[0004] 为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于手臂表面肌电信号的手势识别方法，克服传统手势分类方法复杂、计算量大的缺陷。
[0005] 为了实现上述技术目的，本发明的技术方案为：
[0006] 一种基于手臂表面肌电信号的手势识别方法，包括以下步骤：
[0007] (1)设采样频率为f，采样时间为T，重复多次对肌电信号进行采样，得到M段肌电信号；
[0008] (2)计算采集的肌电信号绝对值的均值，计算相邻两段肌电信号绝对值的均值的一阶差分，并将肌电信号绝对值的均值、相邻两段肌电信号绝对值的均值的一阶差分作为肌电信号的特征值，向各特征值分配权值后组成特征向量X；
[0009] (3)将特征向量X作为训练样本，采用K-means聚类算法对训练样本进行分类，得到K种手势以及每种手势对应的特征标签yk，k＝1,2,…,K；
[0010] (4)以采样频率f、采样时间T采集待识别手势的肌电信号，将采集到的肌电信号的绝度值的均值、相邻两端肌电信号绝对值的均值的一阶差分作为特征值，向各特征值分配权值后组成特征向量X’；
[0011] (5)分别求特征向量X’与k个特征标签yk的相似度数据；
[0012] (6)舍弃k个相似度数据中大于预设阈值的相似度数据，根据保留的相似度数据进行手势识别。
[0013] 进一步地，在步骤(2)中，采用下式计算肌电信号绝对值的均值：
[0014]
[0015] 上式中，MAV(j)为采集的第j段肌电信号的绝对值的均值，Sj(t)为采集的第j段肌电信号的第t个采样值的绝对值，N为Sj(t)的长度，N＝f·T；
[0016] 采用下式计算相邻两端肌电信号绝对值的均值的一阶差分：
[0017] R(i)＝MAV(i+1)-MAV(i),i＝1,2,…,M-1
[0018] 上式中，R(i)为第i+1段肌电信号与第i段肌电信号绝对值的均值的一阶差分；
[0019] 则特征向量X＝[μMAV(1)μMAV(2)...μMAV(M)τR(1)τR(2)...τR(M-1)]，μ、τ为权值。
[0020] 进一步地，在步骤(5)中，计算特征向量X’与k个特征标签yk的误差向量，将误差向量的2范数的平方值作为X’与yk的相似度数据：
[0021] φ(k)＝X′-yk
[0022] Z(k)＝(||φ(k)||2)2
[0023] 上式中，φ(k)是误差向量，Z(k)是相似度数据。
[0024] 进一步地，在步骤(6)中，在保留的相似度数据中找出最小的相似度数据Z(k)，则该最小相似度数据对应的特征标签yk所代表的手势即为识别结果。
[0025] 进一步地，特征向量X的权值μ、τ满足：
[0026] μ+τ＝1。
[0027] 进一步地，对特征向量X的权值μ、τ反复迭代优化，具体过程如下：
[0028] (a)设μ的初始区间为(0,1)，且在区间内设置μ的两个选值μ1、μ2，且μ1＞μ2；
[0029] (b)分别计算μ1下的相似度数据 和μ2下的相似度数据
[0030] (c)若 则μ1为较优值，则将μ的区间缩小为(μ2 ,1)；若则μ2为较优值，则将μ的区间缩小为(0,μ1)；
[0031] (d)在步骤(c)中确定的μ的区间内，重新设置μ1、μ2的值，重复步骤(b)-(d)。
[0032] 进一步地，在设置权值μ的两个选值μ1、μ2时，将μ1设置为μ的区间的黄金分割点值。
[0033] 采用上述技术方案带来的有益效果：
[0034] 本发明根据肌电信号这种生物电信号的特有特征，降低了数据处理复杂度，也能保证手势识别率达到较高水平，让手势识别设备具备低功耗，携带性强，识别速度快等优点。
