[發明專利]基于肌肉電阻抗信號的手勢識別系統及方法

在審

• 申請號: 202011103545.7
• 申請日: 2020-10-15
• 公開（公告）號: CN112101298A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 高躍明;周瑸;杜民;姜海燕;吳嘉輝;史婧婷
• 申請（專利權）人: 福州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

本發明涉及一種基于肌肉電阻抗信號的手勢識別系統，包括：信號采集單元和上位機數據處理單元；所述信號采集單元包括主控模塊、信號驅動模塊、信號檢測模塊、AD采集模塊和無線通信模塊；所述主控模塊與信號驅動模塊、AD采集模塊和無線通信模塊分別連接；所述信號檢測模塊與電極和AD采集模塊分別連接；所述無線通信模塊通過無線傳輸與上位機連接，將采集的信號傳輸至上位機處理。本發明能直接反應出肌肉的本質狀態，對于低速運動也能有較好的靈敏度，對肌肉收縮靈敏度高、魯棒性好、信號幅值大、頻率可控、預處理簡單。

技術領域

本發明涉及機器視覺領域，涉及一種基于肌肉電阻抗信號的手勢識別系統。

背景技術

機器視覺通過捕獲人類運動圖像來進行動作識別，是最常用的手勢識別方法，但其隱私侵入性強、易受到光照等的影響、觀察范圍有限、易受遮擋，這些問題局限了機器視覺在手勢識別領域的應用。隨著傳感器技術的發展，近年來一些基于傳感器技術的穿戴式手勢識別裝置設計也逐漸興起，主要包括運動傳感器（例如陀螺儀、加速計等）和表面肌電信號傳感器等。加速計和陀螺儀等反應的是肢體的運動信息，其對于低速運動的靈敏度較低。表面肌電信號反應出肌肉的本質信息，但屬于一種很微弱的電信號，采集容易受到外界干擾，后續處理過程復雜，給可穿戴式設備的軟硬件設計加大了難度。

發明內容

有鑒于此，本發明的目的在于提供一種基于肌肉電阻抗信號的手勢識別系統及方法，能直接反應出肌肉的本質狀態，對于低速運動也能有較好的靈敏度。

為實現上述目的，本發明采用如下技術方案：

一種基于肌肉電阻抗信號的手勢識別系統，包括：信號采集單元和上位機數據處理單元；所述信號采集單元包括主控模塊、信號驅動模塊、信號檢測模塊、AD采集模塊和無線通信模塊；所述主控模塊與信號驅動模塊、AD采集模塊和無線通信模塊分別連接；所述信號檢測模塊與信號驅動模塊和AD采集模塊分別連接；所述無線通信模塊通過無線傳輸與上位機連接，將采集的信號傳輸至上位機處理。

進一步的，所述信號驅動模塊包括依次連接的人體表面測量電極、信號源電路、放大器電路和射級跟隨電路。

進一步的，所述信號檢測模塊包括依次連接的濾波電路、穩壓電路、相位極性鑒別電路和幅相檢測電路。

進一步的，所述無線通信模塊采用藍牙、Zig-Bee或Wi-Fi。

一種基于肌肉電阻抗信號的手勢識別方法，包括以下步驟：

步驟S1:通過信號采集單元采集人體小臂EIM信號，并傳送至上位機；

步驟S2:上位機根據采集的到的V_MAG和V_PHS與信號衰減、相位差的關系計算出V_i和V_o的幅度比值和相位差；

步驟S3:根據歐姆定律，利用參考電阻將電壓幅度比值和相位差換算為肌肉的阻抗模|Z|和φ,并進行歸一化處理；

步驟S4:將歸一化后的|Z|’和φ’作為兩個變量，使用機器學習的方法訓練手勢分類模型，實現最終的手勢分類。

進一步的，所述歸一化處理采用Z-score標準化。

進一步的，所述機器學習的方法采用神經網絡或支持向量機。

進一步的，所述機器學習的方法極限學習機分類器，包括輸入層、隱含層和輸出層，具體構建過程如下：

隨機生成輸入層和隱含層之間的連接權值；

計算隱含層的輸出矩陣H，將輸入數據映射至隱含層節點的結果；

最小化誤差函數L=min ||Hβ-T||，其中T為網絡的目標輸出；