為了提高基于表面肌電信號(hào)（s EMG）的手勢(shì)動(dòng)作識(shí)別準(zhǔn)確率,提出一種基于肌電信號(hào)組合能量特征的手勢(shì)識(shí)別方法。首先,計(jì)算s EMG信號(hào)和其高階差分信號(hào)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(duì)多組能量特征維度約簡(jiǎn),線(xiàn)性判決分析（LDA）分類(lèi)器識(shí)別手勢(shì)動(dòng)作。利用肌電儀采集8組手勢(shì)動(dòng)作進(jìn)行識(shí)別,基于組合能量特征的肌電信號(hào)手勢(shì)識(shí)別方法對(duì)于手勢(shì)動(dòng)作識(shí)別的準(zhǔn)確率可達(dá)97. 5%,比基于典型特征提取算法手勢(shì)動(dòng)作識(shí)別準(zhǔn)確率更高;利用UCI數(shù)據(jù)庫(kù)中的肌電信號(hào)進(jìn)行實(shí)驗(yàn),手勢(shì)識(shí)別準(zhǔn)確率可達(dá)94. 5%。實(shí)驗(yàn)表明:組合能量特征提取算法對(duì)不同的數(shù)據(jù)庫(kù)具有普適性,所提取肌電信號(hào)組合能量特征能使不同手勢(shì)動(dòng)作的差異性更明顯,整個(gè)手勢(shì)識(shí)別方法準(zhǔn)確率更高。 

【文章來(lái)源】：傳感器與微系統(tǒng). 2020,39(06)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

ELONXI肌電采集儀

采用ELONXI肌電采集儀采集5個(gè)不同受試者的8種動(dòng)作的手臂肌電信號(hào)，見(jiàn)圖2。每次采集過(guò)程中，被測(cè)者做這8種不同的手部動(dòng)作，保持每個(gè)動(dòng)作10 s，重復(fù)采集20次，每種手勢(shì)動(dòng)作采集100個(gè)EMG。實(shí)驗(yàn)測(cè)試8種動(dòng)作的識(shí)別率時(shí)，對(duì)每種動(dòng)作隨機(jī)分出75%作為測(cè)試樣本，共600次，25%作為訓(xùn)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(gè)肌電傳感器，傳感器采集受試對(duì)象臂部佩戴傳感器的位置因肌肉運(yùn)動(dòng)引起的EMG變化。36名受試者執(zhí)行的6種手勢(shì)分別為握拳、休息、屈腕、伸腕、左旋、右旋，每種手勢(shì)執(zhí)行3 s。采用無(wú)線(xiàn)藍(lán)牙將傳感器采集的EMG數(shù)據(jù)顯示到電腦上。

【參考文獻(xiàn)】：
期刊論文
[1]下肢表面肌電信號(hào)的降維和映射分析[J]. 章亞男,景銀平,沈林勇,宋薇,錢(qián)晉武.  傳感技術(shù)學(xué)報(bào). 2018(07)
[2]基于稀疏表示的聯(lián)合多通道肌電信號(hào)手勢(shì)識(shí)別[J]. 陳素素,謝宏.  微型機(jī)與應(yīng)用. 2017(17)
[3]基于LDA的表面肌電信號(hào)分類(lèi)研究[J]. 馬正華,喬玉濤,李雷,戎海龍.  計(jì)算機(jī)工程與科學(xué). 2016(11)
[4]基于LLE和SVM的手部動(dòng)作識(shí)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(yú)群算法優(yōu)化SVM的手部動(dòng)作sEMG識(shí)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(yùn)動(dòng)表面肌電信號(hào)的特征提取與辨識(shí)分析[J]. 張羿,趙慧龍,張向剛,秦開(kāi)宇.  載人航天. 2015(02)

碩士論文
[1]基于在線(xiàn)學(xué)習(xí)的表面肌電信號(hào)分類(lèi)方法研究[D]. 張躍.浙江工業(yè)大學(xué) 2017



本文編號(hào)：2976040