[发明专利]一种基于表面肌电信号的上肢动作识别方法及系统

权利要求书

1.一种基于表面肌电信号的上肢动作识别方法，其特征在于，包括以下步骤：

获取上肢多处肌肉的肌电信号；

基于分帧能量法提取肌电信号中的活动段信号；

基于分帧能量法提取肌电信号中的活动段信号包括：

对肌电信号进行归一化；

对肌电信号进行分帧，并计算每帧内信号的总能量；

若某帧内的总能量大于设定阈值，且之后的设定个数的帧内总能量均大于该设定阈值，则将该帧作为一个活动段的起始帧；

提取自起始帧起设定时间的肌电信号得到一个活动段信号；

采用基于小波变换阈值去噪法和基于小波变换数字滤波阈值去噪法的复合小波去噪法进行去噪，通过设计的p指标，极大提高了信号的信噪比；

根据最优特征融合方式对活动段信号进行特征提取和特征融合；

特征提取采用滑动重叠窗口；

对活动段信号进行特征提取，其中，所述特征包括时域特征、频域特征、时频域特征和非线性熵特征；

所述非线性熵特征包括模糊熵和分布熵，分别采用单窗口分析和多窗口分析进行特征提取，得到多维熵特征；

进行特征提取后，还基于Fisher判别法对提取的特征进行可分性分析，得到各个特征的可分性值；根据可分性值对特征进行筛选，再对筛选后的特征进行组合得到多种融合特征；

根据融合后的特征，采用SVM分类器进行动作识别。

2.如权利要求1所述的一种基于表面肌电信号的上肢动作识别方法，其特征在于，最优特征融合方式和SVM分类器确定方法为：

获取多种上肢动作对应的多处肌肉的肌电信号，作为训练数据集；

基于分帧能量法提取肌电信号中的活动段信号；

对活动段信号进行特征提取，其中，所述特征包括时域特征、频域特征、时频域特征和非线性熵特征；

对提取的特征进行组合得到多种融合特征；

基于多种融合特征分别训练SVM分类器并进行分类测试，根据分类测试结果确定最优融合特征，相应的融合方式即为最优特征融合方式，相应的SVM分类器即为最优SVM分类器。

3.如权利要求1所述的一种基于表面肌电信号的上肢动作识别方法，其特征在于，所述SVM分类器采用粒子群优化算法进行参数优化。

4.一种基于表面肌电信号的上肢动作识别系统，其特征在于，包括：

信号获取模块，获取上肢多处肌肉的肌电信号；

信号预处理模块，基于分帧能量法提取肌电信号中的活动段信号；

基于分帧能量法提取肌电信号中的活动段信号包括：

对肌电信号进行归一化；

对肌电信号进行分帧，并计算每帧内信号的总能量；

若某帧内的总能量大于设定阈值，且之后的设定个数的帧内总能量均大于该设定阈值，则将该帧作为一个活动段的起始帧；

提取自起始帧起设定时间的肌电信号得到一个活动段信号；

采用基于小波变换阈值去噪法和基于小波变换数字滤波阈值去噪法的复合小波去噪法进行去噪，通过设计的p指标，极大提高了信号的信噪比；

特征提取模块，根据最优特征融合方式对活动段信号进行特征提取；

特征提取采用滑动重叠窗口；

对活动段信号进行特征提取，其中，所述特征包括时域特征、频域特征、时频域特征和非线性熵特征；

所述非线性熵特征包括模糊熵和分布熵，分别采用单窗口分析和多窗口分析进行特征提取，得到多维熵特征；

进行特征提取后，还基于Fisher判别法对提取的特征进行可分性分析，得到各个特征的可分性值；根据可分性值对特征进行筛选，再对筛选后的特征进行组合得到多种融合特征；

特征融合模块，对提取的特征进行融合；

动作识别模块，根据融合后的特征，采用SVM分类器进行动作识别。

5.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-3任一项所述基于表面肌电信号的上肢动作识别方法。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3任一项所述基于表面肌电信号的上肢动作识别方法。