為了提高基于表面肌電信號（s EMG）的手勢動作識別準確率,提出一種基于肌電信號組合能量特征的手勢識別方法。首先,計算s EMG信號和其高階差分信號的能量譜;然后,提取基于能量譜的組合特征;最后,用主成分分析（PCA）算法對多組能量特征維度約簡,線性判決分析（LDA）分類器識別手勢動作。利用肌電儀采集8組手勢動作進行識別,基于組合能量特征的肌電信號手勢識別方法對于手勢動作識別的準確率可達97. 5%,比基于典型特征提取算法手勢動作識別準確率更高;利用UCI數(shù)據(jù)庫中的肌電信號進行實驗,手勢識別準確率可達94. 5%。實驗表明:組合能量特征提取算法對不同的數(shù)據(jù)庫具有普適性,所提取肌電信號組合能量特征能使不同手勢動作的差異性更明顯,整個手勢識別方法準確率更高。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(06)

【文章頁數(shù)】：4 頁

【部分圖文】：

ELONXI肌電采集儀

采用ELONXI肌電采集儀采集5個不同受試者的8種動作的手臂肌電信號，見圖2。每次采集過程中，被測者做這8種不同的手部動作，保持每個動作10 s，重復采集20次，每種手勢動作采集100個EMG。實驗測試8種動作的識別率時，對每種動作隨機分出75%作為測試樣本，共600次，25%作為訓練樣本，共200次。UCI數(shù)據(jù)集的采集設(shè)備為EMG傳感器臂帶Myo，包含8個肌電傳感器，傳感器采集受試對象臂部佩戴傳感器的位置因肌肉運動引起的EMG變化。36名受試者執(zhí)行的6種手勢分別為握拳、休息、屈腕、伸腕、左旋、右旋，每種手勢執(zhí)行3 s。采用無線藍牙將傳感器采集的EMG數(shù)據(jù)顯示到電腦上。

【參考文獻】：
期刊論文
[1]下肢表面肌電信號的降維和映射分析[J]. 章亞男,景銀平,沈林勇,宋薇,錢晉武.  傳感技術(shù)學報. 2018(07)
[2]基于稀疏表示的聯(lián)合多通道肌電信號手勢識別[J]. 陳素素,謝宏.  微型機與應(yīng)用. 2017(17)
[3]基于LDA的表面肌電信號分類研究[J]. 馬正華,喬玉濤,李雷,戎海龍.  計算機工程與科學. 2016(11)
[4]基于LLE和SVM的手部動作識別方法[J]. 伍吉瑤,王璐,程正南,陳永澤.  傳感器與微系統(tǒng). 2016(08)
[5]基于人工魚群算法優(yōu)化SVM的手部動作sEMG識別[J]. 洪潔,王璐,汪超,魏偉,葉曄.  傳感器與微系統(tǒng). 2016(02)
[6]基于SVM的下肢運動表面肌電信號的特征提取與辨識分析[J]. 張羿,趙慧龍,張向剛,秦開宇.  載人航天. 2015(02)

碩士論文
[1]基于在線學習的表面肌電信號分類方法研究[D]. 張躍.浙江工業(yè)大學 2017



本文編號：2976040