[發明專利]一種基于隱馬爾科夫模型的肌電信號手勢識別方法

有效

• 申請號: 201510801279.8
• 申請日: 2015-11-19
• 公開（公告）號: CN105446484B
• 公開（公告）日: 2018-06-19
• 發明（設計）人: 耿衛東;胡鈺;衛文韜;杜宇;李嘉俊
• 申請（專利權）人: 浙江大學
• 主分類號: G06F3/01
• 分類號: G06F3/01
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于隱馬爾科夫模型判斷肌電信號手勢動作的方法，其特征在于，包括如下步驟：

(1)獲取肌電數據，數據預處理和數據歸一化，包括以下子步驟：

(1.1)從公開數據集NinaPro中獲取手勢動作肌電數據；

(1.2)對獲取的肌電數據進行均值平滑濾波，濾波窗口長度為50ms；

(1.3)針對每個被試的數據進行歸一化；

(2)數據分割，訓練數據集和測試數據集劃分，包括以下子步驟：

(2.1)根據獲取到的肌電信號數據及標簽，將每段肌電信號中的多個手勢動作數據分割成為多個只包含單個手勢動作的數據段，形成手勢動作數據集；

(2.2)將分割得到的手勢動作數據集進行訓練數據集和測試數據集的劃分；

(3)特征提取，特征歸一化及特征降維，包括以下子步驟：

(3.1)使用滑動窗口提取特征，對每個窗口數據提取一種多特征特征集；

(3.2)對提取到的特征數據進行歸一化處理；

(3.3)用最小冗余最大相關性準則對特征進行降維；

(4)基于隱馬爾可夫模型的多類手勢動作識別，包括以下步驟：

(4.1)設計基于隱馬爾可夫模型的分類器，所述分類器為連續隱馬爾可夫分類器、半連續隱馬爾可夫分類器或區分性訓練隱馬爾可夫分類器；

(4.2)使用訓練數據集對分類器參數逐一進行優化；

(4.3)由步驟(4.2)訓練得到的最優分類器參數和訓練數據樣本訓練獲得分類模型；

(4.4)將測試數據集輸入分類器模型，輸出分類結果。

2.根據權利要求1所述一種基于隱馬爾科夫模型判斷肌電信號手勢動作的方法，其特征在于，所述步驟(1.3)具體為：

使用一個被試所有手勢數據每個通道中的最大值進行歸一化；

其中，X是未歸一化的手勢數據，X_max是未歸一化手勢數據每個通道的最大值，X_absolute是歸一化后的數據。

3.根據權利要求1所述一種基于隱馬爾科夫模型判斷肌電信號手勢動作的方法，其特征在于，所述步驟(2.2)中，訓練數據集和測試數據集的劃分可使用被試內評估或被試間評估；被試內評估將單個被試的數據劃分為10份，并進行10折交叉驗證，針對這種評估方法，訓練集為其中9份、測試集為其中1份；被試間評估，將一個被試的數據作為測試集，其余被試的數據作為訓練集。

4.根據權利要求1所述一種基于隱馬爾科夫模型判斷肌電信號手勢動作的方法，其特征在于，所述步驟(3.1)中，滑動窗口的長度為250ms、重疊比為75％；特征集包含時域、頻域、時頻域和其他域特征；時域特征根據肌電信號計算得到；頻域特征根據肌電信號的功率譜計算得到；時頻域特征包含信號進行連續小波變換、離散小波變換和離散小波包變換后信號的統計特征；其他域特征包含經過希爾伯特-黃變換后的統計特征；具體包含以下9種特征：信號幅值絕對均值(MAV)、波形長度(WL)、Willison幅值(WSMP)、自回歸模型系數(ARC)、絕對均值斜率(MAVSLP)、平均頻率(MNF)、功率譜最大值附近能量與總能量比率(PSR)、基于Daubechies1小波的多分辨率小波分析(MRWA)、希爾伯特-黃變換58種統計量(HHT-58)。

5.根據權利要求1所述一種基于隱馬爾科夫模型判斷肌電信號手勢動作的方法，其特征在于，所述步驟(3.2)中，針對不同的評估方法，進行不同的特征歸一化；

被試內評估方法的歸一化：訓練數據集歸一化采用訓練數據集的每維特征減去其均值并除以方差，測試數據集歸一化采用測試數據集的每維特征減去訓練數據集對應維度的均值并除以方差；具體公式為：

其中F_train是歸一化前的訓練數據，是歸一化后的訓練數據，F_test是歸一化前的測試數據，是歸一化后的測試數據；

被試間評估方法的歸一化：針對每個被試的數據，每維特征減去其均值并除以方差；具體公式為：

其中F_subject是單個被試歸一化前的數據，是單個被試歸一化后的數據。