[发明专利]肢体动作的识别方法、装置、计算机设备及存储介质

说明书

本公开实施例提供了一种肢体动作的识别方法，包括：建立肢体动作的分类模型，其中，所述分类模型基于样本对象的表面肌电信号的训练集进行训练；将所述分类模型应用于目标对象的肢体动作的识别；在所述目标对象的肢体动作的识别过程中，获取识别所述目标对象的状态；当识别所述目标对象的状态满足所述分类模型的更新条件时，更新所述分类模型的参数，以修复所述分类模型识别所述目标对象的肢体动作的偏差。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种肢体动作的识别方法、装置、计算机设备及存储介质。

背景技术

表面肌电信号(SEMG，Surface Electromyography)是一种与神经肌肉活动相关的生物电信号。当运动指令经由神经中枢系统传导至相关肌纤维时，会引起肌纤维上电位变化并发生肌纤维的收缩。该电位变化在皮肤表面处发生时间和空间上的叠加而形成表面肌电信号，可通过表面肌电电极采集下来。表面肌电信号包含了肌肉收缩的模式以及收缩强度等信息。不同的肢体动作对应不同的肌电信号。通过分析表面肌电信号就可以判别出该信号所对应的具体动作模式。因此，表面肌电信号被广泛运用于医学诊断、运动康复等领域。尤其在仿人型肌电假手控制中，表面肌电信号作为控制源驱动假手做出各种抓握手势获得了广泛的研究和关注。

表面肌电信号的特异性非常大。在进行手势模式识别中，第一方面，手势识别系统的性能会受到表面肌电信号个体差异的影响，这种个体差异往往由不同采集被试者的电极位移、或不同被试之间肌肉形状尺寸、发力大小、疲劳程度以及皮肤阻抗的不同造成，这种个体差异往往会导致来自不同被试的训练数据和测试数据具有不同的分布，使得从当前个体学习获得的分类器模型难以有效扩展和应用到其他个体上。另一方面，表面肌电信号具有时变性，随时间的推移，由于长期动态改变肌肉的收缩力，受试者容易疲劳，同一被试的肌肉形状尺寸、发力大小、疲劳程度以及皮肤阻抗等会发生变化，影响分类器模型的识别效果。

发明内容

有鉴于此，本公开实施例提供一种肢体动作的识别方法、装置、计算机设备及存储介质。

本公开实施例的技术方案是这样实现的：

第一方面，本公开实施例提供一种肢体动作的识别方法，包括：

建立肢体动作的分类模型，其中，所述分类模型基于样本对象的表面肌电信号的训练集进行训练；

将所述分类模型应用于目标对象的肢体动作的识别；

在所述目标对象的肢体动作的识别过程中，获取识别所述目标对象的状态；

当识别所述目标对象的状态满足所述分类模型的更新条件时，更新所述分类模型的参数，以修复所述分类模型识别所述目标对象的肢体动作的偏差。

其中，所述建立肢体动作的分类模型，包括：

对样本对象的表面肌电信号进行预处理和特征向量提取，获得特征向量样本集；

将所述特征向量样本集随机划分为训练集和测试集；

基于所述训练集和所述训练集中样本对象的标签训练肢体动作的分类模型，并利用所述测试集对所述分类模型的识别精度进行测试；

当所述分类模型的识别精度大于第一设置阈值时，获得训练后的所述分类模型。

其中，所述将所述分类模型应用于目标对象的肢体动作的识别，包括：

获取待识别的所述目标对象表面肌电信号的特征向量；

通过所述分类模型对所述特征向量进行降维处理和分类识别处理，得到所述目标对象的肢体动作的分类识别结果。

其中，所述获取识别所述目标对象的状态，包括：

获取所述分类模型待识别的目标对象是否发生变换的状态；