一种肌电信号手势识别方法与流程

本发明涉及生物特征识别，特别的，涉及一种肌电信号手势识别的方法。

背景技术：

1、设计一种肌电信号手势识别方法以提高信号识别的精准性，人机交互的实时性。

2、人体表面肌电信号（emg）是一项在生物力学领域中具有多种用途的重要技术，对于肌电信号的识别，传统方法是对信号做特征值抽取，主要有基于时域和基于频域两种方法。在时域上的特征值可以计算emg信号积分、绝对值平均、修正绝对值平均、简单的平方积分、方差等。在频域上可以计算平均频率、中值频率、峰值频率、平均功率、总功率等等。传统的方法具有解释性强的优点，但是需要手动对信号做特征工程相对来说较为繁琐。近些年来，人工智能技术的发展，许多机器学习技术被用在了emg手势识别领域，比如利用神经网络对emg信号进行分类，利用支持向量机对抽取出的emg特征进行分类。随着深度学习技术的发展，利用深度模型自动提取特征成为可能，比如利用短时间的滑动窗的信号数据作为输入，无需将时域转换到频域且无需手动提取特征的端到端深度学习模型，它可以通过训练数据学习到emg信号的表征向量，然后通过softmax函数进行多分类输出。现有的手势识别算法存在动作识别准确率不高的问题，无法满足实际使用的要求。

技术实现思路

1、本发明的目的在于提出一种肌电信号手势识别方法，以提高动作识别的准确率。

2、为达此目的，本发明采用以下技术方案：

3、一种肌电信号手势识别方法，包括以下步骤：步骤一：上臂肌肉分区，排布电极阵列，用传感器采集人体上臂16通道的emg信号。

4、步骤二：采集的信号输入下位机，采集系统中下位机硬件pcb电路板中搭载的ads1298芯片对信号进行差分运算，对肌电信号进行降噪预处理。

5、步骤三：软件部分的上位机包括数据模块、滤波模块和指令模块，下位机包括定时模块、中断模块、ads1298控制模块和数据模块。

6、步骤四：emg信号手势识别算法分为两个部分：离线训练和在线手势识别。离线训练部分包括手势数据并构建数据集、设计神经网络、训练和测试、模型的优化和压缩；在线手势识别部分设计“预测-验证”环节判断信号有效性。

7、本发明的有益效果是：一种肌电信号手势识别方法，步骤包括：1）肌电信号的采集。2）ads1298芯片对肌电信号进行预处理。3）手势识别算法离线训练部分，采集手势数据并构建数据集，设计神经网络，训练和测试，模型的优化和压缩。4）手势识别算法在线手势识别部分，设置“验证-预测”环节，将截取到的实时数据集用一个二分类网络输出有效性概率，用阈值判断数据样本是否有效，有效的数据样本输入到训练好的神经网络。

技术特征：

1.一种肌电信号手势识别方法，其特征在于，其包括以下步骤：

2.根据权利要求1所述的肌电信号手势识别方法，其特征在于：

3.根据权利要求1所述的肌电信号手势识别方法，其特征在于：所述步骤（2）中，对采集到的信号做预处理，硬件部分搭载ads1298芯片作为差分芯片，对采集到的信号进行差分运算后输出，以降低共模噪声干扰。

4.根据权利要求1所述的肌电信号手势识别方法，其特征在于：所述步骤（3）中，离线训练部分使用大量相关数据集训练模型，通过模型在数据集上的误差不断迭代训练模型，得到对数据集拟合合理的模型。

5.根据权利要求1所述的肌电信号手势识别方法，其特征在于：所述步骤（4）中，在线手势识别部分采用“验证-预测”环节，训练一个小的二分类网络提取出一个二维特征向量，将其输入sigmoid函数，得到的第一个概率值为信号有效的概率，概率大于某个阈值则为有效，小于则为无效。

技术总结
一种肌电信号手势识别方法，步骤包括：1）肌电信号的采集。2）ADS1298芯片对肌电信号进行预处理。3）手势识别算法离线训练部分，采集手势数据并构建数据集，设计神经网络，训练和测试，模型的优化和压缩。4）手势识别算法在线手势识别部分，设置“验证‑预测”环节，将截取到的实时数据集用一个二分类网络输出有效性概率，用阈值判断数据样本是否有效，有效的数据样本输入到训练好的神经网络。

技术研发人员：黄佩君,付钰伟,黄国彬,黄伟华
受保护的技术使用者：江门市华彬科技有限公司
技术研发日：
技术公布日：2024/4/7