| 基于表面肌电信号的手势识别方法 |
| |
| 引用本文： | 崔冰艳,邓嘉,张祥.基于表面肌电信号的手势识别方法[J].科学技术与工程,2023,23(35):15133-15141. |
| |
| 作者姓名： | 崔冰艳 邓嘉 张祥 |
| |
| 作者单位： | 华北理工大学 |
| |
| 基金项目： | 国家青年科学基金(E51505124)；河北省自然科学基金(E2017209252)；河北省高等学校科学技术研究重点项目(ZD2020151)。 |
| |
| 摘 要： | 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(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(IEME)和均方根值结合小波包变换系数(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(SVM)、人工鱼群算法优化支持向量机分类器(AFSA-SVM)和卷积神经网络(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7.37s较SVM和AFSA-SVM减少了68.32s和221.53s，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。
|
| 关 键 词： | 表面肌电信号 特征空间 AFSA-SVM 1D-CNN |
| 收稿时间： | 2023/1/10 0:00:00 |
| 修稿时间： | 2023/12/5 0:00:00 |
Hand Gesture Recognition Based on Surface Electromyography |
| |
| Cui Bingyan,Deng Ji,Zhang Xiang.Hand Gesture Recognition Based on Surface Electromyography[J].Science Technology and Engineering,2023,23(35):15133-15141. |
| |
| Authors: | Cui Bingyan Deng Ji Zhang Xiang |
| |
| Affiliation: | North China University of Science and Technology |
| |
| Abstract: | |
| |
| Keywords: | Surface electromyography signal Feature space AFSA-SVM 1D-CNN |
|
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
|
点击此处可从《科学技术与工程》下载全文 |
