本技术提供一种基于肌电信号的手势识别方法及系统,该方法包括:基于窗口切割方法将手腕或手臂在执行手势动作时的肌电信号转化为信号片段;基于无监督学习方法对所述信号片段进行聚类,将所述信号片段划分为多个簇;基于最优路径搜索算法从每个簇中提取最优特征;基于SVM分类器根据每个簇的最优特征得到手势类别。本发明通过多阶段优化信号处理和分类步骤,有效提升手势识别的准确性,能够在复杂环境中,使用简单的计算环境实现更高效、更精准的手势识别。
背景技术
手势识别技术已经在多个重要领域中应用。在智能设备的操作方面,它能有效替代传统的输入设备,提供更自然的交互方式。在医学和康复领域,手势识别被应用于肌肉训练、手部功能恢复、手术辅助以及医学教育培训等方面。同时,在语言交流中,它有助于听力或语言障碍群体与非手语使用者之间的沟通,大大改善了他们的生活质量。因此,肌电信号在手势识别中的应用潜力巨大,展现出了显著的价值。
目前,常见的手势识别技术主要分为3类:计算机视觉、数据手套和肌电信号。在基于计算机视觉的手势识别中,使用摄像机和深度传感器记录手部动作,而手势识别一般是在较为复杂的环境下进行的,使用图像记录容易受到外界光照或图像部分遮挡等外部影响;基于数据手套的手势识别,虽然准确率突出,但数据手套及其相关线缆会给用户带来极大的不便。相比之下,肌电信号来源于人体本身,受外界的影响小,且肌电传感器体积较小,可以轻松地贴附在皮肤表面,佩戴舒适,适合长期使用。
近年来,随着计算机视觉、机器学习、深度学习等技术的发展,基于肌电信号的手势识别逐渐受到关注。深度学习在各个领域都得到了广泛的应用,与传统机器学习方法相比,其不需要经过手工特征提取,它们可以通过端到端的方法将对象分类为相应的类型,但深度学习模型通常都比较大,对设备要求较高,且需要经过长时间的训练。传统机器学习与深度学习相比,突出优势在于其对特征提取的依赖性,能够有效挖掘数据中的模式和规律。特征提取作为传统机器学习流程中至关重要的一环,直接影响模型的性能与泛化能力。通过精心设计的特征,可以使模型聚焦于最具代表性的信息,从而在保证分类精度的同时避免过拟合且降低对设备的要求。
目前市面上针对肌电信号进行手势识别的相关专利较少。一些相关的专利,如使用多流多特征神经网络和基于选择的稀疏Transformer模型进行手势识别,或基于运动单位活动进行跨用户肌电模式识别,上述方法对设备的要求较高,不利于环境部署,且训练时长较长,适用范围则会减小。
实现思路