基于表面肌电信号的手指手势分类方法研究

发布时间：2021-09-04 07:21

　　手势识别是指通过计算机自动检测、分析并识别出人体各种手势,由此判断人类的意图。现有的手势识别技术考虑的是幅度较大且指向单一的动作,考虑到日常生活中所用手势动作的复杂性和多态性。因此为了识别出微小手势,本文设计了12种关于手指活动情况的手势（如手指抬起或弯曲）,采集12种手势的表面肌电信号。以表面肌电信号为研究对象,采用基于矢量分组学习头脑风暴算法的混合核函数支持向量机模型对12种手指手势进行分类识别,12种手势的分类精度可达到90%。详细研究内容如下:首先,手势动作的设计是手势识别分类的前提,设计一组在日常生活中能经常使用的手势对于各领域的应用是非常有意义的。因此,在手势设计方面,本文考虑人体手指活动情况,根据右手的5个手指弯曲或抬起以及拇指的内收与外展设计了12种手势。同时确定每种手势与手臂肌肉收缩的相关性,以及表面电极贴片的安放位置,完成12种手指手势表面肌电信号的数据采集工作。然后,考虑到采集的sEMG信号容易混入噪声干扰,采用巴特沃斯滤波器和50Hz陷波器对信号进行去噪处理;鉴于手势动作信号特征提取对手势识别分类的重要性,通过主成分分析法对提取的4种手势动作特征降维形成一种联合... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

肌电信号应用

手势图片

图 1.3 手势指令发送：打开手指，关闭食指，关闭中指，关闭所有手指[31]此外，GaoJin 等人[37]提出了一种基于 SVM 的图像分类器，通过改进的粒子群优化算法对相关参数进行优化，并且采用遗传算法动态选择 PSO 控制参数，所提出的 PSO 算法在为 SVM 选择最优参数时优于传统方法，具有较好的搜索能力，提高了图像分类的准确性。基于前面所提到的分类方法以及PSO优化SVM

【参考文献】：
期刊论文
[1]非线性SVM融合LDA的sEMG手势识别应用分析[J]. 鲁立,刘颂.  激光杂志. 2014(08)
[2]支持向量机原理及展望[J]. 陈冰梅,樊晓平,周志明,李雪荣.  制造业自动化. 2010(14)
[3]基于相关性分析和支持向量机的手部肌电信号动作识别[J]. 席旭刚,李仲宁,罗志增.  电子与信息学报. 2008(10)

硕士论文
[1]基于表面肌电信号的手部动作识别方法研究[D]. 郝沙沙.河北大学 2018
[2]基于柔性电极的表面肌电信号采集与处理研究[D]. 肖翔.电子科技大学 2018
[3]基于特征值降维与多元信号融合的手部动作识别算法研究[D]. 刘俊宏.吉林大学 2017
[4]基于sEMG信号的上肢康复机器人训练系统的研究[D]. 胡玉叶.天津理工大学 2017
[5]康复运动中表面肌电信号分析方法研究[D]. 马静云.燕山大学 2015
[6]基于表面肌电信号控制的人机交互系统设计[D]. 李晗.北京理工大学 2015



本文编号：3382834