[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

摘要

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。 1

主权项

1.一种基于隐马尔科夫模型判断肌电信号手势动作的方法，其特征在于，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NinaPro中获取手势动作肌电数据；(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)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；(3)特征提取，特征归一化及特征降维，包括以下子步骤：(3.1)使用滑动窗口提取特征，对每个窗口数据提取一种多特征特征集；(3.2)对提取到的特征数据进行归一化处理；(3.3)用最小冗余最大相关性准则对特征进行降维；(4)基于隐马尔可夫模型的多类手势动作识别，包括以下步骤：(4.1)设计基于隐马尔可夫模型的分类器，所述分类器为连续隐马尔可夫分类器、半连续隐马尔可夫分类器或区分性训练隐马尔可夫分类器；(4.2)使用训练数据集对分类器参数逐一进行优化；(4.3)由步骤(4.2)训练得到的最优分类器参数和训练数据样本训练获得分类模型；(4.4)将测试数据集输入分类器模型，输出分类结果。