[發明專利]肢體動作的識別方法、裝置、計算機設備及存儲介質

有效

• 申請號: 201910876338.6
• 申請日: 2019-09-17
• 公開（公告）號: CN110710970B
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 田彥秀;韓久琦
• 申請（專利權）人: 北京海益同展信息科技有限公司
• 主分類號: A61B5/389
• 分類號: A61B5/389;A61B5/397;A61B5/11
• 代理公司: 北京派特恩知識產權代理有限公司 11270
• 代理人: 劉歡歡;張穎玲

1.一種肢體動作的識別方法，其特征在于，包括：

建立肢體動作的分類模型，其中，所述分類模型基于樣本對象的表面肌電信號的訓練集進行訓練；

將所述分類模型應用于目標對象的肢體動作的識別；

在所述目標對象的肢體動作的識別過程中，獲取識別所述目標對象的狀態；

當識別所述目標對象的狀態滿足所述分類模型的更新條件時，更新所述分類模型的參數，以修復所述分類模型識別所述目標對象的肢體動作的偏差；

其中，當所述分類模型待識別的目標對象發生更換時，通過有監督學習的訓練方式調整所述分類模型的類內散度矩陣和類間散度矩陣，并

將調整后的類內散度矩陣和類間散度矩陣作為更新后的所述分類模型的參數；

當所述分類模型識別同一目標對象的持續時長大于持續時長閾值時，或當所述分類模型識別同一所述待識別目標的表面肌電信號的樣本數量大于第二設置閾值時，通過無監督學習的訓練方式更新所述分類模型的參數。

2.根據權利要求1所述的方法，其特征在于，所述建立肢體動作的分類模型，包括：

對樣本對象的表面肌電信號進行預處理和特征向量提取，獲得特征向量樣本集；

將所述特征向量樣本集隨機劃分為訓練集和測試集；

基于所述訓練集和所述訓練集中樣本對象的標簽訓練肢體動作的分類模型，并利用所述測試集對所述分類模型的識別精度進行測試；

當所述分類模型的識別精度大于第一設置閾值時，獲得訓練后的所述分類模型。

3.根據權利要求1所述的方法，其特征在于，所述將所述分類模型應用于目標對象的肢體動作的識別，包括：

獲取待識別的所述目標對象表面肌電信號的特征向量；

通過所述分類模型對所述特征向量進行降維處理和分類識別處理，得到所述目標對象的肢體動作的分類識別結果。

4.根據權利要求1所述的方法，其特征在于，所述獲取識別所述目標對象的狀態，包括：

獲取所述分類模型待識別的目標對象是否發生變換的狀態；

和/或，獲取所述分類模型識別同一目標對象的持續時長；

和/或，獲取所述分類模型識別同一目標對象的表面肌電信號的樣本數量。

5.根據權利要求1所述的方法，其特征在于，所述當識別所述目標對象的狀態滿足所述分類模型的更新條件時，更新所述分類模型的參數，包括：

當滿足以下更新條件至少之一時，更新所述分類模型的參數：

所述分類模型待識別的目標對象發生更換；

所述分類模型識別同一目標對象的持續時長大于持續時長閾值；

所述分類模型識別同一目標對象的表面肌電信號的樣本數量，大于樣本數量閾值。

6.根據權利要求1至5任一項所述的方法，其特征在于，所述通過有監督學習的訓練方式調整所述分類模型的類內散度矩陣和類間散度矩陣，包括：

通過帶有標簽的所述目標對象的表面肌電信號樣本訓練所述分類模型；

在所述分類模型的訓練過程中，調整所述分類模型的類內散度矩陣和類間散度矩陣，直至滿足如下條件：通過所述分類模型進行降維處理和分類處理后的同類所述目標對象樣本的特征向量之間的距離滿足第一距離閾值、不同類的所述目標對象樣本的特征向量之間的距離滿足第二距離閾值。