本发明涉及人机交互领域，具体涉及一种基于表面肌电信号和加速度的手势识别方法。
背景技术：
为了帮助残疾人/老年人保持与外界的交流、沟通，提高他们的独立生活能力，减轻家庭、社会的负担，世界各地许多科学家们开始探索研究新型的人机交互方式。所谓交互技术包括人与执行机构(如机器人等)的交互和执行机构与环境的交互。前者的意义在于可由人去实现执行机构在未知或非确定环境中难以做到的规划和决策；而后者的意义在于可由机器人去完成人所不能达到的恶劣环境或远距离环境中的作业任务。
传统的人机交互设备主要有键盘、鼠标、手写板、触摸屏、游戏控制器等，这些设备利用使用者的手部运动来实现人机交互的功能。手势交互支持更多更自然的交互方式，提供了以人为中心而不是以设备为中心的交互技术，从而使用户将注意力集中在本来该做的事情以及内容上而不是集中在设备上。
常见的手势交互技术分为基于数据手套传感器的手势交互技术和基于计算机视觉的手势交互技术两种。
基于计算机视觉的手势交互技术通过机器视觉对摄像头采集到的手势图像序列处理识别，从而和计算机进行交互，这种方法使用摄像头采集手势信息，然后利用肤色模型对人手部分进行分割，从而实现手势检测和识别，最后使用帧间差法实现运动手势的跟踪。该方法的效果取决于肤色模型的准确率，然而人的皮肤颜色不一，难以得到通用、高效的肤色模型；此外，当人手运动速度不均匀时，采用帧间差法跟踪手势会出现中断现象，从而丢失被跟踪手势。
基于数据手套传感器的手势交互技术，需要用户佩戴数据手套或者位置传感器等硬件设备，利用传感器采集手指状态及运动轨迹等信息，从而进行运算处理让计算机识别手势动作，实现各种交互控制。此方式优点在于识别精准鲁棒性能好、算法相对简单、运算数据少且快速、可以精准获取手的立体空间动作，完全没有视觉系统的环境光照变化和背景复杂等问题干扰。缺点在于设备穿戴复杂、成本高、用户操作使用不便且手势动作受一定约束限制，因此难以大量投入实际生产使用。
技术实现要素：
本发明目的在于克服现有技术的不足，尤其解决现有基于数据手套传感器的手势交互技术中，设备穿戴复杂、成本高、用户操作使用不便的问题。
为解决上述技术问题，本发明提供一种基于表面肌电信号和加速度的手势识别方法，该方法包括S1活动段提取、S2特征提取、S3分类识别操作，其中：
S1活动段提取，根据信号强弱幅度找出活动段，并且根据活动段的长度剔除用户无意中执行的轻微动作以及长时间持续执行的动作，将手势动作粗分成小幅度和大幅度两类；
S2特征提取，对于小幅度动作，只提取肌电特征，对于大幅度动作，同时提取加速度和肌电特征；
S3分类识别操作，根据提取的特征，将肌电特征和加速度特征融合在同一维度下，使用模板匹配实现分类。
本发明与现有技术相比具有以下的有益效果：
本发明方案采用表面肌电传感器和加速度传感器采集用户的运动手势，使用表面肌电信号识别小幅度手势动作，使用加速度信号识别大幅度动作，使用信号融合的方式实现手势动作的识别，动作识别范围大、准确率高且抗干扰性强。
附图说明
图1为本发明一种基于表面肌电信号和加速度的手势识别方法的一个实施例的流程图。
具体实施方式
下面结合附图及具体实施例对本发明进行更加详细与完整的说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。
参见图1，本发明实施例的一种基于表面肌电信号和加速度的手势识别方法，该方法包括S1活动段提取、S2特征提取、S3分类识别操作，其中：
S1活动段提取，根据信号强弱幅度找出活动段，并且根据活动段的长度剔除用户无意中执行的轻微动作以及长时间持续执行的动作，将手势动作粗分成小幅度和大幅度两类；具体描述如下：
在活动段提取时，先根据表面肌电信号找到肌电活动段，然后在其附近寻找加速度活动段。则第t个时间点的活动段的起止位置由下式中定义的参数sp(t,L)和两个用户可以自定义的阈值ton和toff确定。
其中，L表示活动段的时间长度，m和n分别表示肌电传感器和加速度传感器的信号数量，Sic(i)表示第i个时刻第c个采样点的信号值。
如果sp(p+t,L)的值己连续l个采样点大于ton，则活动段开始于第p个釆样点。如果sp(q+t,L)的值已连续l个釆样点小于toff，则活动段结束于第q个采样点。在本实施例中，当活动段的长度为0.3～1.0之间时，为小幅度动作；当活动段为0.3～2.5之间时，为大幅度动作，其余为非活动段。
S2特征提取，对于小幅度动作，只提取肌电特征，对于大幅度动作，同时提取加速度和肌电特征；具体描述如下：
采用绝对值均值(MAV)作为小幅度动作的肌电特征，本实施例采用200ms内的MAV作为肌电特征信号；
采用降采样的加速度信号作为大幅度动作的加速度特征，降采样信号DSA表示为：
其中，Nd为偏差系数，s,t,spi表示采样时刻，表示指定时间内信号的均值。
S3分类识别操作，根据提取的特征，将肌电特征和加速度特征融合在同一维度下，使用模板匹配实现分类。具体描述如下：
将提取的肌电信号特征MAV和加速度特征DSA连起来作为特征x，与己有动作的模板逐个匹配，并将其识别为具有最高匹配度的动作。特征向量x与第i类动作的匹配度P(x,i)定义为
其中，Σi和μi表示该类别动作特征的协方差方差和均值向量，从样本数据中训练得到。最终匹配度最高的动作类型即是所识别的动作。