论文部分内容阅读
随着智能化产品的不断增加,手势动作在人机交互的重要性日益凸显。基于表面肌电信号的手势识别具有不受使用场景、光照、温度等外在条件的影响,将会越来越多地应用于人机交互场景中。目前常用的基于表面肌电信号的手势识别方法大多都是提取较为单一的特征进行分析,而表面肌电信号具有非线性和不稳定的特点,上述特征提取方法容易造成对表面肌电信号特征的提取不够准确的问题。为此,本文针对目前基于表面肌电信号的手势识别准确率低、提取特征较为单一、对多通道表面肌电信号仍采用单通道的分析方法从而忽略了通道间信息的关联性等问题,提出了针对单通道表面肌电信号和多通道表面肌电信号的两套算法,并通过仿真实验证明了算法的有效性。本文的主要研究工作如下:1.针对单通道表面肌电信号,首先利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）方法对经预处理的表面肌电信号进行分解,在得到的分解信号中选择前三阶固有模态函数IMF进行进一步的特征提取,选择平均绝对值（MAV）、功率谱均值(PMEAN)、基本尺度熵（BSE）进行线性特征融合,使用核极限学习机（KELM）进行分类。并将核极限学习机与支持向量机（SVM）、朴素贝叶斯分类器（NB）进行对比,结果表明KELM在分类准确率和分类时间上皆优于另两种分类器,将该算法应用于UCI数据集的六种日常手势数据进行验证,平均识别准确率达到95.45%,优于近期使用相同数据集的文献结果。2.对于多通道表面肌电信号,考虑到通道间信号的耦合关系,使用多元经验模态分解（Multivariate Empirical Mode Decomposition,MEMD）对表面肌电信号进行分解,计算前三阶IMF的排列熵（PE）、自回归模型（Autoregressive model,AR系数）和平均绝对值（MAV）作为特征向量。多通道表面肌电信号特征维数较多,本文使用核熵成分分析（KECA）、主成分分析（PCA）、核主元分析（KPCA）对特征向量进行降维处理,仍采用KELM进行分类,实验表明KECA的降维效果更佳。将该算法应用于公开数据集NinaProDB2对50种手势进行分类后得到平均分类准确率为86.01%,与近期使用相同数据集的其他文献进行对比,证明本文所提出的算法具有较好的分类准确率和鲁棒性。综上,本文分别对单通道表面肌电信号和多通道表面肌电信号进行两套算法设计,分别在UCI公开数据集和NinaPro公开数据集上进行实验验证,将本文算法与同期文献进行对比,证明了本算法在识别准确率、识别时间和鲁棒性上都有一定优势。本文为手势动作在人机交互的实际应用提供了一种切实可行的解决方案。