[发明专利]一种多模态深度森林框架的手部动作识别方法

说明书

本发明公开了一种多模态深度森林框架的手部动作识别方法，包括：S1.获取与手部动作相对应的肌电信号和加速度信号；S2.分别提取肌电信号和加速度信号相对应的时域特征，得到肌电信号特征向量和加速度信号特征向量；S3.将肌电信号特征向量和加速度信号特征向量进行融合，得到融合后的特征向量集；S4.将已经确定好超参数的深度森林进行优化；S5.将特征向量集输入到优化后的深度森林中，得到手部动作的输出识别结果。本发明旨在探索加速度信号对肌电信号的补充性作用，证明加速度信号的融合能够提升动作识别的准确率，以及有利于促进人体运动，特别是手部运动相关理论的研究与发展以及促进肌电信号解码在康复医疗、人机交互等发明的应用。

技术领域

本发明涉及运动康复学领域，尤其涉及一种多模态深度森林框架的手部动作识别方法。

背景技术

人体手势动作的产生是一个相当复杂的过程。近年来,随着人机交互的发展，以及计算机技术的迅速发展，手势识别技术在假肢医疗﹑康复训练、运动锻炼中广泛运用。尽管有这些技术进步，现有的假肢在灵巧性方面还不能完全满足截肢者的实际需求。因此，如何自然地植入一个多功能灵巧的假肢成为一个难题。要使这些机器人设备准确工作，基本的问题是如何根据用户的意图来区分用户的意图获得表面肌电信号，尽管近些年来在手势的识别精度方面得到了很大的进展。但是对于大量手势动作来说，其在分类精度上仍然有很大的提升空间。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种多模态深度森林框架的手部动作识别方法。

为了实现以上目的，本发明采用以下技术方案：

一种多模态深度森林框架的手部动作识别方法，包括：

S1.获取与手部动作相对应的肌电信号和加速度信号；

S2.分别提取肌电信号和加速度信号相对应的时域特征，得到肌电信号特征向量和加速度信号特征向量；

S3.将肌电信号特征向量和加速度信号特征向量进行融合，得到融合后的特征向量集；

S4.将已经确定好超参数的深度森林进行优化；

S5.将特征向量集输入到优化后的深度森林中，得到手部动作的输出识别结果。

进一步的，所述步骤S2中肌电信号的时域特征包括肌电信号的绝对平均值、肌电信号的波形长度、肌电信号的自回归系数、肌电信号的过零数、肌电信号的斜率符号变化次数。

进一步的，所述肌电信号的绝对平均值，表示为：

其中，MAV表示肌电信号的绝对平均值；N表示滑动窗口大小；x_i表示时间点i的瞬时sEMG值。

进一步的，所述肌电信号的波形长度，表示为：

其中，N表示滑动窗口大小；x_i表示时间点i的瞬时sEMG值。

进一步的，所述肌电信号的自回归系数，表示为：

其中，x_i,k表示肌电信号的自回归系数；p表示自回归模型的模型阶数；p_j表示自回归模型的第j个系数；ε_t表示残余白噪声；k表示肌电信号序列中的第k个采样点；x_i表示时间点i的瞬时sEMG值。

进一步的，所述肌电信号的过零数，表示为：

其中，