[发明专利]一种针对肌电个体差异问题的在线手势识别方法

说明书

一种针对肌电个体差异问题的在线手势识别方法，包括以下步骤：(1)手势肌电数据集建立，获得初始数据；(2)训练初始分类模型；(3)新增样本KKT判别；(4)使用DBSCAN密度聚类获得初步训练集；(5)二次筛选获得最终训练集。本发明提供一种针对肌电个体差异问题的在线手势识别方法。该方法结合DBSCAN密度聚类算法，改进了原有的KKT‑SVM增量学习方法，用于在线肌电手势识别，以解决个体差异性问题。

技术领域

本发明涉及肌电信号处理和增量学习领域，特别是涉及一种针对肌电个体差异问题的在线手势识别方法。

背景技术

表面肌电信号(sEMG)作为一种交互媒介手段，被广泛的应用于假肢、外骨骼、矫形器等外设的控制中。sEMG能够实时的反映肌肉活动程度，是人-机之间理想的控制源。但由于皮脂、用力方式、肌纤维组织等个体差异性因素，很难获得一个通用的公共分类模型进行肌电模式识别，因此往往需要针对个体用户进行长时间的前期训练以获得精准分类辨识模型，相对耗时耗力。并且在实际应用时，分类器经过初次训练后一般不会再有改变，或较长的一段时间中固定不变。

国内外已有很多学者使用基于增量学习(Incremental Learning)的自适应方法解决sEMG的时变问题(如环境变化、电极位置改变、疲劳等)。通过增量学习，分类器系统可以在已经学习获得知识的基础上，不断从新样本中学习到新的知识。但仍少有研究将增量学习的思想用于个体用户分类模型的前期训练，以解决sEMG的个体差异性问题。

在众多增量学习算法中，基于支持向量机(SVM)的增量学习由于其特有的优点，近年来逐渐成为研究的热点问题。最早由Syed等提出的SVM增量学习算法Batch-ISVM，是将本次增量后的支持向量集(SV集)与所有的新增样本在下次增量学习中一起训练学习，舍弃非SV样本。该方法的问题在于新增样本中可能包含无用或糟糕的样本，不仅影响训练速度也会降低识别精度。基于此，有学者提出了基于KKT条件(Karush-Kuhn-Tucker)的SVM增量学习算法(KKT-ISVM)，来获得有效新增样本。虽然KKT-ISVM比Batch-ISVM更进一步，但仍存在以下问题：(1)舍弃的非SV样本可能包含有用的分类信息；(2)因满足KKT条件而舍弃的新增样本也可能包含有用的分类信息。

发明内容

为了克服现有的手势识别方式的无法解决个体差异性问题、识别准确率较低的不足，本发明提供一种针对肌电个体差异问题的在线手势识别方法。该方法结合DBSCAN密度聚类算法，改进了原有的KKT-SVM增量学习方法，用于在线肌电手势识别，以解决个体差异性问题。

本发明解决其技术问题所采用的技术方案是：

一种针对肌电个体差异问题的在线手势识别方法，包括以下步骤：

(1)手势肌电数据集建立，获得初始数据；

(2)训练初始分类模型；

(3)新增样本KKT判别；

(4)使用DBSCAN密度聚类获得初步训练集；

(5)二次筛选获得最终训练集。