r>[007引
[0079]其中FsuWwt是单个被试归一化前的数据，是单个被试归一化后的数据。
[0080]步骤(6)用最小冗余最大相关性准则(MinimumRedundancyMaximumRelevance, MRMR)对特征进行降维，具体降维的维度选择过程在训练集上进行，自动特征降维输出为每 维特征的相关性减去冗余的得分如下：
[0081]
[0082]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 的方程为：
[0083]
[0084] 我们选择得到最高的前D维特征，其中D可选为{2，4，8，10，20，30，40，60，80，100， 200，400}。测试时，直接使用训练集上得到的选择结果。
[0085]步骤(7)设计3种基于隐马尔可夫模型的分类器，分别为连续隐马尔可夫分类器、 半连续隐马尔可夫分类器和区分性训练隐马尔可夫分类器；
[0086]隐马尔可夫模型是一个加入隐含状态层的统计马尔科夫模型，包含隐含状态变 量、状态转移矩阵和发散分布。上一步特征提取部分使用滑动窗口得到的特征作为隐马尔 可夫模型的观测变量，时序信息通过隐含状态之间的状态转移矩阵描述。
[0087]隐马尔可夫模型有Ξ个重要的参数:初始化状态分布、状态转移概率和发散概率。 初始状态分布标记为n(维度为M*l)，其中III表示隐含状态i初始化概率。状态转移概率矩阵 描述隐含状态之间的转移关系标记为A(维度为M*M)，其中元素ai骗述隐含状态巧齡含状 态j的转移概率。发散分布描述隐含状态变量到观测变量的分布，标记为B并且用混合高斯 模型进行建模，其中bik描述隐含状态i到观测k的发散概率。所W整个隐马尔可夫模型可W 使用λ=(Α，Β，3?)标记。我们假设一个手势Fi有长度为N的观测变量序列Fii，Fi2, . . .，FiN，序 列中每个观测变量都是由滑动窗口进行特征提取及特征选择后的结果。
[0088] 隐马尔科夫模型可W监督学习和非监督学习。非监督学习中连读隐马尔可夫模型 和半连续马尔科夫模型被广泛使用。
[0089]对于连续隐马尔科夫模型，我们使用有高斯混合数为K的高斯混合模型对发散分 布进行建模，观测变量的概率为：
[0090]
[0091] 其中Ft是在时间t手势的特征向量，啊^、4。和Σι堤隐含状态i的第j个高斯分布的 权重、均值和协方差。
[0092]半连续隐马尔科夫模型不同之处在于所有的隐含状态使用一致的发散分布，需要 对更少的参数进行优化，所W模型训练时间短于连读隐马尔可夫模型。则观测变量是概率 为
[0093]
[0094]假设我们有C类手势动作需要分类，则针对每类手势训练一个隐马尔可夫模型。在 识别时，训练完成的隐马尔可夫模型用于最大似然分类方法，可表示为：
[0095] label=arg1雙浑戶(0 I4)
[0096]隐马尔可夫模型的监督训练应用最广泛的是隐马尔可夫模型的判决训练。已知一 个手势尸'=兮，兮，...，巧和其手势序列中每个特征向量的类别标签公=每巧，...，4。 假设已知隐马尔可夫模型的参数λ=(Α，Β，π)，使用维特比算法能够得到给定观测序列对应 隐含状态序列巧j'=巧％//^'，...，分；，训练目标就是最大化L与Η之间的相似性。假设训练 数据集有Q个手势动作，它们的观测序列长度为h，l2,. . .，1q，相似性函数可W表示为：
[0099]步骤(8)3种隐马尔可夫分类器，其中连续隐马尔可夫分类器和半连续隐马尔可夫 分类器需要进行分类器参数的优化，主要包括隐含状态数、高斯混合数。隐含状态数取{1， 2,3,4,5,6,7,8,9，10，11，12，13，14，15，16，17}，高斯混合数取{1，2,3,4,5,6,7,8,9，10}。 首先固定高斯混合数为5、隐含状态数变化，得到最优的隐含状态数，然后在最优隐含状态 数下，变化高斯混合数获取最优高斯混合数，最终得到最优的隐含状态数和高斯混合数的 参数组合。
[0100] 步骤(9)根据步骤(8)的模型设置进行模型训练。连续隐马尔可夫分类器和半连续 隐马尔可夫分类器的训练过程为:将一个手势的多个特征向量组成的序列作为该分类器模 型的一个样本，多个手势数据的特征向量组成训练样本集和手势的标签作为分类器模型的 数据输入，经过训练得到分类器模型。每类手势训练一个隐马尔可夫模型。
[0101] 区分性训练隐马尔可夫分类器的训练过程为:将一个手势的多个特征向量组成的 序列作为该分类器模型的一个样本，多个手势数据的特征向量组成训练样本集和每个特征 向量对应的标签作为分类器模型的数据输入，经过训练得到分类器模型。
[0102] 步骤（10)将测试数据集输入分类器模型，输出分类结果。连续隐马尔可夫分类器 和半连续隐马尔可夫分类器识别过程中，由于每类手势训练一个隐马尔可夫模型，识别时 需要对比每个隐马尔可夫模型输出的似然，最大似然对应的类别即为分类结果。区分性训 练隐马尔可夫分类器输出测试手势每个特征向量的标签，通过投票的方式确定最终的分类 结果。
[0103] 对5、8、12Ξ种手势集(如图2所示)分别使用Ξ种分类器进行识别的结果：
[0104]
[0105] Ξ种隐马尔可夫分类器都能够达到较高的识别率，被试内识别率在Ξ种手势集中 均超过87%，被试间识别率在5手势均超过77%。区分性训练隐马尔可夫模型是Ξ种隐马尔 可夫分类器中识别效果最高的，被试内识别率在Ξ种手势集中均超过90%，被试间识别率 在5种手势超过81 %。
【主权项】
1. 一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，包括如下步 骤： (1) 获取肌电数据，数据预处理和数据归一化，包括以下子步骤： (1.1) 从公开数据集NinaPro中获取手势动作肌电数据； (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; (1.3) 针对每个被试的数据进行归一化； (2) 数据分割，训练数据集和测试数据集划分，包括以下子步骤： (2.1) 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； (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； (3) 特征提取，特征归一化及特征降维，包括以下子步骤： (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； (3.2) 对提取到的特征数据进行归一化处理； (3.3) 用最小冗余最大相关性准则对特征进行降维； (4) 基于隐马尔可夫模型的多类手势动作识别，包括以下步骤： (4.1) 设计基于隐马尔可夫模型的分类器，所述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； (4.2) 使用训练数据集对分类器参数逐一进行优化； (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； (4.4) 将测试数据集输入分类器模型，输出分类结果。2. 根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特 征在于，所述步骤1.3具体为： 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。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，X-te是 归一化后的数据。3. 根据权利要求1所述一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特 征在于，所述步骤2.2中，训练数据集