本发明属于人体动作识别技术领域，特别涉及了一种基于手臂表面肌电信号的手势识别方法。
背景技术：
表面肌电信号(SEMG)是一种与神经肌肉活动相关的生物电信号。当运动指令经由神经中枢系统传导到相关肌纤维时，会引起肌纤维上电位发生变化并发生肌纤维的收缩，该电位变化在皮肤表面处发生时间和空间上的叠加而形成表面肌电信号，可通过表面肌电电极采集到电信号信息。表面肌电信号包含了肌肉收缩的模式以及收缩强度的信息，不同的肢体动作对应不同的肌电信号，通过分析表面肌电信号就可以判别出该信号所对应的具体动作模式。
现有的手势区分方法，需要对采集到的生物电信号进行时域和频域分析，过程复杂，计算量大，因此对数据处理器性能要求高，往往要依靠计算机进行数据分析计算，应用成本高，不利于一些手势识别设备的推广应用。
技术实现要素：
为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于手臂表面肌电信号的手势识别方法，克服传统手势分类方法复杂、计算量大的缺陷。
为了实现上述技术目的，本发明的技术方案为：
一种基于手臂表面肌电信号的手势识别方法，包括以下步骤：
(1)设采样频率为f，采样时间为T，重复多次对肌电信号进行采样，得到M段肌电信号；
(2)计算采集的肌电信号绝对值的均值，计算相邻两段肌电信号绝对值的均值的一阶差分，并将肌电信号绝对值的均值、相邻两段肌电信号绝对值的均值的一阶差分作为肌电信号的特征值，向各特征值分配权值后组成特征向量X；
(3)将特征向量X作为训练样本，采用K-means聚类算法对训练样本进行分类，得到K种手势以及每种手势对应的特征标签yk，k＝1,2,…,K；
(4)以采样频率f、采样时间T采集待识别手势的肌电信号，将采集到的肌电信号的绝度值的均值、相邻两端肌电信号绝对值的均值的一阶差分作为特征值，向各特征值分配权值后组成特征向量X’；
(5)分别求特征向量X’与k个特征标签yk的相似度数据；
(6)舍弃k个相似度数据中大于预设阈值的相似度数据，根据保留的相似度数据进行手势识别。
进一步地，在步骤(2)中，采用下式计算肌电信号绝对值的均值：
上式中，MAV(j)为采集的第j段肌电信号的绝对值的均值，Sj(t)为采集的第j段肌电信号的第t个采样值的绝对值，N为Sj(t)的长度，N＝f·T；
采用下式计算相邻两端肌电信号绝对值的均值的一阶差分：
R(i)＝MAV(i+1)-MAV(i),i＝1,2,…,M-1
上式中，R(i)为第i+1段肌电信号与第i段肌电信号绝对值的均值的一阶差分；
则特征向量X＝[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)]，μ、τ为权值。
进一步地，在步骤(5)中，计算特征向量X’与k个特征标签yk的误差向量，将误差向量的2范数的平方值作为X’与yk的相似度数据：
φ(k)＝X′-yk
Z(k)＝(||φ(k)||2)2
上式中，φ(k)是误差向量，Z(k)是相似度数据。
进一步地，在步骤(6)中，在保留的相似度数据中找出最小的相似度数据Z(k)，则该最小相似度数据对应的特征标签yk所代表的手势即为识别结果。
进一步地，特征向量X的权值μ、τ满足：
μ+τ＝1。
进一步地，对特征向量X的权值μ、τ反复迭代优化，具体过程如下：
(a)设μ的初始区间为(0,1)，且在区间内设置μ的两个选值μ1、μ2，且μ1＞μ2；
(b)分别计算μ1下的相似度数据和μ2下的相似度数据
(c)若则μ1为较优值，则将μ的区间缩小为(μ2,1)；若则μ2为较优值，则将μ的区间缩小为(0,μ1)；
(d)在步骤(c)中确定的μ的区间内，重新设置μ1、μ2的值，重复步骤(b)-(d)。
进一步地，在设置权值μ的两个选值μ1、μ2时，将μ1设置为μ的区间的黄金分割点值。
采用上述技术方案带来的有益效果：
本发明根据肌电信号这种生物电信号的特有特征，降低了数据处理复杂度，也能保证手势识别率达到较高水平，让手势识别设备具备低功耗，携带性强，识别速度快等优点。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
如图1所示，一种基于手臂表面肌电信号的手势识别方法，步骤如下：
步骤1：设采样频率为200Hz，采样时间为500ms，对肌电信号重复进行采样，共得到M段肌电信号，每段肌电信号的长度N＝100。
步骤2：计算采集的肌电信号绝对值的均值，计算相邻两段肌电信号绝对值的均值的一阶差分，并将肌电信号绝对值的均值、相邻两段肌电信号绝对值的均值的一阶差分作为肌电信号的特征值，向各特征值分配权值后组成特征向量X。
采用下式计算肌电信号绝对值的均值：
上式中，MAV(j)为采集的第j段肌电信号的绝对值的均值，Sj(t)为采集的第j段肌电信号的第t个采样值的绝对值。
相邻两端肌电信号绝对值的均值的一阶差分：
R(i)＝MAV(i+1)-MAV(i),i＝1,2,…,M-1
上式中，R(i)为第i+1段肌电信号与第i段肌电信号绝对值的均值的一阶差分。
则特征向量X＝[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)]，μ、τ为权值。
权值μ、τ满足μ+τ＝1。对特征向量X的权值μ、τ反复迭代优化，具体过程如下：
a、设μ的初始区间为(0,1)，且在区间内设置μ的两个选值
b、分别计算μ1下的相似度数据和μ2下的相似度数据
c、若则μ1为较优值，则将μ的区间缩小为(μ2,1)；若则μ2为较优值，则将μ的区间缩小为(0,μ1)；
d、在步骤c中确定的μ的区间内，重新设置μ1、μ2的值，重复步骤b-d。
步骤3：将特征向量X作为训练样本，采用K-means聚类算法对训练样本进行分类，得到K种手势以及每种手势对应的特征标签yk，k＝1,2,…,K。
步骤4：以采样频率200Hz、采样时间500ms采集待识别手势的肌电信号，将采集到的肌电信号的绝度值的均值、相邻两端肌电信号绝对值的均值的一阶差分作为特征值，向各特征值分配权值后组成特征向量X’。
步骤5：算特征向量X’与k个特征标签yk的误差向量，将误差向量的2范数的平方值作为X’与yk的相似度数据：
φ(k)＝X′-yk
Z(k)＝(||φ(k)||2)2
上式中，φ(k)是误差向量，Z(k)是相似度数据。
步骤6：舍弃k个相似度数据中大于预设阈值的相似度数据，在保留的相似度数据中找出最小的相似度数据Z(k)，则该最小相似度数据对应的特征标签yk所代表的手势即为识别结果。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。