论文部分内容阅读
随着林业机械的飞速发展，人类在在林区作业的方式已经发生了很大的变化，将手势识别应用于控制林业机械将更加自由便利、更加高效、更加人性化。因而，通过分析表面肌电（sEMG）信号，利用信号处理技术准确识别出手势是现在的研究热点。传统的sEMG信号手势识别方法由于提取的特征数据不够充分或者是分类器模型的泛化性能不强，导致对多人的肌电信号同时进行手势的识别率不够高。针对这个问题，本文提出使用27类特征融合的特征向量和基于有向无环图和支持向量机的分类方法进行手势识别。本文的主要研究内容和结论如下: 1、本文对15名健康受试者在手臂的掌长肌、肱桡肌、指伸肌和尺侧腕伸肌这四块目标肌肉附近对握拳、展拳、上切、下切、外翻和内翻这六个手势动作采集了各10组的四路sEMG信号，并对其进行包括消噪、放大和活动段检测在内的预处理; 2、本文利用时域、频域、时频域和非线性动力学分析方法对预处理后的sEMG信号进行特征计算，共得到27类特征。相比于将特征的简单组合，利用特征提取（降维）算法对特征向量进行处理后的识别结果更加理想，利用6种分类算法对4种特征提取方法后的数据进行识别测试，表明经线性判别分析处理后的数据识别效果最好，最佳维数在5～8维; 3、本文在支持向量机和有向无环图的分类方法基础上，提出了一种改进分类方法DAGSVMerr算法，利用预识别中的误识别率来计算分离性测度，并和一对多算法、一对一算法和另外两种基于欧氏距离计算分离性测度的有向无环图-支持向量机算法进行对比实验，结果表明DAGSVMerr算法的识别效果最好，平均识别率高达99.4％。再将其与五种常用的分类算法进行比较，实验表明DAGSVMerr算法的识别率最高。