[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

本發明公開了一種基于隱馬爾科夫模型的肌電信號手勢識別方法，步驟如下：對手勢肌電信號進行平滑濾；使用滑動窗口對每個窗口數據提取一種多特征特征集，對特征向量進行歸一化和最小冗余最大相關性準則的特征降維；設計三種隱馬爾可夫模型分類器，并對其參數進行優化；使用隱馬爾科夫分類器模型參數和訓練數據訓練得到分類器模型；將測試數據輸入到訓練好的模型中，根據每個類別隱馬爾可夫模型輸出的似然，最大似然對應的類別即為識別的類別。本發明基于新特征集對三種常用隱馬爾可夫模型分類器進行識別。使用基于隱馬爾可夫模型的分類方法能夠準確地識別同一被試的不同手勢，較準確地識別不同被試間手勢。

技術領域

本發明屬于計算機與生物信號相結合領域，具體基于隱馬爾可夫模型對肌電信號對應的手勢進行識別。

背景技術

友好的人機交互界面已成為信息技術領域的研究熱點之一，為了計算機能夠更好地判斷和理解人類的意圖，“生、肌、電一體化”是未來人機交互方式的重要發展趨勢之一。表面肌電(surface electromyography,sEMG)信號是神經肌肉系統在進行隨意性和非隨意性活動時的生物電變化經表面電極引導、放大、顯示和記錄所獲得的一維電壓時間序列信號。對于體育科學研究、人機交互、康復醫學臨床和基礎研究等具有重要的學術價值和應用意義。在這些應用中，基于肌電信號的手勢識別技術擔當重要的角色。一個經典的肌電信號手勢識別流程由數據預處理、特征空間構建和分類組成。數據預處理部分主要對信號進行整流和濾波來減少噪聲，特征空間構建部分將預處理后的信號變換到特征空間使得類間有更大的區分度，最后用一個機器學習方法訓練好模型用于分類。

特征空間的構建部分是提高識別準確率十分重要的部分。常用的特征包括時域特征、頻域特征和時頻域特征。時域特征計算速度快但對噪聲信號不魯棒，頻域信號需要先對信號進行傅里葉變換得到功率譜，故對全波整流后的信號不魯棒。目前已有經典特征集主要包含時域和頻域特征，如Phinyomark特征集、Hudgins特征集和Du特征集。Lucas等人使用離散小波變換得到的時頻域特征進行識別得到較低錯分率，故本發明通過構建特征集同時包含時域、頻域和時頻域特征三種特征能夠克服不同域特征的缺點。

在國內外的研究中，很多分類器被用于肌電信號手勢識別中，比如人工神經網絡、K近鄰、線性判決分析、支持向量機和隱馬爾可夫模型。其中支持向量機和隱馬爾科夫模型是兩種易實現且訓練快的常用分類器。隱馬爾可夫模型十分擅長對時序數據進行建模，十分適合作為肌電信號手勢識別的分類器，但已有發明中沒有使用隱馬爾科夫模型對肌電信號手勢進行識別。

發明內容

本發明的目的是提供一種基于隱馬爾可夫模型的表面肌電信號多類手勢識別方法，通過設計三種隱馬爾可夫分類器，提高了手勢識別的準確性。

本發明的目的是通過以下技術方案來實現的：一種基于隱馬爾科夫模型判斷肌電信號手勢動作的方法，該方法包括如下步驟：

(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Non-Invasive Adaptive Hand Prosthetic(NinaPro)中獲取手勢動作肌電數據，該數據集已對信號進行信號整流和帶通濾波；

(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)NinaPro數據集中每段肌電信號包含多個手勢動作，同時提供動作的標簽，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；