本发明涉及人机交互中的动作识别技术领域，具体涉及一种基于生物脉冲的动作识别方法。
背景技术：
目前，人机交互系统中的动作识别方案主要可以分为两类：基于视觉的方案和基于传感器的方案。基于视觉的动作识别研究较早，识别方法也较为成熟，但是该方案存在对环境敏感，系统复杂，计算量大等弊端。而基于传感器的动作识别虽然起步时间较晚，但是灵活可靠，不受环境、光线的影响，实现简单，是一种具有发展潜力的识别方法。
在中远距离的动作识别场景中，由于距离较远，因此，如何在跟踪肢体的运动轨迹的同时，准确的判断肢体的形态非常关键。现有的基于视觉的分析方法可以分为基于普通视觉的分析方法和基于深度视觉的方法：其中，基于普通视觉的分析方法，主要是通过视觉的方法跟踪肢体的运动轨迹和空间位置，并采用多目视觉的方法才能识别出用户的三维姿态信息，造成算法复杂度的提高及对动作动作的识别率降低；而基于深度视觉的方法受限于设备性能或造价，无法有效解决中远距离情况下的动作型识别。因此，现有的动作识别技术的算法复杂度高、对动作的识别率低。
为解决上述出现的技术问题，亟需一种基于生物动作发出的脉冲准确地进行动作识别的方法。
技术实现要素：
为解决上述问题，本发明提供了一种基于生物脉冲的动作识别方法，能够有效解决当前动作识别时的识别率低、识别过程繁琐的技术难题。
具体来说，本发明请求保护一种基于生物脉冲的动作识别方法，其特征在于该方法包括如下步骤：
a.采集人体四肢生物脉冲，并采用自适应门限值算法对生物脉冲进行降噪处理；
b.基于李雅普诺夫指数等方式对步骤a获取的生物脉冲进行特征提取，求出该生物脉冲的复杂度和组合特征向量；
c.将步骤b获取的生物脉冲的复杂度和组合特征向量作为特征向量输入神经网络分类器，进行生物脉冲的模式识别，获取动作聚类特征。
优选的，所述步骤a中采集人体四肢生物脉冲，并采用自适应门限值算法对生物脉冲进行降噪处理还包括：
选择小波离散函数和小波变换级数，对生物脉冲进行小波变换，得到小波树和分段小波系数，计算其最佳小波树，获取最佳小波树的各叶结点系数，在生物脉冲的最佳小波树中选取一个未处理的叶结点，计算该叶结点系数对应的自适应门限值和降噪方式，进行降噪，判断最佳小波树种是否有叶结点未处理，如果有则重新在生物脉冲的最佳小波树中选取一个未处理的叶结点，如果没有，则如果最后一级第一个结点的父结点系数为零，重构父结点，如果不是，保留原来的父结点。再对上一级第一个结点做同样处理，直到第一级第一个结点，最后得到重构生物脉冲。
优选的，基于李雅普诺夫指数等方式对步骤a获取的生物脉冲进行特征提取，求出该生物脉冲的复杂度和组合特征向量；还包括：
1)求生物脉冲的局部极大、极小值；通过插值函数获得脉冲的上下样条曲线；并对上下样条曲线求平均，记为n(j)；以样条曲线上同符号值t(j)替代对应序列点上生物脉冲原有值y(j)，求脉冲t(j)与n(j)的差值，记为i(j)＝t(j)-n(j)；
2)i(j)脉冲归一化：找出i(j)中绝对值最大的量imax＝max|i(j)|，j＝1，2，...m；最后，按幅度归一化emg(j)＝i(j)/imax；
3)对时间序列脉冲进行四区间的多尺度粗粒化；
4)以kolmogorov法计算脉冲的kc复杂度。
优选的，基于李雅普诺夫指数等方式对步骤a获取的生物脉冲进行特征提取，求出该生物脉冲的复杂度和组合特征向量；还包括：
选择小波变换级k＝3和小波函数为symlet3，对降噪后的脉冲进行处理，依次取pattern1-pattern6脉冲进行小波变换，利用matlab工具箱中的函数计算小波低频值
优选的，所述步骤c中将步骤b获取的生物脉冲的复杂度和组合特征向量作为特征向量输入神经网络分类器，进行生物脉冲的模式识别，获取动作聚类特征，还包括在输入神经网络分类器之前需要对神经网络进行训练：
设置标准值：包括标准化训练误差，标准化隐含神经元个数，标准化训练次数，标准化各层之间的阈值和权重；选取训练样本空间中的一个特征向量，确定其目标输出向量。将这个特征向量输入设计好的神经网络，经过输入层，隐含层和输出层，得到实际的输出向量；计算实际输出向量与目标输出向量之间的误差，然后通过修正指数对权重和阈值进行调整，然后反传回网络，这就是误差反向传播神经网络；返回″选取训练样本空间中的一个特征向量″步骤直到训练样本空间的特征向量都训练一次；再从训练样本空间中选取一个特征向量和其对应的目标输出向量，返回″选取训练样本空间中的一个特征向量″步骤，不停的调整直到所有的误差都小于设置标准值步骤中的训练误差，这时网络收敛，训|练结束；这个过程中，如果训练次数达到设置标准值步骤中的标准训练次数，则训练结束；如果训练次数结束，还没有达到标准化训练误差，则网络不收敛，继续训练。
优选的，所述步骤c中将步骤b获取的生物脉冲的复杂度和组合特征向量作为特征向量输入神经网络分类器，进行生物脉冲的模式识别，获取动作聚类特征，还包括：
经过计算，选择出此次训练的最优识别率，将识别结果显示出来，识别结果包括每个动作的平均识别成功率，隐含神经元个数，训练误差值以及网络收敛时长和训练频率。
本发明引入了自适应门限值，可以对不同变换层次上的生物脉冲采用自适应的门限值，变换级数越大，门限值相应也越大，使得降噪更加精确，不仅保存了大量有用的信号，并且去除了多余的噪声，无论从信噪比还是均方误差都能达到比较好的效果，使之更加适合于人体生物脉冲的特点。可以对大批量人体生物脉冲进行处理，快速准确，提供了多种算法和组合进行选择和对比，同时可以保存信号处理过程中的关键数据供进一步的分析。
附图说明
图1是本发明一种基于生物脉冲的动作识别方法的流程图。
被包括来提供对所公开主题的进一步认识的附图，将被并入此说明书并构成该说明书的一部分。附图也阐明了所公开主题的实现，以及连同详细描述一起用于解释所公开主题的实现原则。没有尝试对所公开主题的基本理解及其多种实践方式展示超过需要的结构细节。
具体实施方式
本发明的优点、特征以及达成所述目的的方法通过附图及后续的详细说明将会明确。
本发明请求保护一种基于生物脉冲的动作识别方法，其特征在于该方法包括如下步骤：
a.采集人体四肢生物脉冲，并采用自适应门限值算法对生物脉冲进行降噪处理；
b.基于李雅普诺夫指数等方式对步骤a获取的生物脉冲进行特征提取，求出该生物脉冲的复杂度和组合特征向量；
c.将步骤b获取的生物脉冲的复杂度和组合特征向量作为特征向量输入神经网络分类器，进行生物脉冲的模式识别，获取动作聚类特征。
优选的，所述步骤a中采集人体四肢生物脉冲，并采用自适应门限值算法对生物脉冲进行降噪处理还包括：
选择小波离散函数和小波变换级数，对生物脉冲进行小波变换，得到小波树和分段小波系数，计算其最佳小波树，获取最佳小波树的各叶结点系数，在生物脉冲的最佳小波树中选取一个未处理的叶结点，计算该叶结点系数对应的自适应门限值和降噪方式，进行降噪，判断最佳小波树种是否有叶结点未处理，如果有则重新在生物脉冲的最佳小波树中选取一个未处理的叶结点，如果没有，则如果最后一级第一个结点的父结点系数为零，重构父结点，如果不是，保留原来的父结点。再对上一级第一个结点做同样处理，直到第一级第一个结点，最后得到重构生物脉冲。
优选的，基于李雅普诺夫指数等方式对步骤a获取的生物脉冲进行特征提取，求出该生物脉冲的复杂度和组合特征向量；还包括：
1)求生物脉冲的局部极大、极小值；通过插值函数获得脉冲的上下样条曲线；并对上下样条曲线求平均，记为n(j)；以样条曲线上同符号值t(j)替代对应序列点上生物脉冲原有值y(j)，求脉冲t(j)与n(j)的差值，记为i(j)＝t(j)-n(j)；
2)i(j)脉冲归一化：找出i(j)中绝对值最大的量imax＝max|i(j)|，j＝1，2，...m；最后，按幅度归一化emg(j)＝i(j)/imax；
3)对时间序列脉冲进行四区间的多尺度粗粒化；
4)以kolmogorov法计算脉冲的kc复杂度。
优选的，基于李雅普诺夫指数等方式对步骤a获取的生物脉冲进行特征提取，求出该生物脉冲的复杂度和组合特征向量；还包括
选择小波变换级k＝3和小波函数为symlet3，对降噪后的脉冲进行处理，依次取pattern1-pattern6脉冲进行小波变换，利用matlab工具箱中的函数计算小波低频值
利用公示1计算每个动作四个信道的小波变换最大值
利用公式2和公式3计算动作1-6各四个信道脉冲的最大李雅普诺夫指数；lm＝[l1，l2，l3，l4]，m＝1，2…6，表示动作类别；
dj(i)＝|yj+1-yk+1|，i＝1，2…min(m-j，m-k)(2)
其中寻找给定轨道上每个点的最近邻近点yj+1，计算出该邻点对的个离散时间步后的距离dj(i)；对每个i，求出ln
利用公式4计算组合特征向量
q＝[wi，l]，i＝1，2...j+1(4)；
每个动作采集10组数据，分别计算组合特征向量。
优选的，所述步骤c中将步骤b获取的生物脉冲的复杂度和组合特征向量作为特征向量输入神经网络分类器，进行生物脉冲的模式识别，获取动作聚类特征，还包括在输入神经网络分类器之前需要对神经网络进行训练：
设置标准值：包括标准化训练误差，标准化隐含神经元个数，标准化训练次数，标准化各层之间的阈值和权重；选取训练样本空间中的一个特征向量，确定其目标输出向量。将这个特征向量输入设计好的神经网络，经过输入层，隐含层和输出层，得到实际的输出向量；计算实际输出向量与目标输出向量之间的误差，然后通过修正指数对权重和阈值进行调整，然后反传回网络，这就是误差反向传播神经网络；返回″选取训练样本空间中的一个特征向量″步骤直到训练样本空间的特征向量都训练一次；再从训练样本空间中选取一个特征向量和其对应的目标输出向量，返回″选取训练样本空间中的一个特征向量″步骤，不停的调整直到所有的误差都小于设置标准值步骤中的训练误差，这时网络收敛，训练结束；这个过程中，如果训练次数达到设置标准值步骤中的标准训练次数，则训练结束；如果训练次数结束，还没有达到标准化训练误差，则网络不收敛，继续训练。
优选的，所述步骤c中将步骤b获取的生物脉冲的复杂度和组合特征向量作为特征向量输入神经网络分类器，进行生物脉冲的模式识别，获取动作聚类特征，还包括：
经过计算，选择出此次训练的最优识别率，将识别结果显示出来，识别结果包括每个动作的平均识别成功率，隐含神经元个数，训练误差值以及网络收敛时长和训练频率。
本发明引入了自适应门限值，可以对不同变换层次上的生物脉冲采用自适应的门限值，变换级数越大，门限值相应也越大，使得降噪更加精确，不仅保存了大量有用的信号，并且去除了多余的噪声，无论从信噪比还是均方误差都能达到比较好的效果，使之更加适合于人体生物脉冲的特点。可以对大批量人体生物脉冲进行处理，快速准确，提供了多种算法和组合进行选择和对比，同时可以保存信号处理过程中的关键数据供进一步的分析。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。