基于表面肌电信号分解的手部动作识别方法
【技术领域】
[0001] 本发明设计生物信号识别技术领域，具体涉及一种基于表面肌电信号分解的手部 动作识别方法。
【背景技术】
[0002] 手部动作识别已经成为人机交互的重要方法之一，广泛应用于手语识别、假肢控 制、体感游戏控制、遥操作等领域。基于肌电信号（SEMG)的手部动作识别方法，具有实时、 便捷、无创的特点，且更适用于助老助残等康复领域，目前已经得到越来越广泛的关注。
[0003] 传统的手部动作识别方法，常利用多个通道的sEMG数据[1-8]，提取相应的时域 [4,5]、频域[6, 7]、时频域[8]的特征，利用特定的数据分类算法[9-11]，完成动作分类。
[0004] 目前，国内东南大学宋爱国（中国专利CN103006358)提出一种基于sEMG最大值与 最小值比例因子的方法，通过两通道的sEMG，实现两个动作识别。杭州电子科技大学张启忠 (中国专利CN102930284)提出基于经验模态分解与分形的表面肌电信号模式识别方法，利 用一个通道sEMG信号，识别展拳动作。太原科技大学郭一娜（中国专利CN102631185A)提 出利用经验模态分解与独立成分分析的方法，对多路sEMG信号进行分离，从而降低硬件复 杂度。综上所述，目前的研究与应用中，未见到基于单通道sEMG分解的手势识别。
[0005] 由此可知，在实际应用中，要精确识别出多个不同手势，则需要多个通道sEMG信 号。而传感器数量的增加，一方面造成系统复杂度提升，另一方面也带来了更大的噪声干 扰，且由于肌肉形状与传感器体积的限制，使用更少的传感器，识别出更多的手势，是目前 亟需解决的重要问题。
[0006] [1]张旭，基于表面肌电信号的人体动作识别与交互，生物医学工程，中国科学 技术大学，2010年博士学位论文
[0007] [2]赵章琰，表面肌电信号检侧和处理中若干关键技术研究，生物医学工程，中 国科学技术大学，2010年博士学位论文
[0008] [3]杨大鹏，仿人型假手多运动模式的肌电控制研究，机械电子工程，哈尔滨工 业大学，2011年博士论文
[0009] [4]Ding,Q.C. ,Xiong,A.B. ,Zhao,X.G. ,andHan,J.D. (2011,October). AnovelEMG-drivenstatespacemodelfortheestimationofcontinuous jointmovements.In2011IEEEInternationalConferenceonSystems,Man,and Cybernetics(SMC),pp. 2891-2897.
[0010] [5]Xiong,A. ,Chen,Y. ,Zhao,X. ,Han,J. ,andLiu,G. (2011,December).Anovel HCIbasedonEMGandIMU.In2011IEEEInternationalConferenceonRoboticsand Biomimetics(R0BI0),pp. 2653-2657.
[0011] [6]Chang，K.M.，Liu，S.H.，Wang，J.J.，andCheng，D.C. (2013,July). Exercisemusclefatiguedetectionsystemimplementationviawireless surfaceelectromyographyandempiricalmodedecomposition.In35thAnnual InternationalConferenceoftheIEEEEngineeringinMedicineandBiology Society(EMBC)，pp. 1001-1004.
[0012] [7]Singh,V.P. ,Kumar,D.K. ,Polus,B. ,andFraser,S. (2007).Strategiesto identifychangesinSEMGduetomusclefatigueduringcycling.Journalof medicalengineering&technology,31 (2), 144-151.
[0013] [8]Li,W.G. ,andLuo,Z.Z. (2008,June).Wavelettransformandindependent componentanalysisapplicationtomulti-channelSEMGprocessing.InIEEE InternationalConferenceonInformationandAutomation, 2008.ICIApp. 826-830.
[0014][9]Xiong，A.，Lin，G.，Zhao，X.，Han，J.，&Liu，G. (2012，October). FeasibilityofEMG-basedANNcontrollerforareal-timevirtualreal itysimulation.In2012_38thAnnualConferenceonIEEEIndustrialElectronics Society,pp. 2699-2704.
[0015] [10]Naik,G.R. , &Kumar,D.K. (2010).TwinSVMforgestureclassification usingthesurfaceelectromyogram.IEEETransactionsonInformationTechnologyin Biomedicine，14(2)，301-308.
[0016][ll]Al_Timemy，A.，Bugmann，G.，Escudero,J.，&Outram，N. (2013). ClassificationofFingerMovementsfortheDexterousHandProsthesis ControlwithSurfaceElectromyography.IEEEJournalofBiomedicalandHealth Informatics, 608-618.
【发明内容】
[0017] 针对现有技术的不足，本发明提供一种基于单通道SEMG分解的高准确率手部动 作识别方法。能够利用一个通道的sEMG信号，准确识别握拳、伸掌、捏食指、中指等手势动 作。
[0018] 本发明为实现上述目的所采用的技术方案是：一种基于sEMG分解的手部动作识 别方法，
[0019] 采集旋前方肌处sEMG信号；
[0020] 采用二阶差分滤波方法对采集到的sEMG信号进行滤波；
[0021] 对滤波后的sEMG信号，进行尖峰检测，得到的所有尖峰组成样本矩阵；
[0022] 对样本矩阵采用PCA方法降维；
[0023] 将降维后的样本矩阵采用高斯混合模型进行聚类，得到MUAPT;
[0024] 将得到的MUAPT，采用滑动平均方法进行处理，提取相应特征，并组成特征向量；
[0025] 对特征向量采用PCA降维；
[0026] 降维后的样本利用LDA进行分类，得到不同的手部动作。
[0027] 所述采用的二阶差分滤波方法如下：
[0028]xt =Yt+a-yt+rYt+yt-!
[0029] 其中yt是采集到的原始sEMG信号，xt是滤波后的sEMG信号，t为采样时间。
[0030] 所述对滤波后的sEMG信号进行尖峰检测包括以下过程：
[0031] 阈值的计算公式如下：
[0033] 其中，Cl=3. 5,xt是滤波后的sEMG信号，
[0034] 记录滤波后的sEMG信号中，由下向上穿越阈值a的采样点Xi，以及与之邻近的由 上向下穿越阈值的采样点xi+k;Xi到xi+k中的最大值即为尖峰峰值：
[0035] peak；= max (xi； xi+1, . . . , xi+k)
[0036] 其中，peaki为尖峰峰值；
[0037] 确定尖峰峰值位置后，则一个尖峰由其相邻的八个采样点组成：
[0038] spike；= {peaki_3, ? ? ? , peak；, . . . , peaki+4}
[0039] 其中spikei为一个尖峰。
[0040] 所述所有尖峰组成样本矩阵：
[0042] 其中，SPIKE是所有尖峰组成样本矩阵，peaki为尖峰峰值，q指sEMG信号中检测 到的尖峰的个数。
[0043] 所述对样本矩阵采用PCA方法降维包括：
[0044] [pci,score,latent] =princomp(SPIKE)
[0045]pcaSPIKEpXD =SPIKEpX8*pcl(:，1:D)
[0046] 其中，princomp(?)是主元分析函数，pc2是主元分析投影矩阵，latent是协方差 矩阵的特征值，score是SPIKE在主成分空间的投影表示，SPIKE与pci的前D列相乘，得到 pcaSPIKE矩阵。
[0047] 所述将降维后的样本矩阵采用高斯混合模型进行聚类，得到MUAPT包括以下过 程：
[0048] 〇bj = gmdistribution. fit(pcaSPIKE, k)
[0049] label = cluster(obj, pcaSPIKE)
[0050] 其中，gmdistribution. fit(?)为高斯混合模型训练函数，obj为训练得到的高 斯混合模型，其中包含M个组元，即将原始的sEMG信号分成了M类，cluster(?)是聚类函 数，能够根据obj将pcaSPIKE样本分为不同的类别，以不同的label表示出来，其中label 是类别的标记；
[0051] 将属于同一个类别的尖峰spikei按照其在原来sEMG信号中的先后顺序排列，小 于阈值的sEMG信号用0代替，就分别构成了M个MUAPT。
[0052] 所述滑动平均方法中，采用的时间窗为N，滑动窗为N/4。
[0053] 所述相应特征包括绝对值积分（IAV)，最大值（MAX),非零中值（NonZeroMed)，非 零中值序号（Ind)，其计算公式如下：
[0056]NonZeroMed=median(nonzeros(x1；x2, . . . ,xi； . . . ,xN))
[0057] Ind = index of the NonZeroMed
[0058] 其中Xi是sEMG的第i个采样值，N为时间窗的长度，median(?)表示计算序列的 中值，nonzeros(?)表示计算序列的非零值，Ind表示非零中值在原时间窗中所在的位置。
[0059] 所述特征向量为：
[0061] 其中，M表示分解得到的MUAPT的个数，p为时间窗的个数，IAV是绝对值积分，MAX 是最大值，NonZeroMed是非零中值，Ind是非零中值序号。
[0062] 所述对特征向量采用PCA降维过程包括：
[0063] [pc2,score,latent] =princomp(FV)
[0064]pcaFVpXr =FVpX4M*pc2 (:,l:r)
[0065]其中，princomp( ?)是主元分析函数，pc2是主元分析投影矩阵，latent是协方差 矩阵的特征值，score是SPIKE在主成分空间的投影表示，特征向量FV与pc2的前r列相 乘，得到降维后的矩阵pcaFV。
[0066] 所述对降维后的样本利用LDA进行分类包括：
[0067] class=classify (sample, pcaFV, group)
[0068] 其中，classify(?)是LDA分类函数，sample是待分类的数据样本，pcaFV是降维 后的矩阵，group是对应所属的类别。
[0069] 本发明具有以下有益效果及优点：
[0070] 1.本发明利用一个通道的sEMG信号，正确识别五个手部动作，在实际应用中，能 够有效减少传感器数量，提高系统的实用性。
[0071] 2.本发明采用二阶差分滤波对肌电信号进行预处理，能够有效滤除环境噪声对表 面肌电的影响；
[0072] 3.本发明利用阈值检测的方法，检测有效的MUAP尖峰，并进行PCA降维及GMM聚 类，将一个通道sEMG分