可用于假肢手控制的基于肌音信号手部动作模式识别方法

摘要

本发明涉及可用于假肢手控制的基于肌音信号手部动作模式识别方法，该方法包括以下步骤：A、数据采集：a1)通过传感器采集肌肉声音信号，a2)利用数据采集卡采集手动作的肌音信号；B、数据处理：b1)将采集到的信号进行数字滤波，b2)将滤波后的信号通过滑动窗等长分割成短时帧，经判断后完成整个数据段的动作分割，b3)提取动作帧的时域特征和频域特征，构成特征空间，b4)利用特征提取方法对特征空间进行降维处理，b5)将降维后得到的新的特征空间输入分类器，得到动作判别结果数据。与现有技术相比，本发明具有方法简单，识别准确率高，易于将算法植入嵌入式系统，可实现基于肌音信号的手部动作实时识别等优点。

说明书

技术领域

本发明涉及一种手部动作模式的识别方法，尤其是涉及可用于假肢手控制的基于肌音信号手部动作模式识别方法。

背景技术

加拿大多伦多大学的J.Silva实验室利用六个传感器对手部9个动作识别率达到90±4％。最近，华东理工大学虚拟样机与系统仿真试验室利用单个传感器对手部张合动作识别率达到95.63±2.55％。尚没有对四种手部动作模式的识别方法的研究，而四模式的研究对市场上占有率极高的两自由度假肢手的控制极为适用。此类识别方法，实际应用时需要算法尽量简单、传感器尽量少，以达到实时、低成本的目的，然而两者在研究中相互矛盾，利用简单算法时必然需要多个传感器才能达到较高的准确率，反之亦然。因此，对四种手部动作模式的识别技术是当前亟待解决的难题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种方法简单、识别准确率高、易于将算法植入嵌入式系统、可实现手部动作的实时识别的可用于假肢手控制的基于肌音信号手部动作模式识别方法。

本发明的目的可以通过以下技术方案来实现：可用于假肢手控制的基于肌音信号手部动作模式识别方法，其特征在于，该方法包括以下步骤：

A、数据采集：

a1)通过多个压电加速度传感器采集肌肉声音信号；

a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；

B、数据处理：

b1)将采集到的信号进行数字滤波；

b2)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值，则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，据此，完成整个数据段的动作分割；

b3)提取动作帧的时域特征和频域特征，构成特征空间；

b4)利用特征提取方法对特征空间进行降维处理；

b5)将降维后得到的新的特征空间输入二次或线性分类器，得到动作识别结果数据，该识别结果数据可用于假肢手控制。

所述的数字滤波采用20阶最小二乘法线性相位FIR低通滤波器。

所述的b2)中的阈值为不同人设定不同的阈值。

所述的b2)中的动作分割具体为，动作分割时，采用绝对均值和方差两个可变阈值，且判定动作帧后，其后的两个帧直接跳过，再进行下面一个动作的判断，排除了干扰信号对动作分割的影响。

所述的时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。

特征提取方法中，利用核广义判别分析法(KDA)时降维至6维，利用主成分分析法(PCA)时参数取t＝0.9。

利用核广义判别分析法(KDA)以及二次分类器进行试验，双通道信号即取得了较高的识别准确率，达到95.12±3.83％。

利用主成分分析法(PCA)以及线性分类器识别四个模式的手部动作时，三通道信号可得到最佳效果，准确率可达到96.55±4.48％。

与现有技术相比，本发明具有以下优点：

1、方法简单，且识别准确率高；

2、易于将算法植入嵌入式系统，可实现手部动作的实时识别；

3、硬件系统简单，成本低廉。

应用时若更重视成本低廉、系统简单，则应用KDA(核广义判别分析法)以及二次分类器，需要两个传感器；若更重视算法简单、实时，则采用PCA(主成分分析)和线性分类器，需要三个传感器。总之，利用本发明的方法，可以根据具体情况，选择线性或非线性方法对手部动作的四个模式进行识别，从而实现对机械手的控制或其它用途。

具体实施方式

下面结合具体实施例对本发明进行详细说明。

实施例1

可用于假肢手控制的基于肌音信号手部动作模式识别方法，包括以下步骤：

A.数据采集：

a1)通过2个压电加速度传感器采集肌肉声音信号；

a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；

B.数据处理：

b1)采用2路肌音信号，利用20阶最小二乘法线性相位FIR低通滤波器对信号进行数字滤波。

b2)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值(阈值因人而异，需用参考样本训练获得)则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，这样可以排除干扰信号对动作分割的影响。据此方法，完成整个数据段的动作分割；

b3)提取动作帧的时域特征和频域特征，构成特征空间。时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。

b4)利用核广义判别分析法(KDA)特征提取方法将特征空间降维至6维。

b5)将降维后得到的新的特征空间输入二次分类器进行试验，得到动作判别的结果，识别准确率达到95.12±3.83％。

实施例2

可用于假肢手控制的基于肌音信号手部动作模式识别方法，包括以下步骤：

A.数据采集：

a1)通过3个压电加速度传感器采集肌肉声音信号；

a2)利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号；

B.数据处理：

b1)采用3路肌音信号，利用20阶最小二乘法线性相位FIR低通滤波器对信号进行数字滤波。

b₂)将滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，如两参数均超过阈值(阈值因人而异，需用参考样本训练获得)则判定其为动作帧，该动作帧后的两帧直接跳过，再进行下一个动作的判断，这样可以排除干扰信号对动作分割的影响。据此方法，完成整个数据段的动作分割；

b3)提取动作帧的时域特征和频域特征，构成特征空间。时域特征包括：绝对均值，方差值，绝对均值差分，斜率改变次数，过零率，均方根，AR模型估计参数，高阶累积量；频域特征包括：功率谱参数，倒谱系数，功率谱非负矩阵分解系数。

b4)利用主成分分析法(PCA)特征优化方法，参数取t＝0.9对特征空间进行降维。

b5)将降维后得到的新的特征空间输入线性分类器进行试验，得到动作判别的结果，识别准确率可达到96.55±4.48％。

由于传感器采集位置并不影响识别效果，则两通道信号和三通道信号传感器的排布位置没有严格规定。

本方法主要分为三大部分：

1、数据采集部分：将压电加速度传感器用带子固定在前臂特定位置的肌肉表面，采集肌肉声音信号，然后利用数据采集卡采集手张开、手握紧、手腕弯曲、手腕伸直四个动作的肌音信号。将信号转化为数字信号之后存入电脑为后续处理做准备。

2、数据处理部分：将采集到的信号进行数字滤波。再把滤波后得到的信号通过滑动窗等长分割成短时帧，并对每帧的绝对均值和方差进行分析，从而完成动作分割。接着提取动作帧的时域和频域特征一共18个参数，构成特征空间；再利用不同的特征提取方法对特征空间进行降维处理；最后将降维后得到的新的特征空间输入不同分类器，得到动作判别的结果。

3、数据处理结果分析：传感器采集位置的不同对动作识别准确率无影响。利用线性方法(PCA和线性分类器)识别四个模式的手部动作时，三通道信号可得到最佳效果，准确率可达到96.55±4.48％。利用非线性方法(KDA以及二次分类器)进行试验，双通道信号即取得了较高的识别准确率，达到95.12±3.83％。

应用时若更重视成本低廉、系统简单，则应用KDA(核广义判别分析法)以及二次分类器，需要两个传感器；若更重视算法简单、实时，则采用PCA(主成分分析)和线性分类器，需要三个传感器。

通过试验共对32个健康个体进行采样分析，实验对象年龄25±3岁，其中男性15名，女性17名。

试验过程中队每位对象采集两组数据，每组数据采集180秒，大约可完成100-150个动作。试验者遵循试验规范，均阅读过《赫尔辛基宣言》并签署志愿书，所以试验数据有效。最终对手部动作四个模式的识别率，采用三通道信号，利用线性方法(PCA和线性分类器)，准确率可达到96.55±4.48％；采用两通道信号，利用非线性方法(KDA以及二次分类器)，准确率可达到95.12±3.83％。完全可以满足实际应用的需要。