基于表面肌電信號分解的手部動作識別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)計生物信號識別技術(shù)領(lǐng)域，具體涉及一種基于表面肌電信號分解的手部 動作識別方法。
【背景技術(shù)】
[0002] 手部動作識別已經(jīng)成為人機(jī)交互的重要方法之一，廣泛應(yīng)用于手語識別、假肢控 制、體感游戲控制、遙操作等領(lǐng)域。基于肌電信號（SEMG)的手部動作識別方法，具有實時、 便捷、無創(chuàng)的特點，且更適用于助老助殘等康復(fù)領(lǐng)域，目前已經(jīng)得到越來越廣泛的關(guān)注。
[0003] 傳統(tǒng)的手部動作識別方法，常利用多個通道的sEMG數(shù)據(jù)[1-8]，提取相應(yīng)的時域 [4,5]、頻域[6, 7]、時頻域[8]的特征，利用特定的數(shù)據(jù)分類算法[9-11]，完成動作分類。
[0004] 目前，國內(nèi)東南大學(xué)宋愛國（中國專利CN103006358)提出一種基于sEMG最大值與 最小值比例因子的方法，通過兩通道的sEMG，實現(xiàn)兩個動作識別。杭州電子科技大學(xué)張啟忠 (中國專利CN102930284)提出基于經(jīng)驗?zāi)B(tài)分解與分形的表面肌電信號模式識別方法，利 用一個通道sEMG信號，識別展拳動作。太原科技大學(xué)郭一娜（中國專利CN102631185A)提 出利用經(jīng)驗?zāi)B(tài)分解與獨立成分分析的方法，對多路sEMG信號進(jìn)行分離，從而降低硬件復(fù) 雜度。綜上所述，目前的研究與應(yīng)用中，未見到基于單通道sEMG分解的手勢識別。
[0005] 由此可知，在實際應(yīng)用中，要精確識別出多個不同手勢，則需要多個通道sEMG信 號。而傳感器數(shù)量的增加，一方面造成系統(tǒng)復(fù)雜度提升，另一方面也帶來了更大的噪聲干 擾，且由于肌肉形狀與傳感器體積的限制，使用更少的傳感器，識別出更多的手勢，是目前 亟需解決的重要問題。
[0006] [1]張旭，基于表面肌電信號的人體動作識別與交互，生物醫(yī)學(xué)工程，中國科學(xué) 技術(shù)大學(xué)，2010年博士學(xué)位論文
[0007] [2]趙章琰，表面肌電信號檢側(cè)和處理中若干關(guān)鍵技術(shù)研究，生物醫(yī)學(xué)工程，中 國科學(xué)技術(shù)大學(xué)，2010年博士學(xué)位論文
[0008] [3]楊大鵬，仿人型假手多運動模式的肌電控制研究，機(jī)械電子工程，哈爾濱工 業(yè)大學(xué)，2011年博士論文
[0009] [4]Ding,Q.C. ,Xiong,A.B. ,Zhao,X.G. ,andHan,J.D. (2011,October). AnovelEMG-drivenstatespacemodelfortheestimationofcontinuous jointmovements.In2011IEEEInternationalConferenceonSystems,Man,and Cybernetics(SMC),pp. 2891-2897.
[0010] [5]Xiong,A. ,Chen,Y. ,Zhao,X. ,Han,J. ,andLiu,G. (2011,December).Anovel HCIbasedonEMGandIMU.In2011IEEEInternationalConferenceonRoboticsand Biomimetics(R0BI0),pp. 2653-2657.
[0011] [6]Chang，K.M.，Liu，S.H.，Wang，J.J.，andCheng，D.C. (2013,July). Exercisemusclefatiguedetectionsystemimplementationviawireless surfaceelectromyographyandempiricalmodedecomposition.In35thAnnual InternationalConferenceoftheIEEEEngineeringinMedicineandBiology Society(EMBC)，pp. 1001-1004.
[0012] [7]Singh,V.P. ,Kumar,D.K. ,Polus,B. ,andFraser,S. (2007).Strategiesto identifychangesinSEMGduetomusclefatigueduringcycling.Journalof medicalengineering&technology,31 (2), 144-151.
[0013] [8]Li,W.G. ,andLuo,Z.Z. (2008,June).Wavelettransformandindependent componentanalysisapplicationtomulti-channelSEMGprocessing.InIEEE InternationalConferenceonInformationandAutomation, 2008.ICIApp. 826-830.
[0014][9]Xiong，A.，Lin，G.，Zhao，X.，Han，J.，&Liu，G. (2012，October). FeasibilityofEMG-basedANNcontrollerforareal-timevirtualreal itysimulation.In2012_38thAnnualConferenceonIEEEIndustrialElectronics Society,pp. 2699-2704.
[0015] [10]Naik,G.R. , &Kumar,D.K. (2010).TwinSVMforgestureclassification usingthesurfaceelectromyogram.IEEETransactionsonInformationTechnologyin Biomedicine，14(2)，301-308.
[0016][ll]Al_Timemy，A.，Bugmann，G.，Escudero,J.，&Outram，N. (2013). ClassificationofFingerMovementsfortheDexterousHandProsthesis ControlwithSurfaceElectromyography.IEEEJournalofBiomedicalandHealth Informatics, 608-618.

【發(fā)明內(nèi)容】

[0017] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于單通道SEMG分解的高準(zhǔn)確率手部動 作識別方法。能夠利用一個通道的sEMG信號，準(zhǔn)確識別握拳、伸掌、捏食指、中指等手勢動 作。
[0018] 本發(fā)明為實現(xiàn)上述目的所采用的技術(shù)方案是：一種基于sEMG分解的手部動作識 別方法，
[0019] 采集旋前方肌處sEMG信號；
[0020] 采用二階差分濾波方法對采集到的sEMG信號進(jìn)行濾波；
[0021] 對濾波后的sEMG信號，進(jìn)行尖峰檢測，得到的所有尖峰組成樣本矩陣；
[0022] 對樣本矩陣采用PCA方法降維；
[0023] 將降維后的樣本矩陣采用高斯混合模型進(jìn)行聚類，得到MUAPT;
[0024] 將得到的MUAPT，采用滑動平均方法進(jìn)行處理，提取相應(yīng)特征，并組成特征向量；
[0025] 對特征向量采用PCA降維；
[0026] 降維后的樣本利用LDA進(jìn)行分類，得到不同的手部動作。
[0027] 所述采用的二階差分濾波方法如下：
[0028]xt =Yt+a-yt+rYt+yt-!
[0029] 其中yt是采集到的原始sEMG信號，xt是濾波后的sEMG信號，t為采樣時間。
[0030] 所述對濾波后的sEMG信號進(jìn)行尖峰檢測包括以下過程：
[0031] 閾值的計算公式如下：
[0033] 其中，Cl=3. 5,xt是濾波后的sEMG信號，
[0034] 記錄濾波后的sEMG信號中，由下向上穿越閾值a的采樣點Xi，以及與之鄰近的由 上向下穿越閾值的采樣點xi+k;Xi到xi+k中的最大值即為尖峰峰值：
[0035] peak；= max (xi； xi+1, . . . , xi+k)
[0036] 其中，peaki為尖峰峰值；
[0037] 確定尖峰峰值位置后，則一個尖峰由其相鄰的八個采樣點組成：
[0038] spike；= {peaki_3, ? ? ? , peak；, . . . , peaki+4}
[0039] 其中spikei為一個尖峰。
[0040] 所述所有尖峰組成樣本矩陣：
[0042] 其中，SPIKE是所有尖峰組成樣本矩陣，peaki為尖峰峰值，q指sEMG信號中檢測 到的尖峰的個數(shù)。
[0043] 所述對樣本矩陣采用PCA方法降維包括：
[0044] [pci,score,latent] =princomp(SPIKE)
[0045]pcaSPIKEpXD =SPIKEpX8*pcl(:，1:D)
[0046] 其中，princomp(?)是主元分析函數(shù)，pc2是主元分析投影矩陣，latent是協(xié)方差 矩陣的特征值，score是SPIKE在主成分空間的投影表示，SPIKE與pci的前D列相乘，得到 pcaSPIKE矩陣。
[0047] 所述將降維后的樣本矩陣采用高斯混合模型進(jìn)行聚類，得到MUAPT包括以下過 程：
[0048] 〇bj = gmdistribution. fit(pcaSPIKE, k)
[0049] label = cluster(obj, pcaSPIKE)
[0050] 其中，gmdistribution. fit(?)為高斯混合模型訓(xùn)練函數(shù)，obj為訓(xùn)練得到的高 斯混合模型，其中包含M個組元，即將原始的sEMG信號分成了M類，cluster(?)是聚類函 數(shù)，能夠根據(jù)obj將pcaSPIKE樣本分為不同的類別，以不同的label表示出來，其中l(wèi)abel 是類別的標(biāo)記；
[0051] 將屬于同一個類別的尖峰spikei按照其在原來sEMG信號中的先后順序排列，小 于閾值的sEMG信號用0代替，就分別構(gòu)成了M個MUAPT。
[0052] 所述滑動平均方法中，采用的時間窗為N，滑動窗為N/4。
[0053] 所述相應(yīng)特征包括絕對值積分（IAV)，最大值（MAX),非零中值（NonZeroMed)，非 零中值序號（Ind)，其計算公式如下：
[0056]NonZeroMed=median(nonzeros(x1；x2, . . . ,xi； . . . ,xN))
[0057] Ind = index of the NonZeroMed
[0058] 其中Xi是sEMG的第i個采樣值，N為時間窗的長度，median(?)表示計算序列的 中值，nonzeros(?)表示計算序列的非零值，Ind表示非零中值在原時間窗中所在的位置。
[0059] 所述特征向量為：
[0061] 其中，M表示分解得到的MUAPT的個數(shù)，p為時間窗的個數(shù)，IAV是絕對值積分，MAX 是最大值，NonZeroMed是非零中值，Ind是非零中值序號。
[0062] 所述對特征向量采用PCA降維過程包括：
[0063] [pc2,score,latent] =princomp(FV)
[0064]pcaFVpXr =FVpX4M*pc2 (:,l:r)
[0065]其中，princomp( ?)是主元分析函數(shù)，pc2是主元分析投影矩陣，latent是協(xié)方差 矩陣的特征值，score是SPIKE在主成分空間的投影表示，特征向量FV與pc2的前r列相 乘，得到降維后的矩陣pcaFV。
[0066] 所述對降維后的樣本利用LDA進(jìn)行分類包括：
[0067] class=classify (sample, pcaFV, group)
[0068] 其中，classify(?)是LDA分類函數(shù)，sample是待分類的數(shù)據(jù)樣本，pcaFV是降維 后的矩陣，group是對應(yīng)所屬的類別。
[0069] 本發(fā)明具有以下有益效果及優(yōu)點：
[0070] 1.本發(fā)明利用一個通道的sEMG信號，正確識別五個手部動作，在實際應(yīng)用中，能 夠有效減少傳感器數(shù)量，提高系統(tǒng)的實用性。
[0071] 2.本發(fā)明采用二階差分濾波對肌電信號進(jìn)行預(yù)處理，能夠有效濾除環(huán)境噪聲對表 面肌電的影響；
[0072] 3.本發(fā)明利用閾值檢測的方法，檢測有效的MUAP尖峰，并進(jìn)行PCA降維及GMM聚 類，將一個通道sEMG分