基于肌電信號的操作者手部行為感知系統的制作方法
【專利摘要】一種基于肌電信號的操作者手部行為感知系統，包括肌電腕表裝置和接收處理終端；所述肌電腕表裝置包括彈性腕帶以及設置在彈性腕帶上的各功能模塊，功能模塊包括肌電電極、信號調理單元、信號處理單元、無線發送單元和供電單元；所述接收處理終端包括無線接收單元以及信號分析模塊；信號調理單元對肌電電極采集的肌電信號進行放大和濾波處理后輸出給信號處理單元進行模數轉換并緩存，處理后的肌電信號數據經無線發送單元將發送給接收處理終端，接收處理終端能夠對肌電信號數據進行處理和分析，得到操作者的操作手勢。本發明能夠有效識別操作者的手勢信息，并且具有信噪比高、能耗低等優點。
【專利說明】
基于肌電信號的操作者手部行為感知系統
技術領域
[0001] 本發明涉及在軌服務技術領域，具體說涉及一種基于肌電信號的操作者手部行為 感知系統。
【背景技術】
[0002] 隨著空間研究、開發與應用能力的不斷提高，各國相繼研制并發射了大量面向各 種任務要求的航天器，航天器的結構、組成日趨復雜，性能、技術水平不斷提高。在這種情況 下，宇航員的工作時間越來越強，工作強度也越來越大，因此保證宇航員的安全是空間任務 的重中之重。
[0003] 宇航員在太空中，各種生理信號需要在線實時監控，其中肌電信號是一種重要的 生理信號，它既可以通過肌電信號分析得到手部動作，又可以反映宇航員肌肉的疲勞程度 和身體健康程度，甚至還可以從信號中分析宇航員的操作動作正確與否。
[0004] 而現有的肌電信號采集儀大多沒有功耗和體積指標，而且由于體積太大導致不能 腕表在宇航服內，而且采用有線連接方式不便實時數據處理，而航天應用對功耗和體積要 求非常嚴格，而且對系統的抗噪聲干擾能力也要求非常高，因此目前還沒有適合航天員應 用的、體積小、易佩戴、功能高度集成的操作者手部行為感知系統。
【發明內容】
[0005] 為了克服現有技術存在的不足，本發明提供一種基于肌電信號的操作者手部行為 感知系統，適應航天應用場合的操作者手部行為感知。
[0006] 本發明的技術方案是：
[0007] -種基于肌電信號的操作者手部行為感知系統，包括肌電腕表裝置和接收處理終 端;所述肌電腕表裝置包括彈性腕帶以及設置在彈性腕帶上的各功能模塊，這些功能模塊 包括肌電電極、信號調理單元、信號處理單元、無線發送單元、供電單元;所述接收處理終端 包括無線接收單元以及信號分析模塊；
[0008] 所述肌電電極用于采集表面肌電信號;所述信號調理單元對肌電電極采集的肌電 信號進行放大和濾波處理后輸出給信號處理單元;所述信號處理單元將信號進行模數轉換 并緩存，同時將處理后的肌電信號數據輸出給無線發送單元;所述無線發送單元將接收到 的肌電信號數據以無線的方式發送給無線接收單元;所述供電單元為上述肌電電極、信號 調理單元、信號處理單元、無線發送單元提供電源;所述無線接收單元能夠接收來自無線發 送單元的肌電信號數據并提交給信號分析模塊;所述信號分析模塊對肌電信號數據進行處 理和分析，得到操作者的操作手勢。
[0009] 本發明中：所述肌電電極為多個，各肌電電極分布在腕帶的不同位置，用于采集對 應位置的肌電信號。進一步地，所述的肌電電極采用貼片式Ag/AgCl電極，降低了電阻對肌 電信號采集的影響，提高了信噪比。
[0010] 本發明中：所述的信號調理單元為一個兩級信號放大模塊，具有信號放大功能，此 外它還具有陷波、低通和高通等濾波功能，放大倍數為20000倍，長寬高為450mm X 60mm X 4mm，功耗小于25mW。
[0011] 本發明中：所述的信號處理單元包括微處理器和模數轉換器(ADC)，其中微處理器 采用超低功耗的MSP430F2418,主晶振采用16MHz晶振，降低了能耗。模數轉換器(ADC)采用 微處理器自帶的功能模塊，基準采用低功耗的外部電源基準m a X16 3 3，它初始精度為 0.04%，具有低溫漂系數，低壓降，低靜態電流和低噪聲的優點。
[0012] 本發明中:所述的無線發送單元采用A7105芯片。
[0013] 本發明中：所述的供電單元包括鋰電池和電源模塊，其中電源模塊采用低壓降的 ADP122,它電源紋波小，可以使得系統只需要一節鋰電池供電即可正常輸出3.3V電壓，并且 利用磁珠實現了數字電源和模擬電源的隔離。
[0014] 本發明中：所述的無線接收單元采用2.4GHz的無線路由器。
[0015] 本發明中:所述的信號分析模塊是一臺PC機，加載了手勢識別算法。
[0016] 本發明中：所述腕帶采用有彈性的樹脂材料制作，可以用于適應不同大小的手腕 佩戴;所述腕帶的兩端頭設置有佩戴鎖緊件，佩戴鎖緊件采用小型公母搭扣方式實現。
[0017] 本發明提供一種手勢識別算法，包括以下步驟：
[0018] Sl:手部行為發起檢測，設某個肌電信號采集窗口的時間長度為T，500Hz采集頻率 下共采集到N個肌電信號值X
[0019] SI. 1:零均值處理
[0020] 其中，X(n)為該肌電信號采集窗口中采集到的肌電信號的第η個采樣值，為 計算得到的肌電信號均值；
[0021] Sl .2:計算TKE算子
[0022] 其中，為步驟SI. 1中計算得到的肌電信號均值，Φ(η)為計算得到的TKE算子 (該算子參見參考文獻：Teager H M，Teager S M.Evidence for Nonlinear Sound Reduction Mechanisms in the Vocal Tract.Kluwer Acad.Publ·，1990:241-261·)〇
[0023] SI .3:計算均值和標準差：
[0024]
[0025]
[0026] 其中，Φ(η)為步驟SI .2計算得到的TKE算子，μ〇為計算得到的均值，δ〇為計算得到的 標準差。
[0027] 31.4:計算閾值111:111=4()+]_.60
[0028] 其中μ〇為步驟SI.3計算得到的均值，δ〇為步驟SI. 3計算得到的標準差，j為事先設 定的閾值乘子，Th為計算得到的閾值；
[0029] Sl · 5:計算動作序列s(n) :s(n) =sign(iKn)_Th)
[0030] 其中，sign( ·)為符號函數，即當iKn)-Th>0時s(n) = 1，否則s(n) =0。
[0031] SI. 6:動作序列s(n)濾波:設定T1為手部行為中出現的非活動時長，即在正常的肌 肉活動中表現出的靜息狀態的時間；T 2則為手部靜止時，由于尖峰噪聲等影響而出現的活 動時長。
[0032] 在得到的一系列s(n)中，若相鄰兩個S(n) = l時刻之差小于T1，將兩個S(n) = l時 刻之間的s(n)的值全部更改為"1"，這樣做的目的就是，避免在肌肉活動時由于收縮過快等 原因偶爾出現的靜息狀態；
[0033] 在得到的一系列s(n)中，相鄰兩個S(n)=0時刻之差小于T2,將兩個 S(n)=0時刻 之間的s(n)的值全部更改為"0"，這樣做的目的就是，在正常無動作情況下肌肉靜息時偶爾 出現的噪聲等尖峰信號帶來的影響。
[0034] Sl .7:計算動作發起時間乂二min(/?|.v(/〇 =丨）
[0035] S2:建立常用手勢庫；
[0036] 所述的常用手勢庫，包括以下8種手勢，但并不僅僅限于此8種手勢，相似的改進和 修飾應視作與該手勢庫相同：（1)用五指抓住并托舉書本，且大拇指與其余四指方向相對； (2)僅使用大拇指、食指和中指，三指抓住盛滿水的500mL易拉罐；（3)用五指抓住盛滿水的 500ml易拉罐，且大拇指與其余四指方向相對；（4)用五指抓住球狀物；（5)僅使用大拇指與 食指拿捏CD盒；（6)用大拇指、食指和中指摘掉記號筆的筆蓋；（7)用五指打開文具盒；（8)用 五指拿起鉛筆。
[0037] S3:預分類，包括基于積分特征值的特征提取和基于線性判別函數的模式識別兩 個步驟。積分特征值計算如下：
[0038]
[0039] 其中，EMG(n)(n = 0，l，2"_，N-l)為一長度為N的時間序列，在這里為一列肌電信 號。
[0040] 基于線性判別函數的模式識別中的識別模型可表述為：
[0041]
[0042] 其中叉=(叉1,叉2，，"，叉11，1)/，《=((01，(〇2，，"，〇11，(0 11+1)/，叉為增廣特征矢量，這里
[0043] 11^2，'"^分別指各通道肌電信號的積分值此1?；，《稱為增廣權矢量。(〇的學習 過程可描述為：
[0044]
[0045] 其中，ω (k)為第k步迭代得到的增廠權矢量ω，p為預先設定的學習率，為一個正 實數。
[0046] 當學習集的模式全部用作訓練完畢后，對其進行檢驗，若仍有模式被錯判，則需要 對其開展再次迭代，進行第二輪訓練，調整建立新的權矢量。以此類推，直到對于學習集中 的模式分類正確率達到98%以上為止，或者迭代M次為止，此時得到的權矢量ω值即為所 求。
[0047] 當確定好判別函數d(x)后，即ω確定后，將測試集的特征矢量^，即各通道肌電信 號的積分值IEMG，并在該特征矢量的基礎上增加一個常數維度，構成增廣特征矢量X，代入 判別函數中，運用如下判別規則進行判斷，達到分類的效果：
[0048]
[0049]其中，d(x)為學習得到的判別函數，ω為學習得到的增廣權矢量，X為增廣特征矢 量；
[0050] S4:細分類，包括基于AR模型的特征提取和基于BP神經網絡分類器的模式識別兩 個步驟。其中AR模型可表述如下：
[0051]
[0052]其中EMG(n)為一系列采集到的肌電信號的第η個采樣值;w(n)為輸入信號，假定其 為白噪聲，P為AR模型的階數。a#』是AR模型的第k個系數，這便是所要求取的特征參數。 [0053]這里的BP神經網絡分類器其輸入為AR模型的特征參數，輸出為手勢的類別。通過 訓練集的學習過程得到的BP神經網絡權值，輸入AR模型的特征參數從而可得到手勢類別。
[0054]本發明主要技術指標為：
[0055] (1)供電電壓:一節3.7V鋰電池；
[0056] (2)肌電信號放大倍數:20000倍；
[0057] (3)系統功耗:小于200mW;
[0058] (4)信號調理模塊幾何參數:長寬厚為450mm X 60mm X 4mm
[0059] (5)常用手勢庫中的8種手勢的識別正確率>80%
[0060] 本發明的優點在于:提供的可佩帶式的低功耗表面肌電信號采集儀，采用低功耗 的信號放大以及采集模塊，處理器采用超低功耗的MSP430F2418,減小了體積和功耗。另外 采用了低壓降的電源模塊以減小電源功耗和減小電源紋波，并考慮數字電源和模擬電源的 隔離，改善了系統的信噪比，增強了系統的穩定性和可靠性。本發明能夠有效識別操作者的 手勢信息，并且具有信噪比高、能耗低等優點，適應航天應用場合的操作者手部行為感知。
【附圖說明】
[0061] 圖1是基于肌電信號的操作者手部行為感知系統結構示意圖。
[0062] 圖2是基于肌電信號的操作者手部行為感知系統原理方框圖 [0063]圖3電源轉換電路原理圖
[0064]圖4電源基準電路原理圖 [0065]圖5手勢識別算法示意圖 [0066]圖6操作手勢的預分類識別率 [0067]圖7操作手勢細分類的混淆矩陣 [0068]圖 8操作手勢總的識別率 [0069]圖9手部行為發起檢測的流程
【具體實施方式】
[0070]為了使本發明所解決的技術問題、技術方案及有益效果更加清楚明白，以下結合 附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以 解釋本發明，并不用于限定本發明。
[0071] 如圖1所示，本發明提供一種基于肌電信號的操作者手部行為感知系統，其特征在 于，包括:肌電電極2、信號調理單元4、信號處理單元6、無線發送單元5、腕帶3、佩戴鎖緊件 1、供電單元7、無線接收單元8和信號分析模塊9。
[0072] 圖1所示的腕帶3采用有彈性的樹脂材料制作，可以用于適應不同大小的手腕佩 戴，佩戴鎖緊件采用小型公母搭扣方式實現。
[0073] 圖2給出了基于肌電信號的操作者手部行為感知系統的工作原理，肌電電極2采用 貼片式Ag/AgCl電極，用于采集表面肌電信號，信號調理單元對肌電電極采集的肌電信號進 行放大和濾波處理后輸出給信號處理單元;所述信號處理單元將信號進行模數轉換并緩 存，同時將處理后的肌電信號數據輸出給無線發送單元;所述無線發送單元將接收到的肌 電信號數據以無線的方式發送給無線接收單元。無線接收單元能夠接收來自無線發送單元 的肌電信號數據并提交給信號分析模塊;所述信號分析模塊內加載有手勢識別算法能夠對 肌電信號數據進行處理和分析，得到操作者的操作手勢。
[0074] 信號處理單元包括微處理器和模數轉換器，微處理器采用低功耗MSP430F2418,發 送模塊采用低功耗的nrf24101，微處理器處理器自帶的ADC。所述的電壓基準采用外部低功 耗基準電源，電源由一節鋰電池經過電源轉換芯片后提供。
[0075]圖1中所述的信號調理單元4為一個兩級信號放大模塊，它還有陷波、低通和高通 的功能，放大倍數為20000倍，長寬高為45〇111111\6〇111111\4111111，功耗小于251111，只需要提供+ 3.3V電源。
[0076]圖3和圖4分別描述了電源模塊的電路圖。所述的電源模塊采用低壓降的ADP122， 它電源紋波小，可以使得系統只需要一節鋰電池供電即可正常輸出3.3V電壓，C2和C3是退 耦電容，Ll和L2是磁珠，用于隔離數字電源和模擬電源，磁珠 L3是用于隔離數字地和模擬地 的作用，Rl和R2用于對電池分壓后檢測電池電量。
[0077] 信號處理單元包括微處理器和ADC。所述的微處理器采用超低功耗的 MSP4 30F2418，主晶振采用16MHz晶振，它帶有1個SPI接口、兩個URAT接口，10通道的12bit的 ADC接口，以及帶有RTC模塊和看門狗模塊，具有多種低功耗模式，可以關閉不需要的外設模 塊以節約電量，并且有多個外部IO可以使用。所述的ADC采用微處理器自帶的功能模塊，基 準采用低功耗的外部電源基準maxl633,它初始精度為0.04%，具有低溫漂系數，低壓降，低 靜態電流和低噪聲的優點。
[0078]如圖5所示，本發明提供一種手勢識別算法，包括以下步驟：
[0079] SI:手部行為發起檢測；
[0080] S2:建立常用手勢庫；
[0081] 所述的常用手勢庫，包括以下8種手勢，但并不僅僅限于此8種手勢，相似的改進和 修飾應視作與該手勢庫相同：（1)用五指抓住并托舉書本，且大拇指與其余四指方向相對； (2)僅使用大拇指、食指和中指，三指抓住盛滿水的500mL易拉罐；（3)用五指抓住盛滿水的 500ml易拉罐，且大拇指與其余四指方向相對；（4)用五指抓住球狀物；（5)僅使用大拇指與 食指拿捏CD盒；（6)用大拇指、食指和中指摘掉記號筆的筆蓋；（7)用五指打開文具盒；（8)用 五指拿起鉛筆。
[0082] S3:預分類，包括基于積分特征值的特征提取和基于線性判別函數的模式識別兩 個步驟。積分特征值計算如下：
[0083]
[0084] 其中，EMG(n)(n = 0，l，2-_，N-l)為一長度為N的時間序列，在這里為一列肌電信 號。
[0085] 基于線性判別函數的模式識別中的識別模型可表述為：
[0086]
[0087] 其中X = (X1，X2,…，Xn, 1/，ω = ( ω c〇2,…，ωη, COntlZ，χ為增廣特征矢量，這里 11，^，一，&分別指各肌電信號通路的積分值此1^，《稱為增廣權矢量。《的學習過程可描 述為：
[0088]
[0089] 當學習集的模式全部用作訓練完畢后，對其進行檢驗，若仍有模式被錯判，則需要 對其開展再次迭代，進行第二輪訓練，調整建立新的權矢量；以此類推，直到對于學習集中 的模式分類正確率達到98%以上為止，或者迭代M次為止，此時得到的權矢量ω值即為所 求。
[0090] 當確定好判別函數d(x)后，即ω確定后，將測試集的特征矢量X即各通道肌電信號 的積分值IEMG，代入判別函數中，運用如下判別規則進行判斷，達到分類的效果：
[0091]
[0092] S4:細分類，包括基于AR模型的特征提取和基于BP神經網絡分類器的模式識別兩 個步驟。其中AR模型可表述如下：
[0093]
[0094]其中EMG(n)為線性系統的輸出信號，其表示為一系列采集到的肌電信號的第η個 采樣值;w(n)為輸入信號，假定其為白噪聲，ρ為AR模型的階數。ak則是AR模型的第k個系數， 這便是所要求取的特征參數。
[0095]這里的BP神經網絡分類器其輸入為AR模型的特征參數，輸出為手勢的類別。通過 訓練集的學習過程得到的BP神經網絡權值，輸入AR模型的特征參數從而可得到手勢類別。
[0096] 圖6給出了操作手勢的預分類識別率，圖7給出了操作手勢細分類的混淆矩陣，兩 者相乘可得到圖8所示的操作手勢總的識別率。常用手勢庫中的手勢識別率達到了 82.8% 以上，證明了本發明所提手勢識別方法的有效性。
[0097] 手部行為發起檢測的流程如圖9所示，具體包括以下步驟：
[0098] Sl .1:零均值處理
[0099] Sl .2:計算TKE算5 [0100] Sl .3:計算均值和標準差：
[0101]
[0102]
[0103] SI .4:計算閾值Th:Th=y〇+j · δ〇
[0104] SI · 5:計算動作序列s(n) :s(n) =sign(iKn)_Th)
[0105] SI.6:動作序列s(n)濾波:設定T1為手部行為中，出現的非活動時長，即在正常的 肌肉活動中表現出的靜息狀態的時間；T#』為手部靜止時，由于尖峰噪聲等影響而出現的 活動時長。
[0106] 在得到的一系列s(n)中，若相鄰兩個S(n) = l時刻之差小于T1，將兩個S(n) = l時 刻之間的s(n)的值全部更改為"1"，這樣做的目的就是，避免在肌肉活動時由于收縮過快等 原因偶爾出現的靜息狀態；
[0107] 在得到的一系列s(n)中，相鄰兩個S(n)=0時刻之差小于T2,將兩個S(n)=0時刻 之間的s(n)的值全部更改為"0"，這樣做的目的就是，在正常無動作情況下肌肉靜息時偶爾 出現的噪聲等尖峰信號帶來的影響。
[0108] Sl .7:計算動作發起時間：& = η?.η(/2|5·(") = 1) ?
[0109] 以上所述僅是本發明的優選實施方式，本發明的保護范圍并不僅局限于上述實施 例，凡屬于本發明思路下的技術方案均屬于本發明的保護范圍。應該提出，對于本技術領域 的普通技術人員來說，在不脫離本發明原理前提下的改進和潤飾，這些改進和潤飾也應視 為本發明的保護范圍。
【主權項】
1. 一種基于肌電信號的操作者手部行為感知系統，其特征在于:包括肌電腕表裝置和 接收處理終端;所述肌電腕表裝置包括彈性腕帶以及設置在彈性腕帶上的各功能模塊，功 能模塊包括肌電電極、信號調理單元、信號處理單元、無線發送單元和供電單元;所述接收 處理終端包括無線接收單元以及信號分析模塊； 所述肌電電極用于采集表面肌電信號;所述信號調理單元對肌電電極采集的肌電信號 進行放大和濾波處理后輸出給信號處理單元;所述信號處理單元將信號進行模數轉換并緩 存，同時將處理后的肌電信號數據輸出給無線發送單元;所述無線發送單元將接收到的肌 電信號數據以無線的方式發送給無線接收單元;所述供電單元為上述肌電電極、信號調理 單元、信號處理單元、無線發送單元提供電源;所述無線接收單元能夠接收來自無線發送單 元的肌電信號數據并提交給信號分析模塊;所述信號分析模塊內加載有手勢識別算法能夠 對肌電信號數據進行處理和分析，得到操作者的操作手勢。2. 根據權利要求1所述的基于肌電信號的操作者手部行為感知系統，其特征在于:所述 肌電電極為多個，各肌電電極分布在腕帶的不同位置，用于采集對應位置的肌電信號。3. 根據權利要求2所述的基于肌電信號的操作者手部行為感知系統，其特征在于:所述 的肌電電極采用貼片式Ag/AgCl電極。4. 根據權利要求1所述的基于肌電信號的操作者手部行為感知系統，其特征在于:信號 處理單元包括微處理器和模數轉換器，其中微處理器采用MSP430F2418,主晶振采用16MHz 晶振;模數轉換器采用微處理器自帶的功能模塊，基準采用外部電源基準maxl633,其初始 精度為〇.〇4 %。5. 根據權利要求1所述的基于肌電信號的操作者手部行為感知系統，其特征在于:所述 無線發送單元采用A7105芯片。6. 根據權利要求1所述的基于肌電信號的操作者手部行為感知系統，其特征在于:所述 供電單元包括鋰電池和電源模塊，其中電源模塊采用ADP122。7. 根據權利要求1所述的基于肌電信號的操作者手部行為感知系統，其特征在于:所述 無線接收單元采用2.4GHz的無線路由器。8. 根據權利要求1所述的基于肌電信號的操作者手部行為感知系統，其特征在于:所述 腕帶采用有彈性的樹脂材料制作;所述腕帶的兩端頭設置有佩戴鎖緊件。9. 一種手勢識別算法，其特征在于，包括以下步驟： S1:手部行為發起檢測 設某個肌電信號采集窗口的時間長度為T，500Hz采集頻率下共采集到N個肌電信號值 X； S1.1:零均值處理其中，x(n)為該肌電信號采集窗口中采集到的肌電信號的第η個采樣值，f 為計算 得到的肌電信號均值； S1.2:計算TKE算子其中，尤〇丨為步驟SI. 1中計算得到的肌電信號均值，Φ(η)為計算得到的TKE算子； SI. 3:計算均值和標準差：其中，Φ(η)為步驟S1.2計算得到的TKE算子，μ〇為計算得到的均值，δ〇為計算得到的標準 差； S1.4:計算閾值Th:Th = y〇+j · δ〇 其中為步驟SI. 3計算得到的均值，δ〇為步驟SI.3計算得到的標準差，j為事先設定的 閾值乘子，Th為計算得到的閾值； S1.5:計算動作序列s(n) :s(n) = sign(iKn)-Th) 其中，sign( ·)為符號函數，SP 當 iKn)-Th>0 時 s(n) = l，否則 s(n)=0; S1.6:動作序列s(n)濾波:設定h為手部行為中出現的非活動時長，即在正常的肌肉活 動中表現出的靜息狀態的時間；T#』為手部靜止時，由于尖峰噪聲等影響而出現的活動時 長； 在得到的一系列s(n)中，若相鄰兩個s(n) = l時刻之差小于?\，將兩個s(n) = l時刻之間 的8(1!)的值全部更改為"Γ; 在得到的一系列s(n)中，相鄰兩個s(n)=0時刻之差小于T2,將兩個s(n)=0時刻之間的 s(n)的值全部更改為"〇"； S1.7:計算動作發起時間：炙=η?ι(?:|4?) = 1), S2:建立常用手勢庫； S3:預分類，包括基于積分特征值的特征提取和基于線性判別函數的模式識別兩個步 驟； 積分特征值計算如下：其中，EMG(n)(n = 0，l，2…，N-l)為一長度為N的一列肌電信號； 基于線性判別函數的模式識別中的識別模型可表述為： def d{\) = co x 其中Χ^ΧΙ,ΧΖ,Η'，Χη,? /，ω = ( ω1; C〇2,…，ωη, COn+y，χ為增廣特征矢量，XU2，···， Χη分別指各通道肌電信號的積分值IEMG; ω稱為增廣權矢量；ω的學習過程可描述為：其中，ω(1〇為第k步迭代得到的增廣權矢量ω，ρ為預先設定的學習率，為一個正實數； 當學習集的模式全部用作訓練完畢后，對其進行檢驗，若仍有模式被錯判，則需要對其 開展再次迭代，進行第二輪訓練，調整建立新的權矢量；以此類推，直到對于學習集中的模 式分類正確率達到98 %以上為止，或者迭代Μ次為止，此時得到的權矢量ω值即為所求； 當確定好判別函數d(x)后，即ω確定后，測試集的特征矢量xt，即各通道肌電信號的積 分值IEMG，并在該特征矢量的基礎上增加一個常數維度，構成增廣特征矢量X，代入判別函 數中，運用如下判別規則進行判斷，達到分類的效果：其中，d(x)為學習得到的判別函數，ω為學習得到的增廣權矢量，X為增廣特征矢量； S4:細分類，包括基于AR模型的特征提取和基于ΒΡ神經網絡分類器的模式識別兩個步 驟； AR模型可表述如下：其中EMG(n)為一系列采集到的肌電信號的第η個采樣值;w(n)為輸入信號，假定其為白 噪聲，P為AR模型的階數;a#』是AR模型的第k個系數即待求取的特征參數； BP神經網絡分類器其輸入為AR模型的特征參數，輸出為手勢的類別；通過訓練集的學 習過程得到的BP神經網絡權值，輸入AR模型的特征參數從而可得到手勢類別。
【文檔編號】A61B5/11GK105943042SQ201610396781
【公開日】2016年9月21日
【申請日】2016年6月7日
【發明人】李東旭, 范才智, 李思侃, 劉望, 郝瑞
【申請人】中國人民解放軍國防科學技術大學