和测试数据集的划分可使用被试内评估或被试间评 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，针对这种评估方法， 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。4. 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。频域特征根据肌电信号的功率谱 计算得到。时频域特征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。其他域特征包含经过希尔伯特-黄变换后的统计特征。具体包含以下9种特 征:信号幅值绝对均值(MAV)、波形长度(WL)、Willison幅值(WSMP)、自回归模型系数(ARC)、 绝对均值斜率(MAVSLP)、平均频率(MNF)、功率谱最大值附近能量与总能量比率(PSR)、基于 Daubechiesl小波的多分辨率小波分析(MRWA)、希尔伯特-黄变换58种统计量(HHT-58)。5. 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3.2中，针对不同的评估方法，进行不同的特征归一化； 被试内评估方法的归一化: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 并除以方差，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 值并除以方差。具体公式为：其中Ftrain是归一化前的训练数据，^ain是归一化后的训练数据，Ftest是归一化前的测 试数据，之4是归一化后的测试数据。 被试间评估方法的归一化:针对每个被试的数据，每维特征减去其均值并除以方差。具 体公式为：其中Fsub_t是单个被试归一化前的数据，户_#是单个被试归一化后的数据。6. 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3.3具体为:使用最小冗余-最大相关性准则来选择特征子集，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 几余度。 假设全特征集有D维特征，标记为F={Fi，F2, . . .，Fd}，选择Νι维特征，特征选择的目标方 程为：其中S是特征选择到的特征子集，c是标签。I(F1;h)是两个变量之间的互信息，它的方 程为：其中P(Fi)，p(Fj)和p(Fi，Fj)是概率密度。7. 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4.1中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。步骤3.1中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。 隐马尔可夫模型有三个重要的参数:初始化状态分布、状态转移概率和发散概率。初始 化状态分布标记为JI(维度为M*l)，其中3U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)，其中元素描述隐含状态i到隐含状态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blk描述隐含状态i到观测k的发散概率。所以整个隐马尔可夫模型可以使用λ = (A，B，JT)标记。假设一个手势Fi有长度为Ν的观测变量序列Fu，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。 隐马尔科夫模型可以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。 对于连续隐马尔科夫模型，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bi (Ft)为：其中Ft是在时间t手势的特征向量，wij、yij和是隐含状态i的第j个高斯分布的权重、 均值和协方差。 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，所以模型训练时间短于连读隐马尔可夫模型。则观测变量的概率b(Ft) 为：假设有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：隐马尔可夫模型的监督学习中应用最广泛的是区分性训练隐马尔可夫模型。已知一个 手势产=6 .…，校和其手势序列中每个特征向量的类别标签e =斗，尾…，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 隐含状态序列存1 = ///，汉彳，...:,//丨，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，l 2,...，1q，相似性函数Similarity可以 表示为：8.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4.2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，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。9. 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4.3具体为： 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。 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。10. 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4.4中，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。
【专利摘要】本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。
【IPC分类】G06F3/01
【公开号】CN105446484
【申请号】CN201510801279
【发明人】耿卫东, 胡钰, 卫文韬, 杜宇, 李嘉俊
【申请人】浙江大学
【公开日】2016年3月30日
【申请日】2015年11月19日