[發明專利]基于類腦計算的手勢識別方法、系統及手勢識別裝置

在審

• 申請號: 202210189979.6
• 申請日: 2022-02-28
• 公開（公告）號: CN114569142A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 曹琪琪;劉冰
• 申請（專利權）人: 浙江柔靈科技有限公司
• 主分類號: A61B5/389
• 分類號: A61B5/389;A61B5/397;A61B5/11;A61B5/00
• 代理公司: 深圳智趣知識產權代理事務所(普通合伙) 44486
• 代理人: 李興生

本發明提出了一種基于類腦計算的手勢識別方法、系統及手勢識別裝置，方法包括：采集用戶在手臂處的多通道肌電信號，進行濾波處理，得到第一數據集；分段處理以提取有效的手勢活動段，并從提取的手勢活動段中獲取手勢特征；將測試數據集輸入到識別模型中；在識別模型中，第一記憶將測試數據集編碼映射為超維向量，并與樣本超維向量進行相似度計算，尋找相似度最高的樣本超維向量，將該樣本超維向量對應的樣本手勢作為預測手勢并輸出。本發明通過對人手臂表面肌電信號進行手勢識別，只需在少量數據上進行學習即可達到理想的識別準確率，且計算方便，無需迭代多次，訓練模型小，適合在硬件本地直接進行學習和預測。

技術領域

本發明涉及手勢識別領域，特別涉及一種基于類腦計算的手勢識別方法、系統及手勢識別裝置。

背景技術

在元宇宙概念中，手勢識別是人機交互的重要媒介。手勢識別技術可為元宇宙里的人機交互提供技術支撐，將現實里人手的動作和軌跡在虛擬空間里實時展示出來，與虛擬世界里進行交互。

現有技術中，大多數的手勢識別技術都是基于計算機視覺算法的，這種方法在光線昏暗或者人手被遮擋的情況下，手勢識別的效果會變得很差，甚至會直接無法識別。且該類手勢識別方法，經常需要和其他外設設備一起使用，比如手柄等媒介設備，才能獲得虛擬世界里的反饋信息。

此外，基于深度學習或者機器學習算法進行的手勢識別技術，往往需要的大量的數據量進行學習訓練，需要迭代多次，且訓練出來的算法模型所需的存儲空間較大，只能存儲在大型PC端，而難以在單片機或者FPGA硬件本地上進行學習和預測，極大限制了手勢識別技術在微處理器方面的應用。

因此，急需一種能夠在硬件本地上進行學習和預測的手勢識別方案來解決上述問題。

發明內容

有鑒于此，本發明提出了一種基于類腦計算的手勢識別方法、系統及手勢識別裝置，具體方案如下：

一種基于類腦計算的手勢識別方法，包括如下：

采集用戶在手臂處的多通道肌電信號，得到關于手勢的多通道肌電數據集；

對所述多通道肌電數據集進行濾波處理，得到第一數據集；

分段處理所述第一數據集以提取有效的手勢活動段，并從提取的手勢活動段中獲取手勢特征得到測試數據集；

獲取針對該用戶已訓練好的識別模型，所述識別模型是基于超維計算構建的算法模型，將所述測試數據集輸入到所述識別模型中進行手勢預測，所述識別模型中預設有第一記憶和第二記憶，所述第二記憶中包括攜帶有樣本手勢的樣本超維向量；

在所述識別模型中，所述第一記憶將所述測試數據集編碼映射為超維向量，并與所述樣本超維向量進行相似度計算，尋找相似度最高的樣本超維向量，將該樣本超維向量對應的樣本手勢作為預測手勢并輸出。

在一個具體實施例中，所述分段處理具體包括：

在采集用戶手勢的多通道肌電數據集之前，預先采集用戶在靜息狀態下的多通道肌電信號，得到靜息態閾值；

基于所述靜息態閾值提取有效的手勢活動段。

在一個具體實施例中，所述識別模型的訓練過程包括：

采集某一用戶在手臂處的多通道肌電信號，獲取該用戶的多個樣本手勢的樣本數據集；

對所述樣本數據集進行濾波處理，得到第一訓練數據集；

分段處理所述第一訓練數據集以提取有效的手勢活動段，從提取的手勢活動段中提取手勢特征，并標記對應的手勢類別，得到訓練集數據；

基于超維計算構建初始算法模型，設定模型的數據維度為D；

分別初始化所述初始算法模型中的第一記憶和的第二記憶；