势在线识别过程中难以兼顾准确性和实时性，且算法的鲁棒性不够好。
针对现有技术存在的问题，本发明提供了一种基于表面肌电信号的手势动作在线识别方法，下面结合附图对本发明作详细的描述。
本发明实施例提供的基于表面肌电信号的手势动作在线识别方法，采集肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号；提取通过预处理后表面肌电信号的前4阶AR模型参数特征和RMS特征，作为每个动作分类识别所使用的特征；用SVM投票法和聚类思想联合判别实时动作。聚类思想的应用在一定程度上拒绝了对异常动作的识别。
如图1所示，一种基于表面肌电信号的手势动作在线识别方法，包括如下步骤：
S101：选取所要识别的若干动作，例如动作屈肘、抬起手臂等。
S102：采集训练样本。每种动作采集10个样本，使用硬件设备提取原始的表面肌电信号，然后进行信号降噪处理。
S103：特征提取与选择。对于每个动作样本，肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征，其中，AR模型参数特征提取前4阶参数。
S104：手势实时识别。在任意两类动作样本之间设计一个SVM，k个类别的样本需设计k(k-1)/2个SVM，同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax。
在本发明实施例中，步骤S103中，时间序列的均方根(RMS)特征可参照以下公式计算：
式中，RMS是均方根肌电值，N代表肌电信号样本数，X(t)是肌电信号值。
所述AR模型的定义为白噪声的输入和过去p个信号值进行累加：
对于模型建立和识别的关键是确定其系数。由上式可知，当模型系数确定后，假定中受到白噪声激励的系统模型就随之确定。这里使用伯格法(burg)迭代求解AR模型的各阶系数，在求解AR模型各阶系数之前，还应该确定所构建具体模型阶数p。
在本发明实施例中，采用最终预测误差(FPE)准则对AR模型进行定阶。最终预测误差定义为：
式中，N为时间序列的长度，p为AR模型阶数，σ2为模型方差。
在本发明实施例中，所述步骤S104中SVM采用高斯核函数，表达式为：
式中，x，z分别为两个不同的特征向量，σ为标准差参数。
所述距离计算采用欧式距离公式，表达式为：
式中，d12为两个特征向量之间的距离，n为特征向量的维数，x1k和x2k分别为两个不同的特征向量。
在本发明实施例中，步骤S104中，动作在训练时，选择动作所对应的向量作为训练集，得到相应的SVM；在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。
在本发明实施例中，步骤S104中，所述用SVM投票法和聚类思想联合进行动作识别，具体操作包括：
若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。
下面结合实施例对本发明作进一步描述。
实施例1
本发明提供一种基于表面肌电信号的手势动作在线识别方法在医疗护理方面的应用。
某医院医疗护理人员所在护理室与病房是分开的，病人平时住在病房内，只有病人需要帮助的时候，如喝水、上厕所，医护人员才会护理病人。病人手臂上带有获取表面肌电信号的设备，该设备会将信号实时发送到护理室的电脑上，电脑通过运算判断若干种特定的手势动作。如果识别某动作在较短的时间内出现了两次，则认为该病人需要帮助，每一种帮助的内容对应一种手势。如屈肘表示要喝水。
为了保证识别的实时性和准确性，可以使用本发明的一种基于表面肌电信号的手势动作在线识别方法。
首先，确定肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号采集频率为1000HZ,然后使用算法实时进行信号的降噪处理。信号的处理在上位机上完成(即护理室的电脑上)。然后，每隔0.05s识别一次，每次每个通道取该识别时刻与1s前时刻这个时间段，形成新的时间序列，四个通道时间序列均如此操作。所使用特征为四个通道的AR模型系数和均方根特征，识别方法：SVM投票法和聚类思想联合进行识别，其中SVM采用高斯核函数。
实施例2
本发明提供一种用SVM投票法和聚类思想联合进行动作识别。具体包括：
假设有四类A,B,C,D四类动作。在训练的时候选择A,B；A,C；A,D；B,C；B,D；C,D所对应的向量作为训练集，然后得到六个SVM，在实时分类的时候，把对应的向量分别对六个结果进行测试，然后采取投票形式，最后得到一组结果。
投票是这样的：
A＝B＝C＝D＝0；
(A,B)-classifier如果是A win,则A＝A+1；otherwise,B＝B+1；
(A,C)-classifier如果是A win,则A＝A+1；otherwise,C＝C+1；
...
(C,D)-classifier如果是A win,则C＝C+1；otherwise,D＝D+1；
保留得票最多的那个类别。最后使用聚类思想联合进行动作识别，具体操作：若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类。其中Dmax为得票最多的那个类别样本的平均特征向量与该类样本特征向量之间的最大距离。
在本发明实施例中，图2是本发明实施例提供的SVM算法示意图。
图3是本发明中所做实验涉及到的屈肘、抬臂、外展和静止四种动作示意图。
图4是本发明中所做实验识别正确率散点图。
图5是本发明中所做实验所使用的表面肌电信号采集设备。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。