專(zhuān)利名稱(chēng)：可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種手部動(dòng)作模式的識(shí)別方法，尤其是涉及可用于假肢手控制的基 于肌音信號(hào)手部動(dòng)作模式識(shí)別方法。
背景技術(shù)：
加拿大多倫多大學(xué)的LSilva實(shí)驗(yàn)室利用六個(gè)傳感器對(duì)手部9個(gè)動(dòng)作識(shí)別率達(dá)到 90士4%。最近，華東理工大學(xué)虛擬樣機(jī)與系統(tǒng)仿真試驗(yàn)室利用單個(gè)傳感器對(duì)手部張合動(dòng) 作識(shí)別率達(dá)到95.63士2.55%。尚沒(méi)有對(duì)四種手部動(dòng)作模式的識(shí)別方法的研究，而四模式 的研究對(duì)市場(chǎng)上占有率極高的兩自由度假肢手的控制極為適用。此類(lèi)識(shí)別方法，實(shí)際應(yīng) 用時(shí)需要算法盡量簡(jiǎn)單、傳感器盡量少，以達(dá)到實(shí)時(shí)、低成本的目的，然而兩者在研究 中相互矛盾，利用簡(jiǎn)單算法時(shí)必然需要多個(gè)傳感器才能達(dá)到較高的準(zhǔn)確率，反之亦然。 因此，對(duì)四種手部動(dòng)作模式的識(shí)別技術(shù)是當(dāng)前亟待解決的難題。

發(fā)明內(nèi)容
本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種方法簡(jiǎn)單、識(shí) 別準(zhǔn)確率高、易于將算法植入嵌入式系統(tǒng)、可實(shí)現(xiàn)手部動(dòng)作的實(shí)時(shí)識(shí)別的可用于假肢手 控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法。本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)可用于假肢手控制的基于肌音信 號(hào)手部動(dòng)作模式識(shí)別方法，其特征在于，該方法包括以下步驟A、數(shù)據(jù)采集al)通過(guò)多個(gè)壓電加速度傳感器采集肌肉聲音信號(hào)；a2)利用數(shù)據(jù)采集卡采集手張開(kāi)、手握緊、手腕彎曲、手腕伸直四個(gè)動(dòng)作的肌音 信號(hào)；B、數(shù)據(jù)處理bl)將采集到的信號(hào)進(jìn)行數(shù)字濾波；b2)將濾波后得到的信號(hào)通過(guò)滑動(dòng)窗等長(zhǎng)分割成短時(shí)幀，并對(duì)每幀的絕對(duì)均值 和方差進(jìn)行分析，如兩參數(shù)均超過(guò)閾值，則判定其為動(dòng)作幀，該動(dòng)作幀后的兩幀直接跳 過(guò)，再進(jìn)行下一個(gè)動(dòng)作的判斷，據(jù)此，完成整個(gè)數(shù)據(jù)段的動(dòng)作分割；b3)提取動(dòng)作幀的時(shí)域特征和頻域特征，構(gòu)成特征空間；b4)利用特征提取方法對(duì)特征空間進(jìn)行降維處理；b5)將降維后得到的新的特征空間輸入二次或線性分類(lèi)器，得到動(dòng)作識(shí)別結(jié)果數(shù) 據(jù)，該識(shí)別結(jié)果數(shù)據(jù)可用于假肢手控制。所述的數(shù)字濾波采用20階最小二乘法線性相位FIR低通濾波器。所述的b2)中的閾值為不同人設(shè)定不同的閾值。所述的b2)中的動(dòng)作分割具體為，動(dòng)作分割時(shí)，采用絕對(duì)均值和方差兩個(gè)可變 閾值，且判定動(dòng)作幀后，其后的兩個(gè)幀直接跳過(guò)，再進(jìn)行下面一個(gè)動(dòng)作的判斷，排除了干擾信號(hào)對(duì)動(dòng)作分割的影響。所述的時(shí)域特征包括絕對(duì)均值，方差值，絕對(duì)均值差分，斜率改變次數(shù)，過(guò) 零率，均方根，AR模型估計(jì)參數(shù)，高階累積量；頻域特征包括功率譜參數(shù)，倒譜系 數(shù)，功率譜非負(fù)矩陣分解系數(shù)。特征提取方法中，利用核廣義判別分析法(KDA)時(shí)降維至6維，利用主成分分 析法(PCA)時(shí)參數(shù)取t = 0.9。利用核廣義判別分析法(KDA)以及二次分類(lèi)器進(jìn)行試驗(yàn)，雙通道信號(hào)即取得了 較高的識(shí)別準(zhǔn)確率，達(dá)到95.12士3.83%。利用主成分分析法(PCA)以及線性分類(lèi)器識(shí)別四個(gè)模式的手部動(dòng)作時(shí)，三通道 信號(hào)可得到最佳效果，準(zhǔn)確率可達(dá)到96.55士4.48%。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)1、方法簡(jiǎn)單，且識(shí)別準(zhǔn)確率高；2、易于將算法植入嵌入式系統(tǒng)，可實(shí)現(xiàn)手部動(dòng)作的實(shí)時(shí)識(shí)別；3、硬件系統(tǒng)簡(jiǎn)單，成本低廉。應(yīng)用時(shí)若更重視成本低廉、系統(tǒng)簡(jiǎn)單，則應(yīng)用KDA (核廣義判別分析法)以及二 次分類(lèi)器，需要兩個(gè)傳感器；若更重視算法簡(jiǎn)單、實(shí)時(shí)，則采用PCA(主成分分析)和線 性分類(lèi)器，需要三個(gè)傳感器?？傊帽景l(fā)明的方法，可以根據(jù)具體情況，選擇線性 或非線性方法對(duì)手部動(dòng)作的四個(gè)模式進(jìn)行識(shí)別，從而實(shí)現(xiàn)對(duì)機(jī)械手的控制或其它用途。
具體實(shí)施例方式下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。實(shí)施例1可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法，包括以下步驟A.數(shù)據(jù)采集al)通過(guò)2個(gè)壓電加速度傳感器采集肌肉聲音信號(hào)；a2)利用數(shù)據(jù)采集卡采集手張開(kāi)、手握緊、手腕彎曲、手腕伸直四個(gè)動(dòng)作的肌音 信號(hào)；B.數(shù)據(jù)處理bl)采用2路肌音信號(hào)，利用20階最小二乘法線性相位FIR低通濾波器對(duì)信號(hào) 進(jìn)行數(shù)字濾波。b2)將濾波后得到的信號(hào)通過(guò)滑動(dòng)窗等長(zhǎng)分割成短時(shí)幀，并對(duì)每幀的絕對(duì)均值和 方差進(jìn)行分析，如兩參數(shù)均超過(guò)閾值(閾值因人而異，需用參考樣本訓(xùn)練獲得)則判定其 為動(dòng)作幀，該動(dòng)作幀后的兩幀直接跳過(guò)，再進(jìn)行下一個(gè)動(dòng)作的判斷，這樣可以排除干擾 信號(hào)對(duì)動(dòng)作分割的影響。據(jù)此方法，完成整個(gè)數(shù)據(jù)段的動(dòng)作分割；b3)提取動(dòng)作幀的時(shí)域特征和頻域特征，構(gòu)成特征空間。時(shí)域特征包括絕對(duì) 均值，方差值，絕對(duì)均值差分，斜率改變次數(shù)，過(guò)零率，均方根，AR模型估計(jì)參數(shù)，高 階累積量；頻域特征包括功率譜參數(shù)，倒譜系數(shù)，功率譜非負(fù)矩陣分解系數(shù)。b4)利用核廣義判別分析法(KDA)特征提取方法將特征空間降維至6維。b5)將降維后得到的新的特征空間輸入二次分類(lèi)器進(jìn)行試驗(yàn)，得到動(dòng)作判別的結(jié)果，識(shí)別準(zhǔn)確率達(dá)到95.12士3.83%。實(shí)施例2可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法，包括以下步驟A.數(shù)據(jù)采集al)通過(guò)3個(gè)壓電加速度傳感器采集肌肉聲音信號(hào)；a2)利用數(shù)據(jù)采集卡采集手張開(kāi)、手握緊、手腕彎曲、手腕伸直四個(gè)動(dòng)作的肌音 信號(hào)；B.數(shù)據(jù)處理bl)采用3路肌音信號(hào)，利用20階最小二乘法線性相位FIR低通濾波器對(duì)信號(hào) 進(jìn)行數(shù)字濾波。b2)將濾波后得到的信號(hào)通過(guò)滑動(dòng)窗等長(zhǎng)分割成短時(shí)幀，并對(duì)每幀的絕對(duì)均值和 方差進(jìn)行分析，如兩參數(shù)均超過(guò)閾值(閾值因人而異，需用參考樣本訓(xùn)練獲得)則判定其 為動(dòng)作幀，該動(dòng)作幀后的兩幀直接跳過(guò)，再進(jìn)行下一個(gè)動(dòng)作的判斷，這樣可以排除干擾 信號(hào)對(duì)動(dòng)作分割的影響。據(jù)此方法，完成整個(gè)數(shù)據(jù)段的動(dòng)作分割；b3)提取動(dòng)作幀的時(shí)域特征和頻域特征，構(gòu)成特征空間。時(shí)域特征包括絕對(duì) 均值，方差值，絕對(duì)均值差分，斜率改變次數(shù)，過(guò)零率，均方根，AR模型估計(jì)參數(shù)，高 階累積量；頻域特征包括功率譜參數(shù)，倒譜系數(shù)，功率譜非負(fù)矩陣分解系數(shù)。b4)利用主成分分析法(PCA)特征優(yōu)化方法，參數(shù)取t = 0.9對(duì)特征空間進(jìn)行降 維。b5)將降維后得到的新的特征空間輸入線性分類(lèi)器進(jìn)行試驗(yàn)，得到動(dòng)作判別的結(jié) 果，識(shí)別準(zhǔn)確率可達(dá)到96.55士4.48%。由于傳感器采集位置并不影響識(shí)別效果，則兩通道信號(hào)和三通道信號(hào)傳感器的 排布位置沒(méi)有嚴(yán)格規(guī)定。本方法主要分為三大部分1、數(shù)據(jù)采集部分將壓電加速度傳感器用帶子固定在前臂特定位置的肌肉表 面，采集肌肉聲音信號(hào)，然后利用數(shù)據(jù)采集卡采集手張開(kāi)、手握緊、手腕彎曲、手腕伸 直四個(gè)動(dòng)作的肌音信號(hào)。將信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)之后存入電腦為后續(xù)處理做準(zhǔn)備。2、數(shù)據(jù)處理部分將采集到的信號(hào)進(jìn)行數(shù)字濾波。再把濾波后得到的信號(hào)通過(guò) 滑動(dòng)窗等長(zhǎng)分割成短時(shí)幀，并對(duì)每幀的絕對(duì)均值和方差進(jìn)行分析，從而完成動(dòng)作分割。 接著提取動(dòng)作幀的時(shí)域和頻域特征一共18個(gè)參數(shù)，構(gòu)成特征空間；再利用不同的特征提 取方法對(duì)特征空間進(jìn)行降維處理；最后將降維后得到的新的特征空間輸入不同分類(lèi)器， 得到動(dòng)作判別的結(jié)果。3、數(shù)據(jù)處理結(jié)果分析傳感器采集位置的不同對(duì)動(dòng)作識(shí)別準(zhǔn)確率無(wú)影響。利 用線性方法(PCA和線性分類(lèi)器)識(shí)別四個(gè)模式的手部動(dòng)作時(shí)，三通道信號(hào)可得到最佳效 果，準(zhǔn)確率可達(dá)到96.55士4.48%。利用非線性方法(KDA以及二次分類(lèi)器)進(jìn)行試驗(yàn)， 雙通道信號(hào)即取得了較高的識(shí)別準(zhǔn)確率，達(dá)到95.12士3.83%。應(yīng)用時(shí)若更重視成本低廉、系統(tǒng)簡(jiǎn)單，則應(yīng)用KDA(核廣義判別分析法)以及二 次分類(lèi)器，需要兩個(gè)傳感器；若更重視算法簡(jiǎn)單、實(shí)時(shí)，則采用PCA(主成分分析)和線 性分類(lèi)器，需要三個(gè)傳感器。
通過(guò)試驗(yàn)共對(duì)32個(gè)健康個(gè)體進(jìn)行采樣分析，實(shí)驗(yàn)對(duì)象年齡25士3歲，其中男性 15名，女性17名。試驗(yàn)過(guò)程中隊(duì)每位對(duì)象采集兩組數(shù)據(jù)，每組數(shù)據(jù)采集180秒，大約可完成 100-150個(gè)動(dòng)作。試驗(yàn)者遵循試驗(yàn)規(guī)范，均閱讀過(guò)《赫爾辛基宣言》并簽署志愿書(shū)，所 以試驗(yàn)數(shù)據(jù)有效。最終對(duì)手部動(dòng)作四個(gè)模式的識(shí)別率，采用三通道信號(hào)，利用線性方法 (PCA和線性分類(lèi)器)，準(zhǔn)確率可達(dá)到96.55士4.48%;采用兩通道信號(hào)，利用非線性方法 (KDA以及二次分類(lèi)器)，準(zhǔn)確率可達(dá)到95.12士3.83%。完全可以滿(mǎn)足實(shí)際應(yīng)用的需要。
權(quán)利要求
1.可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法，其特征在于，該方法 包括以下步驟A、數(shù)據(jù)采集al)通過(guò)多個(gè)壓電加速度傳感器采集肌肉聲音信號(hào)；a2)利用數(shù)據(jù)采集卡采集手張開(kāi)、手握緊、手腕彎曲、手腕伸直四個(gè)動(dòng)作的肌音信號(hào)；B、數(shù)據(jù)處理bl)將采集到的信號(hào)進(jìn)行數(shù)字濾波；b2)將濾波后得到的信號(hào)通過(guò)滑動(dòng)窗等長(zhǎng)分割成短時(shí)幀，并對(duì)每幀的絕對(duì)均值和方差 進(jìn)行分析，如兩參數(shù)均超過(guò)閾值，則判定其為動(dòng)作幀，該動(dòng)作幀后的兩幀直接跳過(guò)，再 進(jìn)行下一個(gè)動(dòng)作的判斷，據(jù)此，完成整個(gè)數(shù)據(jù)段的動(dòng)作分割；b3)提取動(dòng)作幀的時(shí)域特征和頻域特征，構(gòu)成特征空間；b4)利用特征提取方法對(duì)特征空間進(jìn)行降維處理；b5)將降維后得到的新的特征空間輸入二次或線性分類(lèi)器，得到動(dòng)作識(shí)別結(jié)果數(shù)據(jù)， 該識(shí)別結(jié)果數(shù)據(jù)可用于假肢手控制。
2.根據(jù)權(quán)利要求1所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，所述的數(shù)字濾波采用20階最小二乘法線性相位FIR低通濾波器。
3.根據(jù)權(quán)利要求1所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，所述的b2)中的閾值為不同人設(shè)定不同的閾值。
4.根據(jù)權(quán)利要求1所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，所述的b2)中的動(dòng)作分割具體為，動(dòng)作分割時(shí)，采用絕對(duì)均值和方差兩個(gè) 可變閾值，且判定動(dòng)作幀后，其后的兩個(gè)幀直接跳過(guò)，再進(jìn)行下面一個(gè)動(dòng)作的判斷，排 除了干擾信號(hào)對(duì)動(dòng)作分割的影響。
5.根據(jù)權(quán)利要求1所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，所述的時(shí)域特征包括絕對(duì)均值，方差值，絕對(duì)均值差分，斜率改變次 數(shù)，過(guò)零率，均方根，AR模型估計(jì)參數(shù)，高階累積量；頻域特征包括功率譜參數(shù)， 倒譜系數(shù)，功率譜非負(fù)矩陣分解系數(shù)。
6.根據(jù)權(quán)利要求1所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，特征提取方法中，利用核廣義判別分析法(KDA)時(shí)降維至6維，利用主成 分分析法(PCA)時(shí)參數(shù)取t = 0.9。
7.根據(jù)權(quán)利要求6所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，利用核廣義判別分析法(KDA)以及二次分類(lèi)器進(jìn)行試驗(yàn)，雙通道信號(hào)即取 得了較高的識(shí)別準(zhǔn)確率，達(dá)到95.12士3.83%。
8.根據(jù)權(quán)利要求6所述的可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法， 其特征在于，利用主成分分析法(PCA)以及線性分類(lèi)器識(shí)別四個(gè)模式的手部動(dòng)作時(shí)，三 通道信號(hào)可得到最佳效果，準(zhǔn)確率可達(dá)到96.55士4.48%。
全文摘要
本發(fā)明涉及可用于假肢手控制的基于肌音信號(hào)手部動(dòng)作模式識(shí)別方法，該方法包括以下步驟A、數(shù)據(jù)采集a1)通過(guò)傳感器采集肌肉聲音信號(hào)，a2)利用數(shù)據(jù)采集卡采集手動(dòng)作的肌音信號(hào)；B、數(shù)據(jù)處理b1)將采集到的信號(hào)進(jìn)行數(shù)字濾波，b2)將濾波后的信號(hào)通過(guò)滑動(dòng)窗等長(zhǎng)分割成短時(shí)幀，經(jīng)判斷后完成整個(gè)數(shù)據(jù)段的動(dòng)作分割，b3)提取動(dòng)作幀的時(shí)域特征和頻域特征，構(gòu)成特征空間，b4)利用特征提取方法對(duì)特征空間進(jìn)行降維處理，b5)將降維后得到的新的特征空間輸入分類(lèi)器，得到動(dòng)作判別結(jié)果數(shù)據(jù)。與現(xiàn)有技術(shù)相比，本發(fā)明具有方法簡(jiǎn)單，識(shí)別準(zhǔn)確率高，易于將算法植入嵌入式系統(tǒng)，可實(shí)現(xiàn)基于肌音信號(hào)的手部動(dòng)作實(shí)時(shí)識(shí)別等優(yōu)點(diǎn)。
文檔編號(hào)G06K9/62GK102013016SQ201010558259
公開(kāi)日2011年4月13日 申請(qǐng)日期2010年11月23日 優(yōu)先權(quán)日2010年11月23日
發(fā)明者夏春明, 曹煒, 曾勇 申請(qǐng)人:華東理工大學(xué)