本发明涉及康复及运动辅助系统技术领域，具体而言，涉及一种基于表面肌电信号的动作模式识别方法及装置。
背景技术：
肌电信号(EMG，electromyography)是产生肌肉力的电信号根源，它是肌肉中许多运动单元动作电位在时间和空间上的叠加，反映了神经、肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。近年来，表面肌电信号(surface electromyography,sEMG)的研究引起了越来越多人的兴趣，表面肌电的检测分析已成为医学和生物医学工程界研究的热点问题之一。
表面肌电信号(sEMG)是伴随肌肉活动产生的一种重要的生物电信号。由表面肌电传感器在相应肌群皮肤表面捕获的肌肉活动信息不但能反映关节的伸屈状态和伸屈强度，还能反映动作完成过程中肢体的形状和位置等信息，是感知人体动作的重要方式。而且与利用针电极检测的肌电信号相比，表面肌电信号检测具有无创性，有广泛的应用前景，可广泛用于神经肌肉的基础研究、临床诊断、康复工程、运动医学及老年医学等领域。例如，由于有创肌电难以用于需长时间监护肌电的场合，因此表面肌电信号的研究在康复工程领域正积极地发挥其优势。现在可通过检测人体残肢表面肌电信号，提取出肢体的动作特征，来自动控制假肢运动。还可以利用表面肌电信号提取的特征作为功能性电刺激的控制信号，帮助瘫痪的肢体恢复运动功能。
通常所获得的表面肌电信号是一维时间序列信号，它是表面引导电极所触及的多个运动单位活动时所产生的电变化在时间和空间上迭加的结果，与不同机能状态和活动状态下参加活动的运动单元数量、不同运动单位的放电频率、运动单位的同步化程度、运动单位募集模式以及表面电极的放置位置、皮下脂肪厚度、体温变化等因素有关，因此表面肌电信号是一种非平稳、非线性的随机信号。现有的表面肌电信号分析大多是简单的处理一到两个通道肌电信号，很难准确的反映肌肉的活动状态以及精确地识别相应动作
因此，需要一种新的基于表面肌电信号的动作模式识别方法及装置。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现要素：
有鉴于此，本发明提供一种基于表面肌电信号的动作模式识别方法及装置，能够准确的反映肌肉的活动状态并准确的识别相应动作。
本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本发明的一方面，提出一种基于表面肌电信号的动作模式识别方法，该方法包括：获取使用者的多通道表面肌电信号；分别提取每一个通道的表面肌电信号的特征数据，所述特征数据包括时域特征数据与频域特征数据；通过所有通道的所述表面肌电信号的所述特征数据组成特征数据集合；以及通过所述特征数据集合与分类器模型对所述使用者的动作模式进行识别。
在本公开的一种示例性实施例中，还包括：通过预定的动作模式的多通道表面肌电信号生成所述分类器模型。
在本公开的一种示例性实施例中，所述通过预定的动作模式的多通道表面肌电信号生成所述分类器模型，包括：确定预设的动作模式；获取每一个预设的动作模式的多通道表面肌电信号；将所述多通道表面肌电信号进行数据处理，生成训练数据；以及使用所述训练数据对分类器进行训练以生成所述分类器模型。
在本公开的一种示例性实施例中，所述获取使用者的多通道表面肌电信号，包括：通过预设的多组电极获取所述使用者的多通道表面肌电信号，所述多通道表面信号的每一个通道信号与预设的多组电极中的每一个电极对应。
在本公开的一种示例性实施例中，所述多组电极的排列形式包括直线式，矩阵式和环绕式。
在本公开的一种示例性实施例中，所述多组电极的数量大于等于3个。
在本公开的一种示例性实施例中，所述通过所述特征数据集合与分类器模型对所述使用者的动作模式进行识别，包括：利用主成分分析法对所述特征数据集合进行降维处理，生成降维数据；以及将所述降维数据输入所述分类器模型中以确定所述使用者的动作模式。
在本公开的一种示例性实施例中，所述利用主成分分析法对所述特征数据集合进行降维处理，生成降维数据，包括：获取所述特征数据集合中每一维度数据的平均值，然后每一维的数据减去对应的平均值；获取获取所述特征数据集合中每一维度数据的特征协方差矩阵；获取获取所述特征数据集合中每一维度数据的特征值和特征向量；以及将特征值按照从大到小的顺序排序，选择其中最大的k个特征值，然后将其对应的k个特征向量分别作为列向量组成该维度数据的特征向量矩阵V，其中k为正整数。
在本公开的一种示例性实施例中，所述利用主成分分析法对所述特征数据集合进行降维处理，生成降维数据，还包括：将所述特征数据集合投影到k个特征向量上，以生成所述降维数据。
在本公开的一种示例性实施例中，所述时域特征数据，包括：算数平均值，方差，均方根，波长，以及过零点数。
在本公开的一种示例性实施例中，所述频域特征数据，包括：平均功率，平均频率，以及中值频率。
根据本发明的一方面，提出一种基于表面肌电信号的动作模式识别装置，该装置包括：接收模块，用于获取使用者的多通道表面肌电信号；提取模块，用于分别提取每一个通道的表面肌电信号的特征数据，所述特征数据包括时域特征数据与频率特征数据；特征模块，用于通过所有通道的所述表面肌电信号的所述特征数据组成特征数据集合；识别模块，用于通过所述特征数据集合与分类器模型对所述使用者的动作模式进行识别。
在本公开的一种示例性实施例中，还包括：模型生成模块，用于通过预定的动作模式的多通道表面肌电信号生成所述分类器模型。
根据本发明的一方面，提出一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上文中的方法。
根据本发明的基于表面肌电信号的动作模式识别方法及装置，能够准确的反映肌肉的活动状态并准确的识别相应动作。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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是根据一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的流程图。
图2是根据一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的示意图。
图3是根据一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的示意图。
图4是根据另一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的流程图。
图5是根据另一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的流程图。
图6是根据另一示例性实施例示出的一种基于表面肌电信号的动作模式识别装置的框图。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本发明将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应理解，虽然本文中可能使用术语第一、第二、第三等来描述各种组件，但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此，下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用，术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的，因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的流程图。
如图1所示，在S102中，获取使用者的多通道表面肌电信号。通过预设的多组电极获取所述使用者的多通道表面肌电信号，所述多通道表面信号的每一个通道信号与预设的多组电极中的每一个电极对应。
在本公开的一种示例性实施例中，本申请所涉及的各种表面肌电信号，不限于臂丛、腿部、肩腹等部位。针对人体不同部位不同的肌肉结构，本申请中的电极排列的形式和电极的数量可进行相应的调整。根据不同人体部位的肌肉解剖结构设定相应的电极排列形式和数量。电极的排列的形式可以是直线式、矩阵式和环绕式，本发明不限于此。电极通道的数量在三个及三个以上，这样做的目的是尽量的捕捉到人体不同部位进行运动时所涉及的所有肌肉组织的表面肌电信号，以提高动作识别的准确度。
在S104中，分别提取每一个通道的表面肌电信号的特征数据，所述特征数据包括时域特征数据与频域特征数据。通常所获得的表面肌电信号是一维时间序列信号，它是表面引导电极所触及的多个运动单位活动时所产生的电变化在时间和空间上迭加的结果，与不同机能状态和活动状态下参加活动的运动单元数量、不同运动单位的放电频率、运动单位的同步化程度、运动单位募集模式以及表面电极的放置位置、皮下脂肪厚度、体温变化等因素有关，因此表面肌电信号是一种非平稳、非线性的随机信号。在本申请中，将表面肌电信号进行时域和频域的处理，进而提取每一个通道中的表面肌电信号的频域特征数据与时域特征数据。
频域特征数据，可例如包括：频域特征包括平均功率(average power)、平均频率(mean frequency)、中值频率(median frequency)。
其中平均功率如公式1所示：
其中，a为样本数据，FFT为快速傅里叶变换，将时域样本a转换到频域，N为样本数据的长度，FS是信号的采样频率。
平均频率如公式2所示：
中值频率如公式3所示：
其中PSD(f)为表面肌电信号功率谱密度函数。
时域特征可例如包括算数平均值(mean absolute value)、方差(variance)、均方根(root mean square)、波长(wave length)、过零点数(zero cross)。
在S106中，通过所有通道的所述表面肌电信号的所述特征数据组成特征数据集合。可例如，多通道表面肌电信号由八个贴片式电极采集到的数据组成，则多通道表面肌电信号为八组EMG数据。
在S108中，通过所述特征数据集合与分类器模型对所述使用者的动作模式进行识别。以上文中的八组EMG数据为例，在只计算三个频域特征数据时，八组EMG数据，每组数据中提取出三种频域特征，组成24维的原始的高维空间，这24维的原始的高维空间，包含了冗余信息以及噪音信息，会降低分类器的运算速度和精确度，因此需要对原始的特征空间进行降维处理。可例如，利用主成分分析法对所述特征数据集合进行降维处理，生成降维数据；以及将所述降维数据输入所述分类器模型中以确定所述使用者的动作模式。
在本公开的一种示例性实施例中，还包括：通过预定的动作模式的多通道表面肌电信号生成所述分类器模型。可例如，确定预设的动作模式；获取每一个预设的动作模式的多通道表面肌电信号；将所述多通道表面肌电信号进行数据处理，生成训练数据；以及通过朴素贝叶斯分类器对所述训练数据进行训练以生成所述分类器模型。
根据本发明的基于表面肌电信号的动作模式识别方法，通过多通道表面肌电信号提取其频域特征与时域特征，进而组成特征集合数据，然后利用降维处理的方式将高维度特征数据降低为低维度数据，进而输入分类器进行动作识别的方式，能够快速准确的反映肌肉的活动状态并准确的识别相应动作。
应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施例。
在本公开的一种示例性实施例中，所述利用主成分分析法对所述特征数据集合进行降维处理，生成降维数据。在本申请中，以在人体下臂动作识别上的应用来对上述过程进行示例性的说明。
1.采集数据
在这个过程中，针对下臂的肌肉结构特点，采用环绕式电极排布方式，电极数量在六到十个之间，这样做的优点是可以完整的捕捉到下臂动作时的表面肌电信号。在本实施例中，采用了八个贴片式电极来采集下臂表面肌电信号。
2.特征提取
由八个贴片式电极采集到的数据为八组EMG数据，需要从这八组数据中提取出每一组数据相应的特征，可例如，选取两组特征进行提取，分别为时域特征和频域特征。
3.特征降维
可例如从每一组EMG数据中提取出了三种频域特征，有八组EMG数据，因此可以组成24维的频域特征集合，这24维的原始的高维空间，包含了冗余信息以及噪音信息，会降低分类器的运算速度和精确度，因此需要对原始的特征空间进行降维，可例如，使用使用主成分分析将高维数据映射到低维空间。
主成分分析的实施步骤包括以下过程：
第一步，求取每一维数据的平均值，然后每一维的数据减去相对应的均值；
第二步，求特征协方差矩阵；
第三步，求特征协方差的特征值和特征向量；
第四步，将特征值按照从大到小的顺序排序，选择其中最大的k个特征值，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵V。
第五步，将样本点投影到选取的特征向量上，如公式4所示。
new feature＝feature*V
图2为本实施例得到前八个最大的特征值，从图2可以看到，这八个特征值包含了EMG数据百分之九十七的信息。在本实施例中，选取最大的三个特征值组成特征向量，将原始的24维数据降维至三维空间，然后将三维数据样本点映射到三维空间，如图3所示，图3显示五组动作的样本点的聚集区域相互分散，可以通过本申请中的方法清晰的进行分类。
根据本发明的基于表面肌电信号的动作模式识别方法，使用主成分分析对特征数据进行降维，防止维数爆炸，以降低机器学习算法的复杂度和资源消耗，提高识别效率。
在本公开的一种示例性实施例中，还包括：通过预定的动作模式的多通道表面肌电信号生成所述分类器模型。图4是根据另一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的流程图。图4中的方法是建立分类器模型的示例性描述，但本发明不限于此。
如图4所示，在S402中，确定预设的动作模式。设定几组运动动作，动作模式的数量根据运动部位以及需求而定。
在S404中，获取每一个预设的动作模式的多通道表面肌电信号。得到相应动作对应的多通道表面肌电信号样本
在S406中，将所述多通道表面肌电信号进行数据处理，生成训练数据。别提取各个通道表面肌电信号样本的时域和频域特征，使用上文所述的主成分分析算法对得到的特征数据进行降维，生成训练数据。
在S408中，使用所述训练数据进行对朴素贝叶斯分类器进行训练以生成所述分类器模型。
EMG数据降维后，依然需要分类器进行分类，可例如，采用贝叶斯分类器，贝叶斯分类器是一种基于统计的分类器，它根据给定样本属于某一类的概率来对其进行分类。贝叶斯分类器的理论基础是贝叶斯理论，如公式5所示。
贝叶斯分类器的一种简单形式是朴素贝叶斯分类器，跟随机森林、神经网络等分类器都有可比的性能。本申请中使用是朴素贝叶斯分类器。朴素贝叶斯的思想基础是：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。朴素贝叶斯分类的正式定义如下：
1，设x＝{a1，a2，…，am}为一个待分类项，而每个a为x的一个特征属性。
2，有类别集合C＝{y1，y2，…，yn}。
3，计算P(y1│x)，P(y2│x)，…，P(yn│x)。
4，如果
其中第三步中的各个条件概率，可以由以下几步得到：
1、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。
2、统计得到在各分类下各个特征属性的条件概率估计。即
P(a1|y1),P(a2|y1),......,P(am|y1)；
P(a1|y2),P(a2|y2),......,P(am|y2)；
......；
P(a1|yn),P(a2|yn),......,P(am|yn) (6)
3、如果各个特征属性是条件独立的，根据贝叶斯定理有如下推导：
P(x|yi)P(yi)＝P(a1|yi),P(a2|yi),......,P(am|yi)P(yi) (8)
根据本发明的基于表面肌电信号的动作模式识别方法，使用朴素贝叶斯模型进行分类，有稳定的分类效率，对小规模的数据表现很好，而且对缺失数据不太敏感。
图5是根据一示例性实施例示出的一种基于表面肌电信号的动作模式识别方法的示意图。朴素贝叶斯分类的流程图可以由图5表示，由图5可以看到，整个朴素贝叶斯分类分为三个阶段：
第一阶段：准备工作阶段，S502-S504，为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后由人工对一部分待分类项进行分类，形成训练样本集合。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本。这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。
第二阶段：分类器训练阶段，S506-S508，生成分类器，主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并将结果记录。其输入是特征属性和训练样本，输出是分类器。
第三阶段：应用阶段，S510-S512，使用分类器对待分类项进行分类，其输入是分类器和待分类项，输出是待分类项与类别的映射关系。
本申请中利用朴素贝叶斯分类器对降维后的五种下臂动作的表面肌电数据进行分类，准确率达到95％以上，证明本申请中基于表面肌电信号的动作模式识别方法所使用的方法对表面肌电信号的模式识别有很优良的识别性能。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图6是根据另一示例性实施例示出的一种基于表面肌电信号的动作模式识别装置的框图。基于表面肌电信号的动作模式识别装置60包括接收模块602，提取模块604，特征模块606，识别模块608，还可例如包括模型生成模块。
接收模块602用于获取使用者的多通道表面肌电信号。通过预设的多组电极获取所述使用者的多通道表面肌电信号，所述多通道表面信号的每一个通道信号与预设的多组电极中的每一个电极对应。
提取模块604用于分别提取每一个通道的表面肌电信号的特征数据，所述特征数据包括时域特征数据与频率特征数据。将表面肌电信号进行时域和频域的处理，进而提取每一个通道中的表面肌电信号的频域特征数据与时域特征数据。
特征模块606用于通过所有通道的所述表面肌电信号的所述特征数据组成特征数据集合。多通道表面肌电信号由八个贴片式电极采集到的数据组成，则多通道表面肌电信号为八组EMG数据。
识别模块608用于通过所述特征数据集合与分类器模型对所述使用者的动作模式进行识别。利用主成分分析法对所述特征数据集合进行降维处理，生成降维数据；以及将所述降维数据输入所述分类器模型中以确定所述使用者的动作模式。
模型生成模块(图中未示出)用于通过预定的动作模式的多通道表面肌电信号生成所述分类器模型。
根据本发明的基于表面肌电信号的动作模式识别装置，通过多通道表面肌电信号提取其频域特征与时域特征，进而组成特征集合数据，然后利用降维处理的方式将高维度特征集合数据降低为低维度数据，进而输入分类器进行动作识别的方式，能够快速准确的反映肌肉的活动状态并准确的识别相应动作。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
参考图7所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如下功能：获取使用者的多通道表面肌电信号；分别提取每一个通道的表面肌电信号的特征数据，所述特征数据包括时域特征数据与频域特征数据；通过所有通道的所述表面肌电信号的所述特征数据组成特征数据集合；以及通过所述特征数据集合与分类器模型对所述使用者的动作模式进行识别。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
通过以上的详细描述，本领域的技术人员易于理解，根据本发明实施例的基于表面肌电信号的动作模式识别方法及装置具有以下优点中的一个或多个。
根据一些实施例，本发明的基于表面肌电信号的动作模式识别方法，通过由多通道表面肌电信号提取其频域特征与时域特征，进而组成特征集合数据，然后利用降维处理的方式将高维度特征集合数据降低为低维度数据，进而输入分类器进行动作识别的方式，能够快速准确的反映肌肉的活动状态并准确的识别相应动作。
根据一些实施例，本发明的基于表面肌电信号的动作模式识别方法，通过对多组电极得到的肌电信号进行时频域分析，提取表面肌电信号的时频域特征，精确地识别人体的多种动作。
根据一些实施例，本发明的基于表面肌电信号的动作模式识别方法，提取多通道表面肌电信号的时域和频域特征，然后使用主成分分析算法对得到的多维特征进行降维，最后利用降维后的数据来训练朴素贝叶斯模型，用来识别人体不同部位的各种动作。
根据一些实施例，本发明的基于表面肌电信号的动作模式识别方法，可以针对不同的动作部位进行个性化的定制，包括电极排布方式和电极数量，可以获取完整的肌肉活动信息以提高动作识别的准确率。
根据一些实施例，本发明的基于表面肌电信号的动作模式识别方法，适用于人体多个部位的动作识别，并可以识别多种动作。
根据一些实施例，本发明的基于表面肌电信号的动作模式识别方法，提取每一个通道表面肌电信号在时域和频域的多个特征，可以给分类器提供更多的有效信息，提高分类精确度。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外，本说明书说明书附图所示出的结构、比例、大小等，均仅用以配合说明书所公开的内容，以供本领域技术人员了解与阅读，并非用以限定本公开可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本公开所能产生的技术效果及所能实现的目的下，均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“第一”、“第二”及“一”等的用语，也仅为便于叙述的明了，而非用以限定本公开可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当也视为本发明可实施的范畴。