基于表面肌电信号的手势识别方法

作者：崔冰艳; 邓嘉; 张祥

来源：科学技术与工程, 2023, 23(35): 15133-15141.

• 表面肌电信号
• 特征空间
• AFSA-SVM
• 1D-CNN

为了提高上肢手势动作的识别准确率，通过三阶巴特沃斯滤波器进行表面肌电信号(surface electromyography, sEMG)去噪和时间滑动窗口合理分割sEMG信号预处理。特征提取使用了积分肌电值、均方根值和小波包变换系数，并提出了一种时域信号结合时频域信号的特征空间方法，包括了积分肌电结合小波包变换系数(integrated electromyography-max wavelet packet coefficient-energy wavelet packet coefficient, IEME)和均方根值结合小波包变换系数(root mean square-max wavelet packet coefficient-energy wavelet packet coefficient, RMSME)。在特征空间构建基础上，提出了三种手势识别方法：支持向量机分类器(support vector machine, SVM)、人工鱼群算法优化支持向量机分类器(artificial fish swarm algorithm-support vector machine, AFSA-SVM)和卷积神经网络(convolutional neural network, CNN)。实验共采集了10位受试者的8种上肢手势动作sEMG信号，并引用Nina Pro DB2公开数据集进行对比。实验结果表明，无论在实验采集数据和Nina Pro DB2公开数据集中特征空间IEME相对于RMSME都更具识别度，并且特征空间IEME在1D-CNN上识别平均准确率和平均训练用时均优于2D-CNN。在实验采集数据中1D-CNN识别平均准确率高达98.61%,相对于SVM和AFSA-SVM识别准确率提高了6.77%和10.61%,并且采用1D-CNN识别方法的平均训练时间为7.37 s较SVM和AFSA-SVM减少了68.32 s和221.53 s,因此在手势sEMG信号识别分类中采用特征空间IEME和分类模型1D-CNN具有优势。

• 单位
  华北理工大学