一种基于前臂肌电信号的动作识别方法及系统与流程
本发明属于识别技术改进领域，尤其涉及一种基于前臂肌电信号的动作识别方法及系统。
背景技术：
如今，随着科学技术的发展，虚拟现实技术正在逐渐发展中。当然，虚拟现实技术也可也应用在各个不同的学科上。根据各种学科的研究目标和应用进行分类，虚拟现实技术可以根据沉浸式体验角度进行分类。因此可以分为非交互式体验、人——虚拟环境交互式体验和群体——虚拟环境交互式体验这三类。在非交互式体验之中，用户与场景数据之中并没有实质性的交互行为。但是在人——虚拟环境交互式体验和群体——虚拟环境交互式体验这两种分类之中，我们需要人与场景数据进行交互。从而就需要通过设备读取人在现实生活中的手势，并识别其种类，来达到与场景数据进行交互的目的。因此现如今十分需要一个正确率高的手势识别系统。
提到手势识别，我们会联想到leapmotion和kinect等基于图像传感器的体感设备。但是由于这些设备基于人的动作图像进行识别，因此使用者在使用这些设备的时候需要面对着摄像头来完成“规范”的动作。并且在使用摄像头识别时，对周围环境的光照条件等都有要求。这些限制条件都在一定条件上影响了用户的使用体验。
技术实现要素：
本发明的目的在于提供一种基于前臂肌电信号的动作识别方法及系统，旨在解决用户在使用手势识别时的不良体验的问题。
本发明是这样实现的，一种基于前臂肌电信号的动作识别方法，所述基于前臂肌电信号的动作识别方法包括以下步骤：
s1、通过对人体前臂肌群的分析将手前臂区域细致的划分为若干个区域并进行数据采集；
s2、对采集的不同部位的数据信号进行评分处理并选出特征值较高的几个分配策略；
s3、通过对所选部位的值进行数据收集使用lstm算法对收集的多数据进行学习并再次采集数据进行正确性检验。
本发明的进一步技术方案是：所述步骤s1中还包括以下步骤：
s11、在分成的若干个区域中进行emc传感器的配置。
本发明的进一步技术方案是：所述步骤s2中还包括以下步骤：
s21、根据收集到的数据对不同部位采集到的信号进行特征评分；
s22、对评分判断的结果进行排序选择判断准确率最高的几个分配策略。
本发明的进一步技术方案是：所述步骤s21中还包括以下步骤：
s211、使用卡方检验或特征选择算法进行评分操作。
本发明的进一步技术方案是：所述步骤s3中还包括以下步骤：
s31、使用zscore对选择产生的不同部位的值进行归一化操作。
本发明的另一目的在于提供一种基于前臂肌电信号的动作识别系统，所述动作识别系统包括
数据采集模块，用于通过对人体前臂肌群的分析将手前臂区域细致的划分为若干个区域并进行数据采集；
评分选择模块，用于对采集的不同部位的数据信号进行评分处理并选出特征值较高的几个分配策略；
学习检验模块，用于通过对所选部位的值进行数据收集使用lstm算法对收集的多数据进行学习并再次采集数据进行正确性检验。
本发明的进一步技术方案是：所述数据采集模块中还包括
分区配置单元，用于在分成的若干个区域中进行emc传感器的配置。
本发明的进一步技术方案是：所述评分选择模块中还包括
特征评分单元，用于根据收集到的数据对不同部位采集到的信号进行特征评分；
选择判断单元，用于对评分判断的结果进行排序选择判断准确率最高的几个分配策略。
本发明的进一步技术方案是：所述特征评分单元中还包括
检验计算子单元，用于使用卡方检验或特征选择算法进行评分操作。
本发明的进一步技术方案是：所述学习检验模块中还包括
归一化单元，用于使用zscore对选择产生的不同部位的值进行归一化操作。
本发明的有益效果是：通过对肌电信号的采集分析计算和校验，提高了准确率，提高了用户的体验，通过划分区域进行对肌电信号的采集进行分析与特征筛选计算，使得系统相对传统方法采用了更少的电极片。采样通道数量的降低，也带来了计算成本的降低。同时本发明所采用的机器学习模型提高了手势识别准确率与鲁棒性，提升了用户体验。
附图说明
图1是本发明实施例提供的基于前臂肌电信号的动作识别方法的流程图。
具体实施方式
如图1所示，本发明提供的基于前臂肌电信号的动作识别方法的流程图，其详述如下：
步骤s1，通过对人体前臂肌群的分析将手前臂区域细致的划分为若干个区域并进行数据采集；对人的前臂进行分块划分，通过对人体前臂肌群的分析，将手前臂区域较为细致地划分了40个区域。这40个区域的分类方法为：沿着手前臂纵向，从手腕至肘关节区间平均划分为五个区域，分别用字母“1”～“5”标识，沿着手前臂横向一圈平均划分为8个区域，分别用字母“a”～“h”标识，且“a”为手前臂背侧中心区域、“c”为尺侧线区域、“e”为手臂正侧中心区域和“g”为桡侧线区域。
对于所细致划分的这40个区域，我们对此进行八个emg传感器配置，采用手臂背侧中心线a上的2a、3a、4a和5a四个位置两两组合，一共存在六组不同的组合：2a-3a、2a-4a、2a-5a、3a-4a、3a-5a和4a-5a。由于我们的手势动作含有较多的手指伸动作，而控制手指和手腕伸动作的肌群大多分布在手前臂a区域。因此通过对这些区域的信号捕捉，可以研究信号对精细手指伸动作的分类效果。
步骤s2，对采集的不同部位的数据信号进行评分处理并选出特征值较高的几个分配策略；采用环手臂的2、3、4和5四个区域中背侧a和正侧e位置的组合，一共存在四组：2a-2e、3a-3e、4a-4e和5a-5e。由于手前臂e线区域附近主要分布着控制手指、手腕屈动作的肌群，因此该装配方法主要研究这些传感器的配置组合所捕获的信号对同时包含有伸或屈动作分类的效果。与此同时，通过该分配策略，还可以利用腕带做出便携式的可穿戴传感器系统，实用性较高。
通过对各种分配策略所测得的数据进行卡方检验，通过拟合度公式
步骤s3，通过对所选部位的值进行数据收集使用lstm算法对收集的多数据进行学习并再次采集数据进行正确性检验。通过对所选部位的值进行数据收集，并使用matlab中的z-score对收集得到的数据进行归一化操作。具体实现方式如下：
z-score标准化是基于原始数据的均值(mean)和标准差(standarddeviation)进行数据的标准化。将原始振动信号使用z-score标准化到[-1,1]之间。
在对数据进行归一化处理之后，使用长短期记忆网络算法对处理完成之后的多组数据进行学习，以学习完成后建立的模型作为参考。用户真实使用时所采集的表面肌电数据为测试数据，测试数据经过长短期记忆网络模型的计算的进行正确性的校验，最终输出不同动作的识别精度结果。
基于自己搭建的openbci设备的emg肌电信号检测，并对接收到信息进行分类和识别动作种类的方法和系统。该方法通过综合分析接收到的emg肌电信号，从而实现上述的功能。所述的方法包含的步骤主要包括：首先将人的前臂分为数个区域，将电极放置于提前划分区块的这些前臂区域；通过对人体手臂动作的分类和细化，寻找出20种具有代表性的动作；让实验人员对这几种动作进行多次重复，并使用电极每次在同一个前臂区块采集前臂的肌电信号；使用卡方检验或特征选择(featureselection)对这些区块所获得的数据进行特征评分并筛选特征值最高的几个区域；筛选完之后，选择特征值最为明显的8个区域，使用这8个区域作为采集数据的区域。
选择完最明显的区域之后，提前采样，先使用zscore进行归一化操作，再使用lstm对采集到的数据分析；在使用时只需要将采集到的数据与已分析的数据进行对比，即可进行分类和对动作类型的判断。
为了减少用户在使用手势识别时的不良体验，因此本新型系统给出了一种新型的手势识别方式。不仅仅没有上述影响用户体验的要求，并且可以基于可穿戴设备进行手势识别。这种方式对环境的敏感度远远小于leapmotion和kincet等图像传感器。
本系统和设备解决其技术问题所采用的技术方案是：利用openbci肌电采集模块连接10个采集数据的emg电极片，其中一号通道和十号通道的2个电极片作降噪用，二号到九号通道共8个电极片负责采集数据；opengui板块则通过wifi模块，通过路由器与电脑相连接，从而传输用户作手势识别时产生的表面肌电数据用于进一步的机器学习分析处理，给出对不同手势的分类判别结果。
本发明的另一目的在于提供一种基于前臂肌电信号的动作识别系统，所述动作识别系统包括
数据采集模块，用于通过对人体前臂肌群的分析将手前臂区域细致的划分为若干个区域并进行数据采集；
评分选择模块，用于对采集的不同部位的数据信号进行评分处理并选出特征值较高的几个分配策略；
学习检验模块，用于通过对所选部位的值进行数据收集使用lstm算法对收集的多数据进行学习并再次采集数据进行正确性检验。
所述数据采集模块中还包括
分区配置单元，用于在分成的若干个区域中进行emc传感器的配置。
所述评分选择模块中还包括
特征评分单元，用于根据收集到的数据对不同部位采集到的信号进行特征评分；
选择判断单元，用于对评分判断的结果进行排序选择判断准确率最高的几个分配策略。
所述特征评分单元中还包括
检验计算子单元，用于使用卡方检验或特征选择算法进行评分操作。
所述学习检验模块中还包括
归一化单元，用于使用zscore对选择产生的不同部位的值进行归一化操作。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！