[发明专利]一种基于隐马尔科夫模型的肌电信号手势识别方法

说明书

本发明公开了一种基于隐马尔科夫模型的肌电信号手势识别方法，步骤如下：对手势肌电信号进行平滑滤；使用滑动窗口对每个窗口数据提取一种多特征特征集，对特征向量进行归一化和最小冗余最大相关性准则的特征降维；设计三种隐马尔可夫模型分类器，并对其参数进行优化；使用隐马尔科夫分类器模型参数和训练数据训练得到分类器模型；将测试数据输入到训练好的模型中，根据每个类别隐马尔可夫模型输出的似然，最大似然对应的类别即为识别的类别。本发明基于新特征集对三种常用隐马尔可夫模型分类器进行识别。使用基于隐马尔可夫模型的分类方法能够准确地识别同一被试的不同手势，较准确地识别不同被试间手势。

技术领域

本发明属于计算机与生物信号相结合领域，具体基于隐马尔可夫模型对肌电信号对应的手势进行识别。

背景技术

友好的人机交互界面已成为信息技术领域的研究热点之一，为了计算机能够更好地判断和理解人类的意图，“生、肌、电一体化”是未来人机交互方式的重要发展趋势之一。表面肌电(surface electromyography,sEMG)信号是神经肌肉系统在进行随意性和非随意性活动时的生物电变化经表面电极引导、放大、显示和记录所获得的一维电压时间序列信号。对于体育科学研究、人机交互、康复医学临床和基础研究等具有重要的学术价值和应用意义。在这些应用中，基于肌电信号的手势识别技术担当重要的角色。一个经典的肌电信号手势识别流程由数据预处理、特征空间构建和分类组成。数据预处理部分主要对信号进行整流和滤波来减少噪声，特征空间构建部分将预处理后的信号变换到特征空间使得类间有更大的区分度，最后用一个机器学习方法训练好模型用于分类。

特征空间的构建部分是提高识别准确率十分重要的部分。常用的特征包括时域特征、频域特征和时频域特征。时域特征计算速度快但对噪声信号不鲁棒，频域信号需要先对信号进行傅里叶变换得到功率谱，故对全波整流后的信号不鲁棒。目前已有经典特征集主要包含时域和频域特征，如Phinyomark特征集、Hudgins特征集和Du特征集。Lucas等人使用离散小波变换得到的时频域特征进行识别得到较低错分率，故本发明通过构建特征集同时包含时域、频域和时频域特征三种特征能够克服不同域特征的缺点。

在国内外的研究中，很多分类器被用于肌电信号手势识别中，比如人工神经网络、K近邻、线性判决分析、支持向量机和隐马尔可夫模型。其中支持向量机和隐马尔科夫模型是两种易实现且训练快的常用分类器。隐马尔可夫模型十分擅长对时序数据进行建模，十分适合作为肌电信号手势识别的分类器，但已有发明中没有使用隐马尔科夫模型对肌电信号手势进行识别。

发明内容

本发明的目的是提供一种基于隐马尔可夫模型的表面肌电信号多类手势识别方法，通过设计三种隐马尔可夫分类器，提高了手势识别的准确性。

本发明的目的是通过以下技术方案来实现的：一种基于隐马尔科夫模型判断肌电信号手势动作的方法，该方法包括如下步骤：

(1)获取肌电数据，数据预处理和数据归一化，包括以下子步骤：

(1.1)从公开数据集Non-Invasive Adaptive Hand Prosthetic(NinaPro)中获取手势动作肌电数据，该数据集已对信号进行信号整流和带通滤波；

(1.2)对获取的肌电数据进行均值平滑滤波，滤波窗口长度为50ms；

(1.3)针对每个被试的数据进行归一化；

(2)数据分割，训练数据集和测试数据集划分，包括以下子步骤：

(2.1)NinaPro数据集中每段肌电信号包含多个手势动作，同时提供动作的标签，根据获取到的肌电信号数据及标签，将每段肌电信号中的多个手势动作数据分割成为多个只包含单个手势动作的数据段，形成手势动作数据集；

(2.2)将分割得到的手势动作数据集进行训练数据集和测试数据集的划分；