一种智能柔性压力传感手语识别装置的制作方法

本发明涉及用于沟通的电子设备，尤其是一种智能柔性压力传感手语识别装置。

背景技术：

手语是听力障碍或无法言语的聋哑人交流沟通的一种语言，通过做出不同的手势，按照一定语法规则来表达特定意思。而正常人对手语手势理解能力较差，聋哑人与正常人之间沟通存在隔阂。手语识别系统识别手语动作，并将其翻译为正常人可理解的语言，并于pc端显示，帮助聋哑人与正常人进行交流。

申请号为cn201610883613.3，发明名称为一种手语识别系统、装置及方法，该手语识别系统通过使用摄像头获取手势图像，通过图像识别、存储和转换模块进行处理，将手势图像转换为文字信息。申请号为cn201010606052.5，发明名称为一种基于数据手套的手语识别装置，使用了五个电阻应变片传感器和加速度传感器将手语信号转化为电信号，经过后期信号处理后转化为文字信息并显示。在现有的关于手势识别的技术方案里，一类是扫描并存储图像，再对图像分析进行识别；另一类则是通过压力传感器和加速度传感器将手语信号转化为电信号，通过信号处理模块识别并显示手语信号。目前实现手语识别装置结构复杂，需要传感器种类繁多，容错程度低。

技术实现要素：

本发明的目的是提供一种智能柔性压力传感手语识别装置，便于与聋哑人的沟通。本发明采用由石墨烯和氧化石墨烯的异质结制成的柔性压力传感单元，多个柔性压力传感单元集成为柔性压力传感阵列。石墨烯和氧化石墨烯的异质结黏附于纺织手套。当佩戴手套展示不同哑语手势时，各个传感单元受到不同压力，压力信号经过信号处理调节后，输送至pc机，实现实时的智能识别和显示。

实现本发明目的的具体技术方案是：

一种智能柔性压力传感手语识别装置，特点是：该装置包括柔性压力传感阵列、信号处理电路和pc机，所述柔性压力传感阵列通过导线与信号处理电路输入端连接，信号处理电路的输出端的数据通过串口传至pc机；其中，所述柔性压力传感阵列由数个柔性传感单元和纺织手套组成，柔性传感单元由石墨烯和氧化石墨烯的异质结构成，柔性传感单元黏附于纺织手套的各手指上；所述信号处理电路包括电阻-电压转换模块、选通模块、放大电路模块、模数转换模块和供电模块，电阻-电压转换模块、选通模块、放大电路模块及模数转换模块依次连接，供电模块分别连接电阻电压转换模块、选通模块、放大电路模块及模数转换模块；所述pc机设置有神经网络训练模块、识别模块和显示模块，其中，神经网络训练模块采用bp(backpropagation)算法，对信号处理电路输出的电压数据进行训练，得到手势识别神经网络模型；识别模块利用手势识别神经网络模型对实时做出的手势进行识别；显示模块使用imshow函数，将手势归类结果输入imshow函数，输出手势图片及手势表达的文字含义。

所述电阻电压转换模块为由数个串联电阻分压电路并联组成，串联电阻分压电路包括供电电压u1、输出电压u及定值电阻r，定值电阻r一端连接传感单元及输出电压，另一端连接供电电压。

所述放大电路模块包括输入电阻r1、反馈电阻r2、定值电阻r3、运算放大器，所述输入电阻r1一端连接输入信号，另一端连接运算放大器输入正端；运算放大器输入负端连接定值电阻r3，定值电阻r3另一端接地，运算放大器的输入负端与运算放大器的输出端之间连接一个反馈电阻r2构成负反馈，运算放大器的正供电电压为vcc，负供电电压为vee。

所述bp算法的具体包括：信号处理电路中的模数转换模块输出的电压信号传入输入神经元，输入神经元的数据经过权值叠加后，传入隐含层神经元，由隐含层神经元进行计算；隐含层神经元输出的计算结果经过第二次权值叠加后，输入输出层神经元，由输出层神经元进行计算得到实际输出值，实际输出值输入到误差计算的公式，得到实际误差；若实际误差达到或低于神经网络目标误差参数，则神经网络模型训练完成；若实际误差高于神经网络目标误差参数，则修改权值，再次由模数转换模块输出的电压信号传入输入神经元，输入神经元的数据经过权值叠加后，传入隐含层神经元，由隐含层神经元进行计算，隐含层神经元输出的计算结果经过第二次权值叠加后，输入输出层神经元，由输出层神经元进行计算得到实际输出值，实际输出值输入到误差计算公式，得到实际误差，直至实际误差达到或低于神经网络目标误差参数，训练得到神经网络模型。

本发明的有益效果：

本发明的智能柔性压力传感手语识别装置，其结构简单，仅使用了一种柔性压力传感阵列，其柔性压力传感阵列可弯曲、质量轻，能贴合人类皮肤，可直接穿戴于手上，方便携带；bp算法训练得到的手势识别神经网络模型误差小，能够避开传感器工艺误差对识别精度带来的误差；训练样本足够广泛的情况下，可达到大范围的适用，准确度不会受到不同人体手部差异的影响。

附图说明

图1为本发明结构示意图；

图2为本发明信号处理模块的结构框图；

图3为本发明电阻-电压转换模块电路图；

图4为本发明放大电路模块的电路图；

图5是哑语手势“u”及对应的传感单元压力分布图；

图6是均方差与神经网络训练次数的测试图。

具体实施方式

为使本发明的目的、技术方案及优点更清晰明了，以下结合附图和实施例，对本发明进行进一步详细说明。

实施例

参阅图1，本发明包括柔性压力传感阵列1、信号处理电路2和pc机3，所述柔性压力传感阵列1通过导线与信号处理电路2输入端连接，信号处理电路2的输出端的数据通过串口传至pc机3；其中，所述柔性压力传感阵列1由数个柔性传感单元11和纺织手套12组成，柔性传感单元11由石墨烯和氧化石墨烯的异质结构成，柔性传感单元11黏附于纺织手套12的各手指上；所述柔性压力传感阵列1用于测量手指弯曲和移动程度；压力信号由信号处理电路2处理为pc机3便于识别的分压信号。

信号处理电路

参阅图2，信号处理电路包括电阻-电压转换模块、选通模块、放大电路模块、模数转换模块和供电模块。供电模块为电阻电压转换模块提供参考电压，为选通模块、放大电路模块和模数转换模块提供电源电压。

参阅图3，电阻电压转换模块由数个串联电阻分压电路并联组成，串联电阻分压电路包括参考电压u1、输出电压u及定值电阻r，定值电阻r一端连接传感单元及输出电压，另一端连接供电电压。传感单元一端接地。电阻电压转换模块的输出电压为：由选通模块切换遍历数个传感单元电阻的分得的电压。选通模块通过导线和如图4所示的放大电路模块连接。由选通模块输出的信号通过一个输入电阻r1后进入运算放大器的正输入端，运算放大器的负输入端与一个定值电阻r3相连到地，运算放大器的负输入端与输出端连接一个反馈电阻r2构成负反馈。运算放大器的正供电电压为vcc，负供电电压为vee，正负供电电压均由供电模块提供。由负反馈放大电路将信号放大15-20倍，由模数转换模块将放大的模拟电压信号转化为神经网络可识别的数字信号。模数转换模块和放大电路模块通过导线相连接，模数转换模块输出的信号输入到pc机中神经网络训练模块。

本实施例的pc机内设置有神经网络训练模块，采用bp(backpropagation)算法，对信号处理电路输出的电压数据进行训练得到手势识别神经网络模型；其算法具体为：

i、对各层的向量进行假设：

输入向量：x＝(x1，x2，…xk)；

隐含层输入向量：di＝(di1，di2，…dip)；

隐含层输出向量：do＝(do1，do2，…dop)；

输出层输入向量：yi＝(yi1，yi2，…yiq)；

输出层输出向量：yo＝(yo1，yo2，…yoq)；

期望输出向量：o＝(o1，o2，…oq)；

ii、假定共有n，(n＝1，2，…k)个训练样本，输入层与隐含层的连接权值为wid，隐含层与输出层的连接权值为wdo，隐含层各神经元的阈值为bd，输出层各神经元的阈值为bo，则；

输入样本：x(n)＝(x1(n)，x2(n)，…xk(n))；本实施例输入样本为模数转换电路模块输出的电压信号。

期望输出：o(n)＝(o1(n)，o2(n)，…oq(n))；本实施例期望输出为某种手势对应的理想输出。

隐含层输入：本实施例“隐含层输入”为权值叠加的具体计算。

隐含层输出：dod(n)＝f(did(n))，d＝1，2，…p；本实施例“隐含层输出”中f(did(n))为隐含层计算的具体公式，dod(n)为隐含层的输出值。

输出层输入：本实施例“输出层输入”为输出层权值叠加的具体计算。

输出层输出：yoo(n)＝f(yio(n))，o＝1，2，…q；本实施例“输出层输出”中f(yio(n))为输出层计算的具体公式，yoo(n)为输出层的输出值。

误差函数为：本实施例“误差函数”中为误差计算公式，e(n)为实际误差。

iii、根据已知误差函数对于输出层、隐含层中神经元计算偏导，本实施例“计算误差函数对于输出层、隐含层中神经元的偏导”为修改权值的数学方式。

误差函数对于输出层神经元的偏导：

误差函数对于隐含层神经元的偏导：

取δo(n)为输出层的输出计算误差函数对输出层各神经元偏导，δo(n)＝[oo(n)-yoo(n)]f′(yio(n))；

取δd(n)为隐含层的输出计算误差函数对隐含层各神经元偏导，

因此上述偏导可以转化为：

修正后的权值修正后的权值其中α为学习速率，学习速率为设定的神经网络参数。

iv、使用修正后的权值再次计算实际误差，当输出的实际误差高于训练目标误差时，就会反向传播，沿原路返回修正权值，权值的调整，会影响输出的实际输出和期望输出的差值，从而影响实际误差。如此正反重复，直到最后实际误差达到或者低于训练目标误差时，学习就结束，得到训练完成的神经网络模型。

在本实施例中，创建的神经网络输入层含有9个输入神经元，分别对应传感阵列中的9个传感器经过信号处理电路后的分压值；隐含层有15个神经元，输出层含有3个输出神经元。在程序中，对神经网络训练时的训练次数、训练目标的最小误差、学习速率以及训练过程的显示频率等参数进行了设置，进行神经网络训练。

具体应用中，将这种带有柔性压力传感阵列的手套佩戴在手上，多次做出手势，每个传感单元上检测出的信号经处理后会通过串口传入pc机中，通过bp神经网络学习和判断，准确识别出手势含义，并显示出神经网络判断的手势。

参阅图5(a)，做出哑语手势“u”，图5(b)所示的手语识别装置的部分传感单元受到压力，石墨烯和氧化石墨烯的异质结敏感材料电阻减小，其余传感单元电阻相对较大。电阻-电压转换模块将9路传感单元的电阻变化信号转化为电压变化信号。9路电压信号进入模拟多路复用器adg731选通模块，依次遍历后输出至放大电路模块。放大电路模块的放大器选用通用放大器ua741，反馈电阻为18kω，输入电阻为1.2kω。放大后的信号由模数转换模块将电压信号转化为神经网络可识别的数字信号，模数转换模块选用七星虫stm32单片机内置模数转换模块。多次重复做出哑语手势“u”，收集到的多组数据依次传入信号处理电路各模块后，通过串口传入pc机，在pc机中由神经网络训练模块进行训练。训练参数为：允许训练的最多次数为6000次，训练目标最小误差为0.01，学习速率为0.001，每间隔50步显示依次结果。神经网络训练结果参阅图6，在训练达到4722次后的实际误差(均方差)达到最优值0.0099957，得到训练完成的神经网络模型。图中训练曲线为训练过程中实际误差的值。图中目标曲线的值为训练目标最小误差设定的值。图中最佳曲线的意义为在第4722步的时候，训练结果最理想，最优误差为0.0099957。训练结束后，再次做出哑语手势“u”，柔性压力传感阵列的各个传感单元的数据由信号处理电路处理后，实时传输至pc机中训练完成神经网络，可识别出“u”手势，如图5(c)所示，pc机调用了imshow函数实时显示识别结果。