一种基于表面肌电信号的长时手势识别方法技术

本发明专利技术涉及一种基于表面肌电信号的长时手势识别方法。包括两个部分：第一个部分是数据预处理，包括特征提取、特征降维；第二个部分是分类模型的自适应更新。首先是数据预处理部分，在已有天数的手势数据上（通常为第一天采集的数据）上提取差分共空间模式(differential CSP,DCSP)特征，接着通过带有激活系数归一化的非负矩阵分解算法(nonnegative matrix factorization,NMF)对特征进行转换。然后是分类模型的自适应更新部分，将每个测试天的第一次重复实验作为无标签样本，对这部分样本用分类聚类自训练（Clustering and classification self

【技术实现步骤摘要】
一种基于表面肌电信号的长时手势识别方法


[0001]本专利技术涉及一种基于表面肌电信号的长时手势识别方法。

技术介绍

[0002]表面肌电信号(surface electromyogram，sEMG)是由运动关联肌肉的运动单元电位(Motor Unit Action Potential，MUAP)，沿着肌纤维方向传播，在皮肤表面形成的叠加电信号。相比刺入式肌电信号而言，表面肌电信号采集方式简单，过程无创。一方面，表面肌电信号被认为蕴含了用户大量的运动信息，可以从中解码得到肌肉收缩力、关节力矩等信息，被广泛运用于预测肢体状态或预测关节连续信息。另一方面，表面肌电信号具有“电
‑
机械延时”(electromechanical delay,EMD)特性，表面肌电信号的产生到实际动作的执行之间存在着一定的延迟，有助于预判用户的运动意图。以上优势使得基于表面肌电信号开发的人机交互系统在日常生活中越来越常见，且朝着便携可穿戴的方向发展。
[0003]目前基于表面肌电信号的人机交互系统通常包括离线处理和在线分析两个过程。离线处理阶段，首先在实验室环境下采集用户已知动作标签的肌电信号，接着通过预处理、特征提取。最后动作特征和它对应的标签共同完成分类器的训练。在线分析时，当获取到一段未知动作的肌电信号时，同样也要经过预处理、特征提取的步骤，送入离线处理阶段得到的分类器，实时输出该段肌电信号所对应的类别。经历了几十年的研究，目前的动作识别从最初的二分类，已经发展成对几十种手部、腕部动作进行预测，其分类精度基本超过了90％。
[0004]但是这些研究的一个共同特点是它们在有限的实验室环境中的收集时间较短(即一天中的一次或几次)，并未在一个较长时间的手势数据上验证模型的性能。实际上无论模型在创建时的性能如何，肌电信号的非平稳性会随着时间的推移逐渐降低模型性能(高达20
‑
30％)，为了保证识别的精度，肌电控制系统在长期使用当中往往需要定期重新采集数据来对分类器重新训练，这给消费者带来了极大的麻烦，已经成为了阻碍消费级肌电控制系统商业化的主要障碍。
[0005]近年来，学者们针对肌电信号的非平稳性的影响提出了许多的解决方法，这些研究可以分为三个主要的研究类别。第一类是探索时间变化的性质，以寻求以下问题的答案：(1)何时发生变化，(2)这些变化对分类器性能的影响(当不进行循环训练时)，以及(3)实现稳定的参数估计所需的训练数据的数量和分层，第二类是稳定分类、特征提取和降维算法的识别，这些算法对于随时间发生的变化是不变的。第三类是开发能够主动重新训练和/或重新标记分类模型的自适应算法。
[0006]上述文献，首先在长时间的手势识别过程当中，仅仅将肌电信号固有的时变特性考虑在内，而实际上由于肌电信号的手势识别系统最终都将应用于可穿戴的设备上，长期的使用下需要多次穿脱设备，这使得电极偏移也成为了影响长时手势识别正确率的一个重要原因，在本方法的手势采集方案中，连续30天的手势识别中，每天的采集臂环都位于其中一种偏移位置当中(顺时针偏离中立位8mm，中立位置，逆时针偏移中立位8mm)，其情况更加
贴近实际应用。其次三类方法都有各自的缺陷，第一类方法通过研究肌电手势识别的时间特性来告知用户用于长时间手势识别需要的预训练天数，但增加了用户训练的负担，第二类方法手势识别过程中不需要再次采集数据，但是第一类和第二类方法都存在的一个问题是：方法都建立在已包含天数的数据上，其对于未知新的一天的鲁棒性比较差，识别精度普遍难以达到要求。而第三类方法稳定性较强，但是大多数研究为了保证识别精度，仍然需要一个已知标签的校准集来实现分类器的快速校准，又带来了用户每日再训练的负担。综上所述，长时间手势识别方案的设计应该侧重于减少用户训练和再训练的负担，并且达到实际应用要求的分类精度。

技术实现思路

[0007]本专利技术的目的在于提供一种基于表面肌电信号的长时手势识别方法，解决肌电信号固有的时变特性以及电极偏移对手势识别正确率的影响，采用了无监督的方式更新分类模型，避免用户每日需要采集数据进行校准的麻烦，提高了用户的使用舒适度。
[0008]为实现上述目的，本专利技术的技术方案是：一种基于表面肌电信号的长时手势识别方法，包括：
[0009]数据预处理：在已有天数的手势数据上提取差分共空间模式DCSP特征，通过带有激活系数归一化的非负矩阵分解算法NMF对DCSP特征进行转换；
[0010]分类模型的自适应更新：将每个测试天的第一次重复实验作为无标签样本，对无标签样本用分类聚类自训练CCST方法进行评估和标注，将合格样本和标签和已有数据一起重新训练分类模型。
[0011]在本专利技术一实施例中，所述提取差分共空间模式DCSP特征的具体实现如下：
[0012]通过公式(1)计算每个类别信号的平均协方差矩阵：
[0013][0014]其中i＝1，2，3
…
c，n为第i类动作的采样点数，X
i
表示为第i个类别的原始肌电信号。
[0015]通过求解公式(2)，找到一个最佳投影矩阵w使得在相应方向上第i类和第j类的差别最大：
[0016]w
×
R
i
＝λ
×
w
×
R
j
ꢀꢀꢀ
(2)
[0017]将所有类别两两计算得到一个最佳投影矩阵，组合所有投影矩阵，对原始肌电信号X进行投影，如式(3)所示：
[0018]A＝WX
ꢀꢀꢀ
(3)
[0019]接着如(4)所示求解投影后的信号的一阶、二阶差分信号并取方差，得到A0、A1、A2：
[0020]A0＝var(A) A1＝var(ΔA) A2＝var(Δ2A)
ꢀꢀꢀ
(4)
[0021]var()表示求取信号的方差，Δ
n
表示求信号的n阶导数，再经过式(5)进行幂指数变换得到B0、B1、B2，λ通常取0.1，其中式(6)将特征组合在一起，最后通过(7)进行对数归一化得到DCSP特征：
[0022][0023]C＝[B
0 B
1 B2]ꢀꢀꢀ
(6)
[0024]D＝log(C/sum(C))
ꢀꢀꢀ
(7)。
[0025]在本专利技术一实施例中，所述通过带有激活系数归一化的非负矩阵分解算法NMF对DCSP特征进行转换的具体实现方式如下：
[0026]将NMF算法结合激活系数归一化的方法命为NMFH算法，通过NMFH算法对DCSP特征进行转换，增加DCSP特征在长时间手势识别中不同动作的可区分性；
[0027]DCSP特征提取后，将训练当天的特征命为V，测试当天的特征命为V
’
，V通过NMF算法分解成协同矩阵W∈R
M
×
K
和激活系数矩阵H∈R
K
×
N
的乘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于表面肌电信号的长时手势识别方法，其特征在于，包括：数据预处理：在已有天数的手势数据上提取差分共空间模式DCSP特征，通过带有激活系数归一化的非负矩阵分解算法NMF对DCSP特征进行转换；分类模型的自适应更新：将每个测试天的第一次重复实验作为无标签样本，对无标签样本用分类聚类自训练CCST方法进行评估和标注，将合格样本和标签和已有数据一起重新训练分类模型。2.根据权利要求1所述的一种基于表面肌电信号的长时手势识别方法，其特征在于，所述提取差分共空间模式DCSP特征的具体实现如下：通过公式(1)计算每个类别信号的平均协方差矩阵：其中i＝1，2，3
…
c，n为第i个类别的采样点数，X
i
表示为第i个类别的原始肌电信号；通过求解公式(2)，找到一个最佳投影矩阵w使得在相应方向上第i类和第j类的差别最大：w
×
R
i
＝λ
×
w
×
R
j
ꢀꢀꢀꢀꢀꢀꢀ
(2)将所有类别两两计算得到一个最佳投影矩阵，组合所有投影矩阵，对原始肌电信号X进行投影，如式(3)所示：A＝WX
ꢀꢀꢀꢀꢀ
(3)接着如(4)所示求解投影后的信号的一阶、二阶差分信号并取方差，得到A0、A1、A2：A0＝var(A) A1＝var(ΔA) A2＝var(Δ2A)
ꢀꢀꢀꢀꢀꢀ
(4)var()表示求取信号的方差，Δ
n
表示求信号的n阶导数，再经过式(5)进行幂指数变换得到B0、B1、B2，λ为常数，其中式(6)将特征组合在一起，最后通过(7)进行对数归一化得到DCSP特征：C＝[B
0 B
1 B2]
ꢀꢀꢀꢀ
(6)D＝log(C/sum(C))
ꢀꢀꢀꢀꢀꢀ
(7)。3.根据权利要求2所述的一种基于表面肌电信号的长时手势识别方法，其特征在于，所述通过带有激活系数归一化的非负矩阵分解算法NMF对DCSP特征进行转换的具体实现方式如下：将NMF算法结合激活系数归一化的方法命为NMFH算法，通过NMFH算法对DCSP特征进行转换，增加DCSP特征在长时间手势识别中不同动作的可区分性；DCSP特征提取后，将训练当天的特征命为V，测试当天的特征命为V
’
，V通过NMF算法分解成协同矩阵W∈R
M
×
K
和激活系数矩阵H∈R
K
×
N
的乘积，具体来说，V中第m行第n列的元素被分解为：其中W为肌肉协同矩阵，H为激活矩阵，M为肌肉数目，N为特征样本数目，K为降维后的特
征维数，首先初始化W和H为随机的非负矩阵，取K＝10，接着W和H中的每个元素通过式(...

【专利技术属性】
技术研发人员：李玉榕，林恒，施正义，杜国川，
申请(专利权)人：福州大学，
类型：发明
国别省市：