基于BP神经网络的手势识别方法与流程

技术特征：

1.一种基于BP神经网络的手势识别方法，适用于肌电信号采集设备对手势的识别，其特征在于，包括如下步骤：

采集多个样本多个手势动作产生的肌电信号；

对所述肌电信号进行归一化处理；

对经归一化处理后的所述肌电信号提取多个特征值组成特征值矩阵；

对所述特征值矩阵利用BP神经网络算法进行模型训练以形成BP神经网络模型；

将所述BP神经网络模型存储到所述肌电信号采集设备中以进行手势识别。

2.如权利要求1所述的方法，其特征在于，对所述肌电信号进行归一化处理，包括：

同一个样本的多通道多手势动作的肌电信号为X(i,j)，X(i,j)为离散时间序列，i表示所述肌电信号采集设备的采集通道的序号，且i＝1～N,j表示时间序列号，采用外摆手势动作N个通道肌电信号的绝对值的最大值|X|_max作为归一化的参考标准，对所述肌电信号进行所述归一化处理，所述归一化处理公式为：其中，x(i,j)为归一化后多通道多手势动作的肌电信号的离散时间序列。

3.如权利要求2所述的方法，其特征在于，对所述肌电信号进行归一化处理，还包括：

针对同一个样本的多通道多手势动作的肌电信号X(i,j)，X(i,j)为离散时间序列，i表示所述肌电信号采集设备的采集通道的序号，且i＝1～N,j表示时间序列号，利用外摆手势同一通道差值的绝对值的最大值|X(n)_max-X(n)_min|进行归一化处理；所述归一化处理公式为：n表示所述肌电信号采集设备的采集通道的序号，x(i,j)为归一化后的离散时间序列。

4.如权利要求2所述的方法，其特征在于，对所述肌电信号进行归一化处理，还包括：

针对同一个样本的多通道多手势动作的肌电信号X(i,j)，X(i,j)为离散时间序列，i表示所述肌电信号采集设备的采集通道的序号，且i＝1～N,j表示时间序列号，利用所述外摆手势N通道的均方根的最大值进行归一化处理；所述归一化处理公式为：

$RMS\left(n\right)=\sqrt{\frac{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}X{(n,j)}^2}{M}}$

其中，n表示所述肌电信号采集设备的采集通道的序号，X(n,j)为第n个通道的离散时间序列，j表示时间序列；x(i,j)为归一化后的离散时间序列。

5.如权利要求2所述的方法，其特征在于，对所述肌电信号进行归一化处理，还包括：

针对同一个样本的多通道多手势动作的肌电信号X(i,j)减去同一样本放松状态对应通道的肌电信号形成处理后的肌电信号X′(i,j)，其中，X(i,j)、X′(i,j)为离散时间序列，i表示所述肌电信号采集设备的采集通道的序号，且i＝1～N,j表示时间序列号；利用外摆手势在同一采集通道差值的绝对值的最大值|X′(n)_max-X′(n)_min|进行归一化处理；所述归一化处理公式为：n表示所述肌电信号采集设备的采集通道的序号，x(i,j)为归一化后的离散时间序列。

6.如权利要求1所述的方法，其特征在于，对经归一化处理后的所述肌电信号提取多个特征值组成特征值矩阵，包括：

针对不同样本不同手势，从所述肌电信号采集设备的N个采集通道的所述多个特征中选择至少一个特征作为对应手势的一次特征组合，以形成一个特征值矩阵；

所述多个特征值包括所述肌电信号的绝对均值(MAX)、N个采集通道之间绝对均值的比值(R_MAV)、均方根(RMS)、均方根比值(R_RMS)、过零点(ZC)、波形长度(WL)及符号斜率变化率(SSC)。

7.如权利要求1所述的方法，其特征在于，对所述特征值矩阵利用BP神经网络算法进行模型训练以形成BP神经网络模型，包括：

步骤一、随机数初始化权值矩阵；

步骤二、对所述多个特征矩阵进行归一化；归一化参考为多个样本N通道同一个特征的最大差值；

步骤三、确定单隐含层的节点数k；

步骤四、依次输入P个学习样本，并假设当前输入样本是第p个。

步骤五、依次计算各层的输出；其中，隐含层的输入算法为：输出层引入非线性函数为：其中，p是当前输入的样本数，w_ji是第i个神经元到第j个神经元的权值，net_pj是神经元j的输入，o_pj是神经元j的输出；

步骤六、输出层神经元的输出为：

步骤七、第p个样本的误差性能指标函数：式中，t_pl是神经元l的目标输出；

步骤八、记录学习过的样本数，如果p<P，转到步骤五，如果p＝P则转到步骤九；

步骤九、按照权值修正公式修正各层的权值；输出层及隐层的连接权值w_lj学习算法：隐层及输入层的连接权值w_ji学习算法：式中，n为迭代次数，η为学习速率，η∈[0,1]；

步骤十、对所述各层的权值加入动量因子α，此时的权值为：

w_lj(n+1)＝w_lj(n)+Δw_lj+α(w_lj(n+1)-w_lj(n))；

w_ji(n+1)＝w_ji(n)+Δw_ji+α(w_ji(n+1)-w_ji(n))；其中，动量因子的取值α∈[0,1]；

步骤十一、按照新的权值重新计算各层的输出，如果每个样本均满足输出和目标输出的差小于阈值数，或者达到了预设的学习次数，则停止。否则转到步骤五。

8.如权利要求1所述的方法，其特征在于，将所述BP神经网络模型存储到肌电信号采集设备中以进行手势识别，包括：

利用所述肌电信号采集设备的N个采集通道对肌电信号进行采集；

对采集到的肌电信号在时域上进行特征提取以获得所述BP神经网络模型对应的特征值矩阵；

将所述特征值矩阵输入所述BP神经网络模型进行识别。

9.如权利要求8所述的方法，其特征在于，利用所述肌电信号采集设备的N个采集通道对肌电信号进行采集所设定的参数包括：

设置固定的数据处理窗口长度为L，移动步长为L，采样频率F满足条件：L/F<0.3s。