一种基于隐马尔科夫模型的肌电信号手势识别方法
【技术领域】
[0001] 本发明属于计算机与生物信号相结合领域，具体基于隐马尔可夫模型对肌电信号 对应的手势进行识别。
【背景技术】
[0002] 友好的人机交互界面已成为信息技术领域的研究热点之一，为了计算机能够更好 地判断和理解人类的意图，"生、肌、电一体化"是未来人机交互方式的重要发展趋势之一。 表面肌电（surfaceelectromyogra地y,sEMG)信号是神经肌肉系统在进行随意性和非随意 性活动时的生物电变化经表面电极引导、放大、显示和记录所获得的一维电压时间序列信 号。对于体育科学研究、人机交互、康复医学临床和基础研究等具有重要的学术价值和应用 意义。在运些应用中，基于肌电信号的手势识别技术担当重要的角色。一个经典的肌电信号 手势识别流程由数据预处理、特征空间构建和分类组成。数据预处理部分主要对信号进行 整流和滤波来减少噪声，特征空间构建部分将预处理后的信号变换到特征空间使得类间有 更大的区分度，最后用一个机器学习方法训练好模型用于分类。
[0003]特征空间的构建部分是提高识别准确率十分重要的部分。常用的特征包括时域特 征、频域特征和时频域特征。时域特征计算速度快但对噪声信号不鲁棒，频域信号需要先对 信号进行傅里叶变换得到功率谱，故对全波整流后的信号不鲁棒。目前已有经典特征集主 要包含时域和频域特征，如化inyomark特征集、化dgins特征集和Du特征集。Lucas等人使用 离散小波变换得到的时频域特征进行识别得到较低错分率，故本发明通过构建特征集同时 包含时域、频域和时频域特征Ξ种特征能够克服不同域特征的缺点。
[0004]在国内外的研究中，很多分类器被用于肌电信号手势识别中，比如人工神经网络、 K近邻、线性判决分析、支持向量机和隐马尔可夫模型。其中支持向量机和隐马尔科夫模型 是两种易实现且训练快的常用分类器。隐马尔可夫模型十分擅长对时序数据进行建模，十 分适合作为肌电信号手势识别的分类器，但已有发明中没有使用隐马尔科夫模型对肌电信 号手势进行识别。
【发明内容】
[000引本发明的目的是提供一种基于隐马尔可夫模型的表面肌电信号多类手势识别方 法，通过设计Ξ种隐马尔可夫分类器，提高了手势识别的准确性。
[0006]本发明的目的是通过W下技术方案来实现的：一种基于隐马尔科夫模型判断肌电 信号手势动作的方法，该方法包括如下步骤：
[0007] (1)获取肌电数据，数据预处理和数据归一化，包括W下子步骤：
[000引（1.1)从公开数据集Non-InvasiveAdaptiveHandP;rosthetic(NinaP;ro)中获取 手势动作肌电数据，该数据集已对信号进行信号整流和带通滤波；
[0009] (1.2)对获取的肌电数据进行均值平滑滤波，滤波窗口长度为50ms;
[0010] (1.3)针对每个被试的数据进行归一化；
[0011] (2)数据分割，训练数据集和测试数据集划分，包括w下子步骤：
[0012] (2.DNinaPro数据集中每段肌电信号包含多个手势动作，同时提供动作的标签， 根据获取到的肌电信号数据及标签，将每段肌电信号中的多个手势动作数据分割成为多个 只包含单个手势动作的数据段，形成手势动作数据集；
[0013] (2.2)将分割得到的手势动作数据集进行训练数据集和测试数据集的划分；
[0014] (3)特征提取，特征归一化及特征降维，包括W下子步骤：
[0015] (3.1)使用滑动窗口提取特征，对每个窗口数据提取一种多特征特征集；
[0016] (3.2)对提取到的特征数据进行归一化处理；
[0017] (3.3)用最小冗余最大相关性准则（MinimumRedundancyMaximumRelevance, MRMR)对特征进行降维；
[0018] (4)基于隐马尔可夫模型的多类手势动作识别，包括W下步骤：
[0019] (4.1)设计基于隐马尔可夫模型的分类器，所述基于隐马尔可夫模型的分类器为 连续隐马尔可夫分类器、半连续隐马尔可夫分类器或区分性训练隐马尔可夫分类器；
[0020] (4.2)使用训练数据集对分类器参数逐一进行优化；
[0021] (4.3)由步骤4.2训练得到的最优分类器参数和训练数据样本训练获得分类模型；
[0022] (4.4)将测试数据集输入分类器模型，输出分类结果。
[0023] 进一步地，所述步骤1.3具体为：
[0024]使用一个被试所有手势数据每个通道中的最大值进行归一化。
[0025]
[0026]其中，X是未归一化的手势数据，Xmax是未归一化手势数据每个通道的最大值， Xabsolute是归一化后的数据。
[0027]进一步地，所述步骤2.2中，训练数据集和测试数据集的划分使用两种评估方法， 一种是被试内评估，另一种是被试间评估。被试内评估将单个被试的数据划分为10份，并进 行10折交叉验证，针对运种评估方法，训练集为其中9份、测试集为其中1份。被试间评估，将 一个被试的数据作为测试集，其余被试的数据作为训练集。
[0028] 进一步地，所述步骤3.1中滑动窗口的长度为250ms、重叠比为75 %;特征集包含时 域、频域、时频域和其他域特征。时域特征根据肌电信号计算得到，时域特征计算时间短，但 受信号噪声影响较大。频域信号根据肌电信号的功率谱计算得到，对噪声大的信号有更好 的鲁棒性。时频域特征主要包含信号进行连续小波变换、离散小波变换和离散小波包变换 后信号的统计特征。其他特征包含经过希尔伯特-黄变换后的统计特征。具体包含W下9种 特征：信号幅值绝对均值(ΜAV)、波形长度(WL)、Wi11iS0η幅值(WSΜP)、自回归模型系数 (ARC)、绝对均值斜率(ΜAV化Ρ)、平均频率(ΜΝF)、功率谱最大值附近能量与总能量比率 (PSR)、基于化ubechiesl小波的多分辨率小波分析(MRWA)、希尔伯特-黄变换58种统计量 化HT-58)。
[0029]进一步地，所述步骤3.2中，针对不同的评估方法，进行不同的特征归一化；
[0030]被试内评估方法采用归一化:训练数据集归一化采用训练数据集的每维特征减去 其均值并除W方差，测试数据集归一化采用测试数据集的每维特征减去训练数据集对应维 度的均值并除W方差。具体公式为：
[0033]其中Ftrain是归一化前的训练数据，是gi。是归一化后的训练数据，Ftest是归一化前 的测试数据，/tt是归一化后的测试数据。
[0034]被试间评估方法采用归一化:针对每个被试的数据，每维特征减去其均值并除W 方差。具体公式为：
[0035]
[0036]其中FsuWect是单个被试归一化前的数据，/。,。。,，是单个被试归一化后的数据。
[0037]进一步地，所述步骤3.3具体为：
[0038]使用最小冗余-最大相关性准则来选择特征子集，运种方法可W提供具有低特征 维度高区分度的特征子集。具体最小冗余-最大关联方法的目的是最大化特征子集中每维 特征与标签的关联度且最小化特征之间的冗余度。
[0039]假设全特征集有D维特征，标记为F= {Fi，F2, . . .，Fd}，选择化维特征，特征选择的 目标方程为：
[0040]
[0041]其中S是特征选择到的特征子集，C是标签。I(Fi;門)是两个变量之间的互信息，它 的方程